pakavimas su atveriamomis trimis kraštinėmis

Automatizacija Sprendimai plonųjų pakuočių pakuojamajam

➯Pakavimo tipas:

➯Produkto pozicionavimas:

Premium / plonas / ilgo formato paketas

➯Pakavimo kokybės reikalavimai:

Aukšta išvaizdos vientisumas, glaudus apvyniojimas ir švarūs kraštai

➯Išmaniųjų tabako pakavimo gamybos sisteminiai metodai

1. Pramonės fonas ir tendencijos: gamyba įžengia į „energetinėmis sąlygomis nulėstą pramoninį pertvarkymą“ etapą

Pasaulinė gamybos pramonė patiria struktūrinį pokytį savo konkurencinėje logikoje. Pagrindinis dėmesys daugiau nebeapsiriboja gamybos galia ir kaštų kontrolėmis, o vis labiau linksta prie sisteminės konkurencijos, grindžiamos energijos naudojimo efektyvumu ir darnumo gebėjimais.

Šis pertvarkymas yra sukeliamas trijų susikertančių spaudimų:

1.1 Energijos kainų struktūrinis kilimas

Pastaruosius dešimtmetį elektros energijos, darbo jėgos ir logistikos kaštai nuolat augo, žymiai keisdami vieno gamybos vieneto kaštų struktūrą gamyboje. Ypač aukštos tikslumo gamyboje energijos suvartojimas vis labiau tampa pagrindiniu kintamuoju, kurio svarba lygi medžiagų kaštams.

1.2 ESG ir anglies reguliavimas įžengia į įvykdymo etapą

ESG (aplinkosaugos, socialinės atsakomybės ir valdymo) bei anglies emisijų reguliavimas nuolat stiprinamas. Pagrindinėse pramoninėse ekonomikose Europoje, Amerikoje ir Azijoje anglies valdymas pasikeitė nuo „privalomos ataskaitų pateikimo sąlygos“ į „veiklos apribojimą“. Dabar įmonės turi ne tik skelbti emisijas, bet ir demonstruoti realias mažinimo galimybes bei stebimi procesų lygio duomenys.

1.3 Tradicinė efektyvumo optimizacija įžengia į grąžos mažėjimo etapą

Daugelis gamybos sistemų jau baigė pirmąją automatizacijos modernizavimo etapą. Remiantis tik įrangos modernizavimu ar vietiniais efektyvumo pagerinimais daugiau nebegalima pasiekti reikšmingų papildomų naudingumo padidėjimų.

2. Pramonės dėmesio centras: kodėl tabako ir aukštos kokybės pakuotės sektorius yra tipiški

Tarp gamybos sektorių tabako pakuotės ir aukštos kokybės vartotojų pakuotės yra tipiškas „didelės sudėtingumo gamybos sistemų“ pavyzdys, kurie apibūdinami:

· Daugiaetapių nuolatinės gamybos procesais

(spausdinimas–pjovimas–formavimas–kontrolė–pakuotė–logistika)

· Aukšta tikslumo ir griežtų vientisumo reikalavimų

· Didelės įrangos tankumo aplinkoja

· Daug SKU, mažų partijų ir dažnų technologinių perstatymų gamybos modeliai

Šie veiksniai lemia šiuos bruožus:

(1) Sudėtingą energijos suvartojimo struktūrą

Energijos suvartojimas kyla ne tik iš įrenginių veiklos, bet taip pat iš logistikos koordinavimo, laukimo laiko ir technologinių perstatymų nuostolių.

(2) Aukštą sistemos nestabilumą

Gamymo ritmas, logistikos ritmas ir kokybės svyravimai yra labai susiję.

(3) Optimizavimas perkeliamas nuo „įrangos lygio“ į „sistemos lygį“

Atskiro įrenginio optimizavimas suteikia ribotą patobulinimą, tuo tarpu sistemos koordinavimas tampa pagrindiniu efektyvumo augimo šaltiniu.

Todėl: tabako pakuotės gamyba perkelia savo veiklą nuo „įrangos našumo optimizavimo etapo“ į „sistemos lygio energijos optimizavimo etapą“. Dirbtinis intelektas taip pat keičia savo vaidmenį – iš papildomos priemonės jis tampa „energijos optimizavimo sprendimų priėmimo sistema“.

