نحوه تحقق همکاری چند ایستگاه و پیش‌بینی خطا در سیستم کنترل الکتریکی ماشین لیوان کاغذی

با تبدیل صنعت ماشین‌آلات لیوان کاغذی به هوشمند و کارآمد، قابلیت‌های همکاری چند ایستگاهی و پیش‌بینی خطا سیستم کنترل الکتریکی به شاخص اصلی برای بهبود اثربخشی کلی تجهیزات تبدیل شده است. ماشین‌های لیوان کاغذی مدرن با ترکیب کنترل سروو با دقت بالا، اینترنت صنعتی اشیا و الگوریتم‌های هوش مصنوعی، از «تعمیرات غیرفعال» به «پیش‌بینی فعال» جهش کرده‌اند.
1. چند{1}}همکاری ایستگاه: از پیوند مکانیکی تا دوقلوهای دیجیتال
1.1 کنترل دقیق از طریق سیستم های سروو درایو
ماشین‌های لیوان کاغذی کاملاً سروو{0}}از موتورهای سروو مستقل در هر سایت استفاده می‌کنند و قطعات مکانیکی سنتی مانند بادامک و کلاچ را حذف می‌کنند. درعوض، رمزگذارهای-دقت بالا، بازخورد موقعیت مکانی واقعی-را ارائه می‌دهند. به عنوان مثال، مدلی از Zhejiang Xindebao Machinery, Ltd. از مکانیزم ساعت غیرمتمرکز و یک سیستم بادامک الکترونیکی استفاده می‌کند که خطاهای همگام‌سازی را زیر 0.1 میلی‌متر در هنگام تغذیه کاغذ، گرم کردن، آب‌بندی پایین، پیچ‌شدن و حجامت حفظ می‌کند. منطق کنترل آن توسط کامپیوتر صنعتی و حرکت چند محوره (هماهنگ) محقق می شود. هنگامی که ایستگاه تغذیه کاغذ قرار می گیرد، سیستم به طور خودکار ایستگاه گرمایش را فعال می کند و به صورت پویا منحنی های دما را با استفاده از یک الگوریتم PID تنظیم می کند تا اطمینان حاصل شود که کاغذ پوشش داده شده PLA به طور یکنواخت در 180 درجه ذوب می شود.
1.2 طراحی مدولار و اتصال ایستگاه
به منظور برآورده ساختن نیازهای تولید دسته‌ای کوچک و{0}}چند مشخصات، تجهیزات از ماژولارسازی عملکردی استفاده می‌کنند. به عنوان مثال، یک شرکت آنهویی، یک دستگاه لیوان کاغذی با مجموعه‌های قالب قابل جابجایی در بالا و پایین توسعه داده است. قالب بالایی توسط سیلندرهای پنوماتیکی هدایت می شود و دسته های باز و بسته می شوند، در حالی که قالب پایینی از یک موتور سروو و راهنماهای نورد خطی استفاده می کند. حسگرهای فوتوالکتریک و PLC ها قفل شدن ایستگاه را امکان پذیر می کنند: اگر در حین تغذیه کاغذ گیر کند، سیستم فوراً گرمایش را متوقف می کند و زنگ هشدار را به راه می اندازد و مکان های خطا و راه حل را در HMI نشان می دهد تا از قطع{{4} کامل خط جلوگیری شود.
1.3{1}}کسب داده در زمان واقعی و بهینه سازی مشارکتی
این سیستم داده ها را روی بیش از 200 حسگر، از جمله جریان موتور، دما، فرکانس ارتعاش و موارد دیگر، از طریق کنترل زمان واقعی-بر اساس اترنت یکپارچه جمع آوری می کند. به عنوان مثال، یک پلت فرم ابری داده های تولید تاریخی را تجزیه و تحلیل کرد و زمانی که سروو موتور تغذیه کاغذ در بیش از 1200 دور در دقیقه می چرخید، یک 15 15% در میزان خرابی ایستگاه های قرقره پیدا کرد. سیستم به طور خودکار پارامترهای فرآیند را تنظیم کرد تا سرعت را به محدوده بهینه محدود کند و خروجی تک خط را تا 12٪ افزایش دهد.
