trazer feedback e gerar valor ao trabalho .
Para começar , vamos iniciar com o começo do processo flexo . Muitos convertedores fabricam as próprias chapas internamente ou terceirizam em clicheria . É importante na primeira parte do processo entender a qualidade da chapa . Há tecnologias incríveis , com soluções completas que permitem analisar a qualidade da própria chapa .
Entre os pontos a se analisar e ter dados claros estão formato do ponto , porcentagem do ponto , retícula , alinhamento , ângulo , análise da linha , entre outros . Na análise da chapa , testes de qualidade na pré-impressão identificam defeitos antes que a impressão comece . Entre as soluções , há uma câmera com configuração para fazer as medições .
Uma nova tecnologia é a imagem 3D para analisar as chapas . Ela dará os dados de formato em 2D e informação completa em 3D sobre qualidade da curva do ponto e longevidade da chapa . Isso não é algo popular , mas a imagem 3D abordará a topografia da chapa e fornecerá benefícios para a análise da chapa no futuro , diminuindo tempo de parada e melhorando o processo de fabricação de chapa quando ela é feita internamente .
A medição da cor é essencial para todo cliente . Hoje , em torno de 60 % dos compradores toma a decisão pela cor , a qual aumenta o reconhecimento da marca de 80 a 90 %. Como ter impressão de cor consistente e repetível ? Com iluminação variando e operadores diferentes , podese trazer uma diferente percepção de cor . A visão humana ajuda , mas os clientes querem a cor perfeita .
O espectrofotômetro pode fazer um escaneamento contínuo e fornecer uma possível variação de cor . A métrica mais comum hoje nos processos inline é o DeltaE . Isso diferencia a cor de processo e o objetivo que você quer medir . Para obter a diferença , precisamos de dados de cor repetíveis . Há variáveis que afetam a qualidade da cor , como viscosidade da tinta , desgastes do rolo , e essas variáveis podem mudar durante o processo , então medir inline é muito importante . O objetivo é buscar que o DeltaE fique abaixo de 2 .
O registo de cor é um parâmetro importante , onde pode-se encontrar os erros . Hoje há câmeras inteligentes olhando a marca de registro e medindo pelo rolo que está passando . Com esse controle , você garante que apesar das diferentes condições de processo , o registro de impressão está sob controle .
A detecção de defeitos é o que Jeff Adolf considera mais importante . A flexo tem ampla gama de clientes finais , e donos de marca enxergam defeitos que são críticos - e a cada dia as demandas são mais intensas . Os sistemas de inspeção lidam hoje com ampla variedade de defeitos , como tinta faltando , dentes , contaminação externa , e outros . Para o olho humano , isso é um defeito , mas é preciso ensinar o sistema de inspeção sobre algo que ele nunca viu , e isto é um desafio .
Com a alta quantidade de trabalhos - e diferentes chapas - algumas variações da impressão são até aceitáveis aos clientes . Hoje há metodologias de detecção , como a visão tradicional da máquina , a correspondência do “ Golden image template ” e o deep Learning , além de combinações delas .
Jeffrey contou como funciona o Golden Template da detecção de defeito . Você tem um gabarito ( que seria a impressão “ perfeita ”) e compara com o que está sendo impresso . Este “ Golden template ” pode ser gerado por um arquivo master PDF , uma amostra de impressão aprovada pelo operador ou da união de muitas amostras de impressão .
Assim é possível o processamento de algoritmos para comparar e identificar diferenças , as quais podem ser feitas por subtração de pixel , comparação de contorno ou recurso de correspondência . Os pontos positivos : fácil configuração e setup , rápido processamento e facilidade de interpretar resultados . Por outro lado , nunca funciona exatamente e tem dificuldade em diferenciar defeitos de impressão de variabilidade aceitável .
E qual a alternativa ? É o Deep Learning . Jeff trabalha há anos na área e considera uma revolução . Nele , você ensina a máquina através de técnica de inteligência artificial , com treinamento através de padrões latentes em conjuntos de dados . Esses modelos vão aprender a enxergar o que é diferente entre as variáveis para definir o que é normal , bom , ruim , aceitável . A cada análise , a máquina melhora em aceitar ou não defeitos .
O Deep Learning é uma tecnologia nova , com poucas empresas fazendo ao mundo flexo , sendo necessário hardware e expertise . Mas os prós são bem maiores . Jeff mostrou o exemplo do uso dessa detecção de defeito , em que ele encontra uma possível falha , mas já faz a análise se será necessária fazer a correção , tudo através de sensores inteligentes .
Com essas definições , fica claro que é possível ter uma base de dados forte e com boa capacidade de armazenamento - e que dure por muito tempo . Os dados terão tanto as variáveis do processo como as medidas de qualidade de produção . Isso trará controle de processo em tempo real e melhorias na eficiência .
Agora que temos nossa informação nesse histórico , o que fazemos com os dados ? A visualização de dados é fundamental . A tradução visual dos dados precisa ser feita de forma perfeita para que seja entendido o que está de fato ocorrendo dentro do processo de produção e ver de forma imediata a necessidade de correção . Ou seja , dados visíveis que todos entendam . Se você tem múltiplos locais que usam o mesmo processo , é uma boa
20
Set / Out de 2021 · Inforflexo