راز کاهش ضایعات در تولید ظروف پلاستیکی؛ چگونه هوش مصنوعی تولید را کم هزینه تر می کند؟  

در صنعت تولید ظروف پلاستیکی، حتی یک درصد ضایعات بیشتر میتواند به معنای مصرف مواد اولیه، انرژی و زمان بیشتر و در نهایت کاهش سودآوری باشد. به همین دلیل،  کاهش ضایعات تولید دیگر تنها یک هدف اقتصادی نیست؛ بلکه یکی از شاخص های مهم بهره وری، کیفیت و پایداری در کارخانه های مدرن محسوب میشود. اما سؤال اصلی اینجاست: آیا میتوان قبل از آنکه محصول معیوب از خط تولید خارج شود، مشکل را شناسایی کرد؟پاسخ، ترکیبی از بینایی ماشین، هوش مصنوعی و کنترل فرایند است؛ فناوریهایی که در حال تغییر روش کنترل کیفیت ظروف پلاستیکی هستند.

چرا ضایعات در تولید ظروف پلاستیکی ایجاد می شوند؟

فرایند تولید ظروف پلاستیکی، به ویژه در روش هایی مانند تزریق پلاستیک، ترموفرمینگ و قالبگیری بادی، تحت تأثیرپارامترهای متعددی قرار دارد. تغییرات کوچک در شرایط فرایند میتواند باعث ایجاد عیوبی مانند حباب، حفره ترک ، شکستگی، تاب برداشتگی، تغییر ضخامت، سوختگی و تغییر رنگ، خطوط جریان، پرشدگی ناقص، پلیسه، آلودگی یا ذرات خارجی و تغییر شکل لبه و دهانه ظرف در روش سنتی، بخش قابل توجهی از این عیوب توسط اپراتور و پس از تولید شناسایی میشود. مشکل اینجاست که در این مرحله، محصول معیوب قبلاً مواد اولیه و انرژی مصرف کرده است. اگر یک ایراد از ابتدای تولید تشخیص داده نشود، ممکن است صدها یا هزاران قطعه معیوب تولید شود تا اپراتور متوجه مشکل شود. یکی از مهم ترین تغییرات در کارخانه های هوشمند، حرکت از کنترل کیفیت پس از تولید به سمت کنترل کیفیت آنلاین و پیشگیرانه است.

در این رویکرد، دوربین ها به صورت مداوم محصولات خارج شده از دستگاه را بررسی می کنند. تصاویر به سیستم پردازش تصویر منتقل شده و الگوریتم هوش مصنوعی، ویژگی های ظاهری محصول را با نمونه های سالم مقایسه میکند. به این ترتیب، سیستم میتواند عیوب را در همان لحظه شناسایی کند.

مسیر ساده این فناوری:1 . اصلاح فرایند 2. تصمیمگیری 3. تشخیص عیب 4.پردازش تصویر 5.تصویربرداری 6.تولید  

این چرخه باعث می شود کنترل کیفیت از یک مرحله بازرسی نهایی به بخشی از خود فرایند تولید تبدیل شود.

هوش مصنوعی چگونه عیب را تشخیص میدهد؟

سیستم های مدرن بینایی ماشین تنها به دنبال یک رنگ یا شکل خاص نیستند. الگوریتم های یادگیری ماشین و به خصوص یادگیری عمیق (Deep Learning) میتوانند الگوهای پیچیده موجود در تصاویر را یاد بگیرند. برای مثال، سیستم میتواند با مشاهده تعداد زیادی نمونه سالم و معیوب، تفاوت میان یک سطح استاندارد و سطح دارای ترک، حباب یا تغییر شکل را یاد بگیرد. در یک سیستم عملیاتی، معمولاً چند مرحله وجود دارد:

۱ .تصویربرداری : دوربین های صنعتی با سرعت بالا از ظروف در نقاط مشخص خط تولید تصویر میگیرند.

۲ .پیش پردازش تصویر : نور، کنتراست، نویز و سایر ویژگی های تصویر تنظیم می شوند تا اطلاعات مهم بهتر قابل تشخیص باشند.

۳ .استخراج ویژگی ها: سیستم ویژگی هایی مانند شکل، ابعاد، رنگ، بافت و نواحی غیرطبیعی را بررسی میکند.

۴ .تشخیص عیب: مدل هوش مصنوعی مشخص میکند که محصول سالم است یا دارای یک یا چند نوع عیب.

۵ .تصمیم گیری :در صورت تشخیص محصول معیوب، سیستم میتواند فرمان جداسازی محصول یا ارسال هشدار برای اپراتور و مسئولتولید را صادر کند.

کاهش ضایعات فقط با تشخیص محصول معیوب اتفاق نمی افتد  

نکته مهم این است که ارزش واقعی هوش مصنوعی تنها در جداسازی قطعات معیوب نیست. اگر سیستم بتواند اطلاعات عیوب را در طول زمان ذخیره و تحلیل کند، کارخانه میتواند به منبع ایجاد مشکل نیز دست پیدا کند. برای مثال، فرض کنید در یک خط تولید، تعداد ظروف دارای تاب برداشتگی در یک بازه زمانی افزایش پیدا کند. هوش مصنوعی می تواند اطلاعات مربوط به عیب را در کنار داده های فرایندی بررسی کند؛ داده هایی مانند: دمای مذاب، دمای قالب، فشار تزریق، سرعت تزریق، زمان خنک کاری، زمان سیکل، فشار نگهداری و شرایط مواد اولیه در این حالت، سیستم از یک بازرس هوشمند به یک ابزار تحلیل فرایند تبدیل میشود.

