IBM testuje IoT w przemyśle stalowym

W produkcji stali ważne jest podejmowanie właściwych decyzji w bardzo złożonych warunkach ramowych. Jak Internet Rzeczy może wesprzeć w tym producentów?

Produkcja stali to bardzo złożona działalność. Wszystkie etapy produkcji muszą idealnie się zazębiać, aby powstał produkt wysokiej jakości. Inżynierowie jakości szukają zatem anomalii, czyli wczesnych wskaźników, które wskazują na problemy. W najlepszym przypadku rezultatem jest produkt gorszej jakości, z którego klient nie jest zadowolony. W najgorszym przypadku maszyna ulega całkowitej awarii i produkcja zostaje zatrzymana.

IoT w przemyśle stalowym: czujniki wykrywają, kiedy temperatura robocza maszyny nadmiernie wzrasta. (Źródło: Shutterstock / kaband) Często jest to krytyczna kombinacja kilku złożonych zmiennych wpływających na siebie nawzajem. „Potrzebujemy miernika, który pokaże, jak zdrowe są moje maszyny” – podkreślił Carsten Holtmann podczas okrągłego stołu IBM Industry 4.0. Wyniki analizy są analizowane i wyświetlane na mapie cieplnej: Jeśli jest czerwony, wymagane jest działanie.

Holtmann zademonstrował Przemysł 4.0 na konkretnym przypadku: linii produkcyjnej azjatyckiego producenta stali. Głównym czynnikiem wpływającym na awarie maszyn jest temperatura pracy silników. Wszystko jest OK poniżej 38 stopni Celsjusza. Ale jeśli temperatura silnika wzrośnie do ponad 49 stopni, to prawdopodobieństwo błędu i awarii wzrasta do 23 procent. To nawet zaskoczyło inżynierów, powiedział Holtmann.

Przyczyną, jak się okazało, było światło słoneczne padające na część maszyny przez uszkodzone okno sufitowe. Od tego czasu klimatyzacja w hali maszyn jest również sterowana czujnikami. Wdrożenie kontroli produkcji zajęło IBM od 9 do 12 miesięcy.

Według Holtmanna Internet Rzeczy w przemyśle może pomóc odpowiedzieć na wiele pytań, które mają kluczowe znaczenie dla sukcesu w produkcji przemysłowej. Na przykład:

Czy nasi klienci korzystają z produktów w sposób, o którym sami nie pomyśleliśmy? Czy maszyna pracuje zgodnie z planem w produkcji? Jakie są główne przyczyny nieplanowanych przestojów? Kiedy kumulują się awarie niektórych maszyn? Jak współgrają złożone przyczyny problemów z jakością? Jak możemy zmniejszyć zapasy części zamiennych? Jak rzetelnie prognozować spodziewany wzrost roszczeń gwarancyjnych?

IoT, technologia czujników/pomiarów i oprogramowanie do analizy mogą pomóc w podejmowaniu właściwych decyzji w złożonych warunkach ramowych, podsumowuje Holtmann. Do tej pory wykorzystujemy tylko 12% danych generowanych przez IoT/Przemysł 4.0. „Co moglibyśmy osiągnąć, gdybyśmy wykorzystali również pozostałe 88 procent?”