Τα μεγάλα δεδομένα οδηγούν το εργοστάσιο έξυπνων τακακιών φρένων – Προγνωστικά Analytics ελαττώματα και χρόνο διακοπής λειτουργίας

Το σύγχρονο εργοστάσιο τακάκια φρένων παράγει τεράστιο όγκο δεδομένων. Οι θερμοκρασίες πίεσης, οι χρόνοι ανάμειξης, τα προφίλ φούρνου ωρίμανσης, οι μετρήσεις σκληρότητας και τα αρχεία ελαττωμάτων εισέρχονται από αισθητήρες και σταθμούς ποιότητας κάθε δευτερόλεπτο. Για τα περισσότερα εργοστάσια, αυτά τα δεδομένα βρίσκονται σε βάσεις δεδομένων, που χρησιμοποιούνται μόνο για την εκ των υστέρων αναφορά. Ωστόσο, ένα νέο κύμα κατασκευαστών αναπτύσσει αναλυτικά στοιχεία μεγάλων δεδομένων και μηχανική μάθηση για να μετατρέψει αυτές τις πληροφορίες σε αποφάσεις σε πραγματικό χρόνο. Το αποτέλεσμα: χαμηλότερα ποσοστά ελαττωμάτων, λιγότερος απρογραμμάτιστος χρόνος διακοπής λειτουργίας και πιο σταθερό προϊόν για τους αγοραστές.

Από τον αντιδραστικό στον προγνωστικό ποιοτικό έλεγχο

Η παραδοσιακή διαχείριση ποιότητας είναι αντιδραστική. Ένα εργοστάσιο μετρά μια παρτίδα μαξιλαριών, διαπιστώνει ότι το 5% της διατμητικής αντοχής αποτυγχάνει και, στη συνέχεια, ερευνά τις βασικές αιτίες - συχνά μέρες αργότερα. Μέχρι τότε, μπορεί να έχουν παραχθεί χιλιάδες ελαττωματικά τακάκια. Τα μεγάλα δεδομένα αλλάζουν αυτό συσχετίζοντας τις παραμέτρους της διαδικασίας με τα αποτελέσματα σε πραγματικό χρόνο.

Για παράδειγμα, ένα εργοστάσιο που χρησιμοποιεί ένα μοντέλο πρόβλεψης μπορεί να διαπιστώσει ότι όταν η θερμοκρασία πίεσης πέσει κάτω από τους 178 βαθμούς για τρεις διαδοχικούς κύκλους, η πιθανότητα χαμηλής διατμητικής αντοχής στην προκύπτουσα παρτίδα αυξάνεται από 1% σε 15%. Το σύστημα ειδοποιεί αυτόματα τον χειριστή της πρέσας πριν πατηθούν τα μαξιλαράκια στη χαμηλή θερμοκρασία – αποτρέποντας ελαττώματα αντί να τα ανιχνεύσετε εκ των υστέρων.

Ένα εργοστάσιο τακακιών φρένων στην επαρχία Zhejiang υλοποίησε μια πλατφόρμα μεγάλων δεδομένων που συλλέγει 120 παραμέτρους ανά τακάκι σε 16 πρέσες. Μετά από έξι μήνες εκπαίδευσης μοντέλων μηχανικής εκμάθησης, το σύστημα πέτυχε ακρίβεια 92% στην πρόβλεψη των μαξιλαριών εκτός προδιαγραφών πριν αυτά βγουν από την πρέσα. Το εργοστάσιο μείωσε το ποσοστό σκραπ από 2,8% σε 1,1% και εξοικονομούσε περίπου 400.000 USD ετησίως σε κόστος υλικού και επανεπεξεργασίας.

Η προβλεπτική συντήρηση παρατείνει τη διάρκεια ζωής του Τύπου

Οι θερμές πρέσες είναι ο πιο ακριβός εξοπλισμός σε οποιοδήποτε εργοστάσιο τακακιών φρένων. Οι απρογραμμάτιστες αστοχίες τύπου μπορεί να σταματήσουν την παραγωγή για μέρες. Αναλύοντας δεδομένα κραδασμών, θερμοκρασίας και υδραυλικής πίεσης με την πάροδο του χρόνου, οι προγνωστικοί αλγόριθμοι μπορούν να ανιχνεύσουν πρώιμα σημάδια φθοράς - μια αντλία που χάνει την απόδοση, ένα θερμοστοιχείο που απομακρύνεται από τη βαθμονόμηση ή ένα καλούπι που αναπτύσσει μικρορωγμές.

