3 pusēs atvērtais iepakojums

Automātiskā Risinājumi slaidai iepakojuma versijai

➯Iepakojuma veids:

➯Produkta pozicionēšana:

Premium / šaurais / garais formāts

➯Iepakojuma kvalitātes prasības:

Augsta vizuālā vienotība, cieši iepakots un tīri malas

➯Sistēmiskas prakses gudrā tabakas iepakojuma ražošanā

1. Nozares fons un tendences: ražošana ieejot „enerģijas ierobežojumu vadītā industriālā pārstrukturēšanas posmā“

Pasaules ražošanas nozare piedzīvo strukturālu pārmaiņu savā konkurences loģikā. Galvenais uzmanības centrs vairs nav ierobežots ar ražošanas jaudu un izmaksu kontroli, bet aizvien vairāk pārvietojas uz sistēmisku konkurēšanu, kas balstīta uz energoefektivitāti un ilgtspējas spējām.

Šo pārveidošanos izraisa trīs pārklājošies spiedieni:

1.1 Strukturāls enerģijas izmaksu pieaugums

Pēdējā desmitgadē elektrības, darbaspēka un loģistikas izmaksas nepārtraukti pieaug, būtiski mainot ražošanas vienības izmaksu struktūru. Īpaši augstas precizitātes ražošanā enerģijas patēriņš aizvien vairāk kļūst par galveno mainīgo lielumu, kura nozīme ir salīdzināma ar materiālu izmaksām.

1.2 ESG un oglekļa regulējums iet iekšā izpildes stadijā

ESG (vides, sociālās un pārvaldes) un oglekļa emisiju regulējums tiek nepārtraukti pastiprināts. Eiropā, Amerikā un Āzijā lielākajās rūpnieciskajās ekonomikās oglekļa pārvaldība ir pārvietojusies no “ziņošanas prasības” uz “operacionālu ierobežojumu”. Tagad uzņēmumiem jāsniedz ne tikai emisiju ziņojumi, bet arī jāpierāda reālas samazināšanas spējas un izsekojami procesu līmeņa dati.

1.3 Tradicionālā efektivitātes optimizācija nonāk dilstošu atdevi

Daudzas ražošanas sistēmas jau ir pabeigušas pirmo automatizācijas modernizācijas posmu. Tikai aprīkojuma modernizācija vai lokāla efektivitātes uzlabošana vairs nespēj nodrošināt būtiskus papildu ieguvumus.

2. Nozares fokuss: Kāpēc tabakas un augstas klases iepakojums ir tipiski piemēri

Starp ražošanas nozarēm tabakas iepakojumu un augstas klases patēriņa preču iepakojumu ražošana ir tipisks „augstas sarežģītības ražošanas sistēmu” piemērs, kas raksturojams ar:

· Dažādu procesu nepārtrauktas ražošanas darbības plūsmām

(drukāšana–diezingu –formēšana–kontrole–iepakojums–loģistika)

· Augstu precizitāti un stingrus vienveidības prasības

· Augstas blīvuma aprīkojuma klastera vidi

· Dažādu artikulu (SKU), mazsērijas un bieži mainīgas ražošanas modeļiem

Šie faktori rada šādas īpašības:

(1) Sarežģīta enerģijas patēriņa struktūra

Enerģijas patēriņš rodas ne tikai no mašīnu darbības, bet arī no loģistikas koordinācijas, gaidīšanas laika un pārslēgšanās zaudējumiem.

(2) Augsta sistēmas nestabilitāte

Ražošanas ritms, loģistikas ritms un kvalitātes svārstības ir ļoti saistīti.

(3) Optimizācija pārslēdzas no „iekārtu līmeņa” uz „sistēmu līmeni”

Atsevišķas iekārtas optimizācija sniedz tikai ierobežotu uzlabojumu, kamēr sistēmas koordinācija kļūst galvenais efektivitātes pieauguma avots.

Tāpēc: Tabakas iepakojumu ražošana pāriet no „iekārtu efektivitātes optimizācijas stadijas” uz „sistēmu līmeņa enerģijas optimizācijas stadiju”. Arī mākslīgais intelekts pārslēdzas no atbalsta rīka uz „enerģijas optimizācijas lēmumu pieņemšanas sistēmu”.

