В момента глобалната производствена индустрия преминава през критичен етап на преход от автоматизация към когнитивни технологии. В този процес технологията за интелигентно сортиране се развива от прост инструмент за контрол на качеството до единствения основен възел за възприемане в индустриалната верига, който може непрекъснато и без разрушителен начин да получава изчерпателни данни за физическите и химичните свойства на материалите. Същността на тази трансформация е преходът на оборудването за сортиране от „терминал за изпълнение“ към „терминал за събиране и анализ на данни“ и въз основа на това изграждането на машина за знания, която задвижва оптимизацията и иновациите на цялата индустриална верига.
1, Революция в измерението на данните: от сканиране на външен вид до холографска цифрова двойна конструкция
RGB информацията за изображението, на която се разчита традиционното сортиране, е само върхът на айсберга на материалните цифрови функции. Системата от следващо поколение е изградена с "Material Holographic Digital Twin Archive", който фундаментално разширява своите измерения на данните:
Обединяване на данни за физически свойства в различни мащаби: Системата събира синхронно много-мащабни данни от макро до микро нива. Включително: 3D геометрични форми на милиметрово ниво (обем, кривина, дълбочина на повърхностен дефект), повърхностни текстури и блясък на ниво микрометър (чрез изображения с макро поляризирана светлина) и спектрални пръстови отпечатъци на молекулни материали на нанометрово ниво (чрез хиперспектрално/близко-инфрачервено). Например, дигитален архив на пшенично зърно може да включва целостта на неговия вид зърно (засягащ добива на брашно), степента на увреждане на повърхността (свързана със стабилността при съхранение) и вътрешното разпределение на протеина и влагата (определящо качеството на обработка). Тези данни заедно представляват пълна основа за оценка на крайната му употреба, като брашно за хляб или фураж от висок{6}}клас.
Временен динамичен поток от данни: Модерните системи за сортиране не само извеждат единични резултати от сортиране, но също така генерират непрекъснати потоци от времеви данни за качество на материала. Чрез анализиране на моделите на отклонение на данните за суровините при различни производствени партиди, периоди на прибиране на реколтата и условия на съхранение, системата може да създаде прогнозен модел. Например, чрез наблюдение, че спектралните характеристики на съдържанието на влага на кафеените зърна в конкретна производствена зона постепенно се доближават до прага за растеж на мухъл, рисковете при съхранение могат да бъдат предупредени предварително и приоритетите на обработката могат да бъдат коригирани, като се постигне преминаване от режим на контрол на качеството „след отстраняване“ към „предварителна профилактика“.
Свързани данни за процеса: Данните за състоянието на оборудването (като вибрации, температура, въздушно налягане) и данните за ефекта на сортиране (степен на отхвърляне, коефициент на изваждане) са дълбоко свързани и анализирани. Това не само позволява предсказуема поддръжка, но също така позволява обратна оптимизация на механичния и пневматичния дизайн. Инженерите могат да итерират физическата структура на новото поколение оборудване и да образуват цикъл за „изследователска и развойна дейност, управляван-от данни“, като анализират „кой режим на вибрация причинява намаляване на точността на сортиране на конкретни размери зърна“.
2, Подобряване на измерението на цикъла на вземане на решения: от „елиминиране на дефектни продукти“ до „оптимизиране на целия процес“
Въз основа на многоизмерните данни, споменати по-горе, категорията решения за интелигентно сортиране е постигнала две ключови разширения:
Сътрудничество във веригата за доставки с предварителна връзка: Сортирането на данни се превръща в „навигатор“, насочващ селскостопанските и минните операции нагоре по веригата. В областта на селското стопанство, чрез провеждане на спектрален обратен анализ на окончателно сортирани високо-качествени и ниско-качествени култури, е възможно точно да се идентифицират факторите за засаждане, които причиняват разлики в качеството, като например дефицит на микроелементи и неравномерно напояване в конкретни парцели. Тези данни могат да бъдат върнати обратно във фермата, за да ръководят прецизното торене и управление на полето. В минното дело ранните данни за сортиране на сурова руда могат директно да ръководят избора на минни забои и оптимизирането на плановете за взривяване, намалявайки смесването на отпадъчни скали от източника и подобрявайки ефективността на използване на ресурсите.