3. Techniniai mechanizmai: kaip automatizacija ir dirbtinis intelektas keičia energijos suvartojimo struktūrą

3.1 Nenaudojamos įrangos energijos suvartojimo mažinimas

Tradicinėse gamybos sistemose dažnai pasitaiko įrenginių neveikimo, žmonių laukimo ir netolygaus planavimo, kuris sukelia nestabilų gamybos ritmą. Šios problemos esminė priežastis yra sistemos nesinchroniškumas, dėl kurio atsiranda reikšmingas paslėptas energijos švaistymas.

Automatizavus galima pasiekti:

·Gaminių gamybos taikties laiko standartizavimas

·Įrangos intelektualus paleidimas/uždarymas

·Gamybos linijų apkrovos išlyginimas ir dinaminis išteklių paskirstymas

Dirbtinio intelekto (AI) pagrindu atliekami tolesni modernizavimai leidžia:

Per pramoninės informacijos rinkimą ir analizę galima pasiekti gamybos ir pardavimų koordinavimą bei gamybos skaidrumą, užtikrinant realiuoju laiku atitiktį tarp užsakymų ir gamybos pajėgumų, adaptuojant gamybos ritmą ir žymiai sumažinant nuokrypius tarp planavimo ir vykdymo.

Perėjimas nuo „žmogaus valdomų mašinų“ prie „duomenimis valdomos sistemos ritmo“ yra vienas svarbiausių energijos suvartojimo mažinimo būdų.

3.2 Išmaniosios logistikos sistemos: ilgai nepakankamai vertinamas energijos optimizavimo modulis

Primoninėje energijos struktūroje gamyklos logistika, sandėliavimas ir išorinė vežimo veikla dažnai nelaikoma pagrindiniais energijos vartotojais. Tačiau sudėtingose gamybos sistemose jie sudaro reikšmingą paslėptos energijos sąnaudų dalį.

Tradicinėse modeliuose medžiagų srautas labai priklauso nuo rankinio apdorojimo ir vilkikų, dėl ko dažnai pasikartoja maršrutai, ilgėja laukimo ir užsikimšimo laikas, neefektyviai planuojama, prastai naudojamas sandėlio plotas ir nutrūksta logistikos bei gamybos ritmo suderinamumas. Šios problemos ne tik sutrikdo gamybos tęstinumą, bet ir sukelia papildomų energijos nuostolių.

(1) Vidinės logistikos modernizavimas

Įvedus automatinio valdymo transporto priemones (AGV) ir protingas tvarkaraščių sudarymo sistemas įmonės gali naudoti dirbtinio intelekto algoritmus realiuoju laiku optimizuoti maršrutus, dinamiškai tvarkyti kelis uždavinius bei automatizuoti medžiagų pakrovimą/iškrovimą ir bendradarbiavimą tarp skirtingų procesų. Logistika ir gamyba gali veikti sinchroniškai, kuriant reikšmingai pagerintą sistemos stabilumą ir efektyvumą.

(2) Protingos automatinės sandėliavimo ir išduodamosios sistemos (AS/RS)

Vertikaliuose saugyklos ir automatizuotų išsiėmimo sistemose pasiekiamas didesnis tankis ir efektyvesnis erdvės išteklių naudojimas. Tai sumažina vežimo atstumus, mažina priklausomybę nuo rankinio planavimo ir dar labiau padidina medžiagų srauto efektyvumą.

(3) Išvežamosios logistikos (TMS sistemos)

Naudojant dirbtinio intelekto valdomas transporto valdymo sistemas (TMS), galima dinamiškai planuoti maršrutus remiantis eismo sąlygomis ir užduočių prioritetu, taip pat atlikti protingą užduočių paskyrimą bei realiuoju laiku aptikti nukrypimus ir koreguoti planavimą. Tai plėtoja protingos logistikos galimybes iki tiekimo grandinės lygio.

Bendrosios rezultatų apžvalgos:

·Žymus nereikalingo vežimo sukeliamo energijos suvartojimo sumažėjimas

·Mažesnės energijos sąnaudos dėl vilkikų ir rankinio krovimo bei iškrovimo operacijų

·Gerėja vidinių ir išorinių logistikos sistemų nuolatinumas ir koordinacija

·Maksimalus erdvės išteklių panaudojimas

3.3 Našumo pagerinimas: paslėptas, bet didelės įtakos energijos optimizavimo kintamasis

Gamymos sistemose defektūs gaminiai iš esmės reiškia jau sunaudotą prarastą energiją, įskaitant elektros energiją, žaliavas, darbo jėgą ir laiko sąnaudas.

