La transparencia del proceso incluyó

Dispositivos de sujeción inteligentes y sistemas de agarre

Los sistemas de vigilancia de las condiciones (CMS) detectan cambios y anomalías en el proceso de producción. Dan una alerta temprana de daños incipientes, detectan desviaciones en la calidad, vigilan la estabilidad de un proceso de producción y aseguran un control de calidad constante en todas las etapas de la producción y la creación de valor. En este contexto, los sistemas de agarre y los dispositivos de sujeción están adquiriendo una importancia cada vez mayor debido a su posición más cercana a la pieza.

La demanda de los usuarios de una mayor productividad, disponibilidad de sistemas automatizados y fiabilidad de los procesos repercute en las máquinas y los sistemas automatizados utilizados en la producción moderna. La capacidad de llevar a cabo una vigilancia continua de las condiciones se está convirtiendo cada vez más en un criterio clave en la selección de componentes. La capacidad de analizar la producción y los datos de calidad que se registran en la producción ofrece el potencial de un importante ahorro de costos, una mayor eficiencia operativa y una mejor calidad de la producción. Y lo que es más importante, la mayor disponibilidad de sistemas automatizados y el mantenimiento justo a tiempo han demostrado mejorar la eficiencia operacional. Lo ideal sería que los tiempos de inactividad no planificados de los sistemas automatizados se pudieran eliminar por completo. A su vez, la calidad del producto puede aumentarse incorporando datos sobre el desgaste de las máquinas en los controles del proceso y prediciendo las desviaciones de la calidad estándar, de modo que se puedan adoptar oportunamente las medidas necesarias.

No sólo leyendo datos, sino analizando datos

Ya hay una enorme cantidad de datos generados por las máquinas y sistemas automatizados, herramientas y componentes inteligentes que se encuentran en las fábricas de las empresas manufactureras. Sin embargo, sólo una fracción muy pequeña de estos datos se está utilizando realmente - las estimaciones sugieren sólo alrededor de un cinco por ciento. A los valores registrados por los sensores se les ha dado muy poca importancia hasta ahora, y a lo sumo se utilizan en caso de daños o para la solución de problemas. Utilizando estos datos existentes de manera integral, sistemática y, lo que es más importante, en tiempo real, se pueden lograr escenarios de fabricación inteligentes que prometen beneficios sustanciales. Al mismo tiempo, el grado de interconexión y digitalización también se asocia con un rápido aumento de la cantidad de datos que se generan, lo que significa que puede existir el riesgo de que las conexiones con los centros de datos de la nube no puedan hacer frente a los inmensos y crecientes flujos de datos, y que puedan producirse tiempos de inactividad y períodos de alta latencia. Por eso los proyectos de investigación actuales se centran en un cambio fundamental en la forma de entender los datos. Ya no se trata simplemente de recopilar datos como antes, sino de analizarlos in situ y convertirlos en información valiosa. El enfoque principal es cómo refinar los grandes datos en datos inteligentes. Por ejemplo, es necesario preparar información sobre si un sistema automatizado funciona correctamente y si está idealmente vinculado a las medidas recomendadas adecuadas

Ensayos de componentes integrados

Esto permite comprobar las características de calidad de los componentes durante el manejo y tomar decisiones OK/NOK directamente en la pinza. Los datos registrados en la pinza son pre-procesados y analizados en los componentes en tiempo real para que se desencadenen las respuestas adecuadas. De esta manera se reduce el volumen de datos a transferir a lo que realmente se requiere, es decir, se transmite una abundancia algo desconcertante de datos en forma de parámetros significativos o indicadores clave de rendimiento (KPI). Además de las estadísticas estándar sobre el tiempo de inactividad, los KPI más importantes son los índices de capacidad de proceso (Cp) del análisis estadístico del proceso y la eficiencia de utilización del sistema automatizado general. En ellos se miden tres tipos de datos de rendimiento y se utilizan métodos multiplicativos para fusionarlos en un indicador global de productividad, la eficiencia total del sistema automatizado o la eficacia global del equipo (OEE).