3. Tehniskie mehānismi: Kā automatizācija un mākslīgais intelekts pārveido enerģijas patēriņa struktūru

3.1 Bezdarbīgo iekārtu enerģijas patēriņa samazināšana

Tradicionālās ražošanas sistēmās bieži rodas problēmas, piemēram, iekārtu bezdarbība, cilvēku gaidīšana un nevienmērīga izstrādāšana, kas izraisa neatbilstošu ražošanas ritmu. Šīs problēmas faktiski ir izraisītas sistēmas desinhronizācijas dēļ, kas rada ievērojamus slēptos enerģijas zudumus.

Automatizācijas palīdzībā kļūst iespējams sasniegt:

·Ražošanas taktiskā laika standartizācija

·Aprīkojuma inteliģents ieslēgšana/izslēgšana

·Slodzes izlīdzināšana un dinamiska sadale starp ražošanas līnijām

AI vadītas modernizācijas papildus ļauj:

Izmantojot rūpniecisko datu iegūšanu un analīzi, var sasniegt ražošanas un pārdošanas koordināciju un ražošanas pārredzamību, kas ļauj reāllaikā sakārtot pasūtījumus ar jaudu, adaptīvi pielāgot ražošanas ritmu un būtiski samazināt novirzes starp plānošanu un izpildi.

Pāreja no „cilvēka kontrolētām mašīnām” uz „datiem kontrolētu sistēmas ritmu” ir viena no galvenajām ceļa zīmēm, kā samazināt enerģijas patēriņu.

3.2 Inteligentās loģistikas sistēmas: ilgstoši nepietiekami vērtēts enerģijas optimizācijas modulis

Rūpnieciskajā enerģijas struktūrā rūpnīcas loģistika, krājumu glabāšana un ārējā transportēšana bieži netiek uzskatīta par lielākajiem enerģijas patērētājiem. Tomēr sarežģītās ražošanas sistēmās tās veido būtisku daļu no slēptā enerģijas patēriņa.

Tradicionālos modeļos materiālu plūsma lielā mērā balstās uz manuālo apstrādi un liftiem, kas parasti izraisa atkārtotas maršrutu izmantošanas, ilgas gaidīšanas un pārpildītības laikus, neefektīvu grafiku un zemu krātuves telpu izmantošanu, kā arī nesakritību starp loģistikas un ražošanas ritmu. Šīs problēmas ne tikai traucē ražošanas nepārtrauktību, bet arī rada papildu enerģijas zudumus.

(1) Iekšējās loģistikas modernizācija

Ieviešot AGV (automatizētus vadības transportlīdzekļus) un intelektuālus grafika sastādīšanas sistēmas, uzņēmumi var izmantot AI algoritmus, lai sasniegtu reāllaika maršrutu optimizāciju, vairāku uzdevumu dinamisko grafika sastādīšanu un automatizētu materiālu iekraušanu/izkraušanu, kā arī sadarbību starp dažādām procesa posmiem. Loģistika un ražošana var darboties sinhroni, būtiski uzlabojot sistēmas stabilitāti un efektivitāti.

(2) Intelektuālas automatizētās krātuves sistēmas (AS/RS)

Ar vertikālo glabāšanu un automatizētajām izsniegšanas sistēmām var sasniegt augstāku blīvumu un efektīvāku telpas resursu izmantošanu. Tas samazina transportēšanas attālumu, samazina atkarību no manuālās grafika izstrādes un vēl vairāk uzlabo materiālu plūsmas efektivitāti.

(3) Izejošā loģistika (TMS sistēmas)

Izmantojot AI vadītās Transporta pārvaldības sistēmas (TMS), var īstenot dinamisku maršrutu plānošanu, pamatojoties uz satiksmes apstākļiem un uzdevumu prioritātēm, kā arī inteliģentu uzdevumu piešķiršanu un reāllaika anomāliju noteikšanu un grafika korekciju. Tas paplašina inteliģentās loģistikas iespējas līdz piegādes ķēdes līmenim.

