Utilizzo di Big Data Analytics per la manutenzione preventiva delle attrezzature

in RFID Journal on . 0 Comments

Molte aziende hi-tech si sono impegnate a implementare la produzione di settore 4.0 implementando sensori attorno alle loro costose macchine e attrezzature per raccogliere, trasmettere, aggregare e analizzare i dati operativi sotto una architettura Internet di IoT. Contributo di Advantech


L'elaborazione dei chip dei semiconduttori di oggi comporta centinaia di passaggi discreti e macchine e attrezzature estremamente costose. La precisione è di fondamentale importanza. Qualsiasi movimento non preciso causato dal guasto di un componente, ad esempio il wafer che scivola dall'impugnatura robotizzata, può comportare una significativa perdita finanziaria e, ancor peggio, tempi di inattività non pianificati per la manutenzione.


Pertanto, molte aziende hi-tech si sono impegnate a implementare la produzione del settore 4.0 implementando sensori attorno alle loro costose macchine e attrezzature per raccogliere, trasmettere, aggregare e analizzare i dati operativi nell'ambito di un'architettura IoT (Internet of Things). Consentono funzioni di avviso e allarme e implementano la manutenzione preventiva attraverso l'analisi di dati storici e in tempo reale.


Iniziarono con l'aggiunta di sensori ai bracci robotici utilizzati per spostare i wafer alle apparecchiature di litografia nelle camere bianche con illuminazione gialla. I bracci robotici erano prioritari perché la meccanica dei bracci robotici era al di là della portata delle capacità di monitoraggio incorporate nell'apparecchio di litografia, ed era stata più suscettibile alle imprecisioni e ai guasti; quindi questa era la prima priorità per la riparazione. I sensori sono stati utilizzati per raccogliere i dati relativi alle vibrazioni e alla temperatura del motore.


L'investimento sull'implementazione è stato facilmente giustificato, considerando il fatto che una sostituzione preventiva di un braccio robotico costa solo se il problema viene identificato all'inizio del suo sviluppo, rispetto alle centinaia di migliaia di dollari USA necessari per sostituire servomotore guasto.


Requisiti di applicazione

Il cliente è stato il primo a dover installare sensori nell'attrezzatura robotizzata per raccogliere dati sulle temperature e le vibrazioni del motore. Devono anche installare un server Edge Intelligence per raccogliere, integrare e preelaborare i dati grezzi al fine di aiutare a bilanciare i carichi di analisi del cloud e trasformare tali dati in informazioni leggibili.

Per implementare la manutenzione preventiva, il cliente doveva accumulare i dati acquisiti nel pool di dati insieme ad altre fonti di dati dalla struttura. Era necessaria una piattaforma di back-end affidabile per l'integrazione dei dati cross-equipment e per stabilire l'interconnessione con il database cloud Hadoop legacy utilizzato dalla società per l'analisi dei big data.


Quando un'analisi di big data imposta regole per la manutenzione preventiva (ad esempio, in quali condizioni devono essere attivati ​​avvisi o allarmi o quale componente deve essere sostituito?), La piattaforma di modifica e controllo del flusso logico è necessaria per riportare i risultati dell'analisi a controller a livello di campo per l'implementazione automatica.


Soluzione di sistema

Advantech ha fornito il suo bordo Intelligence Server (EIS), la piattaforma di que soluzione pronta offre connettività IoT, cross-attrezzature integrazione dei dati e database di interconnessione, bordo informatica, servizio cloud pre-configurato, così come il supporto software applicativo in verticale, i clienti possono sviluppare veloci soluzioni time-to-market.


Per stabilire l'interconnessione tra banche dati e servizi cloud, la soluzione EIS offre la piattaforma WISE-PaaS con il supporto predefinito per i No-SQL MongoDB e una ricca quantità di RESTful API che possono essere utilizzate per l'integrazione con l'eredità del database Hadoop della società per la grande analisi dei dati. La soluzione Advantech EIS include anche il potente strumento di controllo del flusso logico Node-RED, che consente all'utente di modificare i flussi di lavoro di manutenzione preventiva e impiantare a distanza il modulo risultante in un server periferico (controller) tramite la piattaforma WISE-PaaS; ciò consente all'EIS di eseguire operazioni di pre-elaborazione dei dati e di manutenzione preventiva.


Vantaggi

Aiuta a ridurre i costi di manutenzione delle attrezzature, con un elevato ritorno sull'investimento.


Fornisce strumenti integrati per l'integrazione rapida di dati e applicazioni dei sensori.


Fornisce l'intelligenza di bordo e la logica di controllo necessarie per l'implementazione della manutenzione preventiva.


Aiuta a ridurre il periodo di sviluppo del sistema con soluzioni hardware e software integrato ben arrotondati, più la presenza utile di Field Application Engineers che assistono con modifiche di sistema, integrazione e test.


Il controllo di flusso della logica modulizzata può essere esportato e trapiantato in apparecchiature simili altrove per risparmiare tempo di lavoro e tempo di sviluppo per progetti futuri.

Last update: Nov 27, 2017

Related Article

Comments

Leave a Comment

Leave a Reply