IoT e sua compreensão dos dados

À medida que o sensoriamento baseado em nuvem e a atuação junto com a compilação de dados se expandem, precisamos perceber a falta de uniformidade em nosso entendimento. Às vezes são apenas as palavras que usamos, às vezes é semântica e ainda outras vezes é a nossa confusão de resultados esperados.

Em máquinas, falamos sobre rotações RPM por minuto ou Golpes por minuto SPM ou velocidades do fuso ou polegadas IPM por minuto, etc. todos esses termos são relacionados a máquinas. Partes por minuto, (PPM) é o que realmente nos preocupa. Quando olhamos para a IoT e nosso resultado desejado, é a medição e as métricas onde obscurecemos nossos dados e confundimos nossas informações. Portanto, precisamos ter certeza de que as informações foram claras, diz Joseph Zulick é redator e gerente da MRO Electric and Supply .

Em um chão de fábrica, você frequentemente ouvirá um supervisor perguntar se podemos “acelerar” a máquina para atender às novas demandas mais altas de um produto ou para cumprir um prazo. É aqui que as coisas ficam turvas. O supervisor não se preocupa especificamente em como você obtém mais peças, o objetivo deles é atender à demanda.

As soluções opcionais podem ser operar a máquina mais rapidamente, o que também é ambíguo porque aumentar a velocidade do motor ou os golpes por minuto pode resultar em um problema de qualidade. Na estampagem, pode ser que o aumento da velocidade de deslizamento resulte na formação, rasgando o material à medida que ele se forma. Na usinagem, o fato de você estar tentando retirar mais material em uma única passagem pode causar calor, perda de controle e um acabamento ruim. Em uma dobradeira, você pode acabar com uma maior elasticidade.

Portanto, a questão é como podemos alcançar a mesma qualidade de peça em um preço mais alto. Os sensores agora podem monitorar mais e mais. O uso da Inteligência Artificial em muitos sistemas pode fornecer vários cenários com base no feedback IoT anterior e nos resultados esperados. Por exemplo, quando uma peça é transferida de uma estação para outra em uma impressora, leva um certo tempo.

Quanto mais rápido você corre, pode ser forçado a operar em um único curso automático, um modo em que a máquina para no topo e agora espera que a peça seja movida de uma estação ou operação para a próxima. Surpreendentemente, você pode alcançar velocidades maiores executando mais devagar e nunca parando no topo. Ao permanecer em um modo puramente contínuo, o número de peças que você pode criar é maior do que ao operar a máquina mais rapidamente e aguardar a automação. Este é parcialmente um foco da teoria das restrições que se concentra na determinação do gargalo. Também pode fazer parte da manufatura enxuta e dos sistemas que adaptam esses conceitos de manufatura.

Essas teorias estão sendo incorporadas ao lado da Iot que está monitorando e provando a melhor maneira de atingir a meta, peças suficientes para atender a demanda. Outra solução encontrada em máquinas hidráulicas e em tecnologia servo é a limitação do comprimento do curso. Parte do que determina quanto tempo levará para fazer uma peça é o tempo por golpe. A matemática simples ditaria se algo estivesse funcionando a 60 tacadas por minuto, 1 tacada leva 1 segundo. Então, como a produção pode ser melhorada? Em máquinas hidráulicas e Servo, você pode variar o comprimento do curso.

Se olharmos para a máquina de 1 curso por segundo e o comprimento do curso é de 4 polegadas, pode ser possível remover o tempo perdido no curso. Todo o tempo de retorno é perdido até certo ponto, a menos que seja quando a automação está ocorrendo, e você não poderia estar produzindo de qualquer maneira. Talvez eu possa limitar o comprimento do curso a 3 polegadas. Desta vez, você pode economizar ¼ daquele segundo. Isso pode resultar na produção de mais 15 peças em um minuto!

Esta é a mesma filosofia que as prensas de movimento Link usam, alterando o perfil de velocidade de deslizamento, em termos leigos, ele funciona mais rápido durante o movimento ascendente quando nenhuma produção está ocorrendo.

As servomáquinas aproveitam o ajuste do comprimento do curso, assim como as máquinas hidráulicas. Isso é verdade em todos os tipos de máquinas. Um bônus lateral disso é que você reduz sua exposição a riscos e perigos, uma vez que essas áreas ficam expostas por mais tempo com máquinas de curso mais longo.

A IoT monitora os números de produção e comprova a otimização das máquinas e pode servir para nos ajudar a entender as informações. Precisamos ter certeza de que deixamos claro o que pedimos para alcançar. Conforme mostrado acima, pedir para correr mais rápido pode ser a solução errada.

Os sensores também podem ser mal aplicados onde são usados ​​para detectar a coisa errada. Só porque você sente que uma peça saiu da máquina não é garantia de que era uma peça boa, uma peça que realmente foi acabada ou embalada. Mais sistemas agora permitem o rastreamento de uma parte boa e uma parte ruim durante a operação, porque a remoção de uma parte ruim pode ser mais cara do que permitir que uma parte ruim detectada passe e seja descartada no final. Isso é claro, desde que a parte ruim seja uma anomalia e não uma falha. Esses dados podem disparar um desviador e permitir que uma peça danificada seja rejeitada e ejetada.

Muitas vezes desistimos dos dados porque eles não mudam ou resolvem o problema ou o que estamos coletando não produz os resultados que precisamos para agir para fazer a diferença. Sentimos que os sensores fornecem soluções, mas um sensor sem coleta de dados, e a comparação é apenas um ponto de dados.

Se eu te der o número 6 e pedir para você resolver o problema, você não conseguirá. Você precisa da fórmula, ou outros pontos de dados para determinar uma tendência, é assim que você faz a diferença. É somente com essas informações e conhecimento que você pode esperar uma melhoria.

Depois de ter o contexto dessas informações, você pode construir os limites de que precisa para fazer a mudança. Existem alguns sistemas de IA que analisam e interpretam os principais indicadores de desempenho, mas o problema é que uma parte dos dados sem contexto de entrada fornecerá recomendações de saída sem contexto de saída. Como diz o provérbio ... Garbage In =Garbage Out.

Estamos melhorando os sistemas de dados e a notação é uma grande parte disso, especialmente com a detecção analógica. Precisamos saber um valor associado à detecção analógica e tão importante quanto uma mensagem real, não um valor de código inútil. As dicas visuais também são muito úteis onde o operador pode entender e agir de acordo com a mensagem sem a necessidade de escalar e esperar que um supervisor ou pessoal de manutenção interprete uma mensagem e uma ação.

O destino da fabricação depende dos dados. No momento, estamos passando por uma etapa intermediária de avanço. Podemos tratar sistemas como Alexa ou Siri como sistemas oniscientes, mas eles realmente têm um catálogo de palavras-chave para executar um programa ou habilidade.

A parte emocionante é o que vem a seguir, que é a compreensão em um grau menor, onde os sistemas entendem nossas falhas no que pedimos e no que realmente queremos saber. Nossas falhas levarão a sistemas mais inteligentes de amanhã, que estão mais próximos do que pensamos!

O autor é Joseph Zulick, gerente da MRO Electric and Supply.