Kopējie rezultāti ir:

·Būtisks enerģijas patēriņa samazinājums nevajadzīgai transportēšanai

·Zemākas enerģijas izmaksas, kas saistītas ar liftkravas mašīnu un manuālo apstrādi

·Uzlabota iekšējo un ārējo loģistikas sistēmu nepārtrauktība un koordinācija

·Maksimāla telpas resursu izmantošana

3.3 Ražības uzlabošana: slēpta, bet lietderīga enerģijas optimizācijas mainīgā

Ražošanas sistēmās defektīvi produkti būtībā pārstāv izšķiesto enerģiju, kura jau ir patērēta, tostarp elektroenerģija, izejvielas, darbaspēks un laika izmaksas.

Tāpēc ražošanas iznākuma uzlabošana ir būtisks ceļš, lai samazinātu enerģijas patēriņu vienā ražošanas vienībā.

Ar AI balstītām sešu pušu pārbaudes un SOP uzraudzības sistēmām ir iespējams sasniegt:

·Defektu novēršanu nodrošinošu daudzleņķa un mikronu līmeņa precīzu vizuālo pārbaudi

·SOP uzvedības atpazīšanu un atbilstības uzraudzību ar reāllaika brīdinājumiem

·Reāllaika kvalitātes atsauksmi, kas integrēta ar MES sistēmām

Kopumā šīs sistēmas ievērojami samazina pārstrādes un atkritumu ātrumu, tādējādi uzlabojot enerģijas efektivitāti vienā ražošanas vienībā un samazinot kopējo enerģijas izšķietību.

3.4 AI + MES + enerģijas sistēmu integrācija: reāllaika inteliģentā optimizācijas posms

Ar rūpnieciskās digitalizācijas attīstību enerģijas pārvaldība pāriet no neatkarīgas reģistrēšanas sistēmas uz integrētu ražošanas sistēmas daļu, kļūstot par reāllaika optimizācijas sistēmu.

Integrējot AI un MES sistēmas, ir iespējams sistēmiski sasniegt:

· Reāllaika enerģijas datu savākšanu iekārtu līmenī

· Elektroenerģijas, ūdens un gāzes patēriņa dinamisko uzraudzību

· Enerģijas patēriņa līknes modelēšanu un prognozējošo analīzi ar mobilo darbību

· Prognozējošo tehnisko apkopi, lai samazinātu izstādes zaudējumus

· Enerģiju ņemot vērā veidotu ražošanas grafiku optimizāciju

Enerģijas pārvaldība pāriet no „notikumu pēc faktiskā ziņojuma” uz „reāllaika uzraudzību un optimizāciju”.

3.5 Aporinis ekonomikas princips: iepakojuma materiālu slēgtā cikla optimizācija

Pārsniedzot ražošanas un loģistikas optimizāciju, iepakojuma kastīšu pārstrāde kļūst par svarīgu ilgtspējīgas ražošanas komponenti.

Iepakojumu industrijā kastīšu klasifikācijas un pārstrādes tehnoloģijas ļauj kastīšām tikt izmantotām atkārtoti sekundārajā loģistikā vai iekšējā cirkulācijā, pagarinot materiālu dzīvesciklu, samazinot izejvielu patēriņu un samazinot enerģijas patēriņu atkritumu apstrādē.

Šis modelis paplašina ilgtspēju no ražošanas posma līdz pilnai materiālu dzīvescikla pārvaldībai.

Nozares piemērs: Sinotecho intelektuālās tabakas iepakojumu ražošanas sistēmas projekta piegāde

4.1 Projekta informācija

Projekta nosaukums: Sinotecho un CHUNGHWA sadarbība Ķīnā Tabakas drukāšana Uzņēmums

Nodīvniegšanas laiks: 2025. gada decembris

Atrašanās vieta: Šanhajas tabakas drukātava (China Tobacco)

Projekta veids: Intelektuālās ražošanas uzlabošana tabakas iepakojumu ražošanā

Gudrās ražošanas nobriešanas līmenis: LĪMEŅA 3

Vispārējā snieguma vērtējums:

Ar automatizācijas un AI sistēmu integrāciju projekts sasniedza:

·Ražošanas jaudas palielinājumu (~1,1x)

·Darbaspēka samazinājumu (~40%)

·Defektu rādītāja samazinājumu (~50%)

