balení s otevřením ze tří stran

Automatizace Řešení pro balení Slim Pack

➯Typ balení:

➯Pozicování produktu:

Premium / Štíhlé / Dlouhé balení

➯Požadavky na kvalitu balení:

Vysoká konzistence vzhledu, těsné obalení a čisté okraje

➯Postupy na úrovni systému v chytré výrobě balení pro tabák

1. Průmyslové pozadí a trendy: Výroba vstupuje do fáze „průmyslové restrukturalizace řízené energetickými omezeními“

Celosvětový průmysl výroby prochází strukturální změnou konkurenční logiky. Hlavní zaměření již není omezeno na výrobní kapacity a kontrolu nákladů, ale stále více se posouvá k systémové soutěži založené na energetické účinnosti a schopnostech udržitelnosti.

Tuto transformaci pohání tři překrývající se tlaky:

1.1 Strukturální nárůst energetických nákladů

Během posledního desetiletí docházelo k neustálému růstu cen elektřiny, práce a logistiky, což výrazně změnilo nákladovou strukturu na jednotku výstupu ve výrobě. Zejména u vysokopřesné výroby se spotřeba energie stává stále více klíčovou proměnnou srovnatelnou důležitostí s náklady na materiál.

1.2 ESG a regulace uhlíku vstupují do fáze výkonu

Pravidla týkající se ESG (environmentálních, sociálních a správních aspektů) a emisí uhlíku jsou neustále posilována. V hlavních průmyslových ekonomikách Evropy, Ameriky a Asie se řízení uhlíku přesunulo z „požadavku na vykazování“ na „provozní omezení“. Společnosti jsou nyní povinny nejen zveřejňovat údaje o emisích, ale také prokazovat skutečnou schopnost jejich snižování a poskytovat sledovatelná data na úrovni jednotlivých procesů.

1.3 Tradiční optimalizace efektivity dosahuje klesajících výnosů

Mnoho výrobních systémů již dokončilo první fázi automatizačních modernizací. Pouhé modernizace zařízení nebo lokální zlepšení efektivity již nedokážou zajistit významné mezní zisky.

2. Zaměření na odvětví: Proč jsou tabák a high-end obalové řešení reprezentativní

Mezi výrobními odvětvími představují balení tabákových výrobků a balení vysoce kvalitních spotřebních zboží typický příklad „výrobních systémů s vysokou složitostí“, které se charakterizují:

· Víceprocesními nepřetržitými výrobními pracovními postupy

(tisk – střih – tvarování – kontrola – balení – logistika)

· Vysokou přesností a přísnými požadavky na konzistenci

· Prostředím s vysokou hustotou zařízení

· Výrobními modely s mnoha SKU, malými dávkami a častými změnami výrobního programu

Tyto faktory vedou k následujícím charakteristikám:

(1) Složitá struktura spotřeby energie

Spotřeba energie vyplývá nejen z provozu strojů, ale také z koordinace logistiky, doby čekání a ztrát spojených se změnou výrobního programu.

(2) Vysoká nestabilita systému

Rytmy výroby, logistiky a kolísání kvality jsou velmi úzce propojené.

(3) Optimalizace se posouvá z „úrovně zařízení“ na „úroveň systému“

Optimalizace jednotlivých strojů přináší jen omezené zlepšení, zatímco koordinace celého systému se stává hlavním zdrojem zvýšení efektivity.

Proto: Výroba tabákového balení se přesouvá z „fáze optimalizace efektivity zařízení“ do „fáze optimalizace energie na úrovni systému“. Umělá inteligence se také mění z podporujícího nástroje na „systém rozhodování pro optimalizaci energie.“

3. Technické mechanismy: Jak automatizace a umělá inteligence přeměňují strukturu spotřeby energie

3.1 Snížení spotřeby energie nečinnými zařízeními

V tradičních výrobních systémech se často vyskytují problémy, jako je nečinnost strojů, čekání personálu a nerovnoměrné plánování, které vedou k nekonzistentním výrobním rytmům. Tyto problémy jsou v podstatě způsobeny nesynchronizací systému a vyvolávají významné skryté energetické ztráty.

