www.revista-fabricacion.com
SCHUNK News

Incluye la transparencia del proceso

Los sistemas de detección de estado (CMS) detectan cambios y anomalías en el proceso de producción. Advierten de daños incipientes, detectan desviaciones en la calidad, supervisan la estabilidad de un proceso de producción y garantizan un control de calidad constante en todas las etapas de producción y creación de valor. En este contexto, los sistemas de agarre y los dispositivos de sujeción están cobrando cada vez más importancia debido a su posición más cercana a la pieza.

Incluye la transparencia del proceso
La demanda por parte de los usuarios de una mayor productividad, disponibilidad de sistemas automatizados y seguridad del proceso repercute en las máquinas y en los sistemas automatizados empleados en la producción moderna. La capacidad de llevar a cabo una detección continua del estado se está convirtiendo cada vez más en un criterio clave en la selección de componentes. La capacidad de analizar los datos de producción y calidad al ritmo de la producción ofrece un potencial de ahorro de costes significativo, una mayor eficiencia operativa y una mejor calidad de la producción. Pero sobre todo, está demostrado que la mayor disponibilidad de sistemas automatizados y el mantenimiento oportuno mejoran la eficiencia operativa. Lo ideal es que los tiempos de inactividad no previstos de los sistemas automatizados puedan eliminarse por completo. A su vez, la calidad del producto puede incrementarse incorporando datos sobre el desgaste de la máquina en los controles del proceso y prediciendo las desviaciones de las medidas de calidad estándar, de modo que se puedan tomar las medidas necesarias a tiempo.

No solo leer los datos, sino también analizarlos

Ya hay una enorme cantidad de datos generados por las máquinas y sistemas automatizados, los componentes y las herramientas inteligentes que se encuentran en las fábricas de las empresas manufactureras. Sin embargo, solo se utiliza realmente una parte muy pequeña de estos datos: las previsiones sugieren solo alrededor de un cinco por ciento. Hasta ahora, los valores registrados por los sensores han tenido muy poca importancia, y a lo sumo se han utilizado en caso de daños o para la resolución de problemas. Utilizando estos datos existentes de manera integral, sistemática y, lo que es más importante, en tiempo real, se pueden lograr escenarios de fabricación inteligente que prometen beneficios sustanciales. Al mismo tiempo, el grado de interconexión y digitalización también se asocia con un rápido aumento de la cantidad de datos que se generan, lo que significa que puede existir el riesgo de que las conexiones con los centros de datos en la nube no puedan hacer frente al gran número creciente de flujos de datos y que se puedan producir tiempos de inactividad y largos períodos de latencia. Por ello, los proyectos de investigación actuales se centran en un cambio fundamental en la forma de entender los datos. Ya no se trata simplemente de recoger datos como antes, sino de analizarlos in situ y convertirlos en información útil. El objetivo principal es cómo perfeccionar los macrodatos y convertirlos en datos inteligentes. Por ejemplo, es necesario preparar información sobre si un sistema automatizado está funcionando correctamente y si se le han aplicado las medidas recomendadas adecuadas.

Ensayos de componentes integrados

Esto permite comprobar las características de calidad de los componentes durante la manipulación, así como tomar decisiones OK/NOK directamente en la pinza. Los datos registrados en la pinza son procesados previamente y analizados en los componentes en tiempo real para que se activen las respuestas adecuadas. Esto reduce el volumen de datos que se ha transferir a lo que realmente se necesita, es decir, se transmite una cantidad abrumadora de datos como parámetros significativos o indicadores clave de rendimiento (KPI). Además de las estadísticas sobre el tiempo de inactividad estándar, los KPI más importantes son los índices de capacidad del proceso (Cp) procedentes del análisis estadístico del proceso y la eficiencia de utilización del sistema automatizado general. Esto mide tres tipos de datos de rendimiento y utiliza métodos multiplicativos para fusionarlos en un indicador de productividad global, la eficiencia total del sistema automatizado o la eficacia global del equipo (OEE).

