L'IoT et votre compréhension des données

À mesure que la détection et l'activation basées sur le cloud ainsi que la compilation de données se développent, nous devons réaliser le manque de points communs dans notre compréhension. Parfois, ce ne sont que les mots que nous utilisons, parfois c'est la sémantique, et d'autres fois encore c'est notre confusion des résultats attendus.

Dans les machines, nous parlons de tours RPM par minute ou de courses SPM par minute ou de vitesses de broche ou de pouces IPM par minute, etc. tous ces termes sont liés aux machines. Les parties par minute (PPM) sont ce qui nous importe vraiment. Lorsque nous examinons l'IoT et le résultat souhaité, ce sont les mesures et les métriques où nous brouillons nos données et confondons nos informations. Par conséquent, nous devons nous assurer que les informations sont claires, déclare Joseph Zulick, rédacteur et directeur chez MRO Electric and Supply .

Dans un atelier de fabrication, vous entendrez souvent un superviseur demander si nous pouvons « accélérer » la machine pour répondre aux nouvelles exigences plus élevées d'un produit ou pour respecter un délai. C'est là que les choses se troublent. Le superviseur ne se soucie pas spécifiquement de la façon dont vous obtenez plus de pièces, son objectif est de répondre à la demande.

Des solutions facultatives peuvent consister à faire fonctionner la machine plus rapidement, ce qui est également ambigu car augmenter la vitesse du moteur ou les courses par minute peut entraîner un problème de qualité. Lors de l'emboutissage, il se peut que l'augmentation de la vitesse de glissement entraîne le formage à déchirer le matériau au fur et à mesure qu'il se forme. Lors de l'usinage, le fait d'essayer d'enlever plus de matière en une seule passe peut provoquer de la chaleur, une perte de contrôle et une mauvaise finition. Sur une presse plieuse, vous pouvez vous retrouver avec un plus grand retour élastique.

La question est donc de savoir comment obtenir la même qualité de pièce à un taux plus élevé. Les capteurs peuvent désormais surveiller de plus en plus. L'utilisation de l'intelligence artificielle dans de nombreux systèmes peut fournir plusieurs scénarios basés sur les commentaires passés de l'IoT et les résultats attendus. Par exemple, lorsqu'une pièce est transférée d'une station à une autre sur une presse, cela prend un certain temps.

Plus vous courez vite, vous pouvez être obligé de fonctionner en une seule course automatique, un mode dans lequel la machine s'arrête en haut et attend maintenant que la pièce soit déplacée d'une station ou d'une opération à l'autre. Étonnamment, vous pouvez atteindre des vitesses plus élevées en courant plus lentement et en ne vous arrêtant jamais au sommet. En restant dans un mode purement continu, le nombre de pièces que vous pouvez créer est supérieur à ce que vous pouvez faire en faisant tourner la machine plus rapidement et en attendant l'automatisation. C'est en partie un objet de la théorie des contraintes qui se concentre sur la détermination du goulot d'étranglement. Il peut également faire partie de la production au plus juste et des systèmes qui adaptent ces concepts de fabrication.

Ces théories sont intégrées au côté Iot qui surveille et prouve le meilleur moyen d'atteindre l'objectif, suffisamment de pièces pour répondre à la demande. Une autre solution trouvée dans les machines hydrauliques et dans la technologie servo est la limitation de la longueur de course. Une partie de ce qui détermine combien de temps il faudra pour faire une pièce est le temps par coup. Des calculs simples dicteraient si quelque chose fonctionnait à 60 coups par minute, 1 coup prend 1 seconde. Alors comment améliorer la production ? Dans les machines hydrauliques et servo, vous pouvez faire varier la longueur de la course.

Si nous regardons la machine à 1 course par seconde et que la longueur de course est de 4 pouces, il peut être possible de supprimer le temps perdu dans la course. Tout le temps de retour est perdu dans une certaine mesure, à moins que ce ne soit lorsque l'automatisation se produit et que vous ne puissiez pas produire de toute façon. Peut-être que je peux limiter la longueur de course à 3 pouces. Ce temps peut vous faire économiser ¼ de cette seconde. Cela pourrait entraîner la production de 15 pièces supplémentaires en une minute !