Díky automatizaci je možné dosáhnout:

·Standardizace taktu výroby

·Inteligentní spouštění a zastavování zařízení

·Vyvážení zátěže a dynamické přidělování kapacit mezi výrobními linkami

AI řízené modernizace dále umožňují:

Prostřednictvím průmyslového sběru a analýzy dat lze dosáhnout koordinace mezi výrobou a prodejem a zvýšit transparentnost výroby, což umožňuje reálné propojení objednávek a kapacity, adaptivní úpravu výrobního tempa a výrazné snížení odchylek mezi plánováním a prováděním.

Přesun od „strojů řízených lidmi“ k „rytmu systému řízenému daty“ je klíčovou cestou ke snížení spotřeby energie.

3.2 Chytré logistické systémy: dlouhodobě podceňovaný modul optimalizace energie

V průmyslových energetických strukturách se často nepovažují tovární logistika, skladování a vnější doprava za významné spotřebitele energie. Avšak v komplexních výrobních systémech představují významnou část skryté energetické spotřeby.

V tradičních modelech závisí tok materiálu těžce na ruční manipulaci a vysokozdvižných vozících, což obvykle vede k opakujícím se trasám, dlouhým čekacím a zablokovacím dobám, neefektivnímu plánování a nízkému využití skladového prostoru, a také k nesouladu mezi logistikou a rytmem výroby. Tyto problémy nejen narušují nepřetržitost výroby, ale také generují další energetické ztráty.

(1) Modernizace intralogistiky

Zavedením AGV (automatických vedených vozíků) a inteligentních systémů plánování mohou podniky využít algoritmy umělé inteligence k dosažení optimalizace tras v reálném čase, dynamického plánování více úkolů a automatického nakládání/vykládání materiálů a koordinace napříč procesy. Logistika a výroba mohou fungovat synchronně, čímž se výrazně zvyšuje stabilita a efektivita systému.

(2) Chytré automatické systémy pro skladování a výdej (AS/RS)

Díky vertikálnímu skladování a automatizovaným systémům vybírání lze dosáhnout vyšší hustoty využití prostorových zdrojů a vyšší efektivity. To snižuje dopravní vzdálenost, snižuje závislost na ručním plánování a dále zvyšuje efektivitu toku materiálů.

(3) Vývoz (systémy TMS)

Díky umělé inteligenci řízeným systémům pro řízení dopravy (TMS) lze dosáhnout dynamického plánování tras na základě dopravních podmínek a priority úkolů, stejně jako inteligentního přidělování úkolů a detekce odchylek v reálném čase s následnou korekcí plánování. Tím se rozšiřují inteligentní logistické kapability na úroveň dodavatelského řetězce.

Celkové výsledky zahrnují:

· Výrazné snížení energetické spotřeby způsobené zbytečnou dopravou

· Nižší energetické náklady spojené s provozem vozíků a ruční manipulací

· Zlepšená kontinuita a koordinace vnitřních i vnějších logistických systémů

· Maximální využití prostorových zdrojů

3.3 Zvýšení výtěžku: skrytý, ale vysokopřínosový faktor optimalizace energie

V výrobních systémech vadné výrobky představují v podstatě ztracenou energii, která již byla spotřebována, včetně elektrické energie, surovin, pracovní síly a časových nákladů.

Zlepšení výrobního výtěžku je proto klíčovou cestou ke snížení energetické náročnosti na jednotku výstupu.

Díky systémům vizuální kontroly ze šesti stran založeným na umělé inteligenci a monitorování standardních provozních postupů (SOP) lze dosáhnout:

·Vizuální kontroly s víceúhlovým a mikrometrovým rozlišením pro detekci a odstranění vad

·Rozpoznávání chování při dodržování SOP a monitorování souladu s okamžitými upozorněními

·Okamžité zpětné vazby kvality integrované do systémů MES

Tyto systémy společně výrazně snižují míru přepracování a míru odpadu, čímž zvyšují energetickou účinnost na jednotku výstupu a snižují celkovou energetickou ztrátu.

3.4 Integrace AI + MES + energetického systému: fáze reálného inteligentního optimalizování

S průmyslovou digitalizací se řízení energie přesouvá z izolovaného systému zaznamenávání údajů na integrovanou součást výrobního systému a vyvíjí se ve v reálném čase optimalizující systém.

