¿Cómo hacer más estable el proceso en el sitio industrial?
1. Método de monitoreo del estado estable del proceso
Para juzgar si un proceso se encuentra en un estado estable, se puede juzgar a través de un cuadro de control [1], razón por la cual los europeos y Las empresas estadounidenses generalmente dicen que se controlan procesos estables. Los gráficos de control se dibujan basándose en la regla de que "es poco probable que ocurran eventos de probabilidad pequeños. Si se observan eventos de probabilidad pequeños, se considera que el proceso se ve afectado por factores especiales. Sin embargo, al utilizar gráficos de control, se debe prestar atención a los factores". condiciones para su uso. De hecho, el uso de gráficos de control debe cumplir las siguientes tres condiciones:
(1) Los datos son independientes entre sí
(2) Los los datos generalmente deben obedecer a la distribución normal;
Por ejemplo, a menudo utilizamos gráficos P, gráficos NP, gráficos U y gráficos C en gráficos de control de tipo recuento. generalmente se aplican al sitio de los resultados de la inspección del producto (calificados y no calificados) y generalmente se ajustan a la distribución binomial, el recuento de puntos defectuosos por unidad de área o volumen, como el número de puntos defectuosos por unidad de área o volumen, y el. número de puntos defectuosos por unidad de área o volumen, como el número de puntos defectuosos por unidad de área o volumen, generalmente utilizan gráficos U y gráficos C. El recuento de puntos defectuosos en volumen, como el número de cristales en la película, el número de defectos en las piezas fundidas, el número de burbujas en el vidrio, etc., generalmente obedece a la distribución de Poisson, y estos dos tipos de distribuciones sólo pueden aproximarse. como distribuciones normales cuando se cumplen las siguientes condiciones:
(3) Los cambios de proceso son solo errores aleatorios.
Si los datos no cumplen con las tres condiciones anteriores, los datos deben procesarse antes de usar el gráfico de control para monitorear el proceso. Por ejemplo, si la distribución de los datos no es normal, se utilizará la distribución no normal. se puede hacer positivo mediante la transformación adecuada. Distribución de estado, entre los cuales el método más estandarizado y comúnmente utilizado es utilizar el método Box-Cox [3] para la transformación.
2. ¿Cómo eliminar eficazmente la variación de procesos en el ámbito industrial?
En la producción industrial, la estabilidad del proceso de producción siempre se ha considerado como un objetivo importante del control del proceso. Sin embargo, en las operaciones reales, debido a la influencia de muchos factores, es necesario hacerlo. El proceso es estable sobre esta base. Lograr estabilidad y optimización no es tarea fácil. Especialmente en industrias como la química fina, la industria de materiales, productos intermedios farmacéuticos, etc., el proceso de producción suele ser un proceso dinámico con factores que influyen complejos y numerosos pasos. Generalmente se caracteriza por lotes de producción pequeños, muchas variedades de cambios y complejos y cambiantes. parámetros del proceso. Por lo tanto, para la optimización de la eficiencia de la producción, el rendimiento del producto y la estabilidad de la calidad plantea grandes desafíos.
En la mejora de procesos reales, generalmente utilizamos las siguientes ideas de análisis para abordar las anomalías del proceso:
1) Revisar y analizar la racionalidad de todo el flujo del proceso
<; p>2) A través de una lluvia de ideas en equipo (Figura 1), analizar el problema a partir de elementos como personas, máquinas, materiales, métodos, entorno y medición (5M1E);3) Diagnosticar y analizar con base en la problema. Diagnosticar y analizar problemas basándose en la comprensión de los mecanismos de proceso y la experiencia. Comprender el mecanismo del proceso y utilizar la experiencia para diagnosticar y solucionar problemas, etc.
