چگونه می توان به سرعت با فرآیندهای پیچیده ساخت کنار آمد

30 مارس 2021توسط اولریش پونتس ، Fraunhofer-Gesellschaft

بهینه سازی کارخانه های تولید به طوری که آنها به روش کم مصرف تر کار کنند یا تعداد بیشتری را تولید کنند ، اغلب دشوار است ، زیرا کیفیت تولید به پارامترهای مختلف بستگی دارد. در پروژه فانوس دریایی Fraunhofer ML4P ، متخصصان Fraunhofer یک فرایند و ابزار نرم افزاری برای تجزیه و تحلیل جامع فرآیندهای تولید صنعتی و تنظیم آنها در صورت لزوم ایجاد کرده اند.

 ML4P  برای صنایع مختلف ، از 12 آوریل تا 16 آوریل 2021 در نمایشگاه هانور در آلمان در بخش Digital Edition ارائه می شود.

اکنون بیش از هر زمان دیگر ، محصولات ساخته شده در آلمان از شهرت جهانی عالی برخوردار هستند. با این حال ، صرف بالا بودن کیفیت  محصولات لزوماً به معنای کامل بودن فرآیند تولید در پشت آنها نیست. برعکس ، بسیاری از فرایندها حتی در این روزها به بهینه سازی نیاز دارند. بعضی از آنها برای صرفه جویی در مصرف انرژی یا کاهش مردودی ها به بهینه سازی نیاز دارند ، در حالی که در برخی دیگر ، تولید باید انعطاف پذیری بیشتری داشته و به تقاضا پاسخ دهد. کارخانجات همچنین هنگامی که خصوصیات مواد از دسته ای به دسته دیگر تغییر می کنند ، به طور مداوم با اطمینان از کیفیت بالای محصول مبارزه می کنند.

شکستن پیچیدگی کارخانجات تولیدی

با این حال ، بسیاری از فرایندهای تولید ایجاد شده بسیار پیچیده هستند و نمی توانند به راحتی با نیازهای جدید سازگار شوند. اساساً ، متغیرهای زیادی وجود دارد که ذهن انسان در نظر می گیرد تا بتواند همبستگی بین آنها را درک کند. به همین دلیل شش موسسه Fraunhofer از سه سال پیش برای ایجاد پروژه فانوس دریایی یادگیری ماشینی برای تولید (ML4P) با هدف استفاده از یادگیری ماشین (ML) برای شکستن پیچیدگی کارخانه های تولید و بهینه سازی تولید ، نیروهای خود را بهم پیوستند. یافته های اولین بخش در 12 آوریل تا 16 آوریل 2021 در Hannover Messe Edition ارائه خواهد شد. شرکا طیف وسیعی از ابزارهای نرم افزاری را ایجاد کرده اند که می تواند داده های تولید را برای کشف همبستگی های قبلاً کشف نشده تجزیه و تحلیل کند. با این حال ، این ابزارها می توانند فراتر از تجزیه و تحلیل داده ها و انجام اقدامات بهینه سازی در یک زمان خاص – در محیط های دارای پیوند به تحقیق ، که حتی قبل از ML4P نیز امکان پذیر بود را انجام داده اند. نکته ویژه در مورد این ابزار این است که این ابزار فراتر از حد انتظار است و باعث می شود پیشرفتهای بدست آمده از طریق یادگیری ماشینی در طولانی مدت در چرخه های توسعه عملیاتی و چرخه های عمر محصولات گنجانده شود.

لارس وسلس ، معاون مدیر پروژه ML4P در انستیتوی اپراتوریک ، فن آوری های سیستم و بهره برداری از تصویر IOSB در کارلسروهه ، مکانی که فعالیت های موسسات شرکت کننده در آن به صورت یک مجموعه عملکردی جمع شده است ، می گوید: این نرم افزار همه چیز نیست. “در این پروژه ، ما یک مدل فرایندی را توسعه داده ایم که به ما و مشتری ما امکان می دهد مرحله به مرحله به سمت هدف خود پیشرفت کنیم. مهم این است که از ابتدا هدف را تعریف کنیم و در مرحله اولیه بررسی کنیم که آیا با سطح قابل توجیهی و با تلاش و هزینه های مناسب می توان به آن دست یافت.. “

تلفیق تخصص کارخانه و نرم افزار در پروژه

از جمله ، شرکای پروژه شامل موسسات Fraunhofer با تخصص در فرآیندهای تولید و کارخانجات هستند. این امر محققان را قادر ساخت تا از محیط های تولید واقعی – از جمله کارخانه خمکاری شیشه – برای آزمایش و بهینه سازی ابزارهای نرم افزاری که با هم توسعه داده بودند استفاده کنند. کارخانه شیشه سازی که اخیراً در موسسه Fraunhofer برای مکانیک مواد IWM در فرایبورگ احداث شده است ، امکاناتی را برای تاشدن و خمش صفحات بزرگ شیشه به منظور ایجاد زاویه تیز 90 درجه فراهم می کند. این شیشه سپس تکامل می یابد تا برای مثال از ویژگی های خاص معماری مانند پنجره های گوشه ای استفاده شود. شیشه ها از قبل در یک کوره در محل با استفاده از لیزر گرم می شوند و سپس خم می شوند. متغیرهایی مانند دمای فر ، زمان صرف شده در کوره و پارامترهای لیزر باید بسیار دقیق پیکربندی شوند.

