TR2022009059A2 - Endüstri̇yel maki̇neler i̇çi̇n sahadan veri̇ toplama si̇stemi̇ - Google Patents
Endüstri̇yel maki̇neler i̇çi̇n sahadan veri̇ toplama si̇stemi̇Info
- Publication number
- TR2022009059A2 TR2022009059A2 TR2022/009059A TR2022009059A TR2022009059A2 TR 2022009059 A2 TR2022009059 A2 TR 2022009059A2 TR 2022/009059 A TR2022/009059 A TR 2022/009059A TR 2022009059 A TR2022009059 A TR 2022009059A TR 2022009059 A2 TR2022009059 A2 TR 2022009059A2
- Authority
- TR
- Turkey
- Prior art keywords
- data
- data collection
- machines
- collection system
- industrial machines
- Prior art date
Links
- 238000013480 data collection Methods 0.000 title abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 9
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31282—Data acquisition, BDE MDE
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31318—Data analysis, using different formats like table, chart
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32234—Maintenance planning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Control By Computers (AREA)
- General Factory Administration (AREA)
Abstract
Buluş; endüstriyel sahada üretimde kullanılan elektronik kontrollü tezgâh, robotik mekanizma ve makinelerde farklı yazılım ve donanım gerektirmeden, maliyeti düşük, kullanıcı dostu veri toplama ve işleme sistemiyle ilgilidir.
Description
TARIFNAME ENDÜSTRIYEL MAKINELER içiN SAHADAN VERI TOPLAMA SISTEMI TEKNIK ALAN Bulus; endüstriyel sahada üretimde kullanilan elektronik kontrollü tezgâh, robotik mekanizma ve makinelerde farkli yazilim ve donanim gerektirmeden, maliyeti düsük, kullanici dostu veri toplama ve isleme sistemiyle ilgilidir. ÖNCEKI TEKNIK Teknoloji çaginda yasadigimiz bugünlerde, makineler hayatin birçok alaninda yer almasinin yaninda imalat sanayisinde de ciddi bir yer tutmaktadir. Fabrikalarda bulunan üretim ve montaj hatlarinda kullanilan elektronik kontrollü tezgahlar, makineler ve robotik mekanizmalar birbirine entegre veya bagimsiz olarak kullanilmaktadir. Makineler üretim ve montaj sürecini hizlandirmaya ciddi katki verseler de üretimin planlanmasi, çok büyük alanlara yayilmis hatta birbirinden bagimsiz kapali alanlar içeren fabrikalarda bu makinelerin verilerinin alinip islenmesi önemli bir problemdir. Verimlilik analizleri, üretim planlama ve raporlamalari için; üretim adedi, çalisma zamani, durus zamanlari, üretimde olusan fireler, enerji tüketimi, üretimdeki ürün cinsi, birim isleme süreleri, bakim için durma süreleri (alarmlar), kullanilan hammadde miktari ve kullanan operatöre ait bilgiler gibi birçok bilginin sahadan toplanilmasi gerekmektedir. Bu amaçla kullanilan veri toplayicilar genellikle sanayi tipi makinelerden veri toplama amaçli kullanilan yapilardir. Bilinen endüstriyel saha veri toplayicilari kendi formlarina uygun olarak makinelere içeriden ve disaridan entegre edilebilmektedir. Bunlara bilinen en iyi örnek PLC ve SCADA sistemleridir. PLC'ler parça sayisi, makine durumu, hata kodlari, sicaklik, basinç kuvveti gibi verileri hâlihazirda toplayabilmektedir. Kullanici, bu ürünü kullanmak istediginde PLC'ye özgün yazilim ve donanim kullanmak zorundadir. Kullanici, sadece ana verileri (parça sayisi, is emri, operatör adi, baslama ve bitis zamani, durus nedeni) almak istediginde PLC sistemlerinin