Riassunto analitico
L’usura delle lame di una troncatrice per taglio al volo di una linea continua di produzione tubi è critica per i costi che ne derivano. Una lama usurata peggiora nel taglio e necessita di essere sostituita. Un cambio lama provoca il fermo della linea, ciò aumenta i costi operativi poiché produce scarti, diminuisce il tempo di funzionamento della linea e ne riduce la performance. La vita di una lama è influenzata dalle caratteristiche del tubo e dai parametri di taglio. Si sospetta, inoltre, che la presenza di condizioni non ottimali di funzionamento vada ad influenzare la durata delle lame. In particolare, fenomeni di interesse sono il mancato sincronismo tra la velocità del carro e del tubo durante il taglio e lo scarico elastico del tubo sulla lama successivo al taglio, noto come pinzatura del tubo.
In questa tesi viene esplorata la possibilità di realizzare un modello predittivo per monitorare lo stato di salute di una lama. Il modello è realizzato in Python con un algoritmo di apprendimento supervisionato. Questo sistema potrà sia essere implementato lato cliente per il monitoraggio della lama e programmazione del fermo macchina che dal lato dell’azienda produttrice per valutare l’influenza di parametri operativi sulla vita lama, allo scopo di intervenire per sviluppi futuri della macchina.
La prima fase della tesi è quella di raccolta dati dei tagli delle macchine, presenti in un database SQL. Lo scopo principale è quello di ottenere il maggior numero di parametri possibili riferiti alla macchina, al tubo e al taglio per un maggior numero di vite lame possibili. Questi dati sono poi stati sottoposti a un processo di pulizia dei dati e riduzione delle dimensioni allo scopo di ottenere un dataset compatto con colonne linearmente indipendenti, per massimizzare le informazioni minimizzandone le dimensioni.
Con il dataset ottenuto è stato realizzato e validato un modello Random Forest che riesce a stimare l’usura percentuale di una lama con un basso margine di errore. Con questo modello è possibile valutare l’impatto che ha l’errato sincronismo e la pinzatura sulla vita lama e stimare il risparmio che si avrebbe in condizioni di funzionamento ottimale. Questo risparmio risulta apprezzabile e indica la via da seguire per sviluppi futuri della macchina.
|
Abstract
The wear of saw blades of a flying cut-off machine is a critical aspect on a continuous pipe production line. As the blade is worn out the poor quality of the cuts implies the blade replacement. Since it is needed to stop the line to change the blade this increases operational costs because generates wasted material, lower uptime and poor overall quality. The blade life is affected by the tube characteristics and cutting parameters. There also is a suspicion that the presence of non-optimal operating conditions may affect the lifetime of a blade. In particular, interesting phenomena are the poor synchronism between carriage translation speed and the pipe speed during the cutting process and the elastic stress release of the tube on the blade after a cut, known as tube pinching.
In this thesis the possibility of creating a predictive model in order to monitor the health of the blades has been explored. This model is built in Python with a supervised learning algorithm. This system can be implemented either on the customer side for monitoring the blade and programming machine downtime or on the side of the manufacturer the evaluate the influence of operating parameters on the blade life, in order to take action for future developments of the machine.
The first stage of the thesis is the data collection of the of machine cuts, which are stored in a SQL database. The main purpose is the obtain the most parameters referred to the machine, the pipe, and the cuts for the most of blade lives. The next operations were the data clean-up and dimensionality reduction, in order to transform the data from a high-dimensional to a low-dimensional space with linearly independent columns, to maximize the information while minimizing its size.
With the dataset obtained, a Random Forest model was trained and validated. The model is able to estimate the state of health of a blade with a low margin of error. With this model it is possible to evaluate the impact that the incorrect synchronism and pinching has on the blade life and estimate the savings that would occur in optimal operating conditions. This saving is considerable and indicates the way forward for future machine developments.
|