Todėl gamybos naudingumo padidinimas yra svarbus kelias, kaip sumažinti energijos suvartojimą vienam gamybos vienetui.

Naudojant dirbtinio intelekto (AI) pagrindu veikiančią šešių pusių apžiūrą ir standartinių veiksmų procedūrų (SOP) stebėjimo sistemas galima pasiekti:

·Daugiakampę ir mikroninio tikslumo vizualinę apžiūrą su defektų pašalinimu

·Standartinių veiksmų procedūrų (SOP) elgsenos atpažinimą ir laikymosi stebėjimą su realiuoju laiku siunčiamais įspėjimais

·Realiojo laiko kokybės grįžtamąją informaciją, integruotą su gamybos vykdymo sistemomis (MES)

Šios sistemos kartu žymiai sumažina perdaromų gaminių ir šukų kiekius, taip pagerindamos energijos naudingumą vienam gamybos vienetui ir mažindamos bendras energijos sąnaudas.

3.4 Dirbtinio intelekto (AI) + gamybos vykdymo sistemų (MES) + energijos sistemų integracija: realiojo laiko protingo optimizavimo etapas

Su pramonės skaitmeninimu energijos valdymas keičiasi iš nepriklausomos įrašų tvarkymo sistemos į integruotą gamybos sistemos dalį, vystantis į realaus laiko optimizavimo sistemą.

Integruojant dirbtinio intelekto (AI) ir gamybos vykdymo sistemų (MES) sistemas, galima sistemingai pasiekti:

· Realaus laiko energijos duomenų rinkimą įranguose

· Elektros, vandens ir dujų sunaudojimo dinaminį stebėjimą

· Energijos sunaudojimo kreivių modeliavimą ir prognozinę analizę mobiliosiomis operacijomis

· Prognozuojamąją techninę priežiūrą, kad būtų sumažinti prastovų nuostoliai

· Energijos sąnaudoms atsižvelgiantį gamybos grafikų optimizavimą

Energijos valdymas keičiasi nuo „po įvykio ataskaitų“ prie „realaus laiko stebėjimo ir optimizavimo“.

3.5 Apskritoji ekonomika: pakavimo medžiagų uždaromojo ciklo optimizavimas

Už gamybos ir logistikos optimizavimo ribų pakavimo dėžučių perdirbimas tampa svarbia tvarios gamybos sudedamąja dalimi.

Perpakavimo pramonėje dėžučių rūšiavimo ir perdirbimo technologijos leidžia dėžutes pakartotinai naudoti antrinėje logistikoje arba vidinėje cirkuliacijoje, taip pratęgiant medžiagų naudojimo ciklą, mažinant žaliavų suvartojimą ir sumažinant energijos sąnaudas atliekų perdirbimo procese.

Šis modelis tęsia darnųją veiklą nuo gamybos etapo iki viso medžiagų naudojimo ciklo valdymo.

Praktinė pramonės pavyzdys: Sinotecho „Išmaniųjų tabako perpakavimo gamybos sistemos“ projekto įdiegimas

4.1 Projekto informacija

Projekto pavadinimas: Sinotecho ir CHUNGHWA bendradarbiavimas Kinijoje Tabako spaudimas Įmonė

Pristatymo laikas: Gruodis 2025

Vieta: Šanghajaus tabako spaudimo įmonė (China Tobacco)

Projekto tipas: Išminio gamyklos modernizavimas tabako perpakavimo gamyboje

Išmintingos gamybos brandumo lygis: LYGIS 3

Bendras našumas:

Automatizavimo ir dirbtinio intelekto sistemų integracija leido pasiekti:

·Gamybinių galimybių padidėjimas (~1,1 karto)

·Darbuotojų skaičiaus sumažinimas (~40 %)

·Defektų dažnio sumažinimas (~50 %)

·Bendra įrangos veiksmingumo (OEE) gerinimas (20–40 %)

·Vieneto gamybos energijos suvartojimo sumažinimas (~12–15 %)

