通过AI、数据活用等技术进行维保与检查

以下文章来源于欧姆龙工业自动化资讯号 ，作者小欧

技术传承案例集

控制柜内设备温度异常预兆保全

不依赖人工的自动温度测量，减少设备突发停止和火灾风险

课 题

由于设备的高功能化，保全人员与控制柜内设备的集成度成反比，逐年减少

■ 检查频率下降导致火灾风险上升

■ 熟练工不足，缺少异常判断的基准

欧姆龙草津工厂 实现自动控制的数据活用

"可视化"工匠技术，模具加工时间削减40%

随着IoT和AI的发展，对生产现场数据活用的关注日益高涨。草津工厂的模具加工一方面要求提高多品种少量生产的效率，另一方面存在熟练工不足的课题，无法精准设置加工条件。在上述背景下，通过数据的活用，优化以往需要操作者凭借感官判断的小径工具的加工条件设置。

课 题

以多品种少量生产为前提提高生产效率

欧姆龙产品超过20万种，所有产品的规格根据不同使用环境和客户进行变化，要求提高多品种少量的生产效率。模具加工也有同样的要求，若采取提高工件进给速度的手段，使加工条件过于严苛，易引起工具折损，导致设备损坏甚至停机。因此，最难的是设置最佳加工条件，需要熟练技术人员的经验与直觉，随着近年来人工不足的问题，技术人员稀缺成为重要课题。

欧姆龙野洲工厂 设备预测性维护的数据活用

及时捕捉真空泵的异常预兆，维护成本削减15%

欧姆龙野洲工厂的半导体生产线，在保持半导体/MEMS传感器产品成本竞争力的同时，陆续生产出具有新功能的产品，我们充分利用现有设备实现了多品种少批量生产。在此背景下，我们挑战在尽可能减少投资的同时，防止因设备老化而增加的突发故障。以往真空泵的维护时期由熟练维护人员定期诊断和提前定期维护来决定，现在通过活用数据来捕捉故障的预兆，在适当时机进行维护。

课 题

设备维护从“定期”变为“需要时”。在熟练维护人员不断减少的背景下，希望通过CBM*优化维护时期。

同类机型的大量生产逐渐向多品种少批量生产转变，过去设定的维护周期已不再适合。而且随着具备设备异常检测技能的熟练维护人员逐渐减少，因过度维护而导致的成本浪费和突发故障风险日益增加。与之相应的，活用数据来捕捉故障预兆，并在适当时机实施维护实现CBM化，就成为了一大课题。

*CBM：Condition Based Maintenance　仅在判断有必要时才实施维护

将依赖作业人员感觉的检查实现自动化，避免次品流出

课 题

容易受到检查员技能影响的目视外观检查，成为了保持品质稳定并适应混流生产的障碍

目视外观检查的方式需要熟练的技能，品质容易受到检查人员的影响。而且，在多品种少量生产线上经常要应对大批量订单、换产、平时不会生产的品类等情况。需要在应对增产和多品类混流生产的同时，以不依赖于人员技能的方式保证品质稳定。

解决方案

■ 利用图像处理系统和机器人，实现适合多品种少量生产线的自动化

■ 通过高速处理、摄影，实现70秒内检查69个项目，正确高速提取打标印刷的文字

■ 节省3人份的作业量，还可进行操作性、易用性等感官检测

相关产品

温控器(数字温控器)

E5CD

自动捕捉状态变化，优化控制，轻松兼顾生产效率和品质。