Адаптивно гъвкаво планиране на пътя на обработка: В гъвкавите производствени единици интелигентните машини за сортиране играят ролята на „мозък за маршрутизиране на материала“. Той разпознава характеристиките на всяка най-малка обработваща единица (като зърно или фрагмент) в реално време и динамично присвоява подходящи последващи пътища за обработка за нея. Например, на линия за обработка на ядки, системата насочва всеки бадем към „Пълнозърнеста първокласна опаковка“, „Производствена линия за нарязване“ или „Канал за смилане на сос“ въз основа на неговия размер, плътност и местоположение на незначителни дефекти, постигайки максимална обща изходна стойност. Това изисква системата за сортиране да постигне обмен на данни на ниво милисекунда и координация на команди с роботи, AGV и MES системи.
3, Натрупване и повторно използване на знания: Изграждане на специфична за индустрията „графика на знания за индустрията“
Крайната стойност на данните се крие в натрупването на многократно използвани знания. Водещите доставчици на технологии за избор на цвят са се ангажирали да изградят „графика на знанието за индустрията“ за вертикални индустрии:
База знания за причината за дефекта: Системата не само записва „какви“ са дефектите, но също така прави изводи „защо“ дефектът е възникнал чрез многоизмерен анализ на асоциирането на данни. Например свързване на специфичния плесенясал спектрален модел на годжи бери с исторически данни за времето (валежи в сезона на реколтата) в производствената зона и съпоставяне на специфичната морфология на порите на ядките с база данни за съхранявани видове вредители. Натрупването на тези причинно-следствени връзки е формирало знания за решаване на общи проблеми в индустрията.
Модел за прогнозиране на качеството на процеса: Използвайки машинно обучение за генериране на огромни количества данни, установете модел за прогнозиране за параметри на обработка (като температура на сушене, време за полиране) до крайните резултати от сортиране. Клиентите могат да симулират и коригират параметрите на процеса във виртуална среда, да предвидят тяхното въздействие върху крайния добив и ниво на качество и да намерят оптималното решение преди действителното производство, като значително намаляват разходите за опити и грешки.
Отворена екосистема за сътрудничество на знания: Графиките на знания не са затворени системи. Съгласно предпоставката за осигуряване на поверителност на данните (чрез технологии като федеративно обучение и диференциална поверителност), различни предприятия и изследователски институции могат да предоставят фрагменти от данни, да проверяват хипотези и да споделят подобрения на модела на доверена платформа, като съвместно ускоряват разбирането и разработването на технологии за сортиране на специфични материали (като нови синтетични материали и застрашени лечебни билки) в цялата индустрия.
4, Бъдеща форма: като стандартизиран терминал за възприемане на индустриалния интернет
Гледайки напред към бъдещето, високостандартизираният и интелигентен модул за сортиране ще се превърне в незаменима инфраструктура за различни платформи за "индустриален интернет". Той е като интелигентен сензор в Интернет на нещата, но неговите сензорни обекти постоянно-променят физическите материали. Независимо дали се прилага към хранителни фабрики, фармацевтични фабрики, станции за рециклиране или космически бази, той може да преобразува материалния поток на физическия свят в стандартизирани потоци от високо-качествени данни в реално време и да ги обедини в по-широко индустриално езеро от данни.
Заключение: Крайната граница на конкуренцията
В този момент конкурентните измерения на индустрията на машините за сортиране на цветове са ясно представени: първоначална конкуренция за производителност на хардуера и точност на сортиране; Средно ниво конкурентни алгоритъм възможности и решения; Конкуренцията на високо ниво се крие в дълбочината на извличането на познания в индустрията, широчината на изграждането на екосистемата от данни и способността за трансформиране на данни в стратегически активи на клиента. Бъдещите лидери неизбежно ще бъдат онези предприятия, които могат да прецизират данните, генерирани по време на процеса на сортиране, в „горива за знание“ с висока-чистота, които водят до намаляване на разходите, подобряване на ефективността и иновации в цялата индустриална верига. Интелигентното сортиране не само определя чистотата на материалите, но и дълбочината и границите на индустриалния интелект.