La eficiencia total del sistema automatizado como indicador clave

Tres factores son relevantes para determinar la OEE:

Grado de rendimiento (LG): El grado de rendimiento es una medida de la velocidad de procesamiento de un sistema de producción. Se basa en los tiempos de ciclo/ciclo para el intervalo de producción de las piezas buenas o la capacidad productiva (M). El grado de rendimiento se indica en forma de tiempos de ciclo y cantidades.

Tiempos de ciclo

LG = tplan/treal x 100%

Cantidades:

LG = Mreal/Mplan x 100%

Grado de utilización (NG, disponibilidad): El grado de utilización es una medida de la capacidad de un sistema de producción para realizar con éxito una función requerida en el momento oportuno. Se determina en función de los tiempos de funcionamiento, la tasa de inactividad λ, el tiempo medio entre fallos (MTBF) y el tiempo medio de inactividad (MDT). Este último incluye varios factores como el tiempo de mantenimiento TW y el tiempo de reparación (tiempo medio de reparación, MTTR).

NG = ∑ tiempos de funcionamiento / (∑operating tiempos + ∑ tiempos de inactividad) = MTBF/(MTBF+MDT)

La fiabilidad indica la probabilidad de no tener un tiempo de inactividad que afecte a la funcionalidad de una unidad durante un cierto período. Esto se determina por la tasa de inactividad de los elementos técnicos y se cuantifica por el período medio sin interrupciones (tiempo de funcionamiento), el "tiempo medio entre fallos" (MTBF).

MTBF=1/λ con la tasa de inactividad λ

Rendimiento de calidad (rendimiento, ...): El rendimiento de calidad es una medida de la capacidad de un sistema de producción para ensamblar/prueba dentro de las especificaciones prescritas. Los métodos de evaluación estadística de la calidad se utilizan para analizar y evaluar el comportamiento de la calidad de los procesos de fabricación. La información de muestreo se utiliza para tratar de obtener información sobre el comportamiento del tiempo de distribución, por ejemplo en el proceso de montaje. Los resultados de este análisis son los cálculos de la "capacidad de la máquina a corto plazo" (potencial de la máquina Cm, Cmk), la "capacidad de proceso preliminar" (potencial de proceso preliminar Pp, Ppk) y la "capacidad de proceso a largo plazo" (potencial de proceso a largo plazo Cp, Cpk)

La capacidad de la máquina es una medida de la variación característica a corto plazo que proviene de la máquina.

La capacidad del proceso es una medida significativa de la estabilidad de un proceso. Indica si un proceso es capaz de cumplir los requisitos que se han establecido. En esos casos, se denomina procesos de producción manejables. Al mismo tiempo, también proporciona una visión del comportamiento a largo plazo del sistema global bajo las condiciones generales imperantes (humanos, máquinas, métodos, entornos de trabajo). La capacidad de proceso identifica la habilidad de una máquina o proceso para lograr características específicas con una distribución de frecuencia que está dentro de las tolerancias requeridas. Para ello, se crea la relación entre la distribución estadística de una característica de calidad medible y el rango de tolerancia especificado para esta característica. Los parámetros de capacidad del proceso son muy sensibles a los cambios y a la evolución de las tendencias. Esto significa que son particularmente adecuados para las previsiones a medio plazo y el mantenimiento de las predicciones.

La pinza como un habilitador universal para la producción inteligente y flexible

Los módulos de manejo inteligente crean fácilmente las condiciones previas necesarias para la plena integración de los sistemas de producción automatizada en los entornos de fabricación y abren la posibilidad de conexiones con los ecosistemas basados en las nubes a fin de determinar la eficacia general del sistema automatizado (OEE), las estadísticas de los períodos de inactividad (MTBF, MTTR) y la estabilidad del proceso a mediano plazo utilizando los parámetros de capacidad determinados. Uno de estos tipos de componentes clave es la pinza paralela SCHUNK EGL, un módulo de agarre estándar inteligente que incluye funciones integradas estándar, una interfaz Profinet certificada y una electrónica integrada con carrera variable y una fuerza de agarre que puede ajustarse entre 50 N y 600 N. Como sistema de medición en línea, al "agarrar inteligentemente" la pinza inteligente utiliza su posición expuesta directamente en la pieza de trabajo para obtener datos y evaluarlos inmediatamente utilizando la tecnología de punta integrada en la pinza. Cada uno de los pasos del proceso puede supervisarse en detalle y, por ejemplo, transmitirse al sistema de control del sistema, al sistema ERP de nivel superior, pero también a las bases de datos de análisis y a las soluciones de nubes. De esta manera, la pinza inteligente es capaz de captar y procesar información sistemática sobre la parte agarrada, el proceso y los componentes y también realiza reacciones adecuadas por sí misma. Esto permite la inspección de calidad en circuito cerrado y la supervisión directa del proceso de producción en el ciclo de producción.