Incluye la transparencia del proceso

Eficiencia total del sistema automatizado como indicador clave

Tres factores son relevantes para determinar la OEE:
  • Grado de rendimiento (LG): el grado de rendimiento es una medida de la velocidad de procesamiento de un sistema de producción. Se basa en los tiempos de ciclo/ciclo correspondientes al intervalo de salida de las piezas buenas o la capacidad productiva (M). El grado de rendimiento se indica en forma de cantidades y tiempos de ciclo. 
Tiempos de ciclo: LG = tplan/treal x 100 %

Cantidades: LG =
Mreal/Mplan x 100 %
  • Grado de utilización (NG, disponibilidad): el grado de utilización es una medida de la capacidad de un sistema de producción para realizar correctamente una función requerida en el momento oportuno. Este se determina en base a los tiempos de funcionamiento, la tasa de inactividad λ, el tiempo medio entre fallos (MTBF) y el tiempo medio de inactividad (MDT). Este último incluye varios factores, como el tiempo de mantenimiento TW y el tiempo de reparación (tiempo medio para reparar, MTTR).
NG = ∑ tiempos de funcionamiento / (∑ tiempos de funcionamiento + ∑ tiempos de inactividad) = MTBF/(MTBF+MDT)

La fiabilidad indica la probabilidad de no tener un tiempo de inactividad que afecte a la funcionalidad de una unidad durante un período determinado. Esta se determina por la tasa de tiempo de inactividad de los elementos técnicos y es cuantificada por el período medio sin tiempos de inactividad (tiempo de funcionamiento), el "tiempo medio entre fallos" (MTBF).
  • Rendimiento de calidad (rendimiento, etc.): el rendimiento de calidad es una medida de la capacidad del sistema de producción para montar/someter a ensayo cumpliendo las especificaciones prescritas. Los métodos de evaluación de la calidad estadística sirven para analizar y evaluar el comportamiento de la calidad de los procesos de fabricación. La información de muestreo sirve para intentar obtener información relativa al comportamiento del tiempo de distribución, por ejemplo, en el proceso de montaje. Los resultados de este análisis son los cálculos de la "capacidad de la máquina a corto plazo" (potencial de la máquina Cm, Cmk), la "capacidad del proceso preliminar" (potencial del proceso preliminar Pp, Ppk) y la "capacidad del proceso a largo plazo" (potencial del proceso a largo plazo Cp, Cpk).

La capacidad de la máquina es una medida de la variación característica a corto plazo procedente de la máquina.

La capacidad del proceso es una medida importante de la estabilidad de un proceso. Indica si un proceso es capaz de cumplir con los requisitos que se han establecido. En tales casos, esto se denomina procesos de producción gestionables. Al mismo tiempo, también permite entender el comportamiento a largo plazo del sistema general en las condiciones generales imperantes (personas, máquinas, métodos, entornos de trabajo). La capacidad del proceso identifica la habilidad de una máquina o proceso para lograr características específicas con una distribución de frecuencia que esté dentro de las tolerancias requeridas. Para ello, se crea la relación entre la distribución estadística de una característica de calidad mensurable y el margen de tolerancia especificado para esta característica. Los parámetros de la capacidad del proceso son muy sensibles a los cambios y al desarrollo de las tendencias. Esto significa que son especialmente adecuados para las previsiones a medio plazo y el mantenimiento predictivo.

La pinza como herramienta universal para una producción inteligente y flexible

Los módulos de manipulación inteligentes crean fácilmente las condiciones previas necesarias para la integración plena de los sistemas de producción automatizados en los entornos de fabricación y abren la posibilidad de conexiones con ecosistemas basados en la nube para determinar la eficacia global del sistema automatizado (OEE), las estadísticas del tiempo de inactividad (MTBF, MTTR) y la estabilidad del proceso a medio plazo utilizando los parámetros de capacidad determinados. Uno de estos tipos de componentes clave es la pinza paralela EGL de SCHUNK, un módulo de agarre estándar inteligente que incluye funciones integradas de serie, una interfaz Profinet certificada y un sistema electrónico integrado con carrera variable y una fuerza de agarre que puede ajustarse entre 50 N y 600 N. Como sistema de medición en línea, al "agarrar de forma inteligente", la pinza inteligente utiliza su posición expuesta directamente en la pieza para obtener datos y evaluarlos inmediatamente mediante la tecnología punta integrada en la pinza. Cada uno de los pasos del proceso puede ser controlado al detalle y, por ejemplo, transmitido al sistema de control, al sistema ERP de nivel superior y a las bases de datos de análisis y soluciones en la nube. De esta manera, la pinza inteligente es capaz de captar y procesar información sistemática sobre la pieza agarrada, el proceso y los componentes, y también lleva a cabo las reacciones adecuadas. Esto nos permite obtener un control de calidad completo y supervisar directamente el proceso de producción en el ciclo de producción.

