IoT en uw begrip van data

Naarmate cloudgebaseerde detectie en bediening samen met het compileren van gegevens zich uitbreiden, moeten we ons realiseren dat er geen gemeenschappelijkheid bestaat in ons begrip. Soms zijn het alleen de woorden die we gebruiken, soms is het semantiek en weer andere keren is het onze verwarring over verwachte resultaten.

In machines hebben we het over RPM-omwentelingen per minuut of SPM-slagen per minuut of spilsnelheden of IPM inches per minuut, enz. Al deze termen zijn machinegerelateerd. Onderdelen per minuut (PPM) is waar we echt om geven. Als we kijken naar IoT en ons gewenste resultaat, zijn het de metingen en statistieken waarmee we onze gegevens vertroebelen en onze informatie verwarren. Daarom moeten we ervoor zorgen dat we duidelijk zijn in de informatie, zegt Joseph Zulick, schrijver en manager bij MRO Electric and Supply .

Op een productievloer hoort u vaak een supervisor vragen of we de machine kunnen "versnellen" om aan de nieuwe hogere eisen aan een product te voldoen of om een ​​deadline te halen. Dit is waar dingen bewolkt worden. De supervisor geeft er niet specifiek om hoe je meer onderdelen krijgt, hun doel is om aan de vraag te voldoen.

Optionele oplossingen kunnen zijn om de machine sneller te laten draaien, dit is ook dubbelzinnig omdat het opvoeren van het motortoerental of het aantal slagen per minuut kan resulteren in een kwaliteitsprobleem. Bij het stempelen kan het zijn dat het verhogen van de schuifsnelheid ertoe leidt dat het materiaal tijdens het vormen scheurt. Bij het machinaal bewerken kan het feit dat u meer materiaal in één beweging probeert af te nemen warmte, controleverlies en een slechte afwerking veroorzaken. Op een kantpers kun je een grotere terugvering krijgen.

De vraag is dus hoe we dezelfde kwaliteit van het onderdeel tegen een hoger tarief kunnen bereiken. Sensoren kunnen nu steeds meer monitoren. Het gebruik van kunstmatige intelligentie in veel systemen kan verschillende scenario's opleveren op basis van eerdere IoT-feedback en verwachte resultaten. Als een onderdeel bijvoorbeeld op een pers van het ene station naar het andere wordt overgebracht, duurt het een bepaalde tijd.

Hoe sneller u loopt, wordt mogelijk gedwongen te werken in automatische enkele slag, een modus waarbij de machine bovenop stopt en nu wacht tot het onderdeel van het ene station of de bewerking naar het volgende wordt verplaatst. Verrassend genoeg kun je hogere snelheden bereiken door langzamer te rennen en nooit bovenaan te stoppen. Door in een pure continue modus te blijven, is het aantal onderdelen dat u kunt maken groter dan u kunt door de machine sneller te laten draaien en te wachten op de automatisering. Dit is gedeeltelijk een focus van de theorie van beperkingen die zich richt op het bepalen van de bottleneck. Het kan ook onderdeel zijn van lean manufacturing en de systemen die deze productieconcepten aanpassen.

Deze theorieën worden opgenomen in de Iot-kant die de beste manier is om het doel te bereiken en te bewijzen dat er genoeg onderdelen zijn om aan de vraag te voldoen. Een andere oplossing die wordt gevonden in hydraulische machines en in servotechnologie is slaglengtebeperking. Een deel van wat bepaalt hoe lang het duurt om een ​​onderdeel te maken, is de tijd per slag. Eenvoudige wiskunde zou dicteren dat als iets met 60 slagen per minuut draait, 1 slag 1 seconde duurt. Dus hoe kan de productie worden verbeterd? In hydraulische en servomachines kunt u de lengte van de slag variëren.

Als we kijken naar de machine van 1 slag per seconde en de slaglengte is 4 inch, is het misschien mogelijk om verspilde tijd in de slag te verwijderen. Alle retourtijd is tot op zekere hoogte verspild, tenzij het is wanneer automatisering plaatsvindt en u toch niet kunt produceren. Misschien kan ik de slaglengte beperken tot 3 inch. Deze tijd kan je ¼ van die seconde besparen. Dit kan resulteren in het produceren van 15 extra onderdelen in een minuut!