Detección proactiva de tendencias

Lo más importante es que la determinación continua en tiempo real de la capacidad de proceso a largo plazo (Cpk) para la detección proactiva de tendencias y el diagnóstico de errores tiene un historial probado con la pinza. Las correcciones de control introducidas ya han surtido efecto antes de alcanzar los límites de especificación y permiten un control del proceso significativamente más estable. Los sensores se fusionan de manera que puedan utilizarse varios sensores en paralelo y sus valores medidos puedan analizarse posteriormente para supervisar y evaluar los estados actuales del sistema de la pinza y la situación del acceso a la misma. Esto permite diferenciar entre los objetos de agarre y detectar fallos de funcionamiento en la secuencia de producción, como calidades diferentes de materias primas, herramientas de desgaste, desviaciones de tolerancia o cuellos de botella de material. Mediante el análisis del proceso en tiempo real, las tendencias pueden evaluarse e incluirse inmediatamente en el control de calidad del flujo de producción, por ejemplo, sobre la base de los valores característicos de la competencia. Los análisis de correlación también permiten detectar contextos complejos y eliminar más rápidamente las pautas de error complejas.

Inteligencia Artificial

En el futuro, SCHUNK planea automatizar las tareas para controlar toda la cadena cinemática, que consiste en robots y pinzas, así como la supervisión de su función, sin tener que ser programado para cada paso individual o tener que establecer umbrales y ajustarlos continuamente. El uso de métodos de inteligencia artificial (IA) y el uso de diferentes sensores será crucial para este tipo de agarre autónomo. En una aplicación piloto, por ejemplo, se utilizaron métodos de inteligencia cognitiva para identificar piezas dispuestas al azar utilizando una cámara y luego agarrarlas de manera autónoma desde una caja de transporte y guiarlas hacia su proceso de mecanizado. Al mismo tiempo, se aprenden las desviaciones de los acontecimientos normales (las denominadas anomalías) y las tendencias, como la deriva de los parámetros de proceso pertinentes, y se utilizan para perfeccionar los instrumentos de diagnóstico en la pinza, sin necesidad de interrupciones operacionales ni de un entrenamiento excesivo al configurar el sistema. La finalidad de la pinza no es sólo agarrar, sino también hacerse cargo de la planificación total de la pinza, vigilar todo el proceso mediante sensores y analizarlo continuamente. Aquí, la computación de borde y la computación en nube disfrutan de una relación complementaria y beneficiosa.

Portaherramientas sensorial

Equipado con un sensor, una batería y una unidad transmisora, el portaherramientas sensorial SCHUNK iTENDO monitorea el proceso a 5.000 Hz directamente en la herramienta. Un algoritmo determina continuamente un parámetro para la estabilidad del proceso. El llamado valor IFT fue desarrollado especialmente para el iTENDO, y expresa la vibración medida como un valor numérico en una escala de intensidad definida - similar a la escala de Richter para los terremotos. Si el corte se vuelve inestable, la inteligencia integrada interviene directamente en tiempo real con una latencia de aprox. 20 ms y sin intervención del operador. Dependiendo de la situación, el proceso se detiene, reduce o adapta a los parámetros básicos definidos previamente, se cambia la alimentación de las herramientas, se sustituyen las herramientas hermanas o se envían mensajes al operador. Dependiendo de la aplicación concreta, se puede utilizar un servicio web para definir tanto los límites exactos como las reacciones correspondientes si se superan. A mediano plazo, también deberían ser posibles las evaluaciones estadísticas como la eficacia global del equipo (OEE), la capacidad del proceso (Cpk), el tiempo medio entre fallos (MTBF), o la evolución de las tendencias como la deriva de los parámetros o los gradientes de las tasas de fallo.

schunk.com/itendo

schunk.com/egl

schunk.com/ft-axia