使用线内粒度分析优化grinder和空气分类性能

现代制造流程实施综合控制监控系统目前相当正常优势之一是,它们能以可用方式及时提供大量数据:包括流程流、压力、温度、素质和能源使用

可逐分钟记录这些参数,并可提供数以万计甚至数以千计数据库操作条件记录

工作旨在寻找新契机降低能源成本,提高产量和产量,同时保持产品质量

数据挖掘-概述

数据挖掘是一种相对较新方法,目的是从大量数据中提取知识可定义为半自动化过程发现非三维、隐式、先前未知、潜在有用和易理解的大、历史和互不相容数据集信息

数据挖掘技术大致划分为三大类:

• 人工识别模式
• 半自动识别
• 自动识别(本例应用)

图1显示树段决策,与生产厂粉末粒度相关

图1实例决策树

线内粒度分析-概述

使用全自动光学系统内久成型激光反射技术确定粒子大小和干粉分布为进程监测以及产品质量提高和一致性提供新的可能性,同时减少浪费和资源合理化

采样技术保证在等电条件下实时测量是可能的,因此微粒完全和精确特征化

进程概述

N表达式操作包括预编译、复合、放大、分解和粒子化,继而分解、分类和筛分产品为墨粉,细粉产品,粒度分布紧图2显示构造、分类和筛分操作图解

图2流程流图

调色板吸尘器从桶到滤波接收器,从吸尘器通过数组阀门到推波机

螺旋传送器向脉冲器底部转移粒度,使用流化床反喷气机内部分类法将粒度缩小到12微米以下

分解后输入专用空气分类器,清除微分分数剖分器粗值产品后穿透空喷射筛以提供成品墨盒

进程数据分析

操作数据从过程监测系统分30秒收集数据包含所有关键进程参数共获取29 000多记录超过一周操作图3显示典型日期的产品粒子大小

图3粒度分布的典型变异

图4显示过程电费在整个数据集中的频率分布

图4电费图变化

数据分析使用数据挖掘技术识别模式,解释关键进程性能参数的变异性下图5显示决策树中粒子大小为“结果”(或目标)的部分

图5决策树中以粒度大小为结果

树上识别脉冲床压为影响粒子大小的最重要因素第二个因素是脉冲转子速度-加速减粒平均大小

每种进程线决策树相互对比检查,预期它们之间会看到良好的关联性。事实并非如此-特别是结果定为ield

调查时使用回热阀输出结果显示分类轮间空流是最重要的因素,并跟踪路径发现通空空量远达高

从这一发现中可以明显看出为什么该流程产值远优于其他行:空气流高,空气流直接波及分类切点高空流=粗切点

系统使用量较大导致能源使用量增加,因为压缩额外量空气需要更多电源,并加速运行分类机和排气机以补偿粗切点

契机识别

数据挖掘这些生产线显示,被认为不那么重要的参数可对工厂整体性能和能源使用产生显著影响。

多过程变量显示长短周期变异,而长周期变变异相对容易调查并改进短期产品质量提高最大

应用数据挖掘

以上讨论显示,使用数据挖掘和内线粒度分析技术分析数据可发现提高流程性能的新机会,并量化这些新机会的影响

工具箱中不仅包含方便挖掘新数据的设施,还包含可应用规则处理数据并在线向流程操作者提供建议的'专家系统'能力

结论

所做工作说明数据挖掘可有效用于提高调色板制造性能表示式确认提高产量、质量、能源使用和吞吐量,包括:

• 采行识别低用法减少用电
• 减少规范启动和关机期间产生的材料
• 通过监控空气流率提高产量
• 通过更好地了解流程步变换提高产品质量
• 故障诊断公共事业和大厂
• 更加紧微粒度分布减少频繁度和知情度调整
• 通过平滑循环变换提高工厂输出
• 进程调查比较最优方法与实战

亚博网站下载资料取材、审查并改编由Hosokawa Micron提供的材料

详情请访问川微量.