IoT y su comprensión de los datos

A medida que se expande la detección y actuación basadas en la nube junto con la compilación de datos, debemos darnos cuenta de la falta de puntos en común en nuestra comprensión. A veces son solo las palabras que usamos, a veces es semántica y otras veces es nuestra confusión de los resultados esperados.

En maquinaria hablamos de RPM revoluciones por minuto o SPM Golpes por minuto o velocidades de husillo o IPM pulgadas por minuto, etc. Todos estos términos están relacionados con la maquinaria. Partes por minuto (PPM) es lo que realmente nos importa. Cuando miramos IoT y nuestro resultado deseado, es la medición y las métricas donde nublamos nuestros datos y confundimos nuestra información. Por lo tanto, debemos asegurarnos de ser claros en la información, dice Joseph Zulick es un escritor y gerente de MRO Electric and Supply .

En una planta de fabricación, a menudo escuchará a un supervisor preguntar si podemos "acelerar" la máquina para lograr las nuevas demandas más altas de un producto o para lograr una fecha límite. Aquí es donde las cosas se ponen turbias. Al supervisor no le importa específicamente cómo obtiene más piezas, su objetivo es satisfacer la demanda.

Las soluciones opcionales pueden ser hacer funcionar la máquina más rápido, esto también es ambiguo porque aumentar la velocidad del motor o las carreras por minuto puede resultar en un problema de calidad. En el estampado, podría ser que el aumento de la velocidad de deslizamiento provoque que la formación desgarre el material a medida que se forma. En el mecanizado, el hecho de que esté intentando quitar más material en una sola pasada puede provocar calor, pérdida de control y un acabado deficiente. En una prensa plegadora, puede terminar con una mayor recuperación elástica.

Entonces, la pregunta es cómo podemos lograr la misma calidad de pieza a un ritmo más alto. Los sensores ahora pueden monitorear más y más. El uso de la inteligencia artificial en muchos sistemas puede proporcionar varios escenarios basados ​​en la retroalimentación pasada de IoT y los resultados anticipados. Por ejemplo, cuando una pieza se transfiere de una estación a otra en una prensa, lleva cierto tiempo.

Cuanto más rápido corra, puede verse obligado a operar en una sola carrera automática, que es un modo en el que la máquina se detiene en la parte superior y ahora espera a que la pieza se mueva de una estación u operación a la siguiente. Sorprendentemente, puede alcanzar mayores velocidades si corre más lento y nunca se detiene en la parte superior. Al permanecer en un modo continuo puro, la cantidad de piezas que puede crear es mayor que la que puede hacer haciendo funcionar la máquina más rápido y esperando la automatización. Este es en parte un enfoque de la teoría de restricciones que se centra en determinar el cuello de la botella. También puede ser parte de la manufactura esbelta y los sistemas que adaptan estos conceptos de fabricación.

Estas teorías se están incorporando al lado de Iot, que está monitoreando y probando la mejor manera de lograr el objetivo, suficientes piezas para satisfacer la demanda. Otra solución que se encuentra en las máquinas hidráulicas y en la tecnología servo es la limitación de la longitud de carrera. Parte de lo que determina cuánto tiempo tomará hacer una pieza es el tiempo por golpe. Las matemáticas simples dictarían que si algo estuviera funcionando a 60 golpes por minuto, 1 golpe toma 1 segundo. Entonces, ¿cómo se puede mejorar la producción? En máquinas hidráulicas y servo, puede variar la longitud de la carrera.

Si nos fijamos en la máquina de 1 carrera por segundo y la longitud de carrera es de 4 pulgadas, es posible que se elimine el tiempo perdido en la carrera. Todo el tiempo de devolución se pierde hasta cierto punto, a menos que sea cuando se produce la automatización y, de todos modos, no podría estar produciendo. Quizás pueda limitar la longitud del trazo a 3 pulgadas. Este tiempo puede ahorrarle ¼ de ese segundo. ¡Esto podría resultar en la producción de 15 piezas más en un minuto!

Esta es la misma filosofía que utilizan las prensas de movimiento Link al cambiar el perfil de velocidad de deslizamiento, en términos sencillos, se ejecuta más rápido durante la carrera ascendente cuando no se produce ninguna producción.

Las servomáquinas aprovechan el ajuste de la longitud de carrera, así como las máquinas hidráulicas. Esto es cierto en todo tipo de maquinaria. Una ventaja adicional de esto es que reduce su exposición a riesgos y peligros, ya que estas áreas están expuestas por más tiempo con máquinas de carrera más larga.

IoT monitorea las cifras de producción y prueba la optimización de las máquinas y puede servir para ayudarnos a comprender la información. Necesitamos asegurarnos de tener claro lo que pedimos lograr. Como se muestra arriba, pedir que se ejecute más rápido puede ser la solución incorrecta.

Los sensores también se pueden aplicar incorrectamente cuando se utilizan para detectar algo incorrecto. El hecho de que sienta que una pieza se ha desprendido de una máquina no es garantía de que fuera una buena pieza, una pieza que en realidad estaba terminada o empaquetada. Ahora, más sistemas permiten el seguimiento de una parte buena y mala a través de la operación porque quitar una parte mala puede ser más costoso que el tiempo para permitir que una parte defectuosa detectada se ejecute y se deseche al final. Esto, por supuesto, siempre que la parte mala sea una anomalía y no un fallo. Estos datos pueden disparar un desviador y permitir que una parte defectuosa sea rechazada y expulsada.

Con demasiada frecuencia renunciamos a los datos porque no cambian ni resuelven el problema, o lo que estamos recopilando no produce los resultados sobre los que debemos actuar para marcar la diferencia. Creemos que los sensores brindan soluciones, pero un sensor sin recopilación de datos, y la comparación es solo un punto de datos.

Si le doy el número 6 y le pido que resuelva el problema, no podrá hacerlo. Necesita la fórmula u otros puntos de datos para determinar una tendencia, así es como marca la diferencia. Es solo con esta información y conocimiento que puede esperar una mejora.

Una vez que tenga el contexto de esta información, puede establecer los límites que necesita para realizar el cambio. Hay algunos sistemas de inteligencia artificial que analizan e interpretan indicadores clave de rendimiento, pero el problema es que un dato sin contexto de entrada le dará recomendaciones de salida sin contexto de salida. Como dice el proverbio… Garbage In =Garbage Out.

Estamos mejorando los sistemas de datos y la notación es una gran parte de esto, especialmente con la detección analógica. Necesitamos conocer un valor asociado con la detección analógica e igualmente importante es un mensaje real, no un valor de código inútil. Las señales visuales también son muy útiles cuando el operador puede comprender el mensaje y actuar en consecuencia sin la necesidad de escalar y esperar a que un supervisor o persona de mantenimiento interprete un mensaje y una acción.

El destino de la fabricación depende de los datos. Actualmente estamos pasando por un paso intermedio de avance. Podemos tratar sistemas como Alexa o Siri como sistemas omniscientes, pero en realidad tienen un catálogo de palabras clave para ejecutar un programa o habilidad.

La parte emocionante es lo que viene a continuación, que es la comprensión en menor grado, donde los sistemas comprenden nuestras fallas en lo que pedimos y en lo que realmente queremos saber. ¡Nuestras fallas conducirán a sistemas más inteligentes del mañana que están más cerca de lo que pensamos!

El autor es Joseph Zulick, gerente de MRO Electric and Supply.