Keevitamine ja lõikamine on tõeliselt tööstusliku valmistamise tuum, omades põhiliselt ühendamise ja kujundamise funktsiooni kõigi nende metallist osade jaoks, mida me igal pool näeme. See, mis algul oli täielikult käsitsi tehtav töö, on aja jooksul radikaalselt muutunud. Tänapäeva töökojad kasutavad suhteliselt keerukaid automaatseid süsteeme, kus on kaasatud robotitehnoloogia, AI-tehnoloogiad ja kõikvõimalikud andmeanalüüsi vahendid, mis toimivad reaalajas. Kaasaegsed nutikad keevitamise ja lõikamise seadmed on tegelikult varustatud andurite ja masinõppe võimekustega, mis võimaldavad neil mõnikord isegi ise otsuseid langetada, vajadusel parameetreid otsekohe kohandada ning kogu protsessi vältel kvaliteeti pidevalt jälgida. Kogu see tehnoloogia teeb tee avatuks nii nimetatud nutifabrikutele. Nendes kohtades suhtlevad erinevad masinad pidevalt omavahel, mis aitab optimeerida tootmisi ja hoida töölisi ohtlike olukordade eest või korduvate ülesannete eest, mis lihtsalt ajapikku neid kulumisse viivad.
Tootmine on läbi aastate arenenud puhtsalt käsitsi keevitamise ja lõikamise operatsioonidest. Automatiseerimise algusaegadel alustasid ettevõtted lihtsate mehaaniliste seadmetega, mis vähendasid töötajate füüsilist koormust, kuid nõudsid siiski pidevat inimese järelvalvet. Kiirendades tänapäevani näeme keerukaid süsteeme, mis töötavad tegelikult juba praegu. Koostöörobotid töötavad nüüd kõrvalkäigul inimestega tootmisepinnal, AI-algoritmid kohandavad protsesse pidevalt käivitusrežiimis ning detailne andmeanalüüs annab juhtidele sisemise ülevaate sellest, kui hästi tooteid valmistatakse. Tulemused räägivad ise. Tehased, mis on võtnud kasutusele nutikeevitustehnoloogia, näevad tavaliselt oma tootmissageduse tõusu 18–22%. Samal ajal paraneb toodete ühtlus dramaatiliselt ja veadega paranduste vajadus väheneb märkimisväärselt.
Industry 4.0 tagused põhimõtted aitavad ettevõtetel tegelikult edasi viia nutikate keevituse ja lõikamise süsteemide rakendamist kogu nende tehaste ulatuses. Need kaasaegsed seadistused ühendavad kõik omavahel, et tootjad saaksid juhtida targemaid tootmissüsteeme, mis reageerivad kiiresti kõigile muutustele tootmispingil. Mõelge nii: kui keevitajad ühenduvad IoT-võrkudega, pääsevad pilvesalvestusse varasemate andmete juurde ja kasutavad keerukaid analüüsitööriistu, siis saavad nad tootmistsiilid, mis peaaegu kohe ise paranduvad, kui midagi muutub. Mõned süsteemid on nüüd varustatud andurite ühendustehnoloogiaga, mis tuvastab materjalides väikseimad erinevused kuni poole millimeetri paksuse ulatuses! Sellisel juhul teeb masin ise kohandusi, et säilitada keevituse kvaliteet kõrgeimal tasemel. Mida see kõik tähendab ettevõtetele? Vähem aega kulutatakse rikete parandamisele, elektriarved on odavamad, kuna masinad töötavad tõhusamalt, ja tooted, mis väljuvad montaažiliinilt, näevad täpselt samad välja, olenemata sellest, kas need on mõeldud autodele või kosmoseaparaatidele. Üsna muljetavaldav, kui sellest järele mõelda.