Integrací systémů umělé inteligence (AI) a výrobních provozních systémů (MES) lze systematicky dosáhnout:

· Sběru dat o spotřebě energie v reálném čase na úrovni zařízení

· Dynamického monitoringu spotřeby elektřiny, vody a plynu

· Modelování křivek spotřeby energie a prediktivní analýzy s možností mobilního provozu

· Prediktivní údržby za účelem snížení ztrát z prostojů

· Optimalizace výrobního plánování s ohledem na spotřebu energie

Řízení energie se přesouvá od „vykazování událostí po jejich výskytu“ k „monitoringu a optimalizaci v reálném čase.“

3.5 Kruhová ekonomika: uzavřená optimalizace obalových materiálů

Kromě optimalizace výroby a logistiky se recyklace kartonových obalů stává důležitou součástí udržitelné výroby.

V balicím průmyslu umožňují technologie pro třídění a recyklaci kartonových obalů jejich opakované využití pro sekundární logistiku nebo interní oběh, čímž se prodlužuje životní cyklus materiálů, snižuje spotřeba surovin a klesá energetická náročnost zpracování odpadů.

Tento model rozšiřuje udržitelnost od výrobní fáze až po úplné řízení životního cyklu materiálů.

Případ z praxe: Dodávka projektu inteligentního výrobního systému pro balení tabáku společnosti Sinotecho

4.1 Informace o projektu

Název projektu: Spolupráce mezi Sinotecho a CHUNGHWA Čína Tisk tabáku Společnost

Dodací doba: Prosinec 2025

Místo: Shanghai Tobacco Printing Company (China Tobacco)

Typ projektu: Modernizace továrny na inteligentní výrobu balení tabáku

Úroveň zralosti chytré výroby: ÚROVEŇ 3

Celkový výkon:

Díky automatizaci a integraci systémů umělé inteligence projekt dosáhl:

·Zvýšení výrobní kapacity (~1,1×)

·Snížení počtu zaměstnanců (~40 %)

·Snížení podílu zmetků (~50 %)

·Zlepšení OEE (20–40 %)

·Snížení spotřeby energie na jednotku výkonu (~12–15 %)

4.2 Výsledky modernizace systému

a. Optimalizace výrobní linky

Standardizace výrobního rytmu, inteligentní řízení spouštění a zastavování a optimalizace vyvážení zátěže mezi výrobními linkami.

b. Výsledky modernizace chytré logistické soustavy

Chytrá logistická soustava pokrývá manipulaci s materiálem mezi zařízeními, dopravní tok, balení a paletizaci, obalení fólií a plánování chytrého skladu. Umožňuje flexibilní nakládání a vykládání ve všech scénářích, inteligentní paletizaci, mobilní AGV přizpůsobené tisku a balení a integrované chytré skladištní systémy.

To zajistuje hlubokou koordinaci mezi výrobou a logistikou:

·Automaticní a efektivní tok materiálu mezi výrobními linkami a skladem

·Koordinovaný provoz inteligentních robotů pro paletizaci a AGV

·Digitální plánování logistiky ve všech fázích procesu

Výsledky zahrnují:

·Snížení nákladů na práci (~60 %)

·Snížení nákladů na zásoby (~32 %)

·Zlepšení efektivity toku materiálu (~40 %)

·Zlepšení efektivity příjmu a výdeje ze skladu (~45 %)

c. Výsledky systému vizuální kontroly s využitím umělé inteligence

Použití průmyslových kamer s vysokým rozlišením, víceúhlového osvětlení a algoritmů umělé inteligence založených na hlubokém učení pro počítačové vidění, které umožňují kompletní kontrolu procesu, automatizované řízení a zpětnou vazbu v reálném čase:

·Detekce a odstranění vad na úrovni mikronů z více úhlů

·Monitorování dodržování standardních provozních postupů (SOP) s upozorněními

·Zpětná vazba týkající se kvality v reálném čase integrovaná do systémů MES

Konečné výsledky:

·Výrobní výtěžnost zvýšena na více než 99 %

·Ztráty způsobené nedostatečnou kvalitou sníženy o ≥30 %

·Zlepšená konzistence produktu

d. Hodnota modernizace systému řízení energie

Digitální systémy řízení energie umožňují úplnou transparentnost spotřeby energie ve výrobní hale:

·Monitorování spotřeby energie jednotlivých zařízení v reálném čase (napětí, proud, výkon atd.)

