បច្ចេកវិទ្យាបង្កើតឌីជីថលធ្វើឱ្យការប៉ះផ្ទាល់ថ្នាំប៉ូលីអេស្ត័រមានភាពស្ថិតស្ថេរយ៉ាងដូចម្តេច?

ការគ្រប់គ្រងដំណើរការតាមពេលវេលាជាក់ស្តែងសម្រាប់ការអនុវត្តការគ្របស្រទាប់ប្រេងធូរដែលមានស្ថេរភាព

កត្តាបរិស្ថានដូចជាការប្រែប្រួលសំណើម និងការខូចខាតមេកានិចក្នុងប្រព័ន្ធស្រោចស្រពអគ្គិសនីបណ្តាលឱ្យមានភាពខុសគ្នាខ្លាំងក្នុងការគ្របស្រទាប់ប្រេងធូរ។ ការប្រែប្រួលទាំងនេះផ្លាស់ប្តូរប្រសិទ្ធភាពការផ្ទេរ និងគំរូនៃការកកើត ដែលនាំឱ្យកម្រាស់ស្រទាប់មិនស្ថិតស្ថេរ។

ការប្រែប្រួលបរិស្ថាន និងមេកានិចបណ្តាលឱ្យមានភាពខុសគ្នាក្នុងការស្រោចស្រពអគ្គិសនី

ការប្រែប្រួលសំណើមបរិយាកាសលើសពី 15% ធ្វើឱ្យកើនឡើងនូវភាពធន់នៃផ្សែង ខណៈដែលការខូចខាតរបស់មុខងារបាញ់លើសពីកំហាប់ដែលអ្នកផលិតកំណត់ ធ្វើឱ្យរំខានដល់ភាពស្មើគ្នានៃការរាយផ្សែង។ រួមគ្នា អថេរទាំងនេះដែលគ្មានការគ្រប់គ្រង បណ្តាលឱ្យមានការប្រែប្រួល ±12% នៃកម្រាស់ស្រទាប់ក្នុងកម្មវិធីឧស្សាហកម្ម — ដោយផ្ទាល់បំផ្លាញភាពអាចធ្វើម្តងទៀតបាននៃដំណើរការ និងគុណភាពផ្ទៃបញ្ចប់។

ប្រព័ន្ធត្រឡប់មតិបិទជិតដោយប្រើឧបករណ៍អ៊ីអូធី (IoT) និងការគ្រប់គ្រង PID ដើម្បីស្ថានភាពវ៉ុល សម្ពាធអាកាស និងអត្រាបំពេញផ្សែង

បណ្តាញសេនសើរ IoT តាមដានប៉ារ៉ាម៉ែត្រសំខាន់ៗជាបន្តបន្ទាប់ រួមទាំងកម្រិតចេញផលវ៉ុលគីឡូ (kV) សម្ពាធ​ធ្វើឱ្យ​អណ្តែត (fluidization pressure) ដែលគួរតែនៅស្ថិតក្នុងចន្លោះ ៤ ដល់ ៦ psi ហើយអត្រាការហូរចេញនៃផ្សិត (powder) តាមប្រព័ន្ធដែលកំពុងប្រើប្រាស់។ នៅពេលដែលតម្លៃទាំងនេះចាប់ផ្តើមប៉ះពាល់ចេញពីជួរដែលកំណត់ កម្មវិធីគ្រប់គ្រង PID នឹងចាប់ផ្តើមដំណើរការក្នុងរយៈពេលត្រឹមតែ ២០០ មិលលីវិនាទី ដើម្បីធ្វើការកែតម្លៃដែលចាំបាច់។ ការកែតម្លៃទាំងនេះជួយឱ្យស្ថេរភាពវ៉ុល ដែលនៅស្ថិតក្នុងជួរ ±២ kV ដើម្បីការពារបញ្ហាដែលបណ្តាលមកពីប្រអប់ហ្វារ៉ាដេ (Faraday cage)។ ក្នុងពេលជាមួយគ្នានេះ កម្មវិធីគ្រប់គ្រងក៏គ្រប់គ្រងការប្រែប្រួលនៃសម្ពាធខ្យល់ឱ្យនៅស្ថិតក្នុងជួរដែលមានភាពខុសគ្នាត្រឹមតែ ០,០៥ បារ (bar) ហើយក៏ធ្វើឱ្យល្បឿនចំណាយផ្សិតសមស្របទៅនឹងរាងរបស់ផ្នែកដែលកំពុងត្រូវបានផលិតផងដែរ។ ប្រព័ន្ធទាំងមូលដំណើរការដូចម៉ាស៊ីនមួយដែលបានប៉ុនប៉ាន់យ៉ាងល្អ ដោយរក្សាបាននូវសមតុល្យអេឡិចត្រូស្តាទិក (electrostatic balance) ឱ្យបានត្រឹមត្រូវ ទោះបីជាកត្តាបរ៉ាម៉ែត្រខាងក្រៅប្រែប្រួល ឬគ្រឿងបរិក្ខារនៃម៉ាស៊ីនបាក់ស្បើយទៅតាមពេលវេលាក៏ដោយ។