Dit is dezelfde filosofie die Link-bewegingspersen gebruiken door het schuifsnelheidsprofiel te wijzigen, in termen van de leek, het werkt sneller tijdens de opwaartse slag wanneer er geen productie plaatsvindt.

Servomachines profiteren van de aanpassing van de slaglengte en hydraulische machines. Dit geldt voor alle soorten machines. Een bijkomend voordeel hiervan is dat u uw blootstelling aan risico's en gevaren vermindert, aangezien deze gebieden langer worden blootgesteld met machines met een langere slag.

IoT bewaakt de productieaantallen en bewijst de optimalisatie van machines en kan dienen om ons te helpen de informatie te begrijpen. We moeten er wel voor zorgen dat we duidelijk zijn in wat we willen bereiken. Zoals hierboven getoond, kan vragen om sneller te rennen de verkeerde oplossing zijn.

Sensoren kunnen ook verkeerd worden toegepast waar ze worden gebruikt om het verkeerde waar te nemen. Alleen omdat je voelt dat een onderdeel van een machine is losgekomen, is geen garantie dat het een goed onderdeel was, een onderdeel dat daadwerkelijk is voltooid of verpakt. Meer systemen maken het nu mogelijk om een ​​goed en slecht onderdeel tijdens de operatie te volgen, omdat het verwijderen van een slecht onderdeel duurder kan zijn dan de tijd om een ​​gedetecteerd slecht onderdeel door te laten lopen en aan het einde te schrappen. Dit is natuurlijk op voorwaarde dat het slechte deel een anomalie is en geen mislukking. Met deze gegevens kan een omleider worden geactiveerd en kan een slecht onderdeel worden afgewezen en uitgeworpen.

Te vaak geven we data op omdat het het probleem niet verandert of oplost, of omdat wat we verzamelen niet de resultaten oplevert die we nodig hebben om een ​​verschil te maken. We zijn van mening dat sensoren oplossingen bieden, maar een sensor zonder gegevensverzameling, en vergelijking is slechts een gegevenspunt.

Als ik je het nummer 6 geef en je vraag om het probleem op te lossen, kun je het niet doen. Je hebt de formule, of andere datapunten nodig om een ​​trend te bepalen, zo maak je het verschil. Alleen met deze informatie en kennis kun je een verbetering verwachten.

Als je eenmaal de context van deze informatie hebt, kun je de limieten bouwen die je nodig hebt om de wijziging aan te brengen. Er zijn enkele AI-systemen die key performance indicators analyseren en interpreteren, maar het probleem is dat een stuk data zonder inputcontext je outputaanbevelingen zal geven zonder outputcontext. Zoals het spreekwoord zegt... Garbage In =Garbage Out.

We verbeteren datasystemen en notatie is hier een groot onderdeel van, vooral bij analoge detectie. We moeten een waarde kennen die is gekoppeld aan analoge detectie en net zo belangrijk is een echt bericht en geen nutteloze codewaarde. Visuele aanwijzingen zijn ook erg handig wanneer de operator het bericht kan begrijpen en ernaar kan handelen zonder te hoeven escaleren en te wachten op een supervisor of onderhoudspersoon om een ​​bericht en een actie te interpreteren.

Het lot van de productie is afhankelijk van gegevens. We gaan momenteel door een tussenstap van vooruitgang. We kunnen systemen zoals Alexa of Siri als alwetende systemen beschouwen, maar ze hebben echt een catalogus met trefwoorden om een ​​programma of vaardigheid uit te voeren.

Het opwindende deel is wat er daarna komt, dat is begrip in mindere mate, waarbij de systemen onze fouten begrijpen in wat we vragen en wat we eigenlijk willen weten. Onze mislukkingen zullen leiden tot slimmere systemen van morgen die dichterbij zijn dan we denken!

De auteur is Joseph Zulick, manager bij MRO Electric and Supply.