拓行智网
  www.tonshinet.com  Loading...

公司介绍

INTRODUCTION

拓新智造   行至未来

武汉拓行智网科技有限公司

成立于2019年,国内领先的企业数智化服务提供商,由资深行业专家和高校科研人才组成,拥有多名博士、海归人员、硕士,专注于边缘计算、物联网、大数据、机器视觉、人工智能等新一代信息技术的研究与应用,助力企业数字化转型和智能化升级。

经过多年的技术沉淀,公司获得国家级高新技术企业、软件企业等称号,其自主可控的云原生PaaS平台—拓行云·擎天低代码平台,已成功应用于建材、能源、计量、船舶等行业,所研发产品获得建材行业联合会科技进步二等奖1项、建材机械行业科技奖三等奖1项,湖北省科学技术奖二等奖1项,授权发明专利5项、计算机软件著作权证书20余项。

近年来,公司紧跟行业发展,迈入全程数智化阶段,形成了针对不同应用场景的通用化AI视觉及大数据分析的解决方案,可以为客户提供质量预警、成因分析、趋势分析、工艺优化等多方面的产品与服务。
随着数字孪生技术在各行各业的渗透,拓行智网积极探索物理世界与虚拟世界的精准映射,打造数字孪生驱动的智能制造新模式。

成为国内领先的企业数智化服务提供商

边缘计算

物联网

大数据

机器视觉

人工智能

产品体系

PRODUCTS

行业方案

SOLUTIONS

生产线自动化及控制解决方案
提供研发设计、生产制造、安装调试、运行维护的全生命周期服务
  • 智能系统

  • 工控设备

  • 四轴联动

  • 防摇摆控制

  • 安全监控

  • 货物信息识别

  • 自动控制

  • 定位技术

  • 智能吊具

综合了无线网络技术、PLC控制技术和HMI技术,采用手动、自动、遥控、维护四种模式

将系统划分为命令层、基础层、执行层,以现场总线技术和无线通讯技术串接PLC控制系统、传感器、传动设备,实现控制精准化。
明确控制对象,划分控制功能,分别为大车、小车、主钩升降、主钩旋转、天车摆角、天车防撞、夹钳、钢卷跟踪控制,事件中断及手动干预的处理、参数设定、故障报警、人机接口等功能。
作为智能化库房的设备控制部分,建立完善的通讯结构,保障系统与WMS进行实时数据通讯,接收WMS下发工单,反馈天车和作业目标信息,生成信息数据流,为生产物流提供数据支撑。

工控设备共同构成了工业设备自动化系统的基础,实现生产过程的自动化控制和优化管理

PLC是工业自动化系统中的关键设备,用于控制和监视生产过程中的各种机械、电气和电子设备。它能够根据预先编写的程序自动执行各种控制任务。
HMI是人与自动化系统之间的接口设备,通常采用触摸屏显示,用于显示生产过程的状态信息、操作指令和报警信息,同时也可以用于手动控制和调整系统参数。
工业网络设备用于实现设备之间的通信和数据交换,包括以太网交换机、工业以太网、现场总线(如Profibus、Modbus等)等。

四轴联动系统采用摆角检测技术、拟合曲线法和随动控制技术

将摆角控制在精度范围内,实现了天车起停时和主钩下降取、放作业的平稳运行。
无人天车系统在作业时,自动生成耗时最短的大车与小车的行车路径,以及主钩起降速度、旋转与时间的相互配合。从而调整了四轴区间,实现了最大限度缩短作业时间。
优化程序逻辑,结合防摇摆控制技术,将摆角控制在精度范围内的同时,天车行进过程中,大车、小车、主钩、旋转机构同时动作,X、Y、Z 旋转轴上协调位移,以达到提高作业绩效的效果。

有效减小或消除工业设备在运动过程中的摇摆和振动,提高其运动稳定性和精度

控制器产生的最佳速度传递到天车PLC,直接将防摇摆控制器给出的速度值传递到变频器,可控制天车大、小车速度。
摇摆控制器通过规避区域时不停止大、小车速度,在维持一定速度的前提下,无静止通过并缩短整个路径移动时间,使天车安全有效移动。
结合机器学习、人工智能等技术,设计智能控制策略,能够根据实时运动状态和环境变化调整控制参数,进一步提高控制性能和适应性。

