
Когда слышишь про автоматизацию в твердосплавной отрасли, многие сразу представляют себе роботов-манипуляторов с блестящими корпусами, которые идеально штампуют детали. На деле же всё часто упирается в пресс-формы, которые забиваются после трёх циклов, или в систему подачи порошка, требующую постоянной ручной корректировки. Мы в ООО Наньцзин Жуцянь Автоматизированное Оборудование через это прошли – начинали с простых конвейеров, а сейчас собираем линии, где вакуумное спекание интегрировано с лазерной маркировкой. Но до сих пор сталкиваюсь с заказчиками, которые уверены, что автоматизация – это просто купить станок с ЧПУ и забыть о проблемах.
Раньше под автоматическое оборудование для отрасли твердых сплавов понимали в основном гидравлические прессы с элементарной логикой. Помню, в 2010-х мы поставили линию одному уральскому заводу – там оператор вручную регулировал давление каждые 15 минут, потому что датчики не учитывали влажность шихты. Сейчас такие решения вызывают улыбку, но тогда это был прорыв.
С переходом на изостатическое прессование пришлось пересмотреть всю концепцию. Например, для карбидвольфрамовых смесей критична скорость нагружения – если автоматика не успевает адаптироваться под изменение плотности, получаем брак до 12%. Наш инженер Алексей как-то неделю экспериментировал с шаговыми двигателями Siemens, пока не подобрал алгоритм плавного изменения усилия.
Сейчас мы в rq-automation.ru разрабатываем системы, где ИИ прогнозирует износ матриц по вибрационным sensorам. Не то чтобы это всегда работало идеально – на прошлой неделе пришлось перепрошивать контроллер для клиента из Челябинска, но общий тренд ясен: автоматизация становится предиктивной, а не реактивной.
Когда собираешь линию из разрозненного оборудования, всегда вылезают нюансы. Вот пример: поставили мы немецкий печной модуль с японским роботом-загрузчиком. Вроде всё совместимо по протоколам OPC UA, а на практике – термокамера не успевает остывать до заданных 40°C, и манипулятор получает ошибку перегрева. Пришлось встраивать дополнительный контур охлаждения с датчиками Baumer.
Особенно сложно с системами аспирации – в твердосплавном производстве мельчайшая пыль проникает куда угодно. Как-то раз на предприятии в Свердловской области фильтры забивались за 4 часа вместо расчётных 12. Оказалось, местная вентиляция создавала обратную тягу. Решили проблему установкой клапанов с электроприводом, но это добавило 20% к стоимости проекта.
Сейчас мы всегда требуем от заказчиков трёхмерные модели цеха ещё на стадии проектирования. Один раз недоглядели – в Таганроге пришлось переделывать фундамент под прессом, потому что не учли вибрацию от соседнего дробильного участка.
Для завода режущего инструмента в Подмосковье делали линию с автоматизированным контролем геометрии пластин. Использовали оптическую систему с камерами Cognex – в теории погрешность должна быть не более 2 мкм. Но на практике выяснилось, что блики от спечённых поверхностей сбивают алгоритм. Пришлось разрабатывать комбинированную систему: лазерный сканер + камера с поляризационным фильтром.
А вот с автоматическое оборудование для отрасли твердосплавов для мелкосерийного производства всегда головная боль. Для пермского КБ собрали модульную установку – там можно было перенастраивать конфигурацию за 6 часов. Но экономически это оказалось на грани рентабельности: сервоприводы Allen-Bradley съедали 30% бюджета.
Самый удачный проект – линия для титановых сплавов в Рыбинске. Там удалось интегрировать вакуумную печь с системой активного азотирования. Правда, пришлось полностью переписать ПО для температурных контроллеров Eurotherm – штатные протоколы не поддерживали плавное изменение атмосферы.
Нигде в документации не пишут, как поведёт себя линейный подшипник при постоянном контакте с кобальтовой пылью. Пришлось на собственном опыте выяснять, что стандартные уплотнения SKF выходят из строя за 3 месяца. Теперь ставим лабиринтные уплотнения с подачей инертного газа – решение дорогое, но увеличило ресурс в 4 раза.
Электропроводка – ещё один больной вопрос. Для высокочастотных индукционных печей нужны экранированные кабели, но многие монтажники экономят на этом. Результат – помехи в энкодерах и сбои позиционирования. Как-то раз из-за этого испортили партию на 400 тысяч рублей – конвейер остановился в середине цикла спекания.
Гуманитарный аспект тоже важен: операторы со стажем часто саботируют автоматизацию. На том же уральском заводе мастер с 30-летним опытом вручную корректировал параметры, потому что 'не доверяет железяке'. Пришлось внедрять систему сбора данных, которая наглядно показывала эффективность автоматического режима.
Сейчас активно экспериментируем с цифровыми двойниками – для нового завода в Тольятти сделали виртуальную модель всей линии. Позволяет заранее выявить 80% проблем, но требует мощных рабочих станций. Клиенты сначала сопротивляются таким затратам, пока не увидят, что экономят на устранении реальных неполадок.
Материаловедение не стоит на месте – появляются новые связки для твердых сплавов, а значит, нужно адаптировать оборудование. Например, для сплавов с никелевой матрицей пришлось полностью переработать систему охлаждения – они более чувствительны к термическим градиентам.
Если говорить о сайте rq-automation.ru – мы там стараемся показывать не глянцевые картинки, а реальные процессы. Выложили видео, как наш технолог возится с настройкой дозатора – это вызывает больше доверия, чем идеальные 3D-рендеры. Ведь в твердосплавной отрасли важны не столько технологии, сколько понимание физики процессов.
Главный вывод за 15 лет работы: автоматизация – это не про замену людей, а про усиление их возможностей. Лучшие результаты всегда там, где инженер и система работают в тандеме. Как тот случай в Казани, где оператор заметил аномалию в графике давления и предотвратил взрыв пресс-формы.
Сейчас мы в ООО Наньцзин Жуцянь Автоматизированное Оборудование постепенно переходим к киберфизическим системам. Это дорого, требует переподготовки персонала, но даёт принципиально новое качество. Вчера как раз тестировали систему, которая по акустическим emission предсказывает трещины в спечённых заготовках.
Если бы меня спросили, куда двигаться дальше – сказал бы, что будущее за адаптивными системами, которые учатся на собственных ошибках. Как наш последний проект с рекуррентными нейросетями для прогнозирования износа инструмента. Пока работает с точностью 87%, но это уже лучше, чем опытный технолог на глазок.