ករណីសិក្សា៖ ប្រព័ន្ធដែលបានធ្វើអាតូម៉ាតិកដោយសេចក្តីដើម បានបន្ថយស្ថានភាពប្រែប្រួលនៃកម្រាស់ (standard deviation) បាន ៦៨% លើផ្នែកឆេស៊ីស្ការ (chassis) របស់រថយន្តចំនួន ១២.០០០ គ្រឿង

ការអនុវត្តន៍ការគ្រប់គ្រងដោយផ្អែកលើសេនស័រលើបន្ទាត់ផលិតកម្ម បានផ្តល់នូវភាពប្រសើរឡើងដែលអាចវាស់វែងបាន ក្នុងភាពស៊ីជម្រៅ និងប្រាក់ចំណេញ៖

លទ្ធផលគឺ 99.3% សមត្ថភាពដំណើរការ (CpK) នៅលើរូបធរណីវាឡើងដែលស្មុគស្មាញ—ដោយសារការធ្វើសមកាលកម្មប៉ារ៉ាម៉ែត្របន្ត និងការកែតម្រូវជាពេលវេលាជាក់ស្តែងសម្រាប់ឥទ្ធិពលអេឡិចត្រូស្ថាទិច។

ការព្យាករណ៍ស្រទាប់កម្រាស់ដែលប្រើប្រាស់ AI និងការបង្កើនប្រសិទ្ធិភាពលទ្ធផលផ្សែង

ទំនាក់ទំនងមិនលីនេអ៊ែររវាងសារធាតុផ្សែង និងកម្រាស់ស្រទាប់ នៅតាមរូបរាងស្មុគស្មាញ

ការទទួលបានកម្រាស់ស្រទាប់ដែលស្ថិតស្ថេរនៅតែជាបញ្ហាធ្ងន់ធ្ងរមួយ ដោយសារតែការប្រអប់គ្នារវាងសារធាតុផ្សែង និងការដាក់ស្រទាប់មានលក្ខណៈមិនអាចទស្សន៍ទាយបាន ជាពិសេសនៅពេលដែលធ្វើការជាមួយរូបរាងស្មុគស្មាញ ដូចជាកន្លែងដែលមានការប៉ះទង្គិច មុតមានកោណស្រួច ឬកន្លែងជ្រៅនៅលើផ្នែក។ កម្លាំងអេឡិកត្រូស្តាទិកដែលកើតឡើងបង្កើតបានជាបាតុភូត «ការប៉ាក់ស្រមោល» ជុំវិញកោណ ដែលធ្វើឱ្យស្រទាប់កើនឡើងហួសប្រមាណ ខណៈដែលផ្នែករាបស្មើ ឬផ្នែកដែលមិនស្ថិតនៅក្នុងចំណាប់អារម្មណ៍ផ្ទាល់នៃការបាញ់ផ្សែង មានការខ្វះសារធាតុ។ នៅពេលដែលអ្នកផលិតមិនមានប្រព័ន្ធគ្រប់គ្រងដែលមានភាពស្មុគស្មាញ ការប្រែប្រួលកម្រាស់នេះអាចក្លាយទៅធ្ងន់ធ្ងរខ្លាំងណាស់ — ជារឿយៗប្រែប្រួលលើសពី ៣៥% នៅតាមផ្នែកផ្សេងៗគ្នានៃគ្រឿងផ្គុំតែមួយគ្រឿង។ នេះបណ្តាលឱ្យមានបញ្ហាគុណភាពធ្ងន់ធ្ងរនៅពេលក្រោយ ដែលមានរោងចក្រខ្លះរាយការណ៍ថា អត្រាប្រតិបត្តិការឡើងវិញ (rework) ឈានដល់ ១៨% សម្រាប់ផលិតផលដែលមានតម្លៃខ្ពស់ ដែលប៉ះពាល់ដល់ប្រាក់ចំណេញ និងធ្វើឱ្យការផលិតយឺតយ៉ាវ។

គំរូ ML ដែលបានបណ្តុះលើទិន្នន័យស្ទុះស្បែក និងទិន្នន័យទម្ងន់ អនុញ្ញាតឱ្យគំរូប៉ាន់ស្មានកម្រាស់បានត្រឹមត្រូវ ±0.5 µm

បានអភិវឌ្ឍប្រព័ន្ធបញ្ញាសិប្បនិម្មិតកម្រិតខ្ពស់ដោយការបណ្តុះបណ្តាលវាតាមរយៈចំនួនវដ្តការលាបច្រើនជាង ៥០ ០០០ ដង។ ប្រព័ន្ធទាំងនេះវិភាគកត្តាជាច្រើន រួមទាំងរបៀបដែលពន្លឺឆ្លុះចេញពីផ្ទៃ ការវាស់ទម្ងន់ក្នុងអំឡុងពេលដាក់ស្រទាប់ ផែនទី ៣ វិមាត្រលម្អិតនៃផ្ទៃ កម្លាំងវាយប្រហារនៃវាលអគ្គិសនី និងលក្ខខណ្ឌបរិស្ថានជុំវិញដំណាំ។ ប្រព័ន្ធដែលឆ្លាតវៃទាំងនេះអាចកំណត់ការកំណត់ការបាញ់ដែលល្អបំផុត ខណៈដែលដំណាំកំពុងប្រព្រឹត្តទៅ។ ចំពោះការគ្រប់គ្រងស្រទាប់កម្រាស់ គំរូទាំងនេះអាចសម្រេចបាននូវគោលដៅរបស់វាក្នុងចន្លោះបូក ឬដក ០,៥ មីក្រូម៉ែត្រ លើសម្ភារៈផ្សេងៗគ្នា។ វាគឺគួរឱ្យចាប់អារម្មណ៍ណាស់ ដោយសារតែវាបង្ហាញពីភាពច្បាស់លាស់ប្រហែល ៧៥% ប្រសើរជាងការគ្រប់គ្រងដោយដៃរបស់មនុស្ស។ ពីលទ្ធផលជាក់ស្តែង រោងចក្ររាយបានរាយការណ៍ថា ការបាត់បង់ផ្សែងបានថយចុះប្រហែល ២២% ជាមធ្យម។ លើសពីនេះទៀត ពួកគេមិនចាំបាច់ឈប់ខ្សែផលិតកម្មតែមួយគត់ ដើម្បីពិនិត្យមើលថាតើស្រទាប់បានសម្រេចតាមស្តង់ដារដែលបានកំណត់ឬអត់ទេ ដែលជួយសន្សំសំចំពេល និងប្រាក់កាក់ក្នុងដំណាំផលិតកម្មបន្ត។