Το ίδιο εργοστάσιο Zhejiang χρησιμοποίησε προγνωστική συντήρηση για να αποφύγει μια καταστροφική αστοχία τύπου. Το σύστημα επισήμανε μια σταδιακή αύξηση της διακύμανσης της πίεσης από κύκλο σε κύκλο με ένα πάτημα. Η επιθεώρηση αποκάλυψε μια ελαττωματική υδραυλική σφράγιση. Το εργοστάσιο προγραμμάτισε μια επισκευή δύο ωρών κατά τη διάρκεια μιας αλλαγής βάρδιας, αποφεύγοντας αυτό που θα ήταν μια βλάβη τριών ημερών. Ο χρόνος διακοπής λειτουργίας λόγω αστοχιών τύπου μειώθηκε κατά 65% σε διάστημα 12 μηνών.

Τι σημαίνουν τα μεγάλα δεδομένα για τους αγοραστές τακακιών φρένων

Για τους διανομείς και τους εισαγωγείς, ένα εργοστάσιο που αγκαλιάζει τα μεγάλα δεδομένα προσφέρει απτά πλεονεκτήματα:

· Συνεπής ποιότητα – Ο έλεγχος της διαδικασίας σε πραγματικό χρόνο μειώνει τη διακύμανση από παρτίδα σε παρτίδα. Λαμβάνετε τακάκια που έχουν ίδια απόδοση κατά παραγγελία.
· Χαμηλότερος κίνδυνος ελαττώματος – Η προγνωστική ποιότητα εντοπίζει προβλήματα προτού επηρεάσουν τα τελικά προϊόντα. Λιγότερες επιστροφές και αξιώσεις εγγύησης.
· Μικρότεροι χρόνοι παράδοσης – Λιγότερος απρογραμμάτιστος χρόνος διακοπής λειτουργίας σημαίνει ότι το εργοστάσιο τηρεί αξιόπιστα το πρόγραμμα παραγωγής του. Χωρίς «έκπληξη καθυστερήσεις».
· Πλήρης ιχνηλασιμότητα – Τα συστήματα μεγάλων δεδομένων αποθηκεύουν κάθε παράμετρο για κάθε pad. Εάν το πρόβλημα ξεφύγει, το εργοστάσιο μπορεί να εντοπίσει την αιτία και να απομονώσει τις αποστολές που επηρεάζονται.

Τι να ρωτήσω ένα εργοστάσιο

Κατά την αξιολόγηση ενός προμηθευτή τακακιών φρένων, ρωτήστε:

· Χρησιμοποιείτε μεγάλα δεδομένα ή μηχανική εκμάθηση για πρόβλεψη ή συντήρηση ποιότητας;
· Ποιες παραμέτρους διαδικασίας παρακολουθείτε σε πραγματικό χρόνο; Μπορείτε να παρέχετε δείγματα διαγραμμάτων SPC;
· Πώς χειρίζεστε τους συναγερμούς – αυτόματη απόρριψη, παρέμβαση χειριστή ή και τα δύο;
· Μπορείτε να μοιραστείτε την τάση του ποσοστού σκραπ τα τελευταία δύο χρόνια;

Τα εργοστάσια που έχουν επενδύσει σε αναλύσεις δεδομένων θα απαντήσουν με λεπτομέρειες και ενδέχεται να προσφέρουν ζωντανές προβολές πίνακα εργαλείων. Όσοι εξακολουθούν να χρησιμοποιούν χάρτινα κούτσουρα ή αποσυνδεδεμένα συστήματα θα δυσκολευτούν να επιδείξουν συνεχή βελτίωση.

Προκλήσεις και Περιορισμοί

Τα μεγάλα δεδομένα δεν είναι μαγικά. Απαιτεί καθαρή, συνεπή εισαγωγή δεδομένων και προσεκτική εκπαίδευση μοντέλων. Το αρχικό κόστος εγκατάστασης (αισθητήρες, λογισμικό, εκπαίδευση) μπορεί να υπερβεί τα 200.000 USD για ένα εργοστάσιο μεσαίου μεγέθους. Ωστόσο, πολλά εργοστάσια ανακτούν αυτήν την επένδυση εντός 18-24 μηνών μέσω μειωμένων παλαιοσιδήρων και χρόνου διακοπής λειτουργίας. Για τους αγοραστές, αξίζει να αναζητήσετε το όφελος – ακόμα κι αν αυτό σημαίνει να πληρώσετε ένα μικρό ασφάλιστρο για προϊόν από ένα εργοστάσιο που βασίζεται σε δεδομένα.

Η προοπτική του μέλλοντος

Καθώς το κόστος των αισθητήρων μειώνεται και το λογισμικό ανάλυσης γίνεται πιο φιλικό προς τον χρήστη, τα μεγάλα δεδομένα θα γίνουν στάνταρ σε ανταγωνιστικά εργοστάσια τακάκια φρένων. Εντός πέντε ετών, οι αγοραστές μπορούν να ζητούν τακτικά πρόσβαση στον πίνακα ελέγχου ποιότητας ενός εργοστασίου σε πραγματικό χρόνο ως μέρος της πιστοποίησης προμηθευτών. Τα εργοστάσια που αγκαλιάζουν αυτήν την τάση σήμερα είναι αυτά που θα ηγηθούν αύριο.