Viimased edusammud keevitusautomaatis toovad kokku kunstliku intelligentsi ja meie nii nimetatud koostöörobotid – koobottid, mis muudavad töösaalid palju kohanduvamaks. Traditsioonilised tööstusrobotid vajavad enda ümber suuri turvakahte, kuid koobottid töötavad otse inimeste kõrval. Nad tegelevad kõigi need igava korduskeevitustöödega ülimalt täpseti, umbes kümnend millimeetri täpsusega. Need süsteemid on varustatud nutikate kaameratega, mis tuvastavad keevisservade asukohad ning kohandavad keevituspuutre nurga ja kiirust vastavalt vajadusele. Tootsiettevõtted, kes on sellised AI-toetatud koobottid kasutusele võtnud, näevad reaalset kasu. Ümberseadistused võtavad aega poole vähem kui varem ja metalliprahti visatakse ära ligikaudu 30% vähem, nagu näitasid eelmise aasta tööstuse efektiivsuse andmed. Selle seadistuse tugevus seisnebki selles, kuidas see ühendab inimtöölisi ja nutikaid masinaid. Kogu süsteem kohaneb hästi erinevate tootekombinatsioonidega, samal ajal kui kvaliteedinorme ei kompromiteerita.
AI on täielikult muutnud keevitusrobotid, tehes nendest mitte lihtsalt programmeeritud masinad, vaid palju targemad seadmed, mis suudavad töö käigus tegelikult otsuseid langetada. Neuraalvõrgud töötlevad kõiki tüüpi andurite andmeid, nagu kaarepinge näitajaid, termograafilisi pilte ja õmbluse jälgimise andmeid, et vajadusel reaalajas keevitusseadeid kohandada. Kui materjalide paksus muutub, liitmikud sobivad halvemini kokku või kui soojus tekitab deformatsiooni, kompenseerivad need nutikad süsteemid automaatselt, tagades hea keevi koos korrektse läbitungimisega ja ilusa õmbluseprofli. Mõned uuringud viitavad sellele, et AI-süsteemide poolt teostatud keevitust aktsepteeritakse esimesel läbikäigul umbes 99,7% juhtudest, samas kui tavapärane automatiseeritud keevitamine jõuab alles ligikaudu 92%-ni, nagu eelmise aasta Manufacturing Technology Review raporteeris. Keeruliste kuju ja tingimuste puhul, kus olud pidevalt muutuvad, on see iseseisvus eriti oluline, sest vanad eelprogrammeeritud robotirajad ei ole enam piisavad.
Üks suur autotootja võttis hiljuti kasutusele AI-toel töötavad keevitusrobotid, et lahendada probleeme ebajärjekindlate korpuste ehitamisega. Nende süsteem kasutas sügavõppe algoritme, millele toimetati andmeid ligikaudu 50 000 varasemast keevitusest, et kindlaks teha parimad seaded erinevate liigendite jaoks. Nad lisasid ka soojuskujutustehnoloogia, et jälgida, kuidas soojus levib metalli üle, ning laserkandetehnoloogia, et kontrollida keevissillade kuju moodustumise ajal. Poodi jäädes umbes poole aasta jooksul vähenesid poorse probleemid peaaegu 60%, ja peaaegu kõik pärast halbu keevitusi vajaminev täiendav töö kadus täielikult. Huvitav on, et AI muutus aja jooksul järjest targemaks. See märkas materjalides subtiilseid variatsioone, mida keegi varem ei olnud märganud, võimaldades tehnikatel protsessidega sekkuda enne probleemide tekkimist. See tõstis seadmete efektiivsust ligikaudu 22% möödunud aasta „Automotive Production Quarterly“ kohaselt. Selle näite vaatamine näitab, miks nutikeevitustehnoloogia on nii oluline tehastele, mis toodavad suuri koguseid, kus isegi väikesed parandused võivad toote kvaliteedis ja tootmise kiiruses teha suurt erinevust.
Tänapäeva valmistusosakonnad koguvad tohutult andmeid kõigi liiki sensorite, masinate ja kvaliteedikontrollide kaudu kogu oma tootmisprotsessi vältel. Kui tootjad analüüsivad neid andmeid reaalajas, saavad nad palju selgemat ülevaadet sellest, mis toimub keevitus- ja lõikeprotsesside ajal. See aitab tuvastada hetked, mil protsessid hakkavad kõrvale kanduma, olenemata sellest, kas probleem on ebajärjekindlates materjalides või masinate ebatõhusas töös. Eelmise aasta Number Analyticsi sektoruuringute kohaselt saavutavad sellise andmeanalüüsi rakendavad ettevõtted tavaliselt tootlikkuse kasvu 10–25 protsendi vahel koos umbes 18-protsendilise tõusuga seadmete efektiivsuses tervikuna. Kuid kõige olulisem on teisendada kõik need andmed midagi kasulikuks tehase juhtide ja töölaua juures töötavate tehnikute jaoks, et nad suudaksid potentsiaalsed probleemid piisavalt varakult tuvastada ning vältida kallihulgalisi tootmise seiskamisi või tootevigade teket hilisemas etapis.
