هوش مصنوعی در بسته بندی، تحول دیجیتال در صنعت

مقدمه

بسته بندی فقط برای محافظت از محصول نیست؛ انتخاب مواد، کیفیت دوخت، سرعت دستگاه و نحوه چیدمان بار هم بر هزینه تولید اثر می گذارند و هم بر تجربه مشتری. هوش مصنوعی در بسته بندی به تحلیل داده های این فرایندها کمک می کند تا تصمیم ها فقط بر پایه حدس یا تجربه فردی نباشند. برای مثال، می توان تصاویر بسته ها را برای شناسایی عیب بررسی کرد یا از اطلاعات عملکرد دستگاه برای تشخیص نشانه های خرابی کمک گرفت.

البته نصب چند سنسور یا استفاده از یک دستگاه اتوماتیک، به تنهایی به معنای استفاده از هوش مصنوعی نیست. تفاوت زمانی ایجاد می شود که یک مدل تحلیلی، داده ها را بررسی کند و برای تشخیص مشکل، پیش بینی وضعیت یا پیشنهاد تنظیمات مناسب به کار گرفته شود. در این مقاله، کاربردها، پیش نیازها و مسیر اجرای چنین راهکارهایی را در صنعت بسته بندی بررسی می کنیم.

چرا هوش مصنوعی در بسته بندی اهمیت دارد؟

در یک کارخانه، بخش قابل توجهی از هزینه بسته بندی به مواد مصرفی، انرژی، نیروی انسانی و توقف تجهیزات مربوط می شود. مصرف بیش از نیاز فیلم شیرینگ، تنظیم نامناسب دمای تونل یا تکرار خرابی یک قطعه ممکن است در هر شیفت کوچک به نظر برسد، اما در طول ماه هزینه قابل توجهی ایجاد کند. ثبت و تحلیل داده ها کمک می کند این اتلاف ها دیده شوند و علت آن ها دقیق تر بررسی شود.

هوش مصنوعی زمانی ارزش دارد که برای یک مسئله مشخص به کار گرفته شود؛ مثلا کاهش بسته های دارای دوخت ناقص یا شناسایی زودهنگام تغییر رفتار موتور. بنابراین بهتر است به جای شروع با خرید یک نرم افزار پیچیده، ابتدا مسئله و شاخص سنجش نتیجه مشخص شود. برای آشنایی با سایر مسیرهای توسعه تجهیزات، مقاله تکنولوژی های جدید بسته بندی نیز می تواند مفید باشد.

• شناسایی الگوهای تکرارشونده در خطاهای بسته بندی و بررسی علت ضایعات
• تحلیل مصرف انرژی در ارتباط با نوع محصول، ظرفیت تولید و زمان توقف
• پیشنهاد تنظیمات مناسب برای دستگاه بر اساس داده های تولید و کیفیت
• تشخیص نشانه های غیرعادی در عملکرد تجهیزات پیش از تشدید مشکل
• بررسی ابعاد بسته و چیدمان محصول برای کاهش فضای خالی و مصرف مواد

کاربردهای هوش مصنوعی در دستگاه های بسته بندی

کاربرد مناسب هوش مصنوعی به نوع دستگاه، امکانات کنترل، کیفیت داده و مسئله تولید بستگی دارد. بعضی پروژه ها فقط یک خروجی تحلیلی یا هشدار برای اپراتور تولید می کنند؛ بعضی دیگر، پس از بررسی فنی و اعتبارسنجی، به سیستم کنترل متصل می شوند. وجود قابلیت اتوماتیک در دستگاه به معنای وجود این امکانات نیست و باید مشخصات هر تجهیز جداگانه بررسی شود.

۱) کنترل کیفیت خودکار

یکی از کاربردهای هوش مصنوعی، بررسی تصاویر بسته ها با دوربین صنعتی است. در صورت انتخاب دوربین، نورپردازی و مدل مناسب، می توان عیب های قابل مشاهده مانند لیبل کج، ظاهر نامناسب دوخت یا آسیب سطحی بسته را شناسایی کرد. دقت این روش به شرایط تصویربرداری و نمونه هایی بستگی دارد که برای آموزش و ارزیابی مدل استفاده شده اند؛ بنابراین نباید بدون آزمون روی محصول واقعی، تشخیص همه عیب ها را قطعی دانست.

در یک خط بسته بندی، نتیجه بررسی می تواند برای هشدار به اپراتور، ثبت سوابق کیفیت یا فعال کردن مکانیزم جداسازی بسته معیوب استفاده شود. برای ارزیابی عملکرد نیز باید هم عیب های تشخیص داده نشده و هم بسته های سالمی که اشتباه رد شده اند، اندازه گیری شوند.

