فناوری هوش مصنوعی به عنوان یک زمینه پیشرو در توسعه فناوری جهانی ظهور کرده است. به عنوان یک تولید کننده پیشرو در اکسترودر، یونگته اخیراً ادغام هوش مصنوعی (AI) در سیستم کنترل زمان واقعی PLC تجهیزات قالب گیری اکستروژن را پیشنهاد کرده است. هدف این رویکرد نوآورانه انتقال از مقررات PID حلقه بسته سنتی به پارادایم‌های کنترل مشارکتی تطبیقی ​​هوشمند است که مکانیسم‌های کنترل، حالت‌های عملیاتی، سیستم‌های تضمین کیفیت و چارچوب‌های نگهداری را در بر می‌گیرد. تأثیر فناوری اصلی و عملکرد مهندسی را می توان به طور سیستماتیک از طریق شش بعد کلیدی ارزیابی کرد: مکانیسم های کنترل، بهینه سازی فرآیند، مدیریت کیفیت، تعمیر و نگهداری پیش بینی، حاکمیت بهره وری انرژی، و طراحی معماری سیستم.

I. مکانیسم کنترل: انتقال از تنظیم پارامترهای ثابت به کنترل مشارکتی هوشمند جفت شده چند متغیره

سیستم‌های PLC اکسترودر سنتی به تنظیم تک حلقه‌ای PID به‌عنوان مکانیزم کنترل اصلی خود متکی هستند، که تنها می‌تواند به کنترل مستقل پارامترهایی مانند دما، سرعت چرخش و فشار دست یابد. این رویکرد برای رسیدگی به اختلالات شدیداً همراه از جمله خواص مواد، سایش پیچ و نوسانات دمای محیط تلاش می کند. با معرفی هوش مصنوعی:

1. بر اساس مدل کنترل پیش بینی (MPC)، یادگیری تقویتی (RL)، یا شبکه های عصبی تطبیقی، یک مدل کنترل مشارکتی چند ورودی (MIMO) برای دستیابی به تطابق دینامیکی جهانی در مناطق دما، سرعت پیچ، نرخ کشش و فشار مذاب ساخته شده است.

2. پارامترهای کنترل را می توان به طور خودکار با توجه به شرایط فرآیند به صورت آنلاین تنظیم و بهینه کرد، و به طور قابل توجهی باعث کاهش بیش از حد سیستم و خطای حالت پایدار می شود و در عین حال پایداری دینامیکی و مقاومت در برابر اختلال را در طول فرآیند اکستروژن افزایش می دهد.

3. لایه تصمیم‌گیری هوش مصنوعی و لایه کنترل بلادرنگ PLC یک معماری مشارکتی master-slave را تشکیل می‌دهند: هوش مصنوعی بهینه‌سازی پارامترهای کنترلی بهینه را انجام می‌دهد، در حالی که PLC عملیات منطقی، قفل‌های ایمنی و عملکردهای درایو بلادرنگ را برای برآورده کردن الزامات کنترل سطح میلی‌ثانیه اجرا می‌کند.

II. بهینه سازی فرآیند: دستیابی به بهینه سازی پارامترهای فرآیند مستقل و تغییر مدل سریع

فرآیندهای اکستروژن سنتی بر روش‌های آزمون و خطا توسط تکنسین‌های با تجربه تکیه می‌کنند که منجر به چرخه‌های طولانی‌مدت برای جایگزینی مواد، تعویض قالب و تغییرات مشخصات و همچنین نرخ ضایعات بالا می‌شود. پس از تقویت هوش مصنوعی:

1. بر اساس داده‌های فرآیند تاریخی و شرایط عملیاتی بلادرنگ، یک مدل نقشه‌برداری پارامتر فرآیند برای دستیابی به تطابق هوشمند بین درجه‌های مواد، ابعاد محصول، اهداف ظرفیت تولید و پارامترهای اکستروژن ساخته شده است.

2. پشتیبانی از تولید خودکار فرآیند با یک کلیک و همگرایی پیشرونده، به طور قابل توجهی چرخه اشکال زدایی فرآیند را کوتاه می کند و وابستگی زیاد به تجربه دستی را کاهش می دهد.

3. محدودیت های هوشمند و تأیید انطباق را در مرزهای فرآیند اجرا کنید تا از شرایط عملیاتی ناسازگار مانند گرمای بیش از حد، فشار بیش از حد و بار اضافی جلوگیری کنید.

III. کنترل کیفیت: تکامل از آزمایش نمونه برداری آفلاین تا تصحیح هوشمند حلقه بسته آنلاین

با ادغام واحدهای تشخیص آنلاین (ضخامت سنج ها، حسگرهای ابعادی لیزری و سیستم های بینایی)، هوش مصنوعی و PLC یک سیستم کنترل کیفیت حلقه بسته را تشکیل می دهند:

1. هوش مصنوعی استخراج ویژگی ها و پیش بینی روند را در زمان واقعی بر روی انحرافات ابعادی و عیوب سطحی محصولات انجام می دهد، سپس به طور مستقیم دستورات تصحیح را به PLC خروجی می دهد.

2. جبران دینامیکی برای دمای قالب، سرعت کشش و سرعت پیچ برای حفظ نوسانات جرم در حداقل محدودیت های تحمل اجرا می شود.

