پلتفرم داده NEXT شرکت Reifenhäuser با پایش داده‌ها، امکان نمایش و بهبود شاخص اثربخشی کلی تجهیزات (OEE) را فراهم می‌کند.
در تولید پلاستیک، داده‌های ماشین‌آلات تنها زمانی ارزش واقعی پیدا می‌کنند که بتوان از آن‌ها برای تصمیم‌گیری و کنترل فرایند استفاده کرد. دیجیتالی‌سازی با تبدیل داده‌های خام تولید به اطلاعات قابل‌استفاده، امکان پایش بلادرنگ، بهبود اثربخشی کلی تجهیزات (Overall Equipment Effectiveness یا OEE) و شناسایی زودهنگام انحرافات و علل ریشه‌ای عیوب را فراهم می‌کند.
اگرچه داده‌ها سال‌هاست در ماشین‌آلات در دسترس بوده‌اند، تحول واقعی زمانی رخ می‌دهد که فرآیندکاران بتوانند از این اطلاعات برای پشتیبانی از تصمیم‌گیری استفاده کنند. سیستم‌های کنترل و پایش مدرن با تبدیل داده‌های خام به اطلاعات قابل‌تفسیر، امکان شناسایی و رفع مشکلات پیش از وقوع آن‌ها و همچنین هشدار به اپراتورها درباره عیوب احتمالی را فراهم می‌کنند.
پایش OEE و وضعیت دستگاه
شرکت Reifenhäuser، تولیدکننده آلمانی خطوط اکستروژن، پلتفرم NEXT را با هدف یکپارچه‌سازی هوش مصنوعی صنعتی و پایش بلادرنگ داده‌ها توسعه داده است. این پلتفرم امکان ردیابی متغیرهای تولید و نمایش آن‌ها را در یک داشبورد متمرکز فراهم می‌کند. داده‌هایی مانند نرخ تولید، میزان مصرف انرژی و وضعیت دستگاه در دسترس قرار می‌گیرند و می‌توان ارتباط میان آن‌ها را بررسی کرد.
شرکت Reifenhäuser با استفاده از NEXT و ابزارهای داده‌ای آن، درصدد بهره‌برداری کامل از ظرفیت داده‌های تولید است. از آنجا که فرایندهای اکستروژن حجم زیادی از داده‌های خام تولید می‌کنند، این رویکرد از تحلیل بلادرنگ داده‌ها برای افزایش بهره‌وری استفاده می‌کند. علاوه بر این، این ابزار شامل تحلیل خودکار اثربخشی کلی تجهیزات (OEE) است و اطلاعات مربوط به سه مؤلفه اصلی آن، یعنی دسترس‌پذیری، عملکرد و کیفیت را ارائه می‌دهد.
از دیدگاه یک کارخانه هوشمند، ارزش چنین سامانه‌ای تنها در نمایش داده‌ها نیست؛ بلکه در ایجاد ارتباط میان داده‌های تولید و شاخص‌های عملکردی است. داشبوردهایی که داده‌های ماشین‌آلات را به شاخص‌های قابل‌فهم تبدیل می‌کنند، می‌توانند دید یکپارچه‌تری از وضعیت تولید در اختیار تیم‌های فنی قرار دهند. این رویکرد را می‌توان در داشبورد هوشمند تولید نیز از منظر کاربرد داده‌های تولید و شاخص‌های عملکردی دنبال کرد.
رویکرد مشابهی نیز در زمینه قالب‌گیری تزریقی وجود دارد. برای مثال، شرکت‌های Sumitomo Demag و Arburg در آخرین نمایشگاه K، ابزارهای پایشی را معرفی کردند که برنامه‌های تولید را مستقیماً روی دستگاه ردیابی می‌کنند. به این ترتیب، اپراتورها می‌توانند پیشرفت سفارش تولید، قطعات معیوب و شاخص‌های کلیدی عملکرد (KPI) ضروری، مانند بهره‌وری انرژی بر حسب کیلووات‌ساعت بر کیلوگرم (kWh/kg)، را مشاهده و پایش کنند.
دسترسی به اطلاعات تجهیزات نیز بخش مهمی از تصمیم‌گیری در محیط‌های تولیدی دیجیتال است. برای شناخت و بررسی تجهیزات و فناوری‌های مرتبط با صنعت پلیمر می‌توان از کاتالوگ هوشمند تجهیزات استفاده کرد.
داده‌ها برای کنترل کیفیت در مراحل بالادستی
مجموعه خدمات هوش مصنوعی شرکت ENGEL در حوزه‌های تولید، خدمات، طراحی قطعه و نمونه‌سازی
شرکت ENGEL به‌عنوان یکی از پیشگامان دیجیتالی‌سازی، سال‌هاست راهکارهای مبتنی بر Industry 4.0، مانند نیروی گیره قابل تنظیم و تنظیم خودکار جریان را ارائه می‌دهد. اکنون این شرکت نرم‌افزارهایی را نیز به کار گرفته است که با ردیابی داده‌ها، وضعیت ماشین‌آلات را به‌صورت یکپارچه و در بخش‌های مختلف پایش می‌کنند. به‌ویژه، مجموعه فناوری‌های «Inject AI» این شرکت، فناوری‌هایی را دربر می‌گیرد که با استفاده از داده‌ها، کیفیت تولید را بهبود داده و به عیب‌یابی سیستم‌ها کمک می‌کنند.