maliyet yükü artmaktadir. Öte yandan, geleneksel yöntemler ile veriler toplanirken bazi problemlerle karsilasilmaktadir. Bilinen teknikte, endüstriyel sensörlerden direkt olarak ERP programina veri aktarimi maliyetli, zaman alan ve çogu makine için farkli yazilim ve donanim gerektirmesi sebebiyle makinenin içyapisina müdahale edilmesini gerektirmektedir. Farkli yazilim, kontrol mekanizmalari içeren farkli marka ve model elektronik kontrollü tezgâh, robotik mekanizma ve makinelerden tek bir veri toplama sistemiyle verilerin toplanmasi ve planlamaya aktarilmasi bilinen teknikte mümkün degildir. Bu yapilan patent basvuru dokümaninda açikladigimiz teknikle bu soruna çözüm için ilk adimi attik. Ancak mevcut çalisma operatörlere bagimli bir sistem oldugu için bilinen teknikteki tespit ettigimiz sorunlari çözme konusunda yetersiz oldugundan, yeni bir çalisma yapma ihtiyaci dogmustur. BULUSUN KISA AÇIKLAMASI Bulus; isçi bilgilerini kart ile is bilgisini içerisine gömülü yazilimda bulunan QR kodu kamera yardimiyla, is parça adedi bilgisini kamera yardimi ile makine üzerindeki ekrandan okuyup önceden egitilmis görüntü isleme algoritmasini kullanarak ekrandan okunan verinin alinmasiyla, durus nedenlerini HMl (Human- Machine lnterface - Insan Makine Arayüzü) yardimi ile almasi, bütün bu girdileri aldiktan sonra çevrimiçi veri tabaninda bu bilgilerin gösterilmesi ve raporlanabilmesinden olusmaktadir. Sistem makinedeki ekranin görüntüsü ile makinelerin bakim sikliginin belirlenmesi ve makine ile öngörü çalismasi yapilmasi açisindan toplanan durus bilgisinin ünite üzerindeki ekran tarafindan gösterilmesi ve isçiler tarafindan butonlar yardimiyla seçilerek bilgi islem ünitesi tarafindan çevrimiçi veri tabanina kaydedilmesini içermektedir. Ayrica, bulusta veri tabaninda korunan veriler kontrol paneli üzerinden kullanicinin takibine açik hale getirilmektedir. Bununla beraber, elde edilen veriler kontrol paneli üzerinden yetkililere erisilebilir hale getirilmektedir. Dolayisiyla makinelerde yasanan her türlü aksama ve arizadan, firmadaki yetkililerin aninda bilgilendirilmesi saglanabilmektedir. Böylece operatör bagimliligi minimuma indirilmistir. Bulus, sanayi tipi makinelerden veri toplama gibi amaçlarla kullanilan, tak- çalistir seklinde çalisabilen, farkli yazilim ve donanim gerektirmeyen, maliyeti düsük ve kullanici dostu bir veri toplama sistemidir. SEKILLERIN LISTESI Sekil 1. Kurulum Akis Diyagrami Görünümü Sekil 2. Ana Program Akis Diyagram Görünümü BULUSUN DETAYLI AÇIKLAMASI Bulus, veri toplama ünitesinde bulunan kameranin endüstriyel makinelerin ekranlarina bakacak sekilde konumlanarak; üretim verilerini makine ekranindan görüntü isleme yöntemiyle almasi, RFlD kit ile isçilerin is baslangiç ve bitis saatini saptamasi, makine operatöründen üretim esnasinda alinacak makine durus sebebi verilerinin veri toplama ünitesine girilerek alinmasi, toplanan verilerin yapay zeka ile islenerek bilgi islem ünitesinde anlamli hale getirilmesi yoluyla kalite yönetimi ve makine bakim analizi yapilmasi, ve bu verilerin loT kullanimi ile veri tabanina aninda kaydedilmesi ve yine loT sayesinde ERP programlari ile entegre çalismasini içermektedir. Kurulum asamasinda görüntülerin hangi ölçülerde isleneceginin tespit edilebilmesi için seçilen her bölmeden sonra, genisleme