۲) پیش بینی خرابی دستگاه

اطلاعات لرزش، دما، جریان مصرفی موتور و سوابق خطا می تواند برای شناسایی تغییر رفتار دستگاه بررسی شود. برای مثال، افزایش تدریجی یک شاخص در شرایط کاری مشابه ممکن است نشانه ای برای بررسی فنی باشد. مدل تحلیلی می تواند این تغییر را به تیم نگهداری اعلام کند تا وضعیت تجهیز پیش از توقف ناگهانی بررسی شود.

پیش بینی خرابی به معنای اعلام قطعی زمان از کار افتادن هر قطعه نیست. در پروژه هایی که سابقه کافی از خرابی ها وجود ندارد، شروع با تشخیص وضعیت غیرعادی و ثبت دقیق رویدادها، هدف واقع بینانه تری است. نتیجه این تحلیل نیز باید در کنار برنامه سرویس و نظر مسئول فنی استفاده شود، نه به جای آن.

۳) بهینه سازی مصرف مواد

برای کاهش مصرف مواد، ابتدا باید مشخص شود چه مقدار فیلم برای هر بسته یا پالت مصرف می شود و کیفیت خروجی در چه وضعیتی است. تحلیل هم زمان این اطلاعات با نوع محصول، ابعاد بار، سرعت دستگاه و تنظیمات فرایند می تواند به انتخاب شرایط مناسب کمک کند. کاهش مصرف زمانی قابل قبول است که استحکام بسته و ایمنی حمل حفظ شود.

در دستگاه های شیرینگ پک پلی اتیلن، بررسی رابطه بین نوع فیلم، دمای تونل، سرعت عبور و کیفیت بسته می تواند مبنای اصلاح تنظیمات باشد. تغییر ضخامت فیلم نیز به انتخاب مواد مناسب و آزمون واقعی نیاز دارد؛ مدل تحلیلی به تنهایی نمی تواند ضخامت رول موجود را تغییر دهد.

در بسته بندی پالت نیز تعداد دور پیچش، هم پوشانی لایه ها و کشش فیلم باید متناسب با بار و امکانات دستگاه انتخاب شوند. برای آشنایی با یکی از تجهیزات این گروه می توانید صفحه دستگاه استرچ پالت صفحه گردان اقتصادی مدل SW-1500ECO را بررسی کنید. امکان افزودن تحلیل هوشمند یا تغییر خودکار تنظیمات باید جداگانه بررسی شود و از نام مدل قابل نتیجه گیری نیست.

۴) مدیریت انرژی و پایداری

ثبت مصرف برق در کنار تعداد بسته تولیدشده، زمان کارکرد و مدت توقف، تصویر دقیق تری از عملکرد انرژی ارائه می دهد. بر اساس این داده ها می توان دوره های مصرف غیرعادی، روشن ماندن غیرضروری تجهیزات یا تنظیمات نامناسب را بررسی کرد. هوش مصنوعی نیز می تواند برای پیش بینی مصرف و پیشنهاد برنامه کاری مناسب به این فرایند اضافه شود.

هر تغییری در عملکرد المنت، فن یا موتور باید با محدودیت های فنی دستگاه و کیفیت مورد انتظار سازگار باشد. کاهش مصرف برق اگر به افزایش ضایعات منجر شود، لزوما به صرفه نیست. برای بررسی بیشتر این موضوع، مقاله مدیریت انرژی در خط تولید و بسته بندی را مطالعه کنید.

۵) هماهنگ سازی ربات ها و تجهیزات

ظرفیت یک خط فقط به سرعت یک دستگاه وابسته نیست. اگر محصولات پشت یک ایستگاه جمع شوند یا تجهیزات انتهای خط منتظر دریافت بار بمانند، بخشی از ظرفیت تولید استفاده نمی شود. تحلیل زمان ورود و خروج محصول، طول صف و توقف هر ایستگاه می تواند به شناسایی این گلوگاه ها کمک کند.

در پروژه های پیشرفته تر، مدل های تحلیلی می توانند پیشنهادهایی برای ترتیب سفارش ها یا هماهنگی ظرفیت تجهیزات ارائه دهند. با این حال، هماهنگی معمول کانوایرها و ربات ها اغلب با منطق کنترل انجام می شود و لزوما به هوش مصنوعی نیاز ندارد. مقاله نقش ربات های همکار در بسته بندی به موضوع استفاده از ربات ها در این فرایند می پردازد.

۶) طراحی بسته بندی بر پایه داده

سوابق شکستگی کالا، مرجوعی سفارش ها و بازخورد مشتری می تواند نشان دهد کدام بخش از بسته بندی نیاز به تغییر دارد. تحلیل این اطلاعات به مقایسه گزینه های مختلف کارتن، ضربه گیر، فیلم و چیدمان کمک می کند. انتخاب نهایی باید با آزمون های متناسب با محصول و شرایط حمل تایید شود.

