Тренутно, глобална производна индустрија пролази кроз критичну фазу транзиције са аутоматизације на когнитивну технологију. У овом процесу, технологија интелигентног сортирања еволуира од једноставног алата за контролу квалитета до јединог централног перцепционог чвора у индустријском ланцу који може континуирано и недеструктивно да добије свеобухватне податке о физичким и хемијским својствима материјала. Суштина ове трансформације је прелазак опреме за сортирање са "терминала за извршење" у "терминал за прикупљање и анализу података", а на основу тога, изградња мотора знања који покреће оптимизацију и иновацију читавог индустријског ланца.
1, Револуција димензије података: од скенирања изгледа до холографске дигиталне конструкције близанаца
РГБ информације о слици на које се ослања традиционално сортирање само су врх леденог брега материјалних дигиталних карактеристика. Систем следеће генерације је изграђен са "Материал Холограпхиц Дигитал Твин Арцхиве", који фундаментално проширује његове димензије података:
Фузија података о физичким својствима унакрсне скале: Систем синхроно прикупља више-податке од макро до микро нивоа. Укључујући: 3Д геометријске облике на милиметарском нивоу (запремина, закривљеност, дубина дефекта на површини), површинске текстуре и сјај на микрометарском нивоу (преко макро поларизованог снимања светлости) и спектралне отиске прстију молекула материјала на нанометарском нивоу (преко хиперспектралног/блиског-инфрацрвеног). На пример, дигитална архива зрна пшенице може укључивати интегритет његовог типа зрна (који утиче на принос брашна), степен оштећења површине (повезан са стабилношћу складиштења) и унутрашњу дистрибуцију протеина и влаге (одређивање квалитета обраде). Ови подаци заједно чине потпуну основу за процену његове крајње употребе, као што је-врхунско брашно за хлеб или храна за животиње.
Темпорални динамички ток података: Савремени системи за сортирање не само да дају појединачне резултате сортирања, већ и генеришу континуиране временске токове података квалитета материјала. Анализом образаца одступања података о сировинама под различитим производним серијама, периодима жетве и условима складиштења, систем може успоставити модел за предвиђање. На пример, праћењем да се спектралне карактеристике садржаја влаге у зрну кафе у одређеном производном подручју постепено приближавају прагу за раст буђи, ризици складиштења се могу унапред упозорити и приоритети обраде могу да се подесе, постижући прелазак са режима контроле квалитета „после уклањања“ на режим контроле квалитета „пре превенције“.
Повезани процесни подаци: Подаци о статусу опреме (као што су вибрације, температура, ваздушни притисак) и подаци о ефектима сортирања (стопа одбацивања, однос вађења) су дубоко повезани и анализирани. Ово не само да омогућава предиктивно одржавање, већ и обрнуту оптимизацију механичког и пнеуматског дизајна. Инжењери могу да понављају физичку структуру нове генерације опреме и формирају петљу „истраживања и развоја вођених подацима- тако што ће анализирати „који режим вибрације изазива смањење тачности сортирања одређених величина пасуља”.
2, побољшање димензија петље одлуке: од „елиминисања неисправних производа“ до „оптимизације целог процеса“
На основу вишедимензионалних података поменутих горе, категорија одлуке интелигентног сортирања је постигла два кључна проширења:
Сарадња у ланцу снабдевања унапред: сортирање података постаје „навигатор“ који води узводне пољопривредне и рударске операције. У области пољопривреде, спровођењем спектралне анализе назадовања на коначно сортираним усевима високог{1}}и ниског{2}}квалитета, могуће је прецизно идентификовати факторе садње који узрокују разлике у квалитету, као што су недостаци елемената у траговима и неравномерно наводњавање на одређеним парцелама. Ови подаци се могу послати назад на фарму за усмеравање прецизног ђубрења и управљања пољем. У рударству, подаци о раном сортирању сирове руде могу директно да усмере избор лица за откопавање и оптимизацију планова минирања, смањујући мешање отпадних стена из извора и побољшавајући ефикасност коришћења ресурса.