ve erozyon seçenekleri gelmektedir. Bu iki seçenegin degerleri degistirilerek, ekranda verinin anlik siyah- beyaz hali gözlenmektedir. Genisleme özelligi ile resimdeki kenarlar daha genis bir alana yayilmaktadir. Erozyon özelligi ile de kenarlar inceltilmektedir. Bu özellikler degistirilerek uygun deger bulunmaktadir. Eger veri net biçimde anlasilabiliyorsa bu degerler programin olagan çalisma sürecinde kullanilabilmesi için kaydedilmektedir. Devaminda ise otsu metodu kullanilarak resim siyah-beyaza çevrilerek arka plandan arindirilmaktadir. Daha sonra beyaz alanlar çerçeve içine alinarak, veriler bireysel olarak resimden arindirilmis olur ve yapay zekâ modellerinin uygulanmasi için hazir hale gelir. Yapay zekâ modeli ise girdi, özellik saptayici (filtre) 3x3, havuzlama katmani, özellik saptayici (filtre) 5x5, havuzlama katmani ve çikti seklindedir. Özellik saptayici katman ile anahtar özellikler elde edilmektedir. Havuzlama katmani ile elde edilen parametrelerin sayisi azaltilarak hem asiri uyum saglamanin önüne geçilmekte hem de gereken islem gücü azaltilmis olmaktadir. Model egitildikten sonra bu katmanlardaki katsayilar gelecekte kullanilmak üzere matris olarak kaydedilmektedir. Programin olagan isleyisinde bu modeldeki katsayilar, görüntü isleme sürecinden geçirilmis veriler üzerinde kullanilmaktadir. Son olarak en yakin hangi kategoriye ait degerler çiktiysa, 0 kategoride siniflandirilmaktadir. Ayrica saat ve kullanicidan alinacak veriler ara yüz, RFlD gibi araçlar yardimi ile toplanarak sunucuya aktarilmaktadir. Ariza verileri elde edildikten sonra ise verileri islemek için verilerdeki aykiri (outlier) ortalama, mod, standart sapma ve yatiklik (skewness), gibi degerler bulunmaktadir. Bu arizalarin referans noktasindan itibaren kaç gün sonra yasandigi hesaplanmaktadir. Daha sonra ilgili veriler dogrusal regresyon makine ögrenmesi algoritmasi ile kullanilmakta ve cihazlarin yipranmasi ile ariza sikliginin artmasi arasindaki iliski matematiksel olarak bulunmaktadir. Bu matematiksel formül kullanilarak bir sonraki arizanin, referans noktasindan tahmini olarak kaç gün sonra olacagi tahmin edilmekte ve buna göre aksiyon alinmasi gerektigi bildirilmektedir. Ayrica, zaman serileri ile ilgili yaklasimlarin da kullanilmasiyla, diger metotlarla karsilastirmalar saglanmaktadir. Pekistirmeli ögrenme modeli uygulanacak sekilde model tasarlanmistir. Bu modele göre, veriler toplandikça veri seti büyümekte ve model her çalistigi zaman sonuçlar dogruya yaklasmaktadir. Kalite analizi tarafinda, insan-makine ara yüzünden alinan veriler için, ilk olarak Shewhart Kontrol Semalari Python programlama dilinde bulunan kütüphaneler yardimiyla hesaplanarak çizilmistir. Burada kalite kritiklerini ögrenirken müsteri firmayla birlikte çalisma yöntemi uygulanmaktadir. Yapilan islemler sonucunda elde edilen raporlar, karar destek sistemi yazilim tabani node.js üzerindeki pdf kütüphaneleri tarafindan raporlanmaktadir. TR TR TR
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TR2022/009059A TR2022009059A2 (tr) | 2022-06-02 | 2022-06-02 | Endüstri̇yel maki̇neler i̇çi̇n sahadan veri̇ toplama si̇stemi̇ |
