星期四, 5月 19

    K2019参展心得分享之「成型加工技术篇」

    0

    ■ ACMT/ 唐兆璋

    前言:

    试想一下2025年,也就是5年后全球将会有超过500 亿个连网装置(IoT),产生180 Zettabytes的数据。相当於有1,800亿颗1TB硬碟的数据产品,这些资料将结合 人工智慧(AI)为工厂精準预测、创造前所未有的价值。 根据美国高德(Gartner)公司的预测,到了2022年时有 8成的企业将IOT物联网都包含AI解决方案。根据全球 最大射出机设备商的预测,到了2025年时将有3成的 射出成型工厂使用AIoT技术。

    国内外有不少射出成型工厂AIoT解决方案商,例如有:奥地利恩格尔 (ENGEL) 子公司的 TIG Authentig solution、德国阿博格 (Arburg) 公司的 ARBURG host computer system(ALS)、MPDV Mikrolab 的MES Solution for Plastics Manufacturing、日本塑料制品工业协会的 AsPLA(Asplus)、大陆海天 (Haitian) 子公司的MES Expert in Manufacturing、台湾型创科技顾问股份 有限公司的AIoM/IoM模具与成型产业物联网、台湾精密机械制造中心(PMC)的SkyMars for IMM、工业技术研究院(ITRI)的成型优化系统…等。

    物联网(IoT)与人工智慧(AI)的关系,就好比大脑与感官,AI若是没有链接物联网,就好比大脑没有感官来蒐集周遭资讯,反之,物联网如果没有搭配AI应用,就像是仅有感官却没有通达大脑来做反应。因此, IoT与AI结合才能极大化效能与最佳化效益,结合发展成为人工智能联网(AIoT),这是未来科技的主流趋势,有助於工厂降低成本、提升效率、发掘新商机, 进而发展出新的营运模式。我们建议可以采取以下四步骤,朝智慧射出成型工厂迈进。

    步骤一:采集数据,提升数据的正确性及品质

    首先一般射出成型工厂的机器设备通讯协定 (Protocol)因厂牌而有所不同,各家走自定义协定, 常见的通讯协议包括 Modbus RTU、Modbus TCP、 OPC-UA、OPC-DA、RS232……等;即使采用相同的通讯协议,其通讯格式亦无定义标準化,机器联网 的第一步就遭遇难题。EUROMAP 77是第一个基於 OPC-UA的射出成型行业标準,建立的跨制造商通信 标準,EUROMAP 77 通讯标準发佈於 2018 年 5 月 8 日的美国NPE展会。对于现今工厂内旧有的射出成型 机,市场上均采用附加於机器设备,具备采集数据、 处理、储存、通讯协定转译及传输,以及提供应用服务模块功能的软硬体集成系统;透过此外掛方案就能 让既有的旧机器达到设备联网与资料处理的功能,目 前市场上主要的解决方案有以下几种,如型创科技 顾问股份有限公司的IoM-DC、精密机械发展中心的 SkyMars,以及工研院的VMX系统。

    步骤二:机器联网,即时监控、互动及警讯通报

    借由机器联网或附加於机器的联网装置,由工厂可视化开始做起,借此寻找升级及转型的正确方向。这就好像是一般人会透过健康检查来了解身体哪里出了状况,工厂的可视化也是如此,借由即时监控除能让生产资讯更加透明外,也能让以往不容易被察觉的问题逐一浮现,如此一来,业者也更能準确地针对问题拟定下一步改善方向,而不是如无头苍蝇般不知该从何方向切入。

    以某间客户厂商为例,自二年前开始导入型创科技顾问公司的AIoM/IoM模具与成型产业物联网,分別针对机台状态、稼动资讯、生产进度等资料进行全面整 合,例如,生产部门主管可随时从即时看板上掌握各 厂区的射出机最新状态,当发生异常警示时也能快速派员查看。此外,透过对每日稼动资讯的观察,一方 面能协助生管部门透过排程优化产能利用率,另一方 面,则是依据人员稼动资讯,可进行厂内人力资源调度。