4.2 Sistemos modernizavimo rezultatai

a. Gamybos linijų optimizavimas

Gamybos ritmo standartizavimas, intelektualus paleidimo/sustabdymo valdymas ir apkrovos balansavimo optimizavimas visose gamybos linijose.

b. Išmaniajų logistikos sistemų modernizavimo rezultatai

Išminioji logistikos sistema apima medžiagų tvarkymą tarp įrangos, transportavimo srautus, pakuotę ir paletizavimą, plėvelės apvyniojimą bei išminties sandėlio planavimą. Ji leidžia lankstų visų scenarijų krovinio pakrovimą/iškrovimą, intelektualų paletizavimą, specializuotus mobiliuosius automatizuotus transportavimo priemones (AGV) spausdinimui ir pakuotėms, taip pat integruotas išminties sandėliavimo sistemas.

Tai užtikrina gilų gamybos ir logistikos koordinavimą:

·Automatinis ir efektyvus medžiagų srautas tarp gamybos linijų ir sandėlių

·Intelektualių paletizavimo robotų ir automatinio valdymo transportavimo priemonių (AGV) suderinta veikla

·Viso proceso skaitmeninė logistikos planavimo sistema

Rezultatai apima:

·Darbo sąnaudų sumažinimas (~60 %)

·Atsargų sąnaudų sumažinimas (~32 %)

·Medžiagų srauto efektyvumo pagerinimas (~40 %)

·Sandėlio priėmimo ir išsiuntimo efektyvumo pagerinimas (~45 %)

c. Dirbtinio intelekto vaizdinės kontrolės sistemos rezultatai

Naudojant aukštos raiškos pramoninius vaizdo įrašymo įrenginius, daugiakampį apšvietimą ir gilųjį mokymąsi remiančius dirbtinio intelekto vaizdo analizės algoritmus siekiant viso proceso tikrinimo, automatizuoto valdymo ir realiuoju laiku teikiamos duomenų atsiliepimo funkcijos:

·Daugiakampis mikroninio lygio defektų aptikimas ir pašalinimas

·Standartinių veiksmų tvarkos (SOP) laikymosi stebėjimas su perspėjimais

·Realiuoju laiku teikiamas kokybės atsiliepimas, integruotas su gamybos vykdymo sistemomis (MES)

Galutiniai rezultatai:

·Gamybos naudingumo koeficientas padidintas iki 99 % ar daugiau

·Kokybės nuostoliai sumažinti ≥30 %

·Gerinta produkto vientisumas

d. Energijos valdymo sistemos modernizavimo vertė

Skaitmeninės energijos valdymo sistemos pagalba pasiekiamas visiškas gamyklos energijos suvartojimo matomumas:

·Atskirų įrenginių energijos suvartojimo (tikrinama įtampa, srovė, galia ir kt.) realaus laiko stebėjimas

·Didelės energijos sąnaudų įrenginių pagrindinis valdymas (įrenginiai, turintys >100 kW galios, aprūpinti skaitikliais ir stebėjimo sistemomis)

·Anomalijų, susijusių su energijos suvartojimu, įspėjimo mechanizmai, paremti dirbtiniu intelektu

·Energijos ir gamybos planavimo susiejimo optimizavimas (visų energijos srauto etapų – perdavimo, kaupimo, konvertavimo ir suvartojimo – visapusiškas stebėjimas ir energijos naudojimo derinimas su gamybos veikla, kad būtų galima koordinuoti energijos paskirstymą. Analizuojant įrangos energijos suvartojimo ir veikimo laiko tendencijų ryšį, sistema gali atskleisti energijos naudojimo ir gamybos veiklos tarpusavio priklausomybę. Energijos valdymo duomenys taip pat bendrinami su MES sistema kaip gamybos grafiko sudarymo šaltinis, leidžiant sistemai vienodų sąlygų atveju nustatyti pirmenybę mažiau energijos suvartojančiai įrangai.)