Automaatse keevituse puhul teeb kvaliteedikontrolli seisukohalt kõige suurema erinevuse reaalajas jälgimine. Süsteem annab kohe tagasisidet asjadest nagu kaari stabiilsus, kui palju soojusenergiat rakendatakse ja kas metallist sulamine toimub korralikult. Nutikas tarkvara suudab tuvastada mustrid, mis viitavad võimalikele keevitusprobleemidele juba palju varem, enne kui need muutuvad tegelikeks defektideks, nii et operaatoreid saavad parameetreid õigeaegselt kohandada. Tootsikud, kes on selle tehnoloogia rakendanud, teatavad umbes 13 protsendi võrra vähem ootamatuid seiskamisi ja ligikaudu 7 protsendi võrra kiiremaid tootmistsükleid, ilma et nende keevituse ühtlus kannataks. Parim osa? Probleemid lahendatakse kohe, mitte oodatakse, kuni need tuvastatakse lõppkontrollis. See lähenemine vähendab kallist järeltöötlemist ja säästab materjale, mis muidu läheksid raisku.
Mida enamik inimesi tänapäeval keevitamise kohta ei mõista, pole tegelikult sugugi teabe puudumine. Tegelik probleem seisneb kogutud andmete tähenduse mõistmises. Nutikad analüüsitööriistad rakendavad masinõppe tehnikaid, et eristada kasulikke signaale taustamüra tagant, tuvastades täpselt, millised tegurid kõige rohkem mõjutavad keevi kvaliteeti. Need edasijõudnud süsteemid järjestavad hoiatusi nende tõsiduse ja mõju alusel, nii et töötajad saaksid keskenduda olulisele, mitte aga eksida teadetemere vahel. Kui neid platvorme kombineeritakse soojuspildide, keevituskäe kohta andmetega ning erinevate materjalide teadmistega, pakuvad nad väärtuslikku teavet, mis aitab parandada nii keevitamis- kui ka lõikeoperatsioone üldiselt. Need on loodud andma praktilisi soovitusi tegelike tingimuste põhjal, mitte lihtsalt esitama arvuhulki, millest keegi ei tea, mida peale hakata.
Tänapäeva keevitusseadmed kasutavad masinõppe meetodeid, mis analüüsivad erinevat sensorandmeid, et tuvastada probleeme juba siis, kui need protsessi käigus tekkivad. Nutikad algoritmid töötlevad andmeid kaameratest, mis jälgivad keevissulamit, soojuseensoritest, mis mõõdavad temperatuurikõikumisi, ning seadmetest, mis jälgivad tegelikku keevituskaart. Need süsteemid tuvastavad peenikesed ebanormaalsused juba palju varem, enne kui need võiksid üldse mõjutada lõpptootmise tugevust. Nende reaalne väärtus seisneb selles, et nad paranevad aja jooksul. Kui süsteemid koguvad rohkem andmeid tegelikest tootmissarjadest, hakkavad nad õppima erinevate materjalide mustreid ja kohanduma automaatselt muutuvate tingimustega tootmisruumis. See tähendab, et tootjad saavad säilitada kõrget kvaliteedinimetajat partii pärast partiid, ilma et nõuaks pidevat tehnikute järelevalvet.
Nutikad keevitus- ja lõikest süsteemid kasutavad nüüd neuronaalvõrke, et kohandada pinge seadeid, voolutugevusi ja keevituslõõtsi liikumise kiirust materjalide üle. Süsteem jälgib pidevalt tegeliku keevissillat ja analüüsib kaari andmeid, et kindlaks teha, kui palju energiat tuleb tarnida ning millal ja kuhu materjali õigesti ladustada. Seda tüüpi nutikas juhtimine vähendab tegelikult levinud probleeme, nagu väikesed õhupoolsused (porosus) või metalli äärte lagunemine (allakarvamine). Lisaks parandab see kogu protsessi tõhusust, vähendades vajadust järeltöötluse järele, mis säästab aega ja raha tootmisettevõtetes kõikjal.
