IoT 및 데이터에 대한 이해

데이터 컴파일과 함께 클라우드 기반 감지 및 작동이 확장됨에 따라 이해에 공통성이 없음을 인식해야 합니다. 때로는 우리가 사용하는 단어일 뿐이고, 때로는 의미론적이며, 또 다른 때는 예상 결과에 대한 혼란입니다.

기계에서 우리는 분당 RPM 회전 또는 분당 SPM 스트로크 또는 스핀들 속도 또는 분당 IPM 인치 등에 대해 이야기합니다. 이러한 용어는 모두 기계와 관련됩니다. 분당 부품 수(PPM)는 우리가 정말로 중요하게 생각하는 것입니다. IoT와 우리가 원하는 결과를 볼 때 데이터를 흐리게 하고 정보를 혼동하는 것은 측정 및 메트릭입니다. 따라서 MRO Electric and Supply의 작가이자 관리자인 Joseph Zulick은 정보를 명확히 해야 한다고 말합니다. .

제조 현장에서 감독자가 제품에 대한 더 높은 새로운 요구 사항을 달성하거나 기한을 달성하기 위해 기계를 "속도를 높일 수" 있는지 묻는 것을 종종 듣게 됩니다. 이것은 일이 흐려지는 곳입니다. 감독자는 더 많은 부품을 얻는 방법에 대해 특별히 신경 쓰지 않으며 그들의 목표는 수요를 충족시키는 것입니다.

선택적인 솔루션은 기계를 더 빠르게 실행하는 것일 수 있습니다. 모터 속도 또는 분당 스트로크를 높이면 품질 문제가 발생할 수 있기 때문에 이것도 모호합니다. 스탬핑에서 슬라이드 속도를 높이면 성형이 형성될 때 재료가 찢어지는 결과를 초래할 수 있습니다. 가공 시 한 번에 더 많은 재료를 제거하려고 하면 열이 발생하고 제어력이 떨어지고 마무리가 불량해질 수 있습니다. 프레스 브레이크에서 더 큰 스프링 백을 얻을 수 있습니다.

따라서 문제는 동일한 부품 품질을 더 높은 비율로 달성할 수 있는 방법입니다. 이제 센서는 점점 더 많은 것을 모니터링할 수 있습니다. 많은 시스템에서 인공 지능을 사용하면 과거 IoT 피드백 및 예상 결과를 기반으로 여러 시나리오를 제공할 수 있습니다. 예를 들어, 프레스로 한 스테이션에서 다른 스테이션으로 부품을 전송할 때 일정 시간이 걸립니다.

더 빨리 달리면 기계가 정상에서 멈추고 이제 부품이 한 스테이션 또는 작업에서 다음 작업으로 이동되기를 기다리는 모드인 자동 단일 스트로크에서 작동해야 할 수 있습니다. 놀랍게도, 더 천천히 달리고 정상에서 멈추지 않으면 더 빠른 속도를 얻을 수 있습니다. 순수한 연속 모드를 유지하면 기계를 더 빠르게 실행하고 자동화를 기다리는 것보다 더 많은 부품을 만들 수 있습니다. 이것은 부분적으로 병목을 결정하는 데 초점을 맞춘 제약 이론의 초점입니다. 또한 린 제조 및 이러한 제조 개념을 적용하는 시스템의 일부일 수도 있습니다.

이러한 이론은 목표를 달성하기 위한 최선의 방법, 수요를 충족하기에 충분한 부품을 모니터링하고 입증하는 IoT 측면에 통합되고 있습니다. 유압 기계 및 서보 기술에서 찾을 수 있는 또 다른 솔루션은 스트로크 길이 제한입니다. 부품을 만드는 데 걸리는 시간을 결정하는 요소 중 하나는 스트로크당 시간입니다. 간단한 수학은 어떤 것이 분당 60스트로크, 1스트로크는 1초가 걸린다면 지시할 것입니다. 그렇다면 어떻게 생산을 개선할 수 있습니까? 유압 및 서보 기계에서 스트로크 길이를 변경할 수 있습니다.

1초당 1스트로크 기계를 보면 스트로크 길이가 4인치라면 스트로크에서 낭비되는 시간을 없앨 수 있을지도 모른다. 자동화가 발생하고 어쨌든 생산할 수 없는 경우가 아니면 모든 반환 시간이 어느 정도 낭비됩니다. 획 길이를 3인치로 제한할 수 있습니다. 이 시간은 1/4초를 절약할 수 있습니다. 이렇게 하면 1분에 15개의 부품을 더 생산할 수 있습니다!

