提高生产流程的效率，传感器很重要

对于任何工业流程而言，确保机器高效率运行是实现盈利的关键，但要衡量这种效率，却不是一件容易的事情。得益于先进传感器和预测算法等新技术的出现，工程师们现在可以实时监控工业系统的效率，并通过紧密耦合的反馈回路改变它们的工作方式。

本文中，我将探讨制造商在测量和维持效率方面所面临的挑战、研究整体设备效率 (OEE) 指标，并介绍Banner Engineering的Q4X光电传感器如何帮助工程师提高机器效率。

为何难以衡量制造业的生产率？

自18世纪下半叶工业革命开始以来，制造业取得了突飞猛进的发展。例如，冲压、成型、印刷和挤压等制造技术提高了零件成品的一致性，并且打造出了新的形状和功能。与此同时，蒸汽动力消除了某些工作对人工的需求，让机器可以全年无休地运转。

生产线的发展，也使得复杂的产品通过几个基本步骤就可以生产出来。这些基本步骤不仅有助于简化产品的生产阶段，还能让操作人员熟练掌握自己的工作，从而提高质量。

然而，随着技术的进步，制造工作的复杂性也在不断提高，以往只需几个基本步骤的生产线，早已变得极其复杂。一件现代产品往往要经历成百上千个单独步骤才能制造出来，只要其中一个步骤出现问题，整条生产线就会停摆。

而且，每增加一个生产步骤，流程中的低效率问题就会进一步浮现出来，并波及整个生产周期的其余部分。正如链条的强度取决于最薄弱的环节一样，生产线的效率也取决于最低效的工序。

面对如此复杂的生产线，工程师们开始利用物联网 (IoT) 和人工智能 (AI) 来收集尽可能多的数据，并通过分析这些数据，找出效率低下的潜在原因。尤其是在引入预测性维护后，技术人员可以主动监控机器，并在故障发生前找出潜在问题。

然而，智能算法和预测系统的好坏取决于提供给它们的数据。如果系统使用分辨率不高的低质量传感器来监控性能，就很难充分地发挥潜能。为了尽可能避免让系统依赖无效数据，工程师可以使用高质量的传感器并采用OEE指标。

什么是OEE？

OEE是衡量机器效率的指标。该指标考虑了产品合格率、生产速率，以及流程中断的频率。要计算特定流程的OEE值，需要将这些因素相乘。

OEE以百分比来衡量，100%为最佳，0%为最差。例如，如果一个流程的零件合格率为80%，在理论最大值90%的生产速率下，正常运行时间约为70%，则OEE值为0.8 × 0.9 × 0.7 = 0.504，即50.4%。

这一指标表明，即使一个流程能够在100%的时间内正常工作，并以100%的速率生产产品，但如果零件的最终合格率只有50%，就会直接导致100%的得分降低到50%，从而凸显出流程中存在的严重问题。

哪些因素会影响OEE？

找到产量、速度和质量之间的最佳平衡点，对机器来说至关重要。如果有很大一部分零件不符合质量标准，那么即便把机器的生产速率提高到绝对极限，也依然是徒劳。同样，大幅降低生产速率以获得高质量零件也是毫无意义的，因为这会导致生产过程耗时太长。

这种平衡也适用于维护工作。如果维护间隔时间过长，可能会导致机器故障，从而耗费大量资金并造成不必要的停机维修。然而，过于频繁的维护也会造成不必要的耗时。

由于维护工作在生产线中至关重要，因而许多工程师正求助于人工智能来预测执行此类工作的最佳时间。通过一系列传感器，工程师可以观察机器的运行情况，从而发现异常行为。例如，如果发生了正常情况下不应该出现的振动，就可能预示着电机轴承存在故障；虽然这样的振动在当下可能并无大碍，但工程师此时就可以适时地安排好轴承更换作业，避免因轴承故障导致的更大问题（如设备损坏）所带来的停机时间和成本。

传感器与OEE之间有何关联？

在计算OEE时，最大的挑战之一是找到测量每个因素的方法。虽然工程师可以从每台机器上人工读取数据，将这些数据填到一张表里面，然后在开会时把这张表展示出来，但这种方法并不实用，因为它无法让利益相关者查看、处理实时数据或根据实时数据采取行动。而OEE可以让系统能够实时确定自身的性能，然后做出决策来提高这项指标。这就是传感器发挥关键作用的地方。

得益于众多先进技术，现代传感器可以收集有关机械和流程的各种数据，包括电机每分钟转数 (RPM)、轴向定位、零件方向、环境温湿度等。此外，由于传感器可以在100%的时间内工作，无需休息，也很少产生错误结果，因此工程师可以获得实时数据流和实时性能报告。

不过，工程师能做的不只是实时查看数据。他们还可以在机器或流程的本地反馈回路中使用这些数据，以监控其真实的OEE值，然后就可以对流程进行调整，从而提高这项指标。结合先进的人工智能算法后，这样的流程就可以实现智能化，让系统能够了解流程的产出如何随着各种传感器读数的变化而变化。

例如，如果使用转速传感器来测量电机轴的转速，所得到的数据就可以与自动光学检测系统相结合，从而找到两者之间的关系（通过人工智能系统）。在此基础上，系统就可以确定最佳操作点，而无需人工干预。

总而言之，传感器为工程师提供了大量有关机械和流程的详尽信息。通过这些信息，工程师就能在如何调整系统以提高效率方面做出更明智的决策。此外，这些信息还能帮助工程师获取到基本观察方法难以发现的潜在收获。

Banner Engineering的Q4X如何提升OEE？

激光测距是一种对确定零件质量非常有用的传感技术。激光可以精确测量物体表面细微的形状、颜色和方向变化。然而，要在短时间内对一定的距离范围进行测量，就不是一件容易的事情，要做到精确测量更是难上加难。

这正是Banner Engineering Q4X系列光电传感器的优势所在。这些高精度传感器可以检测到物体表面亚毫米级的变化，使用范围可达500毫米。同时，这些传感器还能对距离变化做出快速响应（快至300µs），从而实现快速操作（例如铣削系统定位、零件厚度测量）。

Q4X传感器具有高度的可重复性，能在不同的测量任务中为工程师提供一致的测量结果，从而帮助提高零件的产出质量——这正是影响OEE的主要因素之一。Q4X传感器对反射和非反射目标均适用，因此非常适合用于有特殊涂层的零件。

Q4X传感器同时具有数字和模拟输出，可在各种系统中实现出色的自由度。数字输出有助于降低复杂性，而4-20mA输出则是纯模拟输出，这意味着工程师可以使用高精度模数转换器 (ADC) 进行更精确的测量，或使用更小的ADC进行高速读数。

总之，Q4X传感器系列为工程师提供了实时测量数据、计算性能和准确确定质量的能力，所有这些都对OEE有直接影响。

结语

包括Banner Engineering Q4X系列在内，各种传感器的精度不断提高，从而能够对机械和工艺设置进行更精确的建模。改进后的传感器系统将有助于预测性维护算法更好地识别问题，同时为机器停机提供更好的计划安排。因此，单个工位的OEE和生产线的OEE指标都将得到提升，因为所有机器和流程都是相互依赖的。

作者简介

Robin Mitchell是一名电子工程师，自13岁起就涉足电子行业。在华威大学 (University of Warwick) 获得学士学位后，Robin转入在线内容创作领域，潜心创作针对专业人士和创客的文章、新闻和项目。目前，Robin经营着一家提供教育套件和资源的小型电子企业MitchElectronics。