Optimalizace procesu broušení pomocí řešení pro monitorování zvuku stroje

Pavel Konečný, CEO a spoluzakladatel společnosti Neuron Soundware

Technologie Neuron Soundware, založená na vyhodnocování stavu stroje podle jeho zvuků pomocí algoritmů umělé inteligence a strojového učení, je použitelná nejen pro prevenci výpadků výroby, ale také pro řízení procesů v rámci výrobních procesů, například pro ověřování kvality materiálu při broušení. Podívejme se detailněji na jeden z nedávných případů použití.

Úkol: optimalizovat proces broušení a zvýšit jeho účinnost

Ačkoli monitorování stavu je přirozenou oblastí pro využití technologie Neuron Soundware, mohou z ní snadno těžit i další oblasti. V tomto případě je předmětem zájmu mletí bauxitu v průmyslovém mlýně.

Zákazník, velká chemická společnost, potřebuje dodávat stejnou konzistenci rozemletého bauxitu z každé vyrobené šarže. Za tímto účelem zákazník nasadil 18hodinový mlecí cyklus. Proč 18 hodin? Podle zkušeností zákazníka je to potřebná doba bez ohledu na kvalitu a konzistenci vstupního materiálu, aby bylo dosaženo stejné kvality výrobního výstupu. Délka cyklu broušení by tedy zajistila, že výsledek bude vždy splňovat minimální požadavky. Zatímco mlýn je během cyklu uzavřen, zákazník neměl praktickou možnost ověřit na místě, zda je materiál připraven již za kratší dobu, řekněme 16 hodin jako příklad z reálného života.

Situace: předem stanovená délka brusného cyklu nemusí být optimální

Pevný brusný cyklus v tomto případě z definice znamenal hru na jistotu. Hrálo se však také efektivně? Ne tak docela. Reálné testy odhalily a prokázaly, že zatímco 18 hodin vždy znamenalo dosažení požadované kvality, velmi často byl materiál hotov za 14-17 hodin, což mělo za následek neefektivitu procesu 5% až 22%.

Řešení: monitorování procesů pomocí IoT

Společnost Neuron Soundware nasadila řešení nGuard vybavené senzory IoT, které poslouchá mlýn a zpracovává data. Neinvazivní senzory jsou instalovány na součástech mlýna (ložiska, buben). Sbíraná data byla vyhodnocena pomocí upraveného modelu umělé inteligence, což umožnilo dosáhnout silné přesnosti vyšší než 95 % při definování každé části procesního cyklu, včetně připravenosti finálního produktu.

Přestože v hlučném výrobním prostředí existuje mnoho proměnných, které komplikují měření a vyhodnocování zvuku, tým Neuron Soundware, který se opakovaně účastní celosvětové soutěže 5 nejlepších detekcí anomálií s umělou inteligencí - DCASE, dosáhl společně se zákazníkem vynikajícího výsledku.

přístrojový panel nGuard zobrazující možné úspory

Závěr: Monitorování procesů Neuron Soundware může zvýšit efektivitu výroby o 11%

Přechod z definovaného cyklu na cyklus řízený hotovými výrobky bude mít za následek, že průměrná úspora 1 až 2 hodiny na výrobní dávku. a může zvýšit efektivitu výroby o 11% lepší organizací toku produktů. Kromě toho zákazník ušetří náklady na energii, zkrátí servisní intervaly a prodlouží životnost stroje.

Řešení Neuron Soundware je jediným řešením na trhu, které dokáže zjistit kvalitu materiálu během procesu broušení, což je mimo dosah standardních metod. Interpretace zvuku materiálu pomocí algoritmu umělé inteligence se osvědčila jako správný nástroj pro monitorování procesu, kde je hlavním kritériem kvalita konečného výrobku.