Minimering av oplanerade driftstopp med hjälp av insamling och bearbetning av data

I projektet Smarta Fabriker byggdes en minifabrik 2017 som tillverkar VR-glasögon av kartongark. Efter några månaders produktion började oplanerade driftstopp att uppträda när kartongarken fastnade i processen. Beroende på hur mycket kartongarkens planhet förändrats skedde olika typer av haverier. Men med hjälp av insamlad data och machine learning ska dessa stopp kunna undvikas. Denna artikel beskriver caset och pågående arbete under 2019.

Kartongarkens flöde genom fabriken är utformat efter kartongernas nominella form men efter att kartongerna förvarats i lagret kan de få en konkav form jämfört med den ursprungliga. Den konkava formen uppkommer troligtvis på grund av förändringar luftfuktighet. Se bilden nedan för att se skillnaden mellan kartongarken innan och efter att de har förvarats i lagret.

Plan Och Böjd Kartong

Den konkava formen på arken gör att kartongarket fastnar på olika ställen i processen och att robotens har svårt att plocka dem. För att se det fungerande flödet för kartongarken se video nedan.

Det första problem som kan inträffa är när roboten ska plocka arket från magasinet. För att förflytta arket använder sig roboten av 8 stycken sugkoppar som skapar ett vakuum. Detta vakuum är även det som återkopplar till roboten att arket sitter fast och att det går bra att förflytta vidare till nästa steg i processen. När kartongarken är böjda är det inte möjligt för alla sugkoppar att skapa ett vakuum, se bild nedan, vilket gör att roboten inte fortsätter sin sekvens utan fortsätter försöka skapa ett vakuum med alla 8 sugkoppar.

Roboten Plockar Kartong

Ett annat problem som kan uppstå är då kartongen ska passera genom stansen och på grund av den konkava formen hamnar fel. Om kartongen är konkav riskerar utskärningen att bli förskjuten åt något håll vilket kan leda till att trycket på arket blir felplacerat. Att kartongen är böjd skapar även en ökad risk för att arket kan bli ytterligare deformerat eftersom om höjden på arket är högre än den differensen som är mellan valsarna pressas kartongen igenom stansen och ett krasande ljud uppträder.

Kartongark I Stans

Det sista problemet som kan uppstå är när kartongarken inte kan levereras ut från robotcellen på grund av att den springa som arket transporteras ut igenom är för smal när arket är böjt. Se bild nedan för att se hur kartongen fastnar.

Utmatning Av Kartongark

Alla de ovannämnda problemen kan skapa oväntade driftstopp men med hjälp av sensorer ska dessa driftstopp gå att prediktera och undvikas. Fabriken har utrustats med sensorer för att mäta luftfuktighet, temperatur, vakuum, avstånd och vibration. En vision kamera mäter även kartongens planhet innan roboten plockar kartongen. Genom att mäta planhet tillsammans med övrig data kan förhoppningsvis vissa samband identifieras.

Vibrationssensorerna ska kunna avgöra om kartongarket inte tagit sig igenom processen tex genom att identifiera det speciella ljud som blir när kartongen fastnar i processen eller inte faller ner genom springan vid utmatning från fabriken.

De sensorer som används kommer från IFM, se bild nedan. Datan går via en gateway och lagras i molnet för bearbetning. Applikation för att ta emot lagra datan sker med hjälp Cybercoms ”Machine Monitoring” som är en backend-lösning de utvecklat. Datan kan även visualiseras på en dashboard i realtid och även trendkurvor går att ta fram.

Smarta Fabriker Mm Integration Ideas 2

Nästa steg är att använda machine learning för att prediktera haverier. Operatören skulle kunna få beslutsstöd för att utföra någon åtgärd eller så agerar maskinen autonomt för att förhindra ett haveri tex genom att sortera bort kartonger som avviker för mycket från nominell planhet.


Taggar

Artikeln är taggad med följande taggar. Klicka på en tagg för att se alla artiklar med samma taggning.

Artikeln är kategoriserat som Fördjupning  /  Publicerad 2019-10-02  /  Skriven av johan