提高设备可靠性和正常运行时间,是使用预测性维护工具持续监控机器的众多优点中的两个。在物联网 (IoT) 和人工智能 (AI) 的支持下,机器健康监控可以在检测到问题时提醒维护团队,并指示需要采取哪些措施来解决问题。


但是,除了传统的减少故障之外,使用这些见解来推动流程改进仍处于起步阶段。当机器健康监测得到充分利用时,其对流程改进和减少浪费的影响将甚至大于消除机械故障的作用。


利用物联网和AI来优化和改善贴标操作


首先,快速学习塑料瓶如何贴标签。首先,打印机采用基材,通常是某种聚合物材料,并使用各种方法和墨水来创建将成为成品标签的东西。标签材料以卷的形式到达,其中包含数千线性英尺的标签压痕。这些被装载到机器上,通常用胶水将标签的精确测量长度切割和粘贴到瓶子上,通常是在瓶子被填充和盖上之后。


标签必须干净利落地以正确的长度切割,以确保它完全贴合、看起来正确,并且不会产生可能损坏设备的碎标签材料颗粒。


常见的标签缺陷包括错位、锯齿状切割和翘边,即部分标签伸出时。有时,标签只是简单地丢失。


利用物联网和AI来优化和改善贴标操作


以下是一些实际用例:


用例1:确保切割干净。


每分钟贴标 600 到 800 个瓶子的一个关键因素是,确保从薄膜条上切割标签的机械边缘锋利,并且贴标设备的相关部件对齐并正常运行。依靠人工目视检查过程来确保质量过于参差不齐且效率低下,因为在任何人发现缺陷之前,数千甚至数万个标签不良的瓶子可能会堆积在生产线上。


自动缺陷传感器并不总是像宣传的那样工作。如果缺陷足够小,或者传感器没有完全对齐,它就不会被检测到,从而使瓶子进入货架,在那里它们向消费者展示了一个丑陋的包装。有些瓶子在没有标签的情况下可以通过整个生产线!当这些未贴标签的瓶子通过供应链时,它们会因其“神秘”内容而被扔掉,造成不必要的浪费。


已制定审核计划的公司要求操作员每 15 到 30 分钟检查一次标签质量。这比没有检查要好,但它仍然依赖于一些运气来及早发现故障。如果每分钟有 1,200 个瓶子下线,则在两次检查之间可能会产生 40,000 个带有不良标签的瓶子。从个人经验来说,将那些下线清除并不有趣。


如果我们能够检测到影响贴标过程的组件的磨损,并在生产出贴标不良的瓶子之前纠正问题会怎样?


卷筒式贴标机性能不佳的主要原因之一是单个标签从标签卷上的切割不良。如果切割不干净和精确,应用程序将失败。此外,误切标签碎片开始堆积在设备中,导致其他问题。如果我们能够检测到切割滚筒上的刀片何时开始磨损,从而导致切割不良怎么办?


预测分析可以引导我们对标签性能进行实时过程监控。它可以确定切割刀片何时变钝到开始粗糙切割的程度。那时,我们可以将刀片更换为新刀片 - 在定期停机期间而不是计划外停机期间 - 使因切割不良而导致贴标不佳的情况成为过去。


用例2:注意标签变化。


在世界各地的贴标操作中无数次,一卷材料用完,一卷看似相同的新材料取而代之,然后问题接踵而至。新卷是否引起了问题?


分析来自“良好”运行辊的机器健康数据并将其与来自“坏”运行辊的数据进行比较可能会提供线索。也许我们发现更换辊会导致更大的振动,并且驱动电机会产生更高的电流强度,这是压力的迹象。事实证明,墨水染料批次的差异会导致标签材料的差异,从而影响机器性能。


很多时候,从分析新技术工具捕获的数据中获得的见解证实了一线工人从轶事中了解到的以及从经验中学到的东西。


免责声明

我来说几句

不吐不快,我来说两句
最新评论

还没有人评论哦,抢沙发吧~