کارخانه فرایبورگ از نظر عملیاتی پایدار است ، اما گاهی اوقات ، شیشه های تولید شده دارای کمی موج در سطح و یا نقص بصری دیگری هستند – و آنها باید از بین بروند.

کریستین فری از Fraunhofer IOSB ، مدیر پروژه ML4P می گوید: “کارشناسان کارخانه بلافاصله متوجه می شوند که مشکلی در صفحه وجود ندارد.” “با این حال ، اغلب مشخص نبود که دقیقاً چه عواملی منجر به نقص شده است.” به همین دلیل برای تجزیه و تحلیل در این پروژه ، تمام پارامترهای دستگاه و تولید به نرم افزار وارد شده و سپس ارزیابی شدند. “در فرآیندهای تولیدی مانند این ، چالش این است که شما به سختی داده های استاندارد را به همان روشی که با تصاویر یا فایلهای صوتی در اختیار دارید ، خواهید داشت. در عوض ، داده های فرآیند  بصورت ناهمگن وجود دارد که باید قبل از تجزیه و تحلیل خودکار ، پیش پردازش شوند. این قسمت بزرگی ازکار است  ، و این بدان معنی است که ما باید کارشناسان کارخانجات و دانش آنها را در مورد روند کار  ، گرد بیاوریم. “

ارزیابی میزان دیجیتالی شدن مورد نیاز

همانطور که مشخص شد ، داده های موجود برای پروژه کارخانه فرایبورگ کافی نبوده است. برای اندازه گیری مداوم دمای داخلی ، باید سنسورهای حرارتی اضافی در کوره نصب می شدند. لارس وسلس می گوید: “مدل فرآیند ما برای این نوع شرایط ایده آل است.” “با همکاری نزدیک با مشتری ، می توانیم به موقع به داده های پردازش مورد نیاز خود پی ببریم و بررسی خواهیم کرد که آیا هزینه آن ، ارزش صرف کردن دارد.” در فرایبورگ جواب مثبت بود. ابزارهای نرم افزاری اکنون می توانند ارزیابی کنند که کدام شرایط منجر به نقص می شود ، و همچنین شرایط ایده آل برای پردازش شیشه با کیفیت های خاص را پیش بینی می کنند – به عنوان مثال صفحات شیشه با ضخامت های متفاوت.

علاوه بر فرآیند خمکاری شیشه ، شرکای ML4P در موسسه Fraunhofer برای ابزار ماشین آلات و فناوری شکل دهی محل IWU در کمنیتس راه حل هایی برای تشکیل ورق گرم ایجاد کرده اند. به عنوان مثال می توان از این موارد برای تعیین روشهای اطمینان از کیفیت فلز در هنگام افزایش سرعت تولید کارخانه استفاده کرد. از طرف دیگر ، در موسسه Fraunhofer برای کارخانه و اتوماسیون IFF در مگدبورگ ، محققان در تلاشند تا فرآیندهای تولید فیلتر را بهینه کنند تا موارد ردی کمتر شود.

کریستین فری می گوید: “بسته به درجه اتوماسیون یا دیجیتالی شدن کارخانه ، بهینه سازی آن با استفاده از ابزار ML4P می تواند ساده تر یا پیچیده تر باشد.” “با این حال ، با مدل فرآیند چند مرحله ای ما و مشتری می توانیم خیلی سریع بفهمیم که آیا ارزش دارد کارخانه را ارتقا دهید.” وی اشاره می کند که مدل فرآیند نیز به ویژه برای برقراری ارتباط بین کارشناسان کارخانجات و کارشناسان ML بسیار مفید خواهد بود. “شما می توانید کارخانه و داده ها را با هم به طور مفصل مرور کرده و دامنه هدف خود را مشخص کنید. هنگام انجام این کار ، برای ما بسیار مهم است که دانش متخصصان کارخانه را در نرم افزار ML4P وارد کنیم.” برنامه هایی برای ارائه ابزارهای توسعه یافته در پروژه ML4P به عنوان یک بسته جامع وجود دارد – از جمله پشتیبانی مشاوره ای ارائه شده از طریق مدل فرآیند. https://techxplore.com