Saat penginderaan dan aktuasi berbasis cloud bersama dengan kompilasi data berkembang, kita perlu menyadari kurangnya kesamaan dalam pemahaman kita. Terkadang hanya kata-kata yang kita gunakan, terkadang semantik, dan terkadang kebingungan kita akan hasil yang diharapkan.
Dalam mesin, kita berbicara tentang putaran RPM per menit atau SPM Stroke per menit atau kecepatan spindel atau IPM inci per menit, dll. Semua istilah ini terkait dengan mesin. Bagian per menit, (PPM) adalah hal yang sangat kami pedulikan. Saat kami melihat IoT dan hasil yang kami inginkan, pengukuran dan metrik inilah yang membuat kami mengaburkan data dan membingungkan informasi kami. Oleh karena itu, kami perlu memastikan bahwa kami jelas dalam informasi tersebut, kata Joseph Zulick, penulis dan manajer di MRO Electric and Supply .
Di lantai manufaktur, Anda akan sering mendengar seorang supervisor bertanya apakah kami dapat "mempercepat" mesin untuk mencapai permintaan baru yang lebih tinggi untuk suatu produk atau untuk mencapai tenggat waktu. Di sinilah keadaan menjadi mendung. Supervisor tidak secara khusus peduli bagaimana Anda mendapatkan lebih banyak bagian, tujuan mereka adalah untuk memenuhi permintaan.
Solusi opsional mungkin menjalankan alat berat lebih cepat, ini juga ambigu karena menaikkan kecepatan motor atau langkah per menit dapat mengakibatkan masalah kualitas. Dalam stamping bisa jadi bahwa peningkatan kecepatan slide menghasilkan pembentukan merobek material saat terbentuk. Dalam pemesinan, fakta bahwa Anda mencoba melepas lebih banyak material dalam satu lintasan dapat menyebabkan panas, kehilangan kendali, dan hasil akhir yang buruk. Dengan rem tekan, Anda bisa mendapatkan pegas belakang yang lebih besar.
Jadi, pertanyaannya adalah bagaimana kita dapat mencapai kualitas bagian yang sama pada tingkat yang lebih tinggi. Sensor sekarang dapat memantau lebih banyak dan lebih banyak lagi. Menggunakan Kecerdasan Buatan di banyak sistem dapat memberikan beberapa skenario berdasarkan umpan balik IoT masa lalu dan hasil yang diantisipasi. Sebagai contoh, ketika suatu bagian dipindahkan dari satu stasiun ke stasiun lain dengan pers, dibutuhkan waktu tertentu.
Semakin cepat Anda berlari, Anda mungkin dipaksa untuk beroperasi dalam satu langkah otomatis yang merupakan mode di mana mesin berhenti di atas dan sekarang menunggu bagian dipindahkan dari satu stasiun atau operasi ke stasiun berikutnya. Anehnya, Anda dapat mencapai kecepatan yang lebih tinggi dengan berlari lebih lambat dan tidak pernah berhenti di atas. Dengan tetap dalam mode kontinu murni, jumlah suku cadang yang dapat Anda buat lebih banyak daripada yang Anda bisa dengan menjalankan mesin lebih cepat dan menunggu otomatisasi. Ini sebagian merupakan fokus dari teori kendala yang berfokus pada penentuan leher botol. Ini juga dapat menjadi bagian dari lean manufacturing dan sistem yang mengadaptasi konsep manufaktur ini.
Teori-teori ini sedang dimasukkan ke dalam sisi IOT yang memantau dan membuktikan cara terbaik untuk mencapai tujuan, bagian yang cukup untuk memenuhi permintaan. Solusi lain yang ditemukan pada mesin hidrolik dan teknologi servo adalah pembatasan panjang langkah. Bagian dari apa yang menentukan berapa lama waktu yang dibutuhkan untuk membuat bagian adalah waktu per pukulan. Matematika sederhana akan menentukan jika sesuatu berjalan pada 60 Stroke per menit, 1 stroke membutuhkan 1 detik. Jadi bagaimana produksi dapat ditingkatkan? Pada mesin hidrolik dan Servo, Anda dapat memvariasikan panjang langkah.
Jika kita melihat mesin 1 langkah per detik dan panjang langkahnya adalah 4 inci, ada kemungkinan untuk membuang waktu yang terbuang dalam langkah tersebut. Semua waktu pengembalian terbuang sia-sia sampai tingkat tertentu kecuali saat otomatisasi terjadi, dan Anda tetap tidak dapat berproduksi. Mungkin saya bisa membatasi panjang goresan hingga 3 inci. Kali ini mungkin menghemat detik itu. Ini dapat menghasilkan 15 bagian lagi dalam satu menit!
