Šiuo metu pasaulinė gamybos pramonė išgyvena kritinį perėjimo nuo automatizavimo prie pažinimo technologijų etapą. Šiame procese išmanioji rūšiavimo technologija vystosi iš paprasto kokybės kontrolės įrankio į vienintelį pagrindinį suvokimo mazgą pramonės grandinėje, kuris gali nuolat ir nesugriaunamai gauti išsamius fizinių ir cheminių medžiagų savybių duomenis. Šios pertvarkos esmė – rūšiavimo įrangos perėjimas iš „vykdymo terminalo“ į „duomenų rinkimo ir analizės terminalą“, o tuo remiantis – žinių variklio, skatinančio visos pramonės grandinės optimizavimą ir inovacijas, sukūrimas.
1, duomenų dimensijos revoliucija: nuo išvaizdos nuskaitymo iki holografinės skaitmeninės dvynių konstrukcijos
RGB vaizdo informacija, kuria remiamasi tradiciniu rūšiavimu, yra tik materialių skaitmeninių savybių ledkalnio viršūnė. Naujos kartos sistema sukurta naudojant „Medžiagos holografinį skaitmeninį dvynių archyvą“, kuris iš esmės išplečia duomenų matmenis:
Kryžminio masto fizinių savybių duomenų suliejimas: sistema sinchroniškai renka kelių{0}}mastų duomenis nuo makro ir mikro lygių. Įskaitant: milimetro lygio 3D geometrines figūras (tūrį, kreivumą, paviršiaus defekto gylį), mikrometro lygio paviršiaus tekstūras ir blizgesį (per makropoliarizuotą šviesą) ir nanometro lygio medžiagos molekulių spektrinius pirštų atspaudus (per hiperspektrinius / artimuosius infraraudonuosius spindulius). Pavyzdžiui, į skaitmeninį kviečių grūdų archyvą gali būti įtrauktas grūdų vientisumas (turintis įtakos miltų derliui), paviršiaus pažeidimo laipsnis (susijęs su laikymo stabilumu) ir vidinis baltymų bei drėgmės pasiskirstymas (nustatantis perdirbimo kokybę). Šie duomenys kartu sudaro išsamų pagrindą įvertinti jo galutinį panaudojimą, pvz., aukščiausios kokybės- duonos miltus ar pašarus.
Laikinas dinaminis duomenų srautas: Šiuolaikinės rūšiavimo sistemos ne tik išveda pavienius rūšiavimo rezultatus, bet ir generuoja nuolatinius medžiagos kokybės laikinius duomenų srautus. Analizuodama žaliavų duomenų dreifo modelius skirtingomis gamybos partijomis, derliaus nuėmimo laikotarpiais ir laikymo sąlygomis, sistema gali sukurti nuspėjamąjį modelį. Pavyzdžiui, stebint, kad kavos pupelių drėgmės kiekio spektrinės charakteristikos konkrečioje gamybos vietovėje palaipsniui artėja prie pelėsio augimo slenksčio, galima iš anksto įspėti saugojimo riziką ir koreguoti perdirbimo prioritetus, taip pasiekiamas perėjimas nuo „pašalinimo“ prie „prevencinės“ kokybės kontrolės režimo.
Susiję proceso duomenys: įrangos būsenos duomenys (pvz., vibracija, temperatūra, oro slėgis) ir rūšiavimo efekto duomenys (atmetimo greitis, išėmimo santykis) yra glaudžiai susiję ir analizuojami. Tai ne tik leidžia numatyti techninę priežiūrą, bet ir atvirkščiai optimizuoti mechaninę ir pneumatinę konstrukciją. Inžinieriai gali pakartoti naujos kartos įrangos fizinę struktūrą ir sudaryti „duomenimis-pagrįstą mokslinių tyrimų ir plėtros kilpą“, analizuodami „kuris vibracijos režimas sumažina konkrečių dydžių pupelių rūšiavimo tikslumą“.
2, Sprendimo kilpos matmenų patobulinimas: nuo „sugedusių gaminių pašalinimo“ iki „viso proceso optimizavimo“
Remiantis pirmiau minėtais daugiamačiais duomenimis, išmaniojo rūšiavimo sprendimų kategorija pasiekė du pagrindinius plėtinius:
Bendradarbiavimas tiekimo grandinėje: duomenų rūšiavimas tampa „navigatoriumi“, kuris vadovauja žemės ūkio ir kasybos operacijoms. Žemės ūkio srityje, atliekant galiausiai surūšiuotų aukštos-kokybės ir žemos-kokybės pasėlių spektrinę atgalinio sekimo analizę, galima tiksliai nustatyti sodinimo veiksnius, sukeliančius kokybės skirtumus, pvz., mikroelementų trūkumus ir netolygų drėkinimą konkrečiuose sklypuose. Šie duomenys gali būti grąžinti ūkiui, kad būtų galima tiksliai tręšti ir valdyti lauką. Kasybos srityje ankstyvo žaliavos rūdos rūšiavimo duomenys gali tiesiogiai padėti pasirinkti kasybos paviršius ir optimizuoti sprogdinimo planus, sumažinti atliekų maišymąsi iš šaltinio ir pagerinti išteklių naudojimo efektyvumą.
