久久久中文,久久久视,国产在线看你懂的,六月婷婷在线

Schultis：在傳統(tǒng)工廠中要做的工作是，應用已知的策略和方法不斷提高整體效率。

工業(yè) 4.0 工廠的目標也一樣，就是要提高整體效率。但是實現(xiàn)目標的途徑不一樣。它主要是要在觀察中學習，為未來設定正確的方向。新事物提供了消除“舊”世界現(xiàn)存邊界和重新定義整體效率的機會，無論我們所說的是什么原理、技術(shù)或者方法。作為生產(chǎn)負責人要做的是，從新策略中學習，有勇氣消除已知的邊界，在這里，新技術(shù)先提供了能夠突破邊界的前提。

Schultis：新的生產(chǎn)系統(tǒng)，比如我們所創(chuàng)造的這個系統(tǒng)，它的復雜性對組織管理方面提出了新的挑戰(zhàn)。我們必須在組織管理方面重建，一方面是為了根據(jù)客戶的需求進行適應市場的生產(chǎn)，另一方面是為了在還需要整合新版本的情況下從整體上改進生產(chǎn)系統(tǒng)。

然而，傳統(tǒng)的規(guī)劃與控制系統(tǒng)很快就達到其極限。為了適應這些要求，我們引入了靈活的工作形式，明顯提高了靈活應對不斷變化的目標要求的能力。我們的團隊在其站立會議（Stand-up Meeting）和敏捷會議（Sprint）中會使用實時數(shù)據(jù)或我們通過數(shù)據(jù)挖掘（Data Mining）過程獲取的已處理完畢的信息，用以做決策。而在行動方面，我們也只是處于初始階段，每天都在學習。

再來談一下您的關于“重要認識”的問題：我們認識到，我們必須將技術(shù)創(chuàng)新和組織管理創(chuàng)新組合在一起，才能快速、有針對性地作出反應，利用新的增值機遇。

Schultis：例如，我們在過去的幾個月，在制造物流中采用了新產(chǎn)品。我們在樣機階段就感受到了高度自動化設備的好處，我們無需額外為樣機手工制造一臺設備。并且這確實有用。工廠的靈活性顯而易見。我們在批量生產(chǎn)的同時制造樣機。

Schultis：我們的工廠具有模塊化結(jié)構(gòu)。各個全自動和半自動的制造模塊都通過小型自主駕駛小車 (AGC) 彼此相連。與持續(xù)進行的批量生產(chǎn)相反，我們在這里可以直接進行試驗或者研發(fā)新產(chǎn)品。如果出現(xiàn)小故障，整個制造系統(tǒng)不會立即停止。這體現(xiàn)的是純粹的靈活性。整體上顯著減少了我們在啟動階段所經(jīng)歷的困擾。我們在過程中的可靠程度明顯提升并且擁有更高的自由度。

Schultis：可以的。我們雖然不是一切都成雙成對，但我們有可以全自動或者手動執(zhí)行的工藝過程。此時，上游專門為工廠開發(fā)的制造控制系統(tǒng)承擔物料流的控制任務。

Schultis：我們在此期間額外做了兩個產(chǎn)品系列，目前生產(chǎn)過程中有七個產(chǎn)品系列，年底還會增加另外兩個。在這些產(chǎn)品系列中還會增加不同的版本。目前我們已做的版本數(shù)量達到了四位數(shù)。機器承受這樣的增長毫無問題。除了安全產(chǎn)品之外，我們目前甚在相同的模塊上生產(chǎn)非安全產(chǎn)品。

Schultis：我們將生產(chǎn)環(huán)境中的數(shù)據(jù)分為三個主要類別。在智能制造這個類別中，我們上升到過程層次，以改善質(zhì)量，提升 OEE（整體設備效率）等。這是一個重點議題。

第二個議題是預見性維護。在這方面，我們使用數(shù)字信號，以盡可能高效地實施維護工作。例如，我們并不始終采用固定的維護周期，在需要維護的時候，傳感器和執(zhí)行器會發(fā)出信號。

第三個類別涉及的是能源管理。我們了解到，整個車間在一年中消耗的能源是什么情況。未來，這種透明度將幫助我們盡可能高效節(jié)能和可持續(xù)地進行生產(chǎn)，因為我們可以在更有利的時候進行生產(chǎn)活動。

Schultis：這個問題我必須嚴謹?shù)赜?ldquo;是又不是”來回答。是的，我們已經(jīng)有能力分析數(shù)據(jù)得出初步結(jié)論。是的，我們對此做得越多，潛力空間就越大。

一個小例子：我們現(xiàn)在用數(shù)字方式監(jiān)控生產(chǎn)模塊中的壓縮空氣。這在以前是沒有的。以前，如果壓力下降低于 5 bar，只有生產(chǎn)出了問題，我們才會知道壓力下降?，F(xiàn)在，我們采用數(shù)字方式進行監(jiān)控，設有警告極限。如果超過或低于這些極限，我們就會通過 BPM（博世性能管理器）激活一張支持票證。另外一個例子就是氣缸的移動速度。一般來說，從中可以識別出磨損現(xiàn)象。未來，這些數(shù)據(jù)將有助于我們采集各種致動器/傳感器的維護警告極限。目標是，在故障/失效情況發(fā)生之前就將其識別出來。

Schultis：我們在一個模塊中碰到過這種情況，我們在該模塊中用我們的 SICK 傳感器 FTMg 監(jiān)控壓縮空氣。傳感器本身通過一個網(wǎng)關 (TDC-E) 與云端相連。我們將 BPM 托管在該云內(nèi)，幫助我們對數(shù)據(jù)進行可視化處理。我們可借此識別壓縮空氣供應的波動并采取相應的措施。若故障未被發(fā)現(xiàn)，就可能導致?lián)Q向閥故障。我們可以提前對其進行更換，避免停機。 

Deep Learning 在未來的工廠中是否也能發(fā)揮作用？這是肯定的。Deep Learning 是一種能夠以多種方式幫我們變得更好的技術(shù)。我們正在開發(fā)一個解決方案，有了它我們就能在質(zhì)量檢驗中使用神經(jīng)網(wǎng)絡技術(shù)。具體來說，這將是一個可內(nèi)嵌的焊點自動光學檢查 (AOI) 解決方案。您看，我們每天都在學習新知識和測試新技術(shù)。

未來工廠，必須始于當下，否則未來將永遠只是未來。我們今天可以利用機會，借助數(shù)據(jù)產(chǎn)生增加值，從而盡可能高效地進行生產(chǎn)。