PCT/TR2023/050494 WO2023234904A1 (en) | 2022-06-02 | 2023-05-31 | Shopfloor data collection system for industrial machineries |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TR2022/009059A TR2022009059A2 (tr) | 2022-06-02 | 2022-06-02 | Endüstri̇yel maki̇neler i̇çi̇n sahadan veri̇ toplama si̇stemi̇ |
Publications (1)
Publication Number | Publication Date |
---|---|
TR2022009059A2 true TR2022009059A2 (tr) | 2022-07-21 |
Family
ID=84084160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TR2022/009059A TR2022009059A2 (tr) | 2022-06-02 | 2022-06-02 | Endüstri̇yel maki̇neler i̇çi̇n sahadan veri̇ toplama si̇stemi̇ |
Country Status (2)
Country | Link |
---|---|
TR (1) | TR2022009059A2 (tr) |
WO (1) | WO2023234904A1 (tr) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9898001B2 (en) * | 2015-03-27 | 2018-02-20 | Rockwell Automation Technologies, Inc. | Systems and methods for enhancing monitoring of an industrial automation system |
DE102016008987B4 (de) * | 2015-07-31 | 2021-09-16 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
CN112165996B (zh) * | 2018-05-22 | 2022-07-29 | 东芝三菱电机产业***株式会社 | 产业成套设备监视控制*** |
JP7107830B2 (ja) * | 2018-12-21 | 2022-07-27 | ファナック株式会社 | 学習用データ確認支援装置、機械学習装置、故障予知装置 |
-
2022
- 2022-06-02 TR TR2022/009059A patent/TR2022009059A2/tr unknown
-
2023
- 2023-05-31 WO PCT/TR2023/050494 patent/WO2023234904A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023234904A1 (en) | 2023-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Balta et al. | A digital twin framework for performance monitoring and anomaly detection in fused deposition modeling | |
CN107835964B (zh) | 控制情境化以及关于控制的推理 | |
Alkaya et al. | Variance sensitive adaptive threshold-based PCA method for fault detection with experimental application | |
JP5045770B2 (ja) | プロセス解析システム | |
CN113805550A (zh) | 基于数字孪生的航天器装配过程管控方法及*** | |
DE102014109033A1 (de) | Nicht intrusive datenanalyse in einem prozesssteuerungssystem | |
CN103425093B (zh) | 生产工厂中故障状态自动恢复的方法和*** | |
Hu et al. | Discrete-event shop-floor monitoring system in RFID-enabled manufacturing | |
CN101517505A (zh) | 探测氢化裂解器中的异常操作的方法和*** | |
Christou et al. | End-to-end industrial IoT platform for actionable predictive maintenance | |
Shin et al. | Smart manufacturing systems engineering for designing smart product-quality monitoring system in the Industry 4.0 | |
JP2021077147A (ja) | 工場管理システム | |
TR2022009059A2 (tr) | Endüstri̇yel maki̇neler i̇çi̇n sahadan veri̇ toplama si̇stemi̇ | |
Zhou et al. | Smart batch process: The evolution from 1D and 2D to new 3D perspectives in the era of Big Data | |
KR20220165147A (ko) | 현장 작업자를 위한 ai 기반의 최적 작업 지원 시스템 | |
Jankovič et al. | The concept of smart hydraulic press | |
Schmid et al. | Hybrid production management system in the context of industry 4.0 | |
JP7486751B2 (ja) | 作業稼働率測定装置及び作業稼働率測定方法 | |
Shin et al. | Systems engineering approach to designing smart condition monitoring systems for smart manufacturing (iccas 2016) | |
KR20230140875A (ko) | 공작기계 상태진단 장치 및 방법 | |
WO2018142688A1 (ja) | 情報処理装置、情報処理装置の制御方法、および、制御プログラム | |
KR102471829B1 (ko) | 실시간 이상 탐지를 위한 gnn 기반의 마스터 상태 생성 방법 | |
Oborski | Integration of machine operators with shop floor control system for Industry 4.0 | |
KR102415711B1 (ko) | 실시간 데이터 전처리 및 이상치 감지를 위한 모니터링 시스템 | |
Park et al. | Charlie and the Semi-Automated Factory: Data-Driven Operator Behavior and Performance Modeling for Human-Machine Collaborative Systems |