طراحی بسته باید با توان تجهیزات نیز هماهنگ باشد. ابعاد، وزن و شکل بسته روی نحوه انتقال، دوخت، شیرینگ و چیدمان پالت اثر می گذارد. آشنایی با انواع خطوط بسته بندی کمک می کند محدودیت های تولید از ابتدای طراحی در نظر گرفته شوند.

معماری فنی و اتصال به سامانه ها

برای شروع یک پروژه، لازم نیست از ابتدا زیرساخت پیچیده ای ساخته شود. در ساده ترین حالت، داده از سنسور، دوربین یا کنترلر دریافت می شود، در یک محل مشخص ذخیره می شود و سپس برای تحلیل در اختیار نرم افزار قرار می گیرد. خروجی می تواند یک گزارش، داشبورد، هشدار یا پیشنهاد تنظیمات باشد.

بسته به نیاز پروژه، پردازش می تواند روی رایانه صنعتی نزدیک دستگاه، سرور داخلی یا زیرساخت ابری انجام شود. اتصال به سامانه مدیریت تولید یا MES و سامانه برنامه ریزی منابع سازمان یا ERP نیز زمانی مفید است که تحلیل به اطلاعات سفارش، مواد مصرفی یا سوابق تولید نیاز داشته باشد؛ این اتصال پیش شرط همه پایلوت ها نیست.

برای مثال، در یک دستگاه شیرینگ می توان دمای ثبت شده، سرعت نوار، نوع فیلم و نتیجه کنترل کیفیت را کنار هم بررسی کرد. اگر قرار باشد خروجی مدل به تغییر خودکار تنظیمات منجر شود، باید محدوده مجاز تغییرات، نحوه تایید و امکان بازگشت به کنترل معمول از قبل مشخص باشد. سیستم تحلیلی نباید جایگزین مدارها و الزامات ایمنی دستگاه شود.

نقشه راه پیاده سازی در ۶ گام

۱) مسئله و شاخص سنجش را مشخص کنید؛ مثلا مصرف فیلم به ازای هر بسته سالم یا مدت توقف ناخواسته دستگاه.
۲) وضعیت موجود را اندازه گیری کنید و کیفیت داده ها، سنسورها و سوابق تولید را بررسی کنید.
۳) یک پایلوت محدود روی یک دستگاه یا یک خانواده محصول اجرا کنید.
۴) نتیجه را در شرایط قابل مقایسه بسنجید و تیم تولید و نگهداری را آموزش دهید.
۵) در صورت موفقیت، راهکار را به صورت مرحله ای توسعه دهید و اتصال های مورد نیاز را اضافه کنید.
۶) عملکرد مدل را پایش کنید و پس از تغییر محصول، مواد یا شرایط دستگاه، اعتبار آن را دوباره بررسی کنید.

ارزیابی نتیجه و تاثیر مالی
بدون اندازه گیری وضعیت اولیه نمی توان میزان موفقیت پروژه را مشخص کرد. درصد صرفه جویی یک کارخانه نیز نباید به عنوان نتیجه قطعی برای کارخانه دیگر در نظر گرفته شود. بهتر است شاخص های زیر پیش و پس از اجرای پایلوت، برای محصولات و شرایط کاری قابل مقایسه بررسی شوند:

• مقدار فیلم مصرفی به ازای هر بسته سالم یا هر پالت قابل قبول
• مدت و تعداد توقف های برنامه ریزی نشده
• نرخ بسته های معیوب، دوباره کاری و مرجوعی
• مصرف انرژی به ازای هر واحد محصول سالم
• اثربخشی کلی تجهیزات یا OEE، با روش محاسبه ثابت در هر دو دوره

مثال فرضی محاسبه دوره بازگشت ساده سرمایه: فرض کنید مصرف ماهانه فیلم ۲ تن و قیمت فرضی هر کیلو ۳۰۰ هزار تومان باشد. در این صورت، هزینه ماهانه فیلم ۶۰۰ میلیون تومان است. اگر در همین مثال، با حفظ مقدار تولید و کیفیت بسته، مصرف فیلم ۲۰ درصد کاهش پیدا کند، صرفه جویی ماهانه ۱۲۰ میلیون تومان خواهد بود. با هزینه اولیه فرضی ۷۲۰ میلیون تومان، دوره بازگشت ساده سرمایه، پیش از در نظر گرفتن هزینه های جاری، ۶ ماه می شود.

این اعداد صرفا برای توضیح روش محاسبه هستند و قیمت روز مواد، هزینه واقعی اجرای پروژه یا عملکرد تضمین شده یک دستگاه را نشان نمی دهند. در ارزیابی واقعی باید هزینه نرم افزار، نگهداری، آموزش، پشتیبانی و سایر هزینه های جاری از صرفه جویی کم شود. برای بررسی چارچوب تصمیم گیری اقتصادی، مقاله تحلیل اقتصادی خرید دستگاه بسته بندی را ببینید.