·Vispārējās efektivitātes (OEE) uzlabojumu (20–40%)

·Vienības izvades enerģijas patēriņa samazinājumu (~12–15%)

4.2 Sistēmas modernizācijas rezultāti

a. Ražošanas līnijas optimizācija

Ražošanas ritma standartizācija, inteligents ieslēgšanas/izslēgšanas pārvaldības risinājums un slodzes līdzsvarošanas optimizācija visās ražošanas līnijās.

b. Gudrās loģistikas sistēmas modernizācijas rezultāti

Gudrā loģistikas sistēma aptver materiālu apstrādi starp aprīkojumu, transportēšanas plūsmu, iepakošanu un paletes veidošanu, plēves ievīšanu un gudro noliktavu plānošanu. Tā ļauj pilnībā elastīgi veikt iekraušanu/izkraušanu visos scenārijos, gudri veidot paletes, pielāgot mobilos AGV (automātiskos vadības transportlīdzekļus) drukāšanai un iepakošanai, kā arī integrētās gudrās noliktavu sistēmas.

Tas nodrošina dziļu koordināciju starp ražošanu un loģistiku:

·Automatizēta un efektīva materiālu plūsma starp ražošanas līnijām un noliktavām

·Gudro paletes veidošanas robotu un AGV saskaņota darbība

·Pilna procesa digitālā loģistikas grafika izveide

Rezultāti ir:

·Darba izmaksu samazinājums (~60%)

·Krājumu izmaksu samazinājums (~32%)

·Materiālu plūsmas efektivitātes uzlabojums (~40%)

·Noliktavas ienākošās/iznākošās plūsmas efektivitātes uzlabojums (~45%)

aptuveni. AI vizuālās pārbaudes sistēmas rezultāti

Izmantojot augstas izšķirtspējas rūpnieciskās kameras, daudzleņķa apgaismojumu un dziļās mācīšanās pamatotus AI redzes algoritmus, tiek sasniegta pilna procesa pārbaude, automatizēta vadība un reāllaika datu atsauksme:

·Dažādu leņķu mikronu līmeņa defektu noteikšana un novēršana

·SOP ievērošanas uzraudzība ar brīdinājumiem

·Reāllaika kvalitātes atsauksme, kas integrēta ar MES sistēmām

Galīgie rezultāti:

·Ražīgums palielināts līdz 99 % vai vairāk

·Kvalitātes zaudējumi samazināti par ≥30 %

·Uzlabota produkta vienveidība

d. Enerģijas pārvaldības sistēmas modernizācijas vērtība

Digitālo enerģijas pārvaldības sistēmu palīdzībā tiek sasniegta pilnīga rūpnīcas enerģijas patēriņa redzamība:

·Reāllaika uzraudzība viena iekārtas enerģijas patēriņam (spriegums, strāva, jauda utt.)

·Augstas enerģijas patēriņa iekārtu galvenā pārvaldība (iekārtas ar jaudu virs 100 kW, kas aprīkotas ar mērīšanas un uzraudzības sistēmām)

·Ar mākslīgā intelekta palīdzību balstītas brīdinājumu mehānismi enerģijas patēriņa anomālijām

·Enerģijas un ražošanas plānošanas saistības optimizācija (vispusīga enerģijas plūsmas uzraudzība visos posmos — pārvade, uzglabāšana, pārveidošana un patēriņš — un enerģijas izmantošanas saskaņošana ar ražošanas aktivitātēm, lai nodrošinātu koordinētu enerģijas izdalīšanu. Analizējot iekārtu enerģijas patēriņa un darbības laika tendences, sistēma var atspoguļot enerģijas izmantošanas un ražošanas aktivitāšu savstarpējo saistību. Enerģijas pārvaldības dati tiek kopīgi ar MES sistēmu kā atsauce ražošanas grafikam, ļaujot sistēmai vienādos apstākļos prioritāri izvēlēties zemāku enerģijas patēriņu nodrošinošas iekārtas.)