3. برای دستیابی به تجزیه و تحلیل همبستگی بین پارامترهای فرآیند، وضعیت عملیاتی و نتایج کیفیت، یک سیستم ردیابی کیفیت کامل فرآیند ایجاد کنید، در نتیجه از تکرار مداوم فرآیند پشتیبانی کنید.

IV. تعمیر و نگهداری پیشگو: انتقال از تعمیرات پس از حادثه و تعمیر و نگهداری منظم به هشدار اولیه پیشگیرانه

هوش مصنوعی بر روی سیگنال های مشخصه جمع آوری شده توسط PLC، از جمله گشتاور، جریان، گرادیان دما و ضربان فشار، یادگیری عمیق را انجام می دهد.

1. علائم هشدار دهنده اولیه ناهنجاری‌ها مانند گرفتگی فیلتر، سایش پیچ، رسوب کربن قالب و پارگی مذاب را برای فعال کردن هشدارهای فعال و پیش‌بینی عمر باقی‌مانده شناسایی کنید.

2. برای پشتیبانی از تعمیر و نگهداری دقیق برنامه ریزی شده، کاهش زمان خرابی برنامه ریزی نشده، تلفات تمیز کردن تجهیزات و خرابی های ناگهانی تجهیزات، توصیه هایی برای تصمیم گیری تعمیر و نگهداری ارائه دهید.

3. ایجاد یک استراتژی پاسخ سلسله مراتبی برای شرایط عملیاتی غیرعادی، ادغام شده با منطق ایمنی PLC برای دستیابی به یک توالی منظم از اقدامات: هشدار اولیه→ کاهش بار→ خاموش شدن

V. بهینه سازی بهره وری انرژی: دستیابی به مقررات مصرف انرژی هوشمند در کل فرآیند

به عنوان تجهیزات انرژی بر، اکسترودرها هوش مصنوعی را قادر می سازند تا بهینه سازی چند هدفه را بر اساس مدل های مصرف انرژی و محدودیت های فرآیند انجام دهد.

1. در حین اطمینان از کیفیت محصول و ظرفیت تولید، قدرت گرمایش و راندمان عملکرد پیچ ​​را به صورت پویا در مناطق دما بهینه کنید تا گرمای بیش از حد و مصرف انرژی ناکارآمد را مهار کنید.

2. با ادغام نوسانات بار برای دستیابی به تنظیم هموارسازی توان، راندمان استفاده از انرژی افزایش می‌یابد و در نتیجه اهداف دوگانه حفظ انرژی، کاهش مصرف و عملکرد پایدار را محقق می‌کند.

VI. معماری سیستم: ایجاد یک سیستم کنترل جدید با هوش لبه و همکاری PLC

به دلیل محدودیت‌های موجود در منابع محاسباتی PLC، هوش مصنوعی نمی‌تواند مستقیماً در استدلال اجرای PLC سنتی تعبیه شود. این منجر به یک ویژگی معماری لایه ای در طول اجرای مهندسی می شود.

1. لایه ادراک: حسگرها داده های چند منبعی از جمله دما، فشار، سرعت چرخش، گشتاور و جرم را جمع آوری می کنند.

2. لایه کنترل: PLC منطق بلادرنگ، کنترل حرکت، حفاظت ایمنی و اجرای دستورالعمل را کنترل می کند.

3. لایه هوش لبه: واحد محاسبات لبه استنتاج مدل هوش مصنوعی، انجام تجزیه و تحلیل ویژگی، تصمیم گیری، و ارسال دستورالعمل را اجرا می کند.

4. لایه تعامل: امکان تبادل داده با قابلیت اطمینان بالا و تاخیر کم را از طریق گذرگاه های صنعتی از جمله Profinet، EtherNet/IP و Modbus TCP فراهم می کند.

VII. نتیجه گیری های اصلی

سیستم کنترل اکسترودر PLC که با فناوری هوش مصنوعی ادغام شده است جایگزین PLC ها نمی شود، بلکه قابلیت های کنترلی آن ها را از طریق توسعه هوشمند افزایش می دهد. با ارتقای کنترل اجرای غیرفعال سنتی به یک مدل کنترل هوشمند مستقل که دارای بازخورد ادراک-تصمیم-اجرا-اجرا است، پایداری فرآیند اکستروژن، ثبات، نرخ تسلیم و کارایی کلی تجهیزات (OEE) را به طور قابل توجهی بهبود می بخشد. این رویکرد به طور همزمان اتکا به نیروی کار دستی، هزینه‌های عملیاتی و مصرف انرژی را کاهش می‌دهد و یک مسیر تکنولوژیکی اصلی برای ارتقای هوشمند در تجهیزات اکستروژن پیشرفته ایجاد می‌کند.

با پیشرفت فناوری هوش مصنوعی، روزی را پیش بینی می کنیم که سیستم های کنترل اکسترودر به یکپارچگی واقعی با هوش مصنوعی دست یابند. این دگرگونی نه تنها نشان دهنده یک جهش کیفی برای تجهیزات اکستروژن سنتی از «ابزارهای عملیاتی» به «همکاران هوشمند» است، بلکه تغییرات اساسی در تولید قالب‌گیری مواد پلیمری را از طریق بهینه‌سازی فرآیند مبتنی بر داده ایجاد می‌کند. چنین پیشرفتی استانداردهای صنعت را در دقت کیفیت، راندمان تولید و تولید سبز بالا می برد و در نهایت یک اکوسیستم تولید هوشمند را ایجاد می کند که با همکاری انسان و ماشین و تکامل مستقل مشخص می شود.