C'est la même philosophie que les presses à mouvement Link utilisent en modifiant le profil de vitesse de glissement, en termes simples, il fonctionne plus rapidement pendant la course ascendante lorsqu'aucune production n'a lieu.

Les machines servo profitent du réglage de la longueur de course ainsi que les machines hydrauliques. Cela est vrai dans tous les types de machines. Un avantage supplémentaire est que vous réduisez votre exposition aux risques et aux dangers, car ces zones sont exposées plus longtemps avec des machines à course plus longue.

L'IoT surveille les chiffres de production et prouve l'optimisation des machines et peut nous aider à comprendre les informations. Nous devons nous assurer que nous sommes clairs dans ce que nous demandons d'accomplir. Comme indiqué ci-dessus, demander de courir plus vite peut être une mauvaise solution.

Les capteurs peuvent également être mal appliqués lorsqu'ils sont utilisés pour détecter une mauvaise chose. Ce n'est pas parce que vous sentez qu'une pièce s'est détachée d'une machine que c'était une bonne pièce, une pièce qui était en fait finie ou emballée. De plus en plus de systèmes permettent désormais de suivre une bonne et une mauvaise pièce tout au long de l'opération, car la suppression d'une mauvaise pièce peut être plus coûteuse que le temps nécessaire pour permettre à une mauvaise pièce détectée de passer et d'être mise au rebut à la fin. Ceci est bien sûr à condition que la mauvaise partie soit une anomalie et non un échec. Ces données peuvent déclencher un déviateur et permettre le rejet et l'éjection d'une pièce défectueuse.

Trop souvent, nous abandonnons les données parce qu'elles ne changent pas ou ne résolvent pas le problème ou que ce que nous rassemblons ne produit pas les résultats sur lesquels nous devons agir pour faire la différence. Nous pensons que les capteurs fournissent des solutions mais un capteur sans collecte de données, et la comparaison n'est qu'un point de données.

Si je vous donne le numéro 6 et vous demande de résoudre le problème, vous ne pouvez pas le faire. Vous avez besoin de la formule ou d'autres points de données pour déterminer une tendance, c'est ainsi que vous faites la différence. Ce n'est qu'avec ces informations et connaissances que vous pouvez vous attendre à une amélioration.

Une fois que vous avez le contexte de ces informations, vous pouvez définir les limites dont vous avez besoin pour effectuer le changement. Il existe certains systèmes d'IA qui analysent et interprètent les indicateurs de performance clés, mais le problème est qu'un élément de données sans contexte d'entrée vous donnera des recommandations de sortie sans contexte de sortie. Comme le dit le proverbe… Garbage In =Garbage Out.

Nous améliorons les systèmes de données et la notation en est une partie importante, en particulier avec la détection analogique. Nous avons besoin de connaître une valeur associée à la détection analogique et un message réel est tout aussi important et non une valeur de code inutile. Les repères visuels sont également très utiles lorsque l'opérateur peut comprendre et agir sur le message sans avoir besoin d'escalader et d'attendre qu'un superviseur ou un technicien de maintenance interprète un message et une action.

Le destin de la fabrication dépend des données. Nous traversons actuellement une étape intermédiaire d'avancement. Nous pouvons traiter des systèmes comme Alexa ou Siri comme des systèmes omniscients, mais ils ont vraiment un catalogue de mots-clés pour exécuter un programme ou une compétence.

La partie passionnante est ce qui vient ensuite, qui est la compréhension à un degré moindre où les systèmes comprennent nos défauts dans ce que nous demandons et ce que nous voulons réellement savoir. Nos échecs conduiront à des systèmes plus intelligents de demain qui sont plus proches que nous ne le pensons !

L'auteur est Joseph Zulick, directeur chez MRO Electric and Supply.