·Mobiliosios realaus laiko energijos stebėsenos sistema

Energijos valdymas keičiasi iš paramos sistemos į pagrindinį gamybos sprendimų priėmimo komponentą.

e. Dėžučių rūšiavimo ir perdirbimo sistema

Naudoti dėžės po pristatymo klientams gali būti identifikuojamos, rūšiuojamos, pakartotinai supakuojamos ir vėl naudojamos naudojant išmaniąsias atpažinimo sistemas, taip veiksmingai sumažinant pakuotės medžiagų sunaudojimą.

f. Tvaraus vystymosi ankstevinis planavimas

Remiantis Sinotecho „1+3+N+1“ dirbtinio intelekto debesų architektūra sistema integruoja PLM, ERP, MES ir WMS sistemas, leisdama sukurti vieningus duomenų standartus ir mokyti dirbtinio intelekto modelius. Platforma integruoja dirbtinio intelekto saugos, energijos optimizavimo ir erdvės valdymo funkcijas, kuriant saugią, žalią ir išmanią pramoninę aplinką bei statant vertės ir autonominių sprendimų pagrindu veikiančią žemo anglies dioksido išmetimo išmanią gamyklą .

5. Sisteminės patirties keliais projektais

Keliuose panašiuose projektuose pastebėta nuolatinė tendencija: didžiausias energijos optimizavimas pasiekiamas sisteminio koordinavimo, o ne atskirų įrenginių optimizavimo dėka.

Per integruotas sprendimo priemones, apjungiančias išmaniąsias pakuotės linijas, išmaniuosius logistikos robotus, dirbtinio intelekto kontrolės sistemas ir debesų platformas , tampa įmanoma veiksmingai pagerinti energijos naudojimo efektyvumą ir darnumo galimybes.

Pagrindiniai stebėjimai yra:

·Gamymo linijos optimizavimas turi didesnę įtaką nei atskiro įrenginio optimizavimas

·Logistikos sistemos optimizavimas suteikia reikšmingų paslėptų energijos taupymo galimybių

·Viso proceso duomenų susiejimas ir dirbtinio intelekto uždarojo ciklo optimizavimas leidžia nuolat tobulėti

·Naudingumo padidinimas ir medžiagų perdirbimas prisideda prie darnumo tikslų

Gamintojai keičia savo požiūrį nuo „įrangos išminties“ į „sistemos išmintį“.

6. Pramonės tendencijos: nuo automatizacijos prie dirbtinio intelekto valdomos energijos išmintinės gamybos

6.1 Gamintojų vystymosi tris laipsnių etapai:

1 stadija: Automatizacija – darbo jėgos pakeitimas ir efektyvumo gerinimas

2 stadija: Išmaniajų gamybos sistemos – sisteminis koordinavimas ir skaitmeninis valdymas

3 etapas: Energijos išmaniajų gamybos sistemos – dirbtinio intelekto valdomos energijos savireguliuojamos sistemos

6.2 Dirbtinio intelekto vaidmens transformacija

Dirbtinis intelektas gamyboje vystosi nuo tikrinimo įrankio į gamybos planavimo centrą, leidžiantį priimti nepriklausomus sprendimus.

6.3 Duomenimis integruotos žaliosios gamyklos

Šiltnamio efektą sukeliančių dujų emisijų duomenys taps realiuoju laiku renkami, matuojami ir optimizuojami.

Gamybos energijos sistemos vystysis link „ savireguliuojamų darnumo modulių.“

7. Išvada

Automatizavimas ir dirbtinis intelektas esminiu būdu keičia gamybos veiklą. Jie ne tik padidina gamybos efektyvumą, bet taip pat tampa pagrindiniais energijos valdymo ir darnumo varomaisiais jėgos šaltiniais.

Šis pertvarkymas turi tiesioginį iMPACT poveikį ESG tikslams.

Aukštos sudėtingumo gamybos pramonėje, pvz., tabako pakuotėse ir aukštos kokybės pakuotėse, šis posūkis ypač akivaizdus.

Gamyba patiria struktūrinį perėjimą nuo efektyvumą užtikrinančių sistemų prie energijos ir darnumo pagrindu veikiančių sistemų. Ateityje automatizavimas ir Dirbtinis intelektas (AI) nebebus pasirinktiniai atnaujinimai, o taps pagrindinėmis darnios gamybos sistemų galimybėmis.

Įrangos gamintojai turėtų apsvarstyti tolesnius tyrimų ir plėtojimo (R&D) atnaujinimus skaitmeninimo, intelekto ir dirbtinio intelekto taikymo srityse, kad būtų remiamas visuotinis anglies emisijų mažinimas.