确保生产过程中人员、设备和环境安全的重要组成部分

通过使用安全传感器、摄像头等设备监测生产现场的人员活动情况,以及检测是否有人员进入危险区域或接近危险设备,从而及时发出警报并采取措施保障人员安全。
通过监测设备的运行状态、温度、压力、振动等参数,及时发现设备可能存在的故障或异常情况,预防设备事故的发生,确保设备运行安全。
部分安全监控系统支持远程监控和管理功能,使管理人员可以通过网络远程监视生产现场的安全情况,及时响应安全事件,采取措施保障生产安全。

对生产过程中的货物进行识别、检测和跟踪,以实现自动化生产、物流和管理

使用条形码或二维码技术对货物进行标识和识别。通过扫描条码,系统可以快速获取货物的相关信息,如生产批次、生产日期、产品型号等,以便进行后续的跟踪和管理。
利用射频识别(RFID)技术对货物进行无线识别和跟踪。每个货物都配备有一个RFID标签,系统可以通过RFID读写器实时读取标签上的信息,实现对货物的自动识别和管理。
利用计算机视觉技术对货物的外观特征进行识别和检测。系统通过摄像头获取货物的图像,然后利用图像处理和模式识别算法识别货物的类型、形状、颜色等特征,并进行分类和定位。

实现对生产过程中设备和系统的自动化控制和调节

根据处理后的数据和系统的控制目标,自动控制系统通过控制算法计算出相应的控制策略和调节参数,以实现对设备和系统的自动控制。
控制算法输出的控制指令传送给执行器(如电机、阀门、液压缸等),执行器根据指令调节设备的运行状态、位置或其他参数,实现控制目标。
系统同时接收执行器和传感器的反馈信息,实时监测设备的实际运行状态,并与预期目标进行比较。根据反馈信息对控制策略进行调整,实现闭环控制,使系统能够自动调节以达到预期目标。

根据应用场景选择合适的定位技术,实现对设备和工件的精确定位和控制

起重机三维定位技术涉及被吊物品的外形监测、空位探测、实际存放位置的一维、二维、三维认址、定位方法,以及起重机取物装置(吊钩、货叉、吸盘、抓具、抓斗等)一维、二维、三维认址、定位方法。
视觉定位利用摄像头、图像处理和计算机视觉算法来识别和跟踪物体的位置和姿态。通过对物体的视觉特征进行检测和匹配,系统可以实现对物体的准确定位,适用于各种环境下的定位任务。
无线定位利用无线信号(如蓝牙、Wi-Fi等)的信号强度或到达时间来确定物体的位置。通过部署多个基站或信号源,系统可以实现对物体的三维定位,适用于室内定位和室外定位。

利用先进的传感器、控制系统和通信技术,实现对吊具的监测、控制和优化管理

通常配备各种传感器,如载荷传感器、倾斜传感器、位移传感器等,用于实时监测吊具的状态和工作环境,以确保安全和高效的操作。
能够采集和处理大量的数据,包括载荷重量、吊钩位置、倾斜角度等信息,通过内置的处理器进行数据分析和计算,以实现对吊具状态的实时监测和评估。
实现一定程度的自动化操作,如自动识别和捕捉工件、自动调节吊钩高度、自动平衡载荷等,减少了人工干预的需求,提高了操作效率和精度。
装备制造企业数智化解决方案
围绕精益制造、产业链协同、业务互联,构建新型制造模式
  • 项目合同

  • 预算决策

  • 研发设计

  • 生产制造

  • 供应链协同

  • 质量体系

  • 仓库管理

  • 成本管控

  • 未来趋势决策智能

以客户需求为数据原点,涵盖销售合同、采购合同、委外合同、运输合同等

实现销售数据的有效追踪和自动分析,提升销售业务效率与市场响应速度
实现客户业主信息管理、合同评审、业主反馈,报价进度跟踪、发货回款等全方位的客户关系数字化管理
合同信息全面集成:1. 请款 2. 付款记录 3. 发票记录 4. 补充协议等
合同管理提供补充协议功能,合同内容审批通过后的变更,可增加补充协议。