Прилагодљиво флексибилно планирање путање обраде: У флексибилним производним јединицама, интелигентне машине за сортирање играју улогу "мозака за усмеравање материјала". Он препознаје карактеристике сваке најмање процесорске јединице (као што је бин или фрагмент) у реалном времену и динамички јој додељује одговарајуће наредне путање обраде. На пример, на линији за прераду орашастих плодова, систем води сваки бадем до „премијум амбалаже целог зрна“, „производне линије за сечење“ или „канала соса за млевење“ на основу његове величине, дебљине и локације мањих дефеката, постижући максималну укупну вредност производње. Ово захтева да систем за сортирање постигне размену података на нивоу милисекунди и координацију команди са роботима, АГВ и МЕС системима.
3, Акумулација и поновна употреба знања: Изградња „Графа знања у индустрији“ специфичног за индустрију
Коначна вредност података лежи у акумулацији знања за вишекратну употребу. Водећи провајдери технологије за одабир боја посвећени су изградњи „графа знања о индустрији“ за вертикалне индустрије:
База знања о узроку квара: Систем не само да бележи „шта су“ дефекти, већ и закључује „зашто“ до квара кроз анализу мултидимензионалне асоцијације података. На пример, повезивање специфичног спектралног обрасца плеснивог гоји бобица са историјским временским подацима (киша у сезони жетве) у производном подручју и усклађивање специфичне морфологије пора орашастих плодова са базом података ускладиштених врста штеточина. Акумулација ових узрочно-последичних веза је формирала средства знања за решавање уобичајених проблема у индустрији.
Модел предвиђања квалитета процеса: Користећи машинско учење за генерисање огромних количина података, успоставите модел предвиђања за параметре обраде (као што су температура сушења, време полирања) до коначних резултата сортирања. Купци могу да симулирају и прилагођавају процесне параметре у виртуелном окружењу, предвиде њихов утицај на коначни принос и ниво квалитета и пронађу оптимално решење пре стварне производње, значајно смањујући трошкове покушаја и грешака.
Отворени екосистем сарадње знања: Графови знања нису затворени системи. Под претпоставком обезбеђивања приватности података (кроз технологије као што су удружено учење и диференцијална приватност), различита предузећа и истраживачке институције могу да допринесу фрагментима података, верификују хипотезе и деле побољшања модела на поузданој платформи, заједно убрзавајући разумевање и развој технологије сортирања специфичних материјала (као што су нови синтетички материјали и угрожено лековито биље) у целој индустрији.
4, Будућа форма: као стандардизовани терминал за перцепцију индустријског Интернета
Радујући се будућности, високо стандардизован и интелигентан модул за сортирање постаће незаобилазна инфраструктура за различите „индустријске интернет“ платформе. Он је попут интелигентног сензора у Интернету ствари, али његови објекти сензора стално-мењају физичке материјале. Било да се примењује на фабрике хране, фабрике лекова, станице за рециклажу или свемирске базе, може да конвертује материјални ток физичког света у стандардизоване токове података високог{3}}квалитета у реалном времену и да их споји у шире индустријско језеро података.
Закључак: Крајња граница конкуренције
У овом тренутку, конкурентске димензије индустрије машина за сортирање у боји су јасно представљене: почетна конкуренција за перформансе хардвера и тачност сортирања; Могућности и решења конкурентних алгоритама средњег нивоа; Конкуренција високог нивоа лежи у дубини индустријског рударења знања, ширини изградње екосистема података и способности да се подаци трансформишу у стратешка средства купаца. Будући лидери ће неизбежно бити она предузећа која могу да побољшају податке генерисане током процеса сортирања у-„горива знања“ високе чистоће која подстичу смањење трошкова, побољшање ефикасности и иновације у целом ланцу индустрије. Интелигентно сортирање не само да дефинише чистоћу материјала, већ и дубину и границе индустријске интелигенције.