Detección proactiva de tendencias

Más importante si cabe es el hecho de que la determinación continua en tiempo real de la capacidad del proceso a largo plazo (Cpk) para la detección proactiva de tendencias y el diagnóstico de errores tiene un historial de buenos resultados con la pinza. Las correcciones de control introducidas ya han surtido efecto antes de alcanzar los límites de especificación y ofrecen un control del proceso considerablemente más estable. Los sensores se combinan para poder utilizar varios sensores en paralelo y analizar posteriormente sus valores de medición con el fin de supervisar y evaluar el estado actual del sistema de la pinza y la situación de los accesos de agarre. Esto permite diferenciar los objetos de agarre y detectar fallos en la secuencia de producción, tales como calidades diferentes de la materia prima, herramientas de desgaste, desviaciones de tolerancia o falta de material. Mediante el análisis del proceso en tiempo real, se pueden evaluar las tendencias e incluirlas inmediatamente en el control de calidad del flujo de producción, por ejemplo, sobre la base de los valores característicos de las competencias. Los análisis de correlación también permiten detectar contextos complejos y eliminar más rápidamente patrones complejos de errores.

Inteligencia artificial

En el futuro, SCHUNK tiene previsto automatizar las tareas de control de toda la cadena cinemática, compuesta por robots y pinzas, así como la supervisión de su función, sin tener que estar programada para cada uno de los pasos o tener que establecer umbrales y ajustarlos continuamente. El uso de métodos de inteligencia artificial (IA) y el uso de diferentes sensores serán cruciales para este tipo de agarre autónomo. En una aplicación piloto, por ejemplo, se utilizaron métodos de inteligencia cognitiva para identificar piezas dispuestas aleatoriamente mediante una cámara y luego agarrarlas de forma autónoma desde una caja de transporte y guiarlas hacia su proceso de mecanizado. Al mismo tiempo, las desviaciones respecto a las circunstancias normales (las llamadas anomalías) y las tendencias, como la desviación de los parámetros de proceso relevantes, se aprenden y se utilizan para perfeccionar los instrumentos de diagnóstico en la pinza, sin necesidad de interrupciones operativas o de una formación excesiva al configurar el sistema. El fin de la pinza no es solo agarrar, sino también asumir la planificación total de la pinza, supervisar todo el proceso mediante sensores y analizarlo continuamente. Aquí, la computación de borde y la computación en la nube gozan de una relación complementaria y beneficiosa.

Portaherramientas sensorial

Equipado con un sensor, una batería y una unidad transmisora, el portaherramientas sensorial iTENDO de SCHUNK supervisa el proceso a 5000 Hz directamente en la herramienta. Un algoritmo calcula de forma continua un parámetro para la estabilidad del proceso. El valor IFT se ha desarrollado especialmente para el iTENDO, y expresa la vibración medida en forma de valor numérico dentro de una escala definida de intensidad, similar a la escala de Richter para los terremotos. Si el corte se vuelve inestable, la inteligencia integrada interviene directamente en tiempo real con una latencia de aproximadamente 20 ms y sin intervención del operador. Dependiendo de la situación, el proceso se detiene, se reduce o se adapta a los parámetros básicos previamente definidos, se cambia la entrada de las herramientas, se sustituyen las herramientas hermanas o se envían mensajes al operador. Dependiendo de la aplicación en particular, se puede usar un servicio web para definir los límites exactos y las reacciones correspondientes si se superan. A medio plazo, también ha de ser posible realizar evaluaciones estadísticas como la eficacia global del equipo (OEE), la capacidad del proceso (Cpk), el tiempo medio entre fallos (MTBF), o el desarrollo de tendencias como la desviación de los parámetros o los gradientes de las tasas de error.

www.schunk.com

  Solicite más información…

LinkedIn
Pinterest

Únete a los más de 155,000 seguidores de IMP