داده؛ ماده اولیه کارخانه هوشمند

در تولید سنتی، ممکن است اطلاعات مربوط به ضایعات فقط به شکل یک عدد ثبت شود: امروز ۵۰۰ قطعه ضایعات داشتیم. اما در یک کارخانه داد همحور، سؤا لهای بیشتری مطرح میشود: چه نوع عیبی ایجاد شده است ؟ در چه ساعتی افزایش پیدا کرده است ؟ در کدام دستگاه یا قالب رخ داده است ؟ کدام پارامتر فرایند همزمان تغییر کرده است؟ آیا این عیب در یک حفره خاص قالب بیشتر اتفاق افتاده است؟ پاسخ به این سؤالات میتواند به شناسایی ریشه مشکل کمک کند. به همین دلیل، ترکیب داده های بینایی ماشین با داده های دستگاه ها میتواند دید بسیار دقیق تری از وضعیت خط تولید ایجاد کند.

مزایای کاهش ضایعات با هوش مصنوعی

استفاده صحیح از سیستم های هوشمند می تواند چندین مزیت مهم برای تولیدکننده داشته باشد:

کاهش مصرف مواد اولیه :هر محصول معیوب به معنای مصرف مقداری مواد اولیه بدون ایجاد محصول قابل فروش است. کاهش ضایعات مستقیماً به کاهش مصرف مواد کمک میکند.

کاهش هزینه تولید : کاهش ضایعات فقط صرفه جویی در پلیمر نیست. انرژی، زمان دستگاه، نیروی انسانی و هزینه بسته بندی نیز تحت تأثیرقرار می گیرند.

افزایش یکنواختی کیفیت: کنترل خودکار میتواند اختلاف میان ارزیابی اپراتورهای مختلف را کاهش دهد و معیار ثابت تری برای کنترل کیفیت ایجاد کند.

افزایش سرعت بازرسی: یک سیستم بینایی ماشین میتواند محصولات را با سرعتی بسیار بالا و بهصورت مداوم بررسی کند.

شناسایی سریع مشکلات خط : افزایش ناگهانی یک نوع عیب میتواند بهعنوان یک هشدار برای بررسی دستگاه، قالب یا پارامترهای فرایند عمل کند.

آیا هوش مصنوعی جایگزین اپراتور میشود؟

هدف اصلی این فناوری، حذف نقش انسان نیست؛ بلکه تقویت توانایی کارشناسان و اپراتورها است. اپراتور تجربه و دانش فرایندی دارد، در حالی که سیستم هوش مصنوعی میتواند حجم بسیار زیادی از داده و تصویر را در مدت کوتاهی تحلیل کند. بهترین نتیجه زمانی حاصل می شود که این دو در کنار یکدیگر قرار بگیرند: تجربه انسانی + دادههای تولید + بینایی ماشین + هوش مصنوعی  این ترکیب میتواند تصمیمگیری در خط تولید را سری عتر و دقیقتر کند.

آینده تولید ظروف پلاستیکی؛ کارخانه ای که خودش را کنترل میکند  

نسل آینده کارخانههای پلاستیک تنها به دنبال تشخیص محصول معیوب نیستند. هدف نهایی، حرکت به سمت سیستم هایی است که بتوانند عیب را پیشبینی کرده و قبل از افزایش ضایعات، به اپراتور هشدار دهند. تصور کنید سیستم متوجه شود که ترکیبی از افزایش دمای قالب، تغییر فشار تزریق و افزایش تدریجی یک عیب سطحی ،احتمال تولید محصول معیوب را بالا برده است. در چنین شرایطی، سیستم می تواند قبل از آنکه حجم زیادی از محصولات معیوب تولید شود، هشدار صادر کند. این همان تفاوت میان کنترل کیفیت سنتی و کنترل کیفیت هوشمند و پیشبینانه است.

جمع بندی  

کاهش ضایعات در تولید ظروف پلاستیکی یک راهکار واحد ندارد. کیفیت مواد اولیه، طراحی قالب، تنظیمات دستگاه، شرایط فرایند و سیستم کنترل کیفیت همگی در میزان ضایعات نقش موثری دارند. با این حال، هوش مصنوعی و بینایی ماشین می توانند یک لایه جدید و قدرتمند به این سیستم اضافه کنند؛ لایهای که نه تنها محصولات معیوب را شناسایی میکند، بلکه با تحلیل داده ها به پیدا کردن علت ایجاد عیب نیز کمک میکند. در نهایت، هدف یک کارخانه هوشمند این نیست که فقط بگوید: این محصول معیوب است. بلکه باید بتواند پاسخ دهد: چرا این محصول معیوب شده و چگونه می توان از تکرار آن جلوگیری کرد؟ همین تغییر نگاه میتواند مسیر تولید ظروف پلاستیکی را از تولید و سپس بازرسی به سمت تولید هوشمند، کنترل آنلاین و پیشگیری از ضایعات تغییر دهد.