استفاده از داده‌ها از مرحله نمونه‌سازی و آزمایش قالب‌های تزریق آغاز می‌شود تا بهترین شرایط ممکن برای فرایند تعیین شود. علاوه بر این، این داده‌ها با نرم‌افزارهای طراحی قطعه ارتباط برقرار می‌کنند تا پروفایل‌های تزریق به‌صورت مجازی ارزیابی شوند.
برای بهبود بیشتر بهره‌وری، سامانه iQ Process Observer بیش از ۱۰۰۰ پارامتر را به‌صورت بلادرنگ جمع‌آوری و پایش می‌کند. این سیستم با شناسایی انحرافات و ارائه پیشنهادهای اصلاحی، تغییرات و نوسانات کیفیت را پیش از آنکه به تولید ضایعات منجر شوند، کاهش می‌دهد.
این رویکرد نشان می‌دهد که داده‌های فرایندی می‌توانند علاوه بر پایش وضعیت ماشین، برای درک بهتر رفتار فرایند و شناسایی انحرافات نیز مورد استفاده قرار گیرند. در کاربردهای مرتبط با کیفیت محصول، فناوری‌هایی مانند بینایی ماشین نیز می‌توانند در زنجیره دیجیتال کنترل کیفیت نقش داشته باشند؛ به‌ویژه زمانی که هدف، شناسایی خودکار عیوب محصول و تبدیل نتایج بازرسی به داده قابل‌تحلیل باشد.
تغییر نگرش به سمت مراحل بالادستی
این سیستم تمامی مقادیر هدف و مقادیر واقعی را با یک مقدار مرجع تعریف‌شده مقایسه می‌کند؛ مشابه آنچه در فرایندهای سنتی کنترل کیفیت انجام می‌شود. بااین‌حال، مزیت اصلی این سیستم آن است که شناسایی مشکلات کیفی به‌صورت آنلاین و هم‌زمان با فرایند انجام می‌شود.
در نتیجه، اپراتورها می‌توانند علل ریشه‌ای مشکلات را مستقیماً در دستگاه اصلاح کنند، به‌جای آنکه پس از قالب‌گیری قطعات، آن‌ها را مورد بازرسی قرار دهند. در نهایت، این رویکرد مدیریت کیفیت را یک گام به سمت مراحل بالادستی فرایند منتقل می‌کند؛ به‌گونه‌ای که پایداری ابعادی قطعه حفظ شده و از ایجاد خطوط جریان پیش از پایان چرخه جلوگیری می‌شود.
این تغییر نگرش از «بازرسی محصول نهایی» به «پایش و کنترل فرایند» یکی از جنبه‌های مهم تولید داده‌محور است. هرچه انحراف فرایند زودتر شناسایی شود، فرصت بیشتری برای اصلاح شرایط پیش از تبدیل‌شدن آن به محصول نامنطبق یا ضایعات وجود خواهد داشت.
از داده خام تا تصمیم مهندسی
نمونه‌های مطرح‌شده در این مقاله نشان می‌دهند که دیجیتالی‌سازی زمانی بیشترین ارزش را ایجاد می‌کند که داده‌های ماشین‌آلات، شاخص‌های عملکرد، وضعیت کیفیت و اطلاعات فرایندی در یک جریان تصمیم‌گیری یکپارچه قرار گیرند. در این رویکرد، هدف صرفاً جمع‌آوری داده بیشتر نیست؛ بلکه تبدیل داده به اطلاعاتی است که بتواند به تصمیم عملیاتی منجر شود.
برای سازمان‌هایی که در حال توسعه توانمندی‌های دیجیتال خود هستند، آموزش نیز بخشی از این مسیر است. آشنایی مهندسان و کارشناسان با کاربردهای عملی داده، هوش مصنوعی و ابزارهای دیجیتال را می‌توان از طریق دوره‌های آموزشی و مرکز آموزش و دموهای Polymer-IQ دنبال کرد.
در نهایت، پیاده‌سازی چنین راهکارهایی نیازمند شناخت فرایندهای موجود، داده‌های قابل‌دسترسی و اولویت‌های واقعی کارخانه است. در پروژه‌هایی که هدف، حرکت از جمع‌آوری داده به سمت استفاده عملی از آن برای هوشمندسازی است، مشاوره هوشمندسازی می‌تواند به تعریف مسیر مناسب برای پیاده‌سازی کمک کند.
جمع‌بندی
دیجیتالی‌سازی در صنعت پلاستیک زمانی از یک ابزار جمع‌آوری اطلاعات به یک ابزار بهره‌وری تبدیل می‌شود که داده‌های تولید برای پایش وضعیت، اندازه‌گیری OEE، کنترل کیفیت و شناسایی زودهنگام انحرافات به کار گرفته شوند. نمونه‌های Reifenhäuser و ENGEL نشان می‌دهند که داده‌های ماشین‌آلات می‌توانند مستقیماً در فرایند تصمیم‌گیری و کنترل تولید مورد استفاده قرار گیرند.
حرکت کنترل کیفیت به سمت مراحل بالادستی نیز اهمیت ویژه‌ای دارد؛ زیرا به‌جای انتظار برای شناسایی عیب در محصول نهایی، امکان واکنش به انحراف فرایند در همان زمان وقوع آن فراهم می‌شود. در کنار داشبوردهای تولید، پایش خودکار کیفیت و سایر فناوری‌های Industry 4.0، این رویکرد می‌تواند بخشی از مسیر گذار صنعت پلاستیک به سمت تولید داده‌محور و هوشمند باشد.
منبع: Digitalization to Improve Productivity، Plastics Engineering، March 27, 2026.
