Station de Tri Inline Ref. A-095947

Descriptif technique

• Pression de service : 600 kPa (6 bar)
• Alimentation électrique : 110/230 V/50/60 Hz
• Dimensions pièce à traiter carrée/ronde : max. 40 mm
• Dimensions (l x P x H) : env. 350 – 700 x 700 x env. 1 705 mm (hauteur variable)

Processus

Un dispositif de lecture/écriture RFID avec réglage en hauteur s'adapte aux pièces à traiter entrantes et lit leur mémoire de produit.

• La couleur et le matériau de la pièce à traiter sont alors détectés.
• En comparant les valeurs mesurées avec les données provenant de la RFID ou d'un MES connecté, il est possible de détecter des erreurs dans la couleur et le matériau de la pièce à traiter.
• Les pièces à traiter sont ensuite soit triées sur l'une des deux goulottes, soit transmises aux postes en aval.
• Un dispositif de l'Internet des objets industriel surveille les deux goulottes à l'aide d'une caméra.
• Un algorithme d'apprentissage machine sur un petit ordinateur évalue les images de la caméra et reconnaît ainsi le nombre de pièces à traiter sur chaque goulotte.

Structure de base du module de système

• Un module de système MPS 400 se compose d'un poste sur un chariot MPS avec réglage en hauteur.
• La hauteur de travail peut ainsi être adaptée de manière ergonomique à la taille des apprenants et à l'activité respective dans le processus d'apprentissage.
• Le chariot dispose d'un panneau de commande avec des boutons pour la commande de base ou pour la direction du poste. Le statut actuel du poste est indiqué par un champ lumineux.
• Un bouton d'arrêt d'urgence arrête tous les actionneurs du bloc système.
• Certains des signaux d'entrée et de sortie ainsi que 24 V et GND peuvent être balayés par des prises de laboratoire de sécurité de 4 mm à gauche et à droite du panneau de commande.

Lot de taille 1

• Chaque module de système MPS 400 est équipé d'un switch Ethernet et d'un API.
• Le programme de l'API relie le module du système au MES de l'ensemble de l'installation.
• L'API est connecté à un appareil de lecture et d'écriture RFID via un contrôleur RFID.
• Cela permet le transfert de la mémoire numérique du produit depuis et vers les étiquettes RFID des pièces à traiter individuelles.
• Les étapes de production requises dans chaque cas – avec des paramètres individuels le cas échéant – sont communiquées individuellement pour chaque pièce à traiter à partir du MES vers l'API du module de système.
• Cela permet d'apprendre des concepts tels que la diversité des variantes dans la production jusqu'à un lot de taille 1.

Un dispositif de lecture/écriture RFID avec réglage en hauteur s'adapte aux pièces entrantes et lit leur mémoire produit. La couleur et le matériau de la pièce sont alors reconnus. En comparant les valeurs mesurées avec les données de la RFID ou d'un MES connecté, des erreurs de couleur et de matériau de la pièce peuvent être détectées. Les pièces sont ensuite soit triées sur l'une des deux goulottes, soit transmises aux stations suivantes. Un appareil IIoT utilise une caméra pour surveiller les deux diapositives. Un algorithme d'apprentissage automatique sur un petit ordinateur évalue les images de la caméra et reconnaît ainsi le nombre de pièces sur chaque diapositive.

• Combinatoire des capteurs

Les stagiaires traitent de la combinaison et de l'évaluation de différents types de capteurs, ici des capteurs diffus, des barrières lumineuses et des capteurs inductifs. De cette façon, ils peuvent voir comment l'utilisation combinée de capteurs peut générer des informations qu'aucun capteur ne pourrait capturer individuellement.

• Apprentissage automatique

Les apprenants reçoivent une introduction facile au domaine complexe de l'intelligence artificielle et à son application pratique dans l'environnement de production. Les avantages et les inconvénients ainsi que les étapes et les défis typiques lors de la modernisation des systèmes de production existants (rénovation IIoT) peuvent également être transmis. Les données supplémentaires obtenues dans le cadre de la modernisation de l'IIoT augmentent la qualité des décisions. Ces améliorations grâce à l'apprentissage automatique montrent également des opportunités pour de nouveaux modèles commerciaux.