Ini adalah filosofi yang sama yang digunakan penekan gerakan Link dengan mengubah profil kecepatan slide, dalam istilah awam, ini berjalan lebih cepat selama gerakan naik ketika tidak ada produksi yang terjadi.
Mesin servo memanfaatkan penyesuaian panjang langkah serta mesin hidrolik. Ini berlaku di semua jenis mesin. Bonus sampingan dari hal ini adalah Anda mengurangi ekspos terhadap risiko dan bahaya karena area ini terpapar lebih lama dengan mesin stroke yang lebih panjang.
IoT memonitor jumlah produksi dan membuktikan optimalisasi mesin dan dapat berfungsi untuk membantu kita memahami informasi. Kita perlu memastikan bahwa kita jelas dalam apa yang kita minta untuk dicapai. Seperti yang ditunjukkan di atas, meminta untuk berlari lebih cepat mungkin merupakan solusi yang salah.
Sensor juga dapat disalahgunakan di mana mereka digunakan untuk merasakan hal yang salah. Hanya karena Anda merasa ada bagian yang terlepas dari mesin, tidak ada jaminan bahwa itu adalah bagian yang baik, bagian yang benar-benar sudah jadi atau dikemas. Lebih banyak sistem sekarang memungkinkan untuk melacak bagian yang baik dan buruk melalui operasi karena menghapus bagian yang buruk bisa lebih mahal daripada waktu untuk membiarkan bagian buruk yang dirasakan untuk dijalankan dan dihapus pada akhirnya. Ini tentu saja dengan syarat bahwa bagian yang buruk adalah anomali dan bukan kegagalan. Data ini dapat mengaktifkan pengalih dan memungkinkan bagian yang buruk ditolak dan dikeluarkan.
Terlalu sering kita menyerah pada data karena tidak mengubah atau memecahkan masalah atau apa yang kita kumpulkan ternyata tidak memberikan hasil yang perlu kita tindak lanjuti untuk membuat perbedaan. Kami merasa bahwa sensor memberikan solusi tetapi sensor tanpa pengumpulan data, dan perbandingan hanyalah titik data.
Jika saya memberi Anda nomor 6 dan meminta Anda untuk menyelesaikan masalah, Anda tidak dapat melakukannya. Anda memerlukan rumus, atau titik data lain untuk menentukan tren, begitulah cara Anda membuat perbedaan. Hanya dengan informasi dan pengetahuan inilah Anda dapat mengharapkan peningkatan.
Setelah Anda memiliki konteks informasi ini, Anda dapat membangun batasan yang Anda butuhkan untuk membuat perubahan. Ada beberapa sistem AI yang menganalisis dan menafsirkan indikator kinerja utama, tetapi masalahnya adalah bahwa sepotong data tanpa konteks input akan memberi Anda rekomendasi output tanpa konteks output. Seperti kata pepatah… Garbage In =Garbage Out.
Kami meningkatkan sistem data dan notasi adalah bagian besar dari ini terutama dengan penginderaan analog. Kita perlu mengetahui nilai yang terkait dengan penginderaan analog dan sama pentingnya adalah pesan nyata bukan nilai kode yang tidak berguna. Isyarat visual juga sangat berguna di mana operator dapat memahami dan menindaklanjuti pesan tanpa perlu mengeskalasi dan menunggu supervisor atau petugas pemeliharaan untuk menafsirkan pesan dan tindakan.
Nasib manufaktur bergantung pada data. Kami saat ini sedang bergerak melalui langkah kemajuan menengah. Kami mungkin memperlakukan sistem seperti Alexa atau Siri sebagai sistem yang tahu segalanya, tetapi mereka benar-benar memiliki katalog kata kunci untuk menjalankan program atau keahlian.
Bagian yang menarik adalah apa yang akan terjadi selanjutnya yaitu pemahaman pada tingkat yang lebih rendah di mana sistem memahami kesalahan kita dalam apa yang kita minta dan apa yang sebenarnya ingin kita ketahui. Kegagalan kita akan mengarah pada sistem masa depan yang lebih cerdas yang lebih dekat dari yang kita kira!
Penulisnya adalah Joseph Zulick, manajer di MRO Electric and Supply.
