Az állásidő költsége a gyártásban
Igen, a bejegyzés címe helyes. 2017-ben az ARC Advisory Group becslése szerint a feldolgozóiparban a globális leállások költsége évente egy billió dollárra rúg. Ez rengeteg pénz, és hogy perspektívába helyezzük, a Világbank szerint a globális GDP 2019-ben 87,8 billió dollár volt. Nem meglepő, hogy az állásidő csökkentése az egyik legvonzóbb eredmény, amit az ipari IoT nyújthat.
Hogyan csökkenthető a gyártási állásidő az ipari IoT segítségével?
Milyen lehetőségek vannak az állásidő csökkentésére? A prediktív karbantartás költséghatékony alkalmazásnak bizonyult az állásidővel kapcsolatos kihívások kezelésére, és a projektek igazolásához szükséges megtérülést biztosít. Az IoT Analytics előrejelzése szerint a prediktív karbantartási piac 39%-os CAGR-rel, 23,5 milliárd dollárra nő 2024-re. A prediktív karbantartást az teszi olyan vonzóvá, hogy egyszerre két kulcsfontosságú kérdést is kezel. Ha a gépeket vagy alkatrészeket, például a motorokat, szivattyúkat és csapágyakat addig működtetik, amíg meghibásodnak, akkor a meghibásodás miatt több költséges kár keletkezhet a berendezésben. Emellett a személyzetnek időt kell töltenie azzal, hogy a helyszínen próbál cserealkatrészeket beszerezni, majd túlórázni kell a probléma kijavításáért. Mindez növeli a nem tervezett leállások végső költségeit, és hozzájárul a termeléskieséshez. Másrészt, ha a berendezéseket túl gyakran vagy túl korán cserélik ki a kopó alkatrészeket, akkor a túl gyakori tervezett szervizszünetek miatt az állásidő is megnő. A prediktív karbantartás során az algoritmusok a gépekről és alkatrészekről gyűjtött érzékelőadatokat arra használják, hogy időben előre figyelmeztessék az üzemeltetőt egy jövőbeli meghibásodási állapotra, így elegendő idő áll rendelkezésre a karbantartás ütemezésére és megtervezésére, mielőtt a meghibásodás bekövetkezik.
A vezeték nélküli ipari IoT előnyei a prediktív karbantartásban
A prediktív karbantartási megoldások általában a motorok, szivattyúk, csapágyak és más, az ipari és kereskedelmi folyamatokat működtető eszközök rezgésujjlenyomataiban lévő rendellenességek észlelésére támaszkodnak. Mivel a rezgésérzékelők hozzáadásának kábelezési költségei rendkívül magasak, ezek az érzékelők jellemzően vezeték nélküli kommunikációt használnak, és akkumulátorról táplálják őket. Van néhány egyedülálló előnyünk a prediktív karbantartási megoldások fejlesztői számára. Termékeink közé tartoznak az iparágban vezető, alacsony energiafogyasztású vezeték nélküli SoC-k és modulok. A beépített alacsony energiafogyasztású üzemmódok használatával az érzékelők gyors ébredési időkből és az alvó és aktív üzemmódok közötti idő kiegyenlítéséből profitálhatnak. Ez az energiaoptimalizálás hosszabb akkumulátor-élettartamot eredményez, ami a végfelhasználó számára alacsonyabb teljes birtoklási költséget (TCO) jelent, mivel az érzékelők élettartamuk alatt kevesebb karbantartást igényelnek.
Hogyan válassza ki az alkalmazásához legjobban illeszkedő vezeték nélküli eszközt?
A környezetek, amelyekben a prediktív karbantartási megoldásokat alkalmazzák, nagymértékben eltérnek egymástól. Ezért a megoldás fejlesztőjének olyan kommunikációs szakértővel kell együttműködnie, mint amilyen mi vagyunk, aki a vezeték nélküli technológiák széles skáláját támogatja több frekvenciasávban. Nagyobb hatótávolságú igények esetén az olyan technológiák, mint a Wi-SUN, a Mioty vagy más, a GHz alatti frekvencián működő opciók alkalmasabbak. A gyáron vagy üzemen belüli helyi hálózatok számára előnyös lehet a Bluetooth és a mesh technológiák használata, vagy a meglévő kétsávos Wi-Fi infrastruktúra kihasználása az érzékelők összekapcsolására.
Hogyan változtatja meg a beágyazott AI/ML a prediktív karbantartást?
A mesterséges intelligencia és a gépi tanulás (AI/ML) a hatalmas számítási erőforrásokat igénylő felhőszintű alkalmazásból a Cortex-M szintű mikrokontrollereken hatékonyan végrehajthatóvá vált. A Silicon Labs AI/ML partnerei olyan eszközöket fejlesztettek, amelyek lehetővé teszik, hogy a prediktív karbantartási algoritmusok mindössze néhány kilobájt RAM-memórián fussanak. Az előfeldolgozás azt jelenti, hogy a helyi rádiót ki lehet kapcsolni, amíg olyan rendellenesség nem jelentkezik, amelyet jelenteni kell a háttérrendszernek és az üzemeltetőnek. Ez tovább kímélheti az értékes akkumulátorkapacitást és javíthatja a TCO-t.
Hogyan kezdjen hozzá a vezeték nélküli ipari IoT-hez?
Ha részt szeretne venni ennek a trillió dolláros kérdésnek a megoldásában, jó kiindulópont lehet a Thunderboard Sense 2 Evaluation Kit felfedezése. Ez a készlet vezeték nélküli kommunikációt integrál egy sor érzékelővel, köztük a gyorsulásmérővel és a hőmérséklettel, amelyek a leggyakoribbak a prediktív karbantartási alkalmazásokban. Böngésszen a Design Network partnerek között is, akik segíthetnek a vezeték nélküli SoC-jeinken és moduljainkon futó megoldások tervezésében. Végezetül tekintse meg a Sensemore-ról nemrégiben készült esettanulmányunkat, amely a mi előzetesen tanúsított Bluetooth-moduljainkat választotta előrejelző karbantartási érzékelőjéhez. Ez a döntés lehetővé tette számukra, hogy felgyorsítsák fejlesztési erőfeszítéseiket, és gyorsabban piacra kerüljenek.
![Hogyan válasszunk oszcilloszkópot vásárlás előtt [II. rész]](https://www.ccontrols.hu/media/wysiwyg/Blog/13.jpg)
Leave a Reply