이것은 링크 모션 프레스가 슬라이드 속도 프로필을 변경하여 사용하는 것과 동일한 철학입니다. 일반인의 관점에서 보면 생산이 발생하지 않을 때 업스트로크 중에 더 빠르게 실행됩니다.

서보 기계는 유압 기계와 마찬가지로 스트로크 길이의 조정을 활용합니다. 이것은 모든 유형의 기계에 해당됩니다. 이것의 부수적인 이점은 이러한 영역이 더 긴 스트로크 머신으로 더 오래 노출되기 때문에 위험과 위험에 대한 노출을 줄일 수 있다는 것입니다.

IoT는 생산량을 모니터링하고 기계의 최적화를 증명하며 정보를 이해하는 데 도움이 될 수 있습니다. 우리는 우리가 달성하고자 하는 바를 분명히 해야 합니다. 위와 같이 더 빠르게 실행해 달라고 하는 것은 잘못된 해결책일 수 있습니다.

센서는 잘못된 것을 감지하는 데 사용되는 곳에 잘못 적용될 수도 있습니다. 부품이 기계에서 떨어져 나왔다는 느낌이 든다고 해서 그것이 좋은 부품, 즉 실제로 완성되거나 포장된 부품이라는 보장은 없습니다. 이제 더 많은 시스템에서 작업을 통해 양호한 부품과 불량 부품을 추적할 수 있습니다. 불량 부품을 제거하는 것은 감지된 불량 부품이 통과하여 결국 폐기되는 시간보다 더 많은 비용이 소요될 수 있기 때문입니다. 물론 이것은 불량 부분이 오류가 아니라 변칙이라는 전제 하에 제공됩니다. 이 데이터는 전환기를 작동시키고 불량 부품이 거부 및 배출되도록 할 수 있습니다.

데이터가 변경되지 않거나 문제를 해결하지 못하거나 수집한 데이터가 변화를 만들기 위해 조치를 취하는 데 필요한 결과를 산출하지 못한다는 이유로 데이터를 포기하는 경우가 너무 많습니다. 센서는 솔루션을 제공하지만 데이터 수집이 없는 센서이며 비교는 데이터 포인트일 뿐이라고 생각합니다.

숫자 6을 주고 문제를 해결해 달라고 하면 할 수 없습니다. 추세를 결정하려면 공식 또는 기타 데이터 요소가 필요하며, 이것이 차이를 만드는 방법입니다. 이 정보와 지식이 있어야만 개선을 기대할 수 있습니다.

이 정보의 컨텍스트가 있으면 변경을 수행하는 데 필요한 제한을 설정할 수 있습니다. 핵심 성과 지표를 분석하고 해석하는 일부 AI 시스템이 있지만 문제는 입력 컨텍스트가 없는 데이터 조각이 출력 컨텍스트 없이 출력 권장 사항을 제공한다는 것입니다. 속담처럼... Garbage In =Garbage Out.

우리는 데이터 시스템을 개선하고 있으며 특히 아날로그 감지에서 표기법이 큰 부분을 차지합니다. 우리는 아날로그 센싱과 관련된 값을 알아야 하고 쓸모없는 코드 값이 아닌 실제 메시지가 중요합니다. 시각적 신호는 관리자나 유지 관리 담당자가 메시지와 조치를 해석하도록 에스컬레이션하고 기다릴 필요 없이 운영자가 메시지를 이해하고 이에 따라 조치를 취할 수 있는 경우에도 매우 유용합니다.

제조의 운명은 데이터에 달려 있습니다. 현재 중간 단계의 발전 단계를 거치고 있습니다. Alexa 또는 Siri와 같은 시스템을 모든 것을 알고 있는 시스템으로 취급할 수 있지만 실제로는 프로그램이나 기술을 실행하기 위한 키워드 카탈로그가 있습니다.

흥미진진한 부분은 우리가 요구하는 것과 실제로 알고 싶은 것에 대한 우리의 결점을 시스템이 이해하는 덜한 정도의 이해입니다. 우리의 실패는 우리가 생각하는 것보다 더 가까운 미래의 더 스마트한 시스템으로 이어질 것입니다!

저자는 MRO Electric and Supply의 관리자인 Joseph Zulick입니다.