101年模具监控机器学习bet188娱乐城

许多大型oem厂商继续挣扎与监控工具,如模具、模具和铸件,零件生产外包。bet188娱乐城尽管制造业是工业的转折点4.0,很难相信大多数oem厂商仍然严重依赖对模具供应商电子表格数据,这严重限制了准确和及时的分析部分生产和模具使用数据透明度。bet188娱乐城

在这些大型oem,模具工程师是受影响最严重的和经常感到无能为力时,这个延迟和不完整的数据。接下来,问题开始:

• 有没有库存,模具工程师可以使用它来产生相同的部分?(这将减少任何可能破坏下游组装)
• 多少维修保养到目前为止已经完成这个模具?bet188娱乐城
• 更经济的新模具或解决这个问题吗?bet188娱乐城
• 这是工具在保修期吗?如果是这样,什么过程工具启动并运行在保证期内?负责分解吗?供应商错误是由于操作不当或p的工具制造者oorly-m专业生产工具吗?
• 我们有工具制造者的表现历史和数据驱动的性能基准测试工具制造?这是一个孤立的案例或这是类似在OEM的全球供应链吗?
• 工具在预防工具故障有多活跃?这些相关的数据共享和使用建议供应商和防止昂贵的故障?
• 做了分解工具,因为它超过了设计最大循环数?
• 我们需要担心生产的产品质量超出了设计最大循环数?有可能的质量问题问题吗?

模具工程师,但并不是唯一的集团的影响。采购(商品经理)斗争,因为工具很容易一个OEM的最大(尤其是汽车)拥有资产。此外,新工具支出公司继续增长,尽管oem厂商试图降低供应链成本。正确的工具供应链管理系统应该提供外包生产成本,一部分数据自动化,更深入的分析工具,工具制造者和性能指标的评估,等等。

不断的自动化数据收集数据流从无线计数器塑造成一个数据库也bet188娱乐城收益率预测维护功能。机器学习可以使用这个数据库来识别点模具达到次优条件并通知模具工程师所需的一个点。bet188娱乐城这一步减少意外停机时间和供应链中断,每一部分生产增加模具寿命,降低成本。bet188娱乐城

几年前,一个世界上最大的oem厂商开始监视所有的全球无线计数器和一个完全集成的工具工具的供应链管理系统。柜台安装支架或放置到预定的位置上所有的工具来收集信息(计数,周期时间、位置等)。

阅读:如何提高模具供应链透明度

这个数据被传送回工具的供应链管理系统。公司现在希望将数据集集成到机器学习算法来更好地利用其供应链管理工具系统,提高工具的健康和寿命,减少错误的零件生产和允许公司基准工具的性能。应用工具供应链管理系统随着加工学习和人工智能制造将很快成为下一个行业的需求。

核对在这个博客上的更多文章探索机器学习如何改善公司监控他们的模具。bet188娱乐城