Tootjad teatasid 37% vähendusest järeltöötluses pärast AI-põhise parameetrite optimeerimise rakendamist (Intelligentse Tootmise Ajakiri 2020). Masinõppe algoritmid ennustavad optimaalseid keevitusolusid konkreetsete materjalide ja ühenduste tüüpide jaoks, täpsustades oma mudeleid ajalooliste tulemuste põhjal. See tagasisideahel vähendab järk-järgult vigu ja parandab esmase läbimise tootlikkust.
Hiljutised läbimurded nutika keevituse ja lõikamise tehnoloogias hõlmavad nüüd süsteeme, mis suudavad end ise optimeerida tugevdusõppe meetodite abil. Tegelikult eksperimenteerivad need masinad väikeste parameetrite muutustega tavapäraste hooldusperioodide jooksul või siis, kui tootmine pole täieliku võimsusega. Need leiavad ise välja, mis kõige paremini töötab, ilma et inseneridel oleks vaja sätteid pidevalt käsitsi kohandada. Selle eriline väärtus seisneb selles, et keevitusseadmed säilitavad teravuse ja efektiivsuse isegi siis, kui töötatakse erinevate metallide, kulunud tööriistadega või kui tootmispõhja temperatuur kõigub. Mõned tootjad on teatanud kuni 30% paremast järjepidevuse tasemest pärast selliste kohanduvate süsteemide kasutuselevõttu, kuigi tulemused varieeruvad olenevalt sellest, kui hästi esialgne treenimisandmete kogumine oli tehtud.
Tänapäevased nutikad keevitus- ja lõikest süsteemid koondavad mitu andurit, et saaksid optilise jälgimise, soojuspildistamise ja heli jälgimise andmed ühendada ühtseks pidevaks tagasisideks. Sellise integreerimisega saavad robotid palju paremini aru, mis toimub nende ümber keevitusprotsessi ajal. Need tuvastavad väikesed muutused liigeste sobituses, kasutatavate materjalide erinevused ja isegi soojuse jaotumise muutused töödetaili ulatuses. Kui need süsteemid töötlevad kõiki neid andmeallikaid korraga keerukate matemaatiliste mudelite abil, kohandavad need automaatselt olulisi parameetreid, nagu keevituslõõri liikumise kiirus, elektriseaded ja juhtme sissetoitmise hulk keevissuppi. Mida seejärel juhtub? Vähem vigaseid keevisõmblusi ja vajadus vigade parandamise järele väheneb. See teeb suurt erinevust eriti siis, kui töödeldakse täpsusdetailseid osi, mida on vaja lennukikomponentide või tootmisliinilt väljuvate autode puhul, kus isegi pisivigad pole lubatud.
Milline on tehisintellekti roll keevituse automatiseerimises?
Tehisintellekt mängib keerulist rolli keevituse automatiseerimises, võimaldades robotitel teha realtime otsuseid andmeandmete põhjal, kohandada parameetreid käigul ja parandada kvaliteedi kontrolli ilma inimsestmõjuta.
Kuidas mõjutavad aruka tootmise põhimõtted keevitus- ja lõikesüsteeme?
Aruka tootmise põhimõtted ühendavad süsteemid, et parandada integreerimist, võimaldades keevitus- ja lõikeseadmetel tõhusamalt töötada, vähendades seeläbi energiakulu ja suurendades toote järjepidevust.
Milliseid eeliseid ettevõtted näevad aruka keevitussüsteemi kasutamisest?
Ettevõtted kasutavad AI-ga ja masinõppega varustatud arukaid keevitussüsteeme, et parandada tootmise kiirust, parandada toote järjepidevust, vähendada vigu, vähendada materjali raiskamist ja vähendada elektri kulu.
Kuidas reaalajas andmeanalüüs parandab tootmise protsesse?
Reaalajas andmeanalüütika tagab läbipaistvuse, pakkudes kohe ülevaadet keevitamis- ja lõikamistoimingutest, mis võimaldab operaatoreil kiiresti probleeme lahendada ning seeläbi parandada tootlikkust ja seadmete tõhusust.
Külm uudised
EN