Especialmente en el análisis de 5M1E, los factores involucrados serán muy diversos, lo que también es la principal fuente de muchas dificultades y puntos débiles en el control de procesos en la industria química. proceso y diferencias en los hábitos de trabajo. Durante el proceso de operación, todos pueden ser iguales, e incluso algunos lotes pueden cambiarse con frecuencia. Hay muchos tipos de materias primas en la empresa, ¡y no se permite que ocurran materiales incorrectos o incorrectos! Debido al mantenimiento preventivo deficiente de los equipos de producción, ocurren con frecuencia anormalidades en los equipos, lo que resulta en una gran cantidad de desperdicios de producción y accidentes de calidad después de que ocurren las anormalidades de calidad, debido a la falta de datos del proceso, no se puede lograr un seguimiento efectivo de las anormalidades de calidad, y es así; imposible descubrir la causa real y formar medidas preventivas efectivas debido a muchos factores (variables de entrada) en la mejora del proceso, mejora del rendimiento, optimización de la fórmula y otras tareas, hay una falta de medidas preventivas efectivas. En trabajos como la mejora de procesos, el aumento de la producción y la optimización de fórmulas, debido a que hay muchos factores (variables de entrada), la excelencia a través del diseño de experimentos (DOE) a menudo conduce a la omisión de factores importantes debido a la selección de factores, o a demasiados. experimentos, afectando el rendimiento general. Optimizar la eficiencia del trabajo.
Al abordar estos problemas, muchas empresas químicas han implementado proyectos Lean Six Sigma, con la esperanza de lograr los objetivos de eliminar desperdicios, reducir costos, aumentar la eficiencia y mejorar continuamente. Como todos sabemos, el método Lean Six Sigma es un método de mejora continua y resolución de problemas basado en datos y estadísticas reales. El proceso de proyecto tradicional Lean Six Sigma consiste en encontrar y determinar primero los puntos problemáticos a través del método Lean y luego utilizarlo. estadísticas según el método Six Sigma DMAIC Métodos: Establecer objetivos de mejora, analizar causas, encontrar soluciones de optimización y solidificar medidas de mejora. En teoría, este proceso es lógicamente riguroso y pragmático, pero en la implementación real, la sostenibilidad de los proyectos individuales Lean Six Sigma a menudo no es tan buena como se esperaba. Los efectos del proyecto generalmente alcanzan su punto máximo durante la etapa de aceptación del proyecto y luego retroceden gradualmente. La razón de esto es una: Aunque cada paso del proyecto Six Sigma se basa en datos y metodologías estadísticas, todas son metodologías fuera de línea y las medidas y efectos del proyecto no se pueden solidificar ni rastrear en línea, etc. Una vez aceptado el proyecto, durante la etapa de solidificación, el efecto de la atención de las partes interesadas del proyecto disminuye gradualmente y, naturalmente, retrocede. Además, hay algunos proyectos Six Sigma que, aunque se gasta mucho tiempo y energía, finalmente regresan. sin éxito Las razones principales son dos aspectos Problemas causados por:
1) La recopilación manual de datos de fábrica tiene deficiencias como extemporaneidad e inexactitud, lo que resulta en trabajos de mejora que generalmente se realizan
. 2) Incluso si existe una gran cantidad de datos en tiempo real de alta calidad, los métodos de análisis se basan en el análisis estadístico tradicional, lo que dificulta la extracción profunda de datos masivos y de alta dimensión y encontrar los patrones importantes que contienen.
Para hacer frente a estas dificultades, cada vez más empresas optan por llevar a cabo una transformación digital para construir fábricas de fabricación más inteligentes. Al transformar los equipos en el Internet de las cosas, construyen un sistema de gemelo digital subyacente y lo combinan con él. Los sistemas de gestión de ejecución de producción, sistemas de gestión de información de laboratorio, sistemas de gestión de información de I+D, etc., hacen más estandarizada la ejecución de cada proceso y consiguen la máxima trazabilidad de todo el proceso. Maximice la trazabilidad, vaya un paso más allá y utilice potentes algoritmos de inteligencia artificial para realizar continuamente análisis y extracción en profundidad de las variaciones del proceso, encontrar razones importantes para las variaciones del proceso y mejorarlas, logrando así el objetivo de operaciones inteligentes en la fábrica en general.