ការត្រួតពិនិត្យឌីជីថល និងការធានាគុណភាពដោយផ្អែកលើវេទិកាអ៊ីនធឺណែតសម្រាប់ការគ្របដណ្តប់ដោយប្រើសំណើម

ការត្រួតពិនិត្យដោយភ្នែកដោយរបៀបបុរាណ មានការលំបាកក្នុងការរកឃើញខ្ទះតូចៗនៅក្នុងស្រទាប់សំណើមដែលត្រូវបានបង្កើតឡើងក្រោម 25 µm — ជាពិសេស ខ្ទះតូចៗ តំបន់ដែលមិនទាន់ឆ្អែតគ្រប់គ្រាន់ ឬតំបន់ដែលស្តើងពេក — ទោះបីជាគោលដៅនៃស្តង់ដារ ISO 4628 ក៏ដោយ។ ការកំណត់ដោយមនុស្សលើការប្រែប្រួលទាំងនេះ ជាញឹកញាប់នាំឱ្យមានការបាត់បង់ការជាប់គ្នា ឬការ corrosion មុនពេលវេលាកំណត់បន្ទាប់ពីដំឡើង។

ការថតរូបភាពអ៊ីប៉ុស្បេកត្រាល AI នៅផ្នែកគែម និងការរកឃើញភាពខុសប្រក្រតីតាមរយៈវេទិកាអ៊ីនធឺណែត អាចការពារភាពខុសប្រក្រតីក្រោយពេលបង្កើត

ការថតរូបស្បែកអ៊ីព័រស្បេქទ្រាល (Hyperspectral imaging) ចាប់យកព័ត៌មានគីមីលម្អិតពីផ្ទៃនៅតាមជួរប្រវែងខ្សែភ្លឺដែលពិបាកប៉ះពាល់ ចាប់ពី UV ដល់ NIR។ តើអ្វីដែលធ្វើឱ្យវាពិសេស? វាអាចសង្កេតឃើញបញ្ហានៃការរឹង (curing) ដែលវិធីសាកសួរធម្មតាមិនអាចឃើញបាន។ ក្នុងពេលជាមួយគ្នានេះ ក្បួនដោះស្រាយ Edge-AI កំពុងតែត្រួតពិនិត្យជាបន្តបន្ទាប់នូវកម្រាស់ស្រទាប់ (coating thickness) និងកម្រិតដែលម៉ូលេគុលភ្ជាប់គ្នាយ៉ាងណាស់ ខណៈដែលវត្ថុធាតុកំពុងតែត្រូវបានអនុវត្ត មិនរង់ចាំរហូតដល់វារឹងស្រេចទេ។ ព័ត៌មានដែលមានតម្លៃទាំងអស់នេះត្រូវបានផ្ញើទៅកាន់វេទិកាទុកឃុំតាមបណ្តាញ (cloud storage platforms) ដោយសុវត្ថិភាព។ នៅទីនោះ គំរូគ្រប់គ្រងដំណាំស្ថិតិ (statistical process control models) ចាប់ផ្តើមភ្ជាប់ប្រភេទផ្សេងៗគ្នានៃកំហុសទៅនឹងអ្វីដែលកើតឡើងមុននៅក្នុងដំណាំផលិតកម្ម។ ឧទាហរណ៍ដូចជា ការផ្លាស់ប្តូរវ៉ុលតេស្តដែលមិនបានរំពឹងទុក ការកើនឡើងភ្លាមៗនៃសំណើម ឬពេលដែលអត្រាប៉ះផ្ទះ (feed rates) ធ្លាក់ចុះយ៉ាងខ្លាំង។ នៅពេលដែលអ្នកផលិតចាប់បានបញ្ហាបែបនេះតាំងពីដំណាំផលិតកម្មដំបូងៗ ពួកគេអាចបញ្ឈប់បញ្ហាធ្ងន់ធ្ងរជាងនេះនៅពេលក្រោយ ដូចជា ការបង្កើតរន្ធដុះ (craters) នៅលើស្រទាប់ ស្រទាប់បែកចេញពីគ្នា ឬវត្ថុធាតុមិនអាចជាប់គ្នាបានតាមតម្រូវការទៀត។