Adaptyvus lankstus apdirbimo kelio planavimas: lanksčiuose gamybos padaliniuose išmaniosios rūšiavimo mašinos atlieka „medžiagų nukreipimo smegenų“ vaidmenį. Jis realiu laiku atpažįsta kiekvieno mažiausio apdorojimo bloko (pvz., pupelės ar fragmento) charakteristikas ir dinamiškai priskiria jam tinkamus tolesnius apdorojimo kelius. Pavyzdžiui, riešutų apdirbimo linijoje sistema kiekvieną migdolą nukreipia į „Viso grūdo aukščiausios kokybės pakuotę“, „Pjaustymo gamybos liniją“ arba „Šlifavimo padažo kanalą“, atsižvelgdama į jo dydį, putlumą ir smulkių defektų vietą, kad būtų pasiekta didžiausia bendra produkcijos vertė. Tam reikia, kad rūšiavimo sistema pasiektų milisekundžių duomenų mainus ir komandų koordinavimą su robotais, AGV ir MES sistemomis.
3, Žinių kaupimas ir pakartotinis naudojimas: konkrečios pramonės šakos žinių grafiko kūrimas
Didžiausia duomenų vertė yra daugkartinio naudojimo žinių kaupimas. Pirmaujantys spalvų atrankos technologijų tiekėjai yra įsipareigoję sukurti „pramonės žinių grafiką“ vertikalioms pramonės šakoms:
Defekto priežasties žinių bazė: sistema ne tik įrašo, „kas“ yra defektai, bet ir daro išvadą, „kodėl“ atsirado defektas, atlikdama daugiamatę duomenų susiejimo analizę. Pavyzdžiui, specifinio pelėsio goji uogų spektrinio modelio susiejimas su istoriniais oro duomenimis (derliaus sezono krituliai) auginimo vietovėje ir specifinės riešutų porų morfologijos suderinimas su saugomų kenkėjų rūšių duomenų baze. Šių priežastinių ryšių kaupimasis suformavo žinių turtą bendroms pramonės problemoms spręsti.
Proceso kokybės numatymo modelis: naudodami mašininį mokymąsi, kad generuotumėte didžiulį duomenų kiekį, sukurkite numatymo modelį, skirtą parametrų (tokių kaip džiovinimo temperatūra, poliravimo laikas) apdorojimui iki galutinių rūšiavimo rezultatų. Klientai gali imituoti ir koreguoti procesų parametrus virtualioje aplinkoje, numatyti jų įtaką galutiniam išeigai ir kokybės lygiui bei rasti optimalų sprendimą prieš faktinę gamybą, ženkliai sumažindami bandymų ir klaidų sąnaudas.
Atvira žinių bendradarbiavimo ekosistema: Žinių grafikai nėra uždaros sistemos. Laikydamosi duomenų privatumo užtikrinimo (naudojant tokias technologijas kaip bendras mokymasis ir diferencijuotas privatumas), įvairios įmonės ir tyrimų institucijos gali pateikti duomenų fragmentus, patikrinti hipotezes ir dalytis modelio patobulinimais patikimoje platformoje, kartu paspartindamos konkrečių medžiagų (pvz., naujų sintetinių medžiagų ir nykstančių vaistinių augalų) supratimą ir rūšiavimo technologijų plėtrą visoje pramonėje.
4, ateities forma: kaip standartizuotas pramoninio interneto suvokimo terminalas
Žvelgiant į ateitį, itin standartizuotas ir išmanus rūšiavimo modulis taps nepakeičiama infrastruktūra įvairioms „pramoninio interneto“ platformoms. Tai tarsi išmanusis daiktų interneto jutiklis, tačiau jo jutimo objektai nuolat-keičia fizines medžiagas. Nesvarbu, ar jis naudojamas maisto gamyklose, farmacijos gamyklose, perdirbimo stotyse ar kosminėse bazėse, jis gali konvertuoti fizinio pasaulio medžiagų srautą į standartizuotus aukštos kokybės-duomenų srautus realiuoju laiku ir sujungti juos į platesnį pramoninių duomenų ežerą.
Išvada: didžiausia konkurencijos riba
Šiuo metu buvo aiškiai pateikti spalvoto rūšiavimo mašinų pramonės konkurenciniai matmenys: pradinė konkurencija dėl techninės įrangos veikimo ir rūšiavimo tikslumo; Vidutinio lygio konkurencinio algoritmo galimybės ir sprendimai; Aukšto lygio konkurencija slypi pramonės žinių gavybos gilumoje, duomenų ekosistemos kūrimo platybėje ir gebėjime duomenis paversti klientų strateginiais turtais. Ateities lyderiais neišvengiamai bus tos įmonės, kurios gali patobulinti rūšiavimo proceso metu sugeneruotus duomenis į didelio-grynumo „žinių kurą“, skatinantį sąnaudų mažinimą, efektyvumo didinimą ir inovacijas visoje pramonės grandinėje. Pažangus rūšiavimas ne tik nustato medžiagų grynumą, bet ir pramoninio intelekto gylį bei ribas.