·Mobilajās ierīcēs balstīta reāllaika enerģijas uzraudzība

Enerģijas pārvaldība pārvietojas no atbalsta sistēmas uz galveno ražošanas lēmumu pieņemšanas komponentu.

e. Kastīšu klasifikācija un pārstrāde

Pēc piegādes klientiem izmantotās kastītes var identificēt, klasificēt, iepakot atkārtoti un izmantot vēlreiz, izmantojot intelektuālas atpazīšanas sistēmas, efektīvi samazinot iepakojuma materiālu patēriņu.

f. Ilgtspējīgas attīstības iepriekšēja plānošana

Balstoties uz Sinotecho „1+3+N+1” AI mākonis arhitektūru, sistēma integrē PLM, ERP, MES un WMS sistēmas, ļaujot vienotiem datu standartiem un AI modeļu apmācībai. Platforma integrē AI drošību, enerģijas optimizāciju un telpisko pārvaldību, veidojot drošu, zaļu un inteligentu rūpniecisko vidi un izveidojot zemā oglekļa saturā balstītu, vērtībām un autonomai lēmumu pieņemšanai balstītu gudru rūpnīcu .

5. Krustisku projektu sistēmiskā līmeņa pieredze

Vairākos līdzīgos projektos ir novērota vienota tendence: lielākais enerģijas optimizācijas ieguvums rodas no sistēmiskās koordinācijas, nevis no atsevišķu iekārtu optimizācijas.

Ar integrētām risinājumu kombinācijām, kas apvieno inteligentas iepakošanas līnijas, inteligentus logistikas robotus, AI pārbaudes sistēmas un mākoņu platformas , kļūst iespējams efektīvi uzlabot enerģijas izmantošanas efektivitāti un ilgtspējas spējas.

Galvenie novērojumi ir:

·Ražošanas līnijas optimizācija ir ietekmīgāka nekā vienas mašīnas optimizācija

·Logistikas sistēmas optimizācija nodrošina būtiskus slēptos enerģijas taupījumus

·Visa procesa datu savienojamība un AI aizvērtā cikla optimizācija ļauj nepārtraukti uzlaboties

·Izdošanās uzlabošana un materiālu pārstrāde veicina ilgtspējas mērķu sasniegšanu

Ražošana pāriet no „iekārtu intelekta” uz „sistēmu intelektu”.

6. Nozares tendences: no automatizācijas uz AI vadītu enerģijas inteligenti ražošanu

6.1 Ražošanas trīsposmu attīstība:

1. stadija: Automatizācija – darbaspēka aizvietošana un efektivitātes uzlabošana

2. stadija: Gudrā ražošana – sistēmu koordinācija un digitālā vadība

3. posms: Enerģijas gudrā ražošana – ar mākslīgo intelektu vadītas enerģijas pašoptimizācijas sistēmas

6.2 Mākslīgā intelekta lomas pārveidošanā

Mākslīgais intelekts ražošanā attīstās no pārbaudes rīka par ražošanas grafika kodolu, ļaujot patstāvīgi pieņemt lēmumus.

6.3 Datu integrētas zaļās rūpnīcas

Oglekļa emisiju dati kļūs reāllaika, mērāmi un optimizējami.

Ražošanas enerģijas sistēmas attīstās uz „ ilgtspējības pašoptimizējošie moduļi.

7. Secinājums

Automatizācija un mākslīgais intelekts pamatīgi pārveido ražošanas darbības. Tās ne tikai uzlabo ražošanas efektivitāti, bet arī kļūst par galvenajiem enerģijas pārvaldības un ilgtspējības dzinējspēkiem.

Šī pārveide ir tieši saistīta ietekme ar ESG mērķiem.

Augstas sarežģītības ražošanas nozarēs, piemēram, tabakas iepakojumos un augstas klases iepakojumos, šis pārejas process ir īpaši redzams.

Ražošana piedzīvo strukturālu pāreju no efektivitāti nodrošinošām sistēmām uz enerģiju un ilgtspējību nodrošinošām sistēmām. Nākotnē automatizācija un Mākslīgais intelekts vairs nebūs neobligāti modernizācijas pasākumi, bet gan pamata spējas ilgtspējīgām ražošanas sistēmām.

Iekārtu ražotājiem vajadzētu apsvērt papildu R&D modernizāciju digitālizācijā, intelektuālās sistēmas attīstībā un mākslīgā intelekta pielietojumos, lai atbalstītu globālo oglekļa emisiju samazināšanu.