ការថែទាំប៉ាន់ស្មាន និងការកែតម្រូវឌីជីថលទ្វេ (Digital Twin) សម្រាប់ធានាភាពស៊ីគ្នាបន្តនៃការគ្របដណ្តប់ជាមួយបាយផ្សិត

ការថែទាំប៉ាន់ស្មានមុនពេលបរាជ័យ ដំណើរការដោយភ្ជាប់សេនសើរ IoT ជាមួយនឹងក្បួនដែលប្រើការរៀនរបស់ម៉ាស៊ីន ដែលអាចស្វែងរកឃើញពេលដែលឧបករណ៍ចាប់ផ្តើមខូច មុនពេលវាបរាជ័យពិតប្រាកដ ហើយឈប់ផលិតទាំងស្រុង។ សម្រាប់ក្រុមហ៊ុនដែលប្រតិបត្តិការគ្របដណ្តប់ធូល (powder coating) ការខូចប៉ះទង្គិចដែលមិនបានរំពឹងទុកនឹងបណ្តាលឱ្យមានបញ្ហាជាច្រើនភ្លាមៗ រួមទាំងការមិនស្មើគ្នានៃកម្រាស់ស្រទាប់ និងការខ្ជះខ្ជាយសារធាតុ។ បច្ចេកវិទ្យាទ្វេដុំឌីជីថល (Digital twin) បង្កើតច្បាប់គំរូឌីជីថលនៃប្រព័ន្ធជាក់ស្តែង ដែលត្រូវបានធ្វើបច្ចុប្បន្នភាពជាបន្តបន្ទាប់ដោយទិន្នន័យពិតប្រាកដពីជណ្តើរផលិតកម្ម។ គំរូឌីជីថលទាំងនេះតាមដានរឿងផ្សេងៗ ដូចជាការខូចខាតនៃផ្នែក ដូចជាប៉ោង ប៉ាំប៊ី និងម៉ាស៊ីនបង្កើតអគ្គិសនីស្ថិតិ (electrostatic generators) ដែលយើងពឹងផ្អែកលើយ៉ាងខ្លាំង។ វាក៏គិតគូរដល់ការផ្លាស់ប្តូរនៃលក្ខខណ្ឌបរិស្ថាន និងការធ្លាក់ចុះបន្តិចម្តងៗនៃសមត្ថភាពតាមពេលវេលាផងដែរ។ ប្រព័ន្ធបន្ទាប់មកក៏កំណត់ដោយស្វ័យប្រវ័ត្តិនូវការកំណត់សំខាន់ៗ ដូចជាកម្រិតវ៉ុល្លេស (voltage levels) ល្បឿនដែលធូលឆ្លងកាត់ប្រព័ន្ធ និងល្បឿនរបស់របារបើកបរ (conveyor belt speeds)។ នៅពេលបុគ្គលិកថែទាំទទួលបានសញ្ញាប្រកាសជាមុនអំពីការត្រូវជំនួសផ្នែកណាមួយនៅពេលឆាប់ៗ ពួកគេអាចការពារបញ្ហាដូចជា ការអានវ៉ុល្លេសមិនស្ថិតស្ថេរ ប៉ោងត្រូវបានរារាំង ឬរបារបើកបរដែលដំណើរការលឿនឬយឺតពេក។ លទ្ធផលចុងក្រោយ? គុណភាពគ្របដណ្តប់ប្រសើរឡើង ក្នុងអំឡុងពេលផលិតកម្មវែងជាងមុន ដោយគ្មានការឈប់ផលិតទាំងស្រុងដើម្បីកំណត់ឡើងវិញនូវប៉ារ៉ាម៉ែត្រដោយដៃជាបន្តបន្ទាប់។