aws
event
 

迎接转型挑战 金属加工业者瞄准布局AI设备管理

固德科技技术经理许文泽指出,设备状态监测可大幅提升制造产线效能。DIGITIMES

冲压、焊接是金属加工中常见的制程动作,在此制程中,设备运行的状态对产线效能与质量有关键影响,象是设备状态有误却仍持续动作,或是设备无故障预警停机,前者会产生大量废料,后者则是导致产线停摆,这都会造成企业的大量损失,为解决此问题,固德科技以机器学习算法结合凌华的边缘推论设备MCM-100,打造出智能化产线设备状态监测平台,让各类型金属加工业者可透过AI与工业物联网架构实时掌握产线设备,强化生产效能。

固德科技技术经理许文泽指出,金属加工的产线设备多元,依设备动作可分为连续性与非连续性两种,连续性是指马达之类随时处于运转状态的设备,非连续性则是像大型机器手臂、冲压床或自动焊接等设备,无论是连续性或非连续性,这些生产设备都是制造业者最重要的生财工具,一但出错就会带来庞大损失。

 点击图片放大观看

固德科技VMS-ML机器学习系统可进行冲压、冲孔制程的实时监测。

许文泽以汽车制造为例,冲压是汽车零组件常见的制程,在此制程中,模具质量异常将会影响冲压出的产品质量,而这往往要到后端品保环节才会被检出,但在检出之前,产在线已然出现大量不合格的产品,此一问题影响所及者不只是金钱,还包括产线停机确认、改善与生产工时增加等时间问题,这些问题不仅出现在汽车制造,小至螺丝、大至航天产业用的金属件,只要使用到金属加工的产品都会遇到。

为了解决此一问题,现在市场上已出现各种设备状态智能监诊系统,这类型系统都是透过工业物联网的感测网络与AI,侦测并分析设备状态,在设备故障前先行警告管理人员,避免上述问题产生,而其中AI的机器学习算法更是其中关键。许文泽指出在金属加工中,非连续性制程都可透过传感器侦测其动作状态,象是冲压的震动、焊接的电流变化都有其模式,在现在制程中,这些模式都是由机台操作人员依靠长期经验所累积,而在智能制造体系中,就是将人的经验转值给机器学习算法,当震动或电流模式与之不符,就会警告管理人员。

AI的机器学习算法需要大量数据进行训练,因此现在市场上多数采用机器学习算法的设备监诊系统,都必须先建置传感器收集数据,等待设备出现异常再注记卷标纪录,让机器学习从中认知训练,然而这种方式旷日废时,制造业者需要耗费大量成本收集数据,因此并非最佳选择。固德科技的做法则可让系统可实时上线使用,许文泽表示,固德科技会先在终端先预载经过训练的震动或电流模型,省去制造业者收集数据的时间,接著再由平台快速学习制造业者指定的数据范围。学习完成的系统具备了自动追踪与辨识功能,每一个设备运行的状态都会被记录,同时回馈给管理者,管理者可自行调整、决定设备运行。

固德科技的设备状态监测系统的上线即用设计中,凌华的MCM-100扮演了关键角色。许文泽指出,过去设备监控系统所用的终端设备,都必须由厂商分别购置工业计算机与撷取卡,组装后再不断测试,调整出符合需求的架构,这不但会延长系统开发时程,也增加了工程师的工作负担,MCM-100的出现则解决了这些问题。MCM-100是凌华专为智能制造所设计的即用型旋中转械设备振动 / 状态监测平台,其特色是具备高效能边缘运算能力,内建的四通道有24位元、128kS/s同步撷取类比输入,可同时侦测多传感器所传回的讯号,多元而丰富的I/O接口也大幅提升其集成性。在MCM-100的高集成与强大效能支持下,固德科技可专注于系统开发,让在短时间内上线使用。

许文泽最后表示,智能化是制造业近年来最重要的趋势,而设备监测现已被多数业者视为导入智能制造系统的第一步,不过对制造业说,智能化仍是全新概念,系统的导入与调整往往需要耗费大量成本,固德科技与凌华合作打造的AI设备监测平台,透过高集成、高效能的软硬件集成,可让系统快速导入使用,大幅降低系统上线的成本,提早享受智能制造所带来的效益,顺利跨出数码转型的第一步。

  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 设备监控 凌华科技 云端监测