傳統V.S智能
Traditional V.S Intelligence
目前作法
- 人為管理設備 / 產品
- 設備異常超過高標
- 無法降低突發性損害
•保養無效
•多餘的維護成本
使用模壽
- 機器監測不符規範及時警知
- 設備數位化管理生產追朔好放心
- 觀察設備衰退趨勢避免突發性損壞
- 戰情室管理
- MES / ERP
 |
||
|---|---|---|
| 傳統檢知 | 坤霖模具監測 | |
| 檢知項目 | 厚度異常、疊料、殘屑 | 產品品檢，模具衰退趨勢 |
| 規範建立 | 人為經驗法則 | AI智能學習 |
| 監測模式 | 超過高標才警示 | 即時監控不符規範及預警 |
| 突發性損壞預測 |  |
 |
| 產品品質檢測 | |
|
| 智能設備管理 | |
|
| 模具壽命預測 | |
|
|
|
其他檢知器比較
Other Comparisons
| |
||||
|---|---|---|---|---|
| 下死點檢知器 | 噸位顯示器 | 誤送檢知器 | 模具壽命監測 | |
| 檢知 | 厚度異常、疊料金屬的殘屑 | 防止超負荷運行，送料錯誤造成的模具損壞 | 擠料/多送料檢出/缺料 | 在製品品檢/模具衰退趨勢 |
| 功用 | 預防沖件重疊、跳屑、模具內異常等，傷害模具或成品品質 | 延長沖床使用壽命並隨著觀測數據可調整模具或磨尖 | 避免產生廢品/或疊料沖壓傷到模具 | 避免無預警停機，延長模具使用壽命，模具數位化管理，預知可能發生機械故障 |
| 原理 | 觀察變差值最大的變化範圍，然後以最大值來調監視值（即保護精度） | 利用沖床油室的壓力轉換成噸數再利用校正達到應有的精度 | 發生誤送料時感測器銷接觸到板材電路閉合，從而停止沖床 | 利用沖壓的五大參數等演算法技術判別數據訊號是否為同一組週期動作 |
| 安裝 | 需調整設模高至上下死點，設定變差值 | 需設定噸數上下限值 | 需運送作業幾次平均值當規範 | 一鍵安裝、機器學習 |
可偵測之異常 可達到
不一定
|
||||
| 沖件重疊 | ||||
| 缺料 | ||||
| 跳屑 | ||||
| 厚度異常 | ||||
| 刀具磨損 | ||||
| 模具損壞 | ||||
| 模具衰退趨勢 | ||||
| 模具壽命預測 | ||||