کیفیت، انطباق و رهگیری

ثبت شناسه بسته یا پالت در کنار زمان تولید، مواد مصرفی، تنظیمات دستگاه و نتیجه کنترل کیفیت، امکان بررسی دقیق تر سوابق را فراهم می کند. اگر شکایتی ثبت شود، این اطلاعات کمک می کند مشخص شود محصول در چه شرایطی تولید شده و چه مواردی نیاز به بررسی دارند.

رهگیری دیجیتال به خودی خود هوش مصنوعی نیست، اما داده لازم برای تحلیل های هوشمند را فراهم می کند. مدل می تواند میان عیب های ثبت شده و شرایط تولید ارتباط هایی پیدا کند که بررسی آن ها برای تیم کیفیت مفید باشد. با این حال، وجود چنین سامانه ای به تنهایی به معنای انطباق با تمام الزامات کیفیت یا جایگزینی آزمون های مورد نیاز محصول نیست.

چالش ها و راهکارها

• کیفیت داده: ثبت ناقص توقف ها، سنسور کالیبره نشده یا نام گذاری نامنظم محصولات می تواند نتیجه تحلیل را گمراه کند. پیش از توسعه مدل، روش ثبت و کنترل داده را مشخص کنید.
• تغییر شرایط تولید: تغییر نوع فیلم، ابعاد محصول یا نور محیط می تواند روی عملکرد مدل اثر بگذارد. ارزیابی دوره ای و ثبت تغییرات بخشی از نگهداری سامانه است.
• پذیرش توسط تیم: اپراتور باید بداند هشدار چه معنایی دارد و پس از دریافت آن چه اقدامی لازم است. رابط ساده و دستورالعمل روشن، از پیچیدگی غیرضروری مهم تر است.
• امنیت اطلاعات: سطح دسترسی، نحوه اتصال تجهیزات، پشتیبان گیری و مسئولیت نگهداری داده باید از ابتدا مشخص شود.
• هزینه و امکان توسعه: پروژه را با یک مسئله محدود شروع کنید و توسعه آن را به نتیجه قابل اندازه گیری وابسته کنید، نه صرفا تعداد امکانات نرم افزار.

هوش مصنوعی و تجربه مشتری

کیفیت بسته بندی در تجربه مشتری نقش مستقیمی دارد. بسته آسیب دیده، باز شدن دشوار یا اطلاعات ناقص می تواند رضایت مشتری را کاهش دهد. تحلیل دسته بندی شده شکایت ها و مرجوعی ها به شناسایی مشکلات پرتکرار کمک می کند و می تواند مبنای اصلاح طراحی بسته یا فرایند تولید باشد.

کد QR و شناسه رهگیری نیز می توانند راهی برای نمایش اطلاعات محصول، دستور مصرف یا ثبت بازخورد باشند. این ابزارها به تنهایی هوش مصنوعی محسوب نمی شوند؛ نقش هوش مصنوعی می تواند در تحلیل داده های جمع آوری شده و پیشنهاد تغییرات متناسب با نیاز مشتری باشد.

در انتهای خط، انتخاب تجهیزات مناسب برای چیدمان و تثبیت بار همچنان اهمیت دارد. برای بررسی گزینه های این بخش می توانید صفحات دستگاه پالتایزر رباتیک مدل PZ-7500RPF و دستگاه استرچ پالت اتوماتیک نقاله دار مدل SW-3000APF را ببینید. معرفی این تجهیزات به معنای مجهز بودن آن ها به هوش مصنوعی نیست؛ امکانات ثبت داده و اتصال به سامانه های تحلیلی باید برای هر پروژه جداگانه بررسی شود.

جمع بندی

هوش مصنوعی در بسته بندی زمانی مفید است که یک مسئله واقعی را با داده قابل اعتماد و نتیجه قابل سنجش هدف بگیرد. کنترل کیفیت تصویری، تحلیل مصرف مواد، تشخیص رفتار غیرعادی تجهیزات و بررسی گلوگاه های تولید از زمینه های قابل بررسی هستند، اما انتخاب راهکار باید با نیاز و امکانات هر خط هماهنگ باشد.

برای شروع، لازم نیست همه تجهیزات تعویض شوند یا کل کارخانه به یک سامانه جدید متصل شود. یک پایلوت محدود، ثبت دقیق وضعیت اولیه و مقایسه نتیجه با هزینه اجرا، مسیر روشن تری برای تصمیم گیری فراهم می کند. هدف نهایی استفاده از فناوری به خاطر نام آن نیست؛ هدف، تولید بسته سالم با هزینه مناسب، توقف کمتر و فرایند قابل کنترل است.

سوالات متداول درباره هوش مصنوعی در بسته بندی