2. پیش بینی خطا: از هشدارهای آستانه تا تجزیه و تحلیل علت اصلی
2.1 تجزیه و تحلیل باقیمانده بر اساس مدل های مکانیکی
تجهیزات سنتی برای هشدار به آستانه ایستا متکی هستند، در حالی که سیستم های مدرن از مدل های دوقلوی دیجیتال برای پیش بینی پویا استفاده می کنند. برای ایستگاه های گرمایش، یک معادله هدایت حرارتی توزیع دما را شبیه سازی می کند. هنگامی که اندازه گیری بیش از 5 درجه از پیش بینی های مدل انحراف داشته باشد، سیستم در مورد "تخریب عناصر گرمایش" هشدار می دهد. با استفاده از این فناوری، این شرکت چرخه های تعویض المنت گرمایشی را از 3 به 6 ماه افزایش داده و هزینه قطعات یدکی را تا 40 درصد کاهش داده است.
2.2 هوش مصنوعی-تشخیص ناهنجاری و پیش بینی روند
با ادغام شبکه های عصبی، سیستم می تواند ناهنجاری های افزایشی در تجهیزات را تشخیص دهد. به عنوان مثال، یک ماژول تجزیه و تحلیل ارتعاش با استفاده از شبکه های LSTM، طیف ارتعاش موتورهای معمولی را یاد می گیرد. هنگامی که انرژی در باند 1500 تا 2000 هرتز از آستانه فراتر رفت، 48 ساعت قبل "ساییدگی بلبرینگ" را برای جلوگیری از خرابی تصادفی پیش بینی کرد. پس از استقرار، مشتریان میزان خرابی دستگاه را 28% کاهش دادند و OEE را به 82% رساندند.
2.3 راهنمایی در مورد 2.3 ریشه‌یابی و نگهداری علت.
هنگامی که یک زنگ هشدار راه اندازی می شود، سیستم از تجزیه و تحلیل درخت خطا (FTA) برای تعیین علت اصلی استفاده می کند. به عنوان مثال، اگر انسداد تخلیه فنجان رخ دهد، سیستم بررسی می کند:
لایه مکانیکی: فشار سیلندر پنوماتیک ناکافی (از طریق داده های سنسور فشار).
لایه الکتریکی: از دست دادن پالس رمزگذار سروو موتور (از طریق تجزیه و تحلیل نوسانات جریان).
لایه فرآیند: ضخامت دیواره فنجان خیلی زیاد است (از طریق داده های بازرسی کیفیت).
سپس HMI راهنمای تعمیر و نگهداری سه بعدی را نشان می دهد که اجزای معیوب و مراحل تعویض را برجسته می کند و زمان تعمیر را از 2 ساعت به 30 دقیقه کاهش می دهد.
3. مورد عملی: از هوش مستقل تا کارخانه-هم افزایی گسترده
یک تولید کننده بین المللی لیوان کاغذی مجهز به 50 دستگاه کاملاً سروو{1}}با دروازه های محاسباتی لبه ای برای اتصال است. سیستم:
پیش بینی نیازهای تعمیر و نگهداری: چرخه های تعمیر و نگهداری را با توجه به نرخ بار الکتریکی و روند دما تنظیم کنید تا در دسترس بودن تجهیزات را تا 98.5٪ افزایش دهید.
تولید بهینه: نوسانات خروجی روزانه از 15±% به 5±% با تجزیه و تحلیل داده‌های بازده تغییر کاهش یافت.
قابلیت ردیابی کیفیت فعال: زمانی که میزان نشت از آستانه فراتر رفت، سیستم از داده های بصری برای ردیابی ماشین های خاص و زمان های تولید استفاده می کند.
4. روندهای آینده: از هوش دستگاه تا هوش اکوسیستم
با گسترش 5G و دوقلوهای دیجیتال، سیستم کنترل ماشین‌های لیوان کاغذی در جهت‌های زیر تکامل می‌یابد:
تصمیم‌گیری مستقل: تجهیزات مبتنی بر تقاضای سفارش و ویژگی‌های مواد برای تولید بهینه‌ترین پارامترهای فرآیند برای به حداقل رساندن مداخلات انسانی.
مدیریت ردپای کربن: کاهش انتشار در هر فنجان تولید شده از طریق نظارت بر انرژی و الگوریتم‌های بهینه‌سازی.
همکاری زنجیره تامین: به اشتراک گذاری داده های وضعیت تجهیزات با تامین کنندگان مواد برای تولید مکمل و انعطاف پذیر در صورت لزوم.
در عصر هوشمندی، سیستم کنترل الکترونیکی دستگاه لیوان کاغذی از مجری ساده به «مغز» سیستم تولید تبدیل شده است. از طریق همکاری چند ایستگاهی و ادغام عمیق فناوری‌های پیش‌بینی خطا، شرکت‌ها نه تنها کارایی تجهیزات را بهبود می‌بخشند، بلکه ایجاد یک داده{2}}محرک تولید سبز می‌کنند که بسته‌ای را برای توسعه اکوسیستم جهانی پایدار فراهم می‌کند.