     

    步骤三:智慧排程,稼动率及周期时间的改善

    在市场竞争分秒必争,射出成型行业的制造型态也常 伴随包括急单、插单、删单等临时状态,过去生管人 员常常需要赶到现场才掌握产能进度,以确认有无办 法进行急件插单,或是遇删单情况时,要赶到现场才 能知道订单是否已排入排程。此外,生管人员还得耗 费数小时核对产线直到确认完毕。 对于业者而言,为快速回应客户端需求,精準掌握生 产进度是必须的,过去报工均采人工统计,甚至还必 须骑车或打电话到各厂区收集报工情形;而在导入智 慧排程后,抄写工作由纸本改为数位化,只要五分钟 便能迅速掌握生产进度,同时也可以依据客户需求快速进行调整,避免报价不实与交期延宕。射出成型工 厂的生产要素包括:技术人员、射出机器、塑胶原料、 模具工艺、保养维护……等,透过塑胶制品生产流程 的系统集成,让整体生产制造流程自动化与最佳化, 实现现场制造执行系统 (Manufacturing Execution System, MES),驱动模具与成型产业以数据及智慧 排程平台为核心,建立全面性的工业大数据分析机制。再透过串联现有的企业资源计划管理(Enterprise Resource Planning, ERP),让各开发阶段的资讯流串流,彼此互补接轨,使企业内部的资讯系统进行无缝集成。

    步骤四;智慧制造,检测、排程、制造智慧化

    让每个射出成型的制品都能保有均一的品质,是射出成型行业共同追寻的目标,然而受环境变异、原料波动,以及模具磨损等原因影响,可能需要时刻针对变化重新调整参数。透过在射出成型机或模具内 安装适合的传感器,可实现对上述偏差进行自动检 测,再透过人工智慧 (Artificaial Inteligence) 软体针 对各模次的保压切换点、保压压力、或保压时间进 行修正,以减少不良制品的产生。市场上如ENGEL Austria GmbH 的 iQ Weight control、iQ Clamp control、iQ Flow Control、iQ Vibration Control 等;Wittmann Battenfeld GmbH 的 HiQ-Flow、 HiQ-Melt、Miq-Metering 等;KraussMaffei 的 APC Plus、DataXplorer 等智慧化软体均有助於提高射出成型机的生产稳定性。

    现有的射出成型机也可以透过模内传感器,撷取实时 生产的射出机成型条件与SPC生产数据,由资料库定义良好的生产曲线范围,并在错误发生时,暂时中止生产,避免继续生产不良产品;甚至搭配现场制造执行系统,提供预防性维护、预测制品品质、预测生产品排程、智慧视觉辨识、智慧成型参数等,期望把停 机排程问题的成本降到最低,而这些都可被视为射出 成型大数据应用下所衍生的智慧化。若能确实实施, 它将能够预测生产中的潜在问题,并从根本纠正问 题,甚至还能预先安排维护,避免机器故障的发生。

     

    结语:

    作为射出成型工程师,传统上我们倾向於从错误中学习。随着人工智慧的兴起,射出成型工艺流程得到了极大的优化,除使设备的使用率以及产能达到最大外; 同时也透过排程、预约维修,以及即时回报生产资讯等方式,来将设备的故障率、产品不良率,以及因修正错误而停机所导致的成本降到最低。此外,也使得 工厂的管理更为便利。然而,射出成型工厂在智慧化后就真的能够高枕无忧了吗?我想这个答案是否定的,尽管人工智慧也能适度根据设定去修正错误,但 这并不意味着射出成型工程师可以停止学习,因为当发生的错误超出系统处理范围时,始终需要工程师针对问题调整系统参数,以使系统能对错误做出适当的应对。

    人工智慧十分便利,然而其可靠性始终取决於创造它 的人。这时候,对于工程师的培训就极其重要了,毕 竟机器、软体等终究只是辅助,人才是主导,唯有人 的能力提升了,人工智慧的价值才能最大的被体现出 来。■

    Leave A Reply