·Klíčové řízení zařízení s vysokou spotřebou energie (zařízení s výkonem nad 100 kW vybavená měřicími a monitorovacími systémy)

·Mechanismy varování před anomáliemi v energetické spotřebě založené na umělé inteligenci

·Optimalizace propojení plánování energie a výroby (Komplexní monitorování všech fází toku energie, včetně přenosu, ukládání, přeměny a spotřeby, a zarovnání využití energie s výrobními činnostmi za účelem koordinovaného řízení dodávek energie. Analýzou vztahu mezi energetickou spotřebou zařízení a trendem jejich provozní doby systém dokáže vyjádřit korelaci mezi využitím energie a výrobními činnostmi. Data z řízení energie jsou rovněž sdílena s MES systémem jako referenční informace pro plánování výroby, což umožňuje systému za stejných podmínek upřednostňovat zařízení s nižší energetickou spotřebou.)

·Sledování energetické spotřeby v reálném čase prostřednictvím mobilních zařízení

Řízení energie se mění z podporujícího systému na klíčovou součást rozhodovacího procesu ve výrobě.

e. Systém třídění a recyklace kartonových krabic

Použité kartony po doručení zákazníkům lze prostřednictvím inteligentních systémů rozpoznat, třídit, znovu balit a opakovaně použít, čímž se účinně snižuje spotřeba obalového materiálu.

f. Předběžné plánování udržitelného rozvoje

Na základě architektury cloudového AI řešení Sinotecho „1+3+N+1“ systém integruje systémy PLM, ERP, MES a WMS, což umožňuje jednotné standardy dat a trénování modelů umělé inteligence. Platforma integruje bezpečnostní řešení založená na umělé inteligenci, optimalizaci energetického hospodaření a správu prostor, čímž vytváří bezpečné, ekologické a inteligentní průmyslové prostředí a buduje nízkouhlíkovou chytrou továrnu řízenou hodnotami a samostatným rozhodováním. .

5. Zkušenosti na úrovni celého systému z různých projektů

U více podobných projektů byl pozorován konzistentní vzorec: největší optimalizace energie vyplývá ze souřadnice na úrovni celého systému, nikoli z optimalizace jednotlivých zařízení.

Prostřednictvím integrovaných řešení kombinujících inteligentní balicí linky, chytré logistické roboty, systémy AI pro kontrolu kvality a cloudové platformy , je možné účinně zlepšit energetickou účinnost a schopnosti udržitelnosti.

Klíčové poznatky zahrnují:

·Optimalizace výrobní linky má větší dopad než optimalizace jednotlivých strojů

·Optimalizace logistického systému přináší významné skryté úspory energie

·Komplexní propojení dat ve všech fázích výroby a uzavřená AI-optimalizace umožňují neustálé zlepšování

·Zvýšení výtěžku a recyklace materiálů přispívají k dosažení cílů udržitelnosti

Výroba se posunuje od „inteligence zařízení“ k „inteligenci systémů“.

6. Trendy průmyslu: od automatizace k umělé inteligenci řízené energeticky inteligentní výrobě

6.1 Třístupňový vývoj výroby:

Fáze 1: Automatizace – nahrazování lidské práce a zvyšování efektivity

Fáze 2: Chytrá výroba – koordinace systémů a digitální řízení

Etapa 3: Inteligentní výroba energie – systémy pro samo-optimalizaci energie řízené umělou inteligencí

6.2 Transformace role umělé inteligence

Umělá inteligence ve výrobě se vyvíjí z nástroje pro kontrolu na jádro plánování výroby, což umožňuje autonomní rozhodování.

6.3 Zelené továrny integrované pomocí dat

Data o emisích uhlíku budou v reálném čase měřitelná a optimalizovatelná.

Energetické systémy výroby se vyvíjejí směrem k „ modulům pro samo-optimalizaci udržitelnosti.“

7. Závěr

Automatizace a umělá inteligence zásadně přetvářejí provoz výrobních zařízení. Nejenže zvyšují výrobní efektivitu, ale stávají se také klíčovými hnacími silami správy energie a udržitelnosti.

Tato transformace má přímý dopad na ESG cílech.

Tento posun je zvláště patrný v průmyslových odvětvích s vysokou složitostí výroby, jako je balení tabáku a náročné balení.

Výroba prochází strukturální transformací od systémů zaměřených na efektivitu k systémům zaměřeným na energii a udržitelnost. V budoucnu budou automatizace a Umělá inteligence již nepředstavovat volitelné vylepšení, ale základní schopnosti udržitelných výrobních systémů.

Výrobci zařízení by měli zvážit další výzkumné a vývojové vylepšení v oblasti digitalizace, inteligence a aplikací umělé inteligence, aby podpořili globální snižování emisí uhlíku.