AML Sheffield

Advanced Manufacturing Ltd en Sheffield se propuso reducir el gasto de electricidad y el impacto del carbono en sus activos CNC. El emparejamiento de SensPro Industrial IoT con SensIT Energy Monitoring proporcionó visibilidad en tiempo real, señaló residuos inactivos y guió cambios de políticas simples que mejoraron la eficiencia y redujeron los costos operativos.

Nos sorprendió ver cuánta energía estábamos quemando solo por dejar las máquinas funcionando durante el fin de semana.

Alex Cotton

Gerente de Investigación y Desarrollo

Ver los datos del controlador CNC superpuestos con datos de potencia era esencial para ver qué tan consistente era el uso de energía de un ciclo a un ciclo.

Roger Singleton, PhD CEng

Asesor de Desarrollo de Investigación

ROI y métricas de rendimiento

Impacto en toda la fábrica

Costo anual de electricidad evitado en 30 máquinas: ~£15,000

Ahorro de energía inactiva

Potencial de ahorro anual/máquina: ~507 £ basado en 0,726 kW de consumo en ralentí a 0,28£ por kWh.

Implementación rápida

Tiempo de implementación transcurrido: 1 turno

Tiempo de recepción de datos: Mismo día

Perfil del Cliente

Ubicación de la Instalación
Sheffield, Reino Unido
Sitio Web
https://www.amlsheffield.co.uk/
Industria
Aeroespacial
Defensa
Energía
Nuclear
Máquinas
Maquinado CNC

Desafíos

AML necesitaba una manera práctica de ver dónde se estaba utilizando la energía en el taller. El equipo sospechaba que las máquinas se sentaban energizadas durante los descansos y fines de semana. Sin datos de alta resolución no podrían cuantificar el costo o los comportamientos de coach que impulsan un mejor uso de los activos.

AML Sheffield

Estrategia e Implementación

SensFlo instrumentó máquinas prioritarias con el SensPro IoT Box y SensiT Energy Monitoring. La frecuencia de muestreo se ajustó por activo de milisegundos a minutos. El monitoreo de GCODE a través de API correlacionó la carga eléctrica con pasos específicos del programa. Los datos se transmiten a la nube para una revisión de varias semanas por AML, Riscon Solutions y SensFlo. El equipo identificó períodos de inactividad, picos de liberación de ESTOP y hábitos del operador que eran fáciles de abordar.