Referencias:
[1]. Control estadístico de procesos", Manual de referencia, AIAG
[2]. Estadísticas en un lenguaje sencillo", [EE.UU.] Dawn Griffiths
[3]. Guía estadística de gestión Six Sigma, escrita por Ma Fengshi
Acerca de Guogong Intelligence:
Guogong Intelligence es una empresa especializada en proporcionar inteligencia artificial. Inteligencia para la industria de fabricación de procesos. Una empresa estatal de alta tecnología con soluciones y servicios inteligentes de control y toma de decisiones, se centra en el uso de inteligencia artificial, big data y otras tecnologías para resolver las necesidades de fabricación inteligente en escenarios complejos bajo datos masivos. en la industria de fabricación de procesos y ofrece a los clientes "Internet de las cosas Inteligencia artificial AOT AOT" AOT AOT AOT AOT AOT AOT". Proporcionar a los clientes soluciones generales de inteligencia artificial de fabricación inteligente "IOT AI OR". En la actualidad, la empresa se ha convertido en líder en el campo del control de la toma de decisiones mediante inteligencia artificial en la industria de fabricación de procesos.
Como proveedor profesional de servicios de fabricación inteligente en China, Guogong Intelligent ha desarrollado de forma independiente una plataforma de análisis cerebral de datos (MAI) y una plataforma de gestión de fabricación inteligente (MES) basada en inteligencia artificial con su profunda fortaleza interna y excelente El equipo, la plataforma de adquisición de datos de Internet de las cosas (SCADA), el sistema de gestión de laboratorio (LIMS) y el sistema de gestión de equipos de sistema dual (EMS) se han aplicado con éxito en la industria.
GGG es el proveedor líder mundial de soluciones de automatización industrial.
GGI tiene una larga trayectoria en química fina, materiales, productos farmacéuticos, alimentos, piensos, agricultura y ganadería y otras industrias, con clientes en todo el país. GGI ha proporcionado con éxito fabricación inteligente para Xi'an Ruilian, Haid Group, China Resources Sanjiu Pharmaceutical, Kangyuan Pharmaceutical, Fengyuan Group, Daoyuan Group, Jiumei Chemical, Lanfan Medical, New Era Medical Group, Enron Nano Group, etc. Además, Guogong Intelligence también ofrece servicios de fabricación inteligente a los clientes de la empresa en industrias como la farmacéutica, alimentos y bebidas, cereales, piensos, agricultura y ganadería.
Guogong Intelligent se adhiere a la filosofía de desarrollo corporativo de "beneficiarse del país y ser bueno en el trabajo", sirve a las empresas manufactureras tradicionales con tecnología de TI de alta gama, promueve la transformación y mejora de la industria manufacturera nacional. ¡Y potencia la fabricación inteligente de China con el espíritu de la artesanía! ¡Esfuércese por convertirse en líder en innovación tecnológica y transformación industrial, y contribuya al ascenso de la economía real de China y la realización del Made in China 2025!
Contenidos comunes del cerebro de datos
El Sistema Nacional de Cerebro de Datos de Ingeniería (MAI-CLI) es una plataforma de análisis de datos que integra programación de datos, limpieza de datos, cálculo de datos, extracción de datos y visualización de datos. . El sistema utiliza operaciones de arrastrar y soltar simples y fáciles de usar para la interacción persona-computadora, protegiendo la complejidad del negocio de predicción y análisis de datos y reduciendo en gran medida el umbral técnico del trabajo de análisis de datos.
Todo el negocio de análisis de datos se construye mediante un flujo computacional. La plataforma permite la programación unificada de datos dispersos, así como la integración de datos de múltiples fuentes de equipos de laboratorio, sensores industriales e interfaces de sistemas de tecnología de la información.
La plataforma proporciona cientos de componentes algorítmicos, incluidos modelos estadísticos aplicados, modelos de aprendizaje automático, modelos de aprendizaje profundo y muchos otros componentes algorítmicos, y admite herramientas de mejora Lean Six Sigma en línea. La plataforma tiene una función de análisis programado que puede monitorear decenas de miles de puntos de monitoreo de calidad al mismo tiempo, lo que permite un diagnóstico independiente y una provisión de soluciones independiente.