销售合同为源头,涵盖技术、生产、采购、委外等多个部门,以确保预算信息准确

项目实施过程中及时监控已经发生费用,并进行汇总分析
从市场部门发起预算,包含材料费用预算、运费、班组承包、厂内分包、外协费用和管理费用
基于历史数据的预算自动匹配,分类计算各部分费用占比,费用组成详情展示
预算与实际执行情况对比可视化展示超预算条目,进行分级预警控制

对客户需求的产品进行数字化解耦,进行图纸管理、BOM 分解、工艺设计

OCR建模,实现图纸与BOM集成,可自定义标准模板,进行图纸建模,提升工作效率
进行工艺标准和加工参数设计、工时定额线上作业,并自动派发到生产设备和人员
技术准备以BOM为源头BOM变更灵活关联,层次清晰,BOM重量自动计算,待办任务可视化标记,物料代用及时提醒
技术准备数据: 1.BOM数据 2.制作明细数据 3. 装箱单数据

构建多重计划协同制造体系,保证项目按计划生产

通过生产计划协同各车间生产,结合移动APP平台,下派任务,工序交接连贯减少等待,保障人员高效工作
制作任务来源于BOM下推,基础价格库制作价格自动计算,特殊价格审批,实现线上任务派发和报产报量
结合APP进行生产任务,生产工序报检与报量融合,提高生产效率
可视化生产制造全流程进度管控,工序进度集成控制计划进度与实际进度对比,延期一目了然

对采购和招投标进行全流程信息化管控和订单(项目)协同计划集中计划管控

按项目归类计划,比价单号和计划跟踪号全流程跟踪,可进行外网询价和定时投标,成本记录和历史价格记录
供应商采购订单执行状态清晰报检状态,报检数量,送货状态,送货数量,入库状态和入库数量展示
供应商报检登记,由质检部分配质检方式,安排质检计划,实时反馈质检结果
配合数字化仓库的条码化管控,供应商打印送货单;仓库通过扫码生成入库单,提升入库效率

全面质量数字化管理,实现全业务流程的质量管控

提供来料质量管理、生产过程质量、销售质量管理和库存质量等质量管控
支持多种质检业务类型和多种质检方式,包括采购物料质检、外委生产到货质检、生产首检、过程工序质检、产品终检、和销售出货
建立多种质量标准和质检方案,可以对等级品进行质检,可以对质检结果进行自动判断
多维度和多功能指标的组合智数质量分析,对产品分类、不良分类、处理方式等维度,跟时间、合格率、不合格率、PPM等指标组合,进行分析及质量趋势分析

仓库管理和数字化结合,建设数字化仓库

实现原材料的在线入库,仓库仓位管理。库存信息准确及时;基于库存数据进行预领料、生产领料、仓库调拨、MTO调整和转备库
入库记录信息清晰可查,包含入库时间、入库金额、数量、库房备注信息,同步入库信息到订单和供应链协作平台
依据入库情况,可分为采购入库、委外入库、结转入库和其他入库,涵盖全面。

进准成本核算,为决策提供数据支持

分类核算材料成本,包含原材料及主要材料、人工费和制造费用三大模块
分项目制号按月统计,当月材料费用、生产费用、运费、外协费用
在完工的基础上进行项目成本分析和合同盈亏统计,成本分析依据实际发生费用,统计出成本、毛利率、净利润和净利率等信息
合同盈亏信息包括合同金额、合同成本、费用分摊利润总额和利润率

把握未来趋势,引领行业发展

支持企业动态扩展算法模型,基于制造云业务计算平台,可快速扩展个性化业务算法,并应用到已有算法模型中
基于动态领域模型的数据配置,通过制造云的业务模型映射功能,可将企业个性化业务数据加入物料需求计划、齐套计划、调拨计划、配送计划等标准引擎
完整的端到端集成能力,内外部连接标准定义,可快速适配企业已有基础设施,提供全栈解决方案
装备数智化运维管理解决方案
提高企业运维效能、降低成本、提升服务质量,并推动数字化转型
  • 监控预警

  • 诊断分析

  • 自动化调度

  • 预测性维护

  • 安全评估

  • 运维流程

  • 可视化监控与报告

  • 智能决策支持

部署传感器、监测设备实时收集设备运行数据,借助实时数据建立预警系统,通过设定阈值和规则,及时发现潜在问题,从而防范故障。

数据采集与监测:实时监控系统通过各种传感器、监测设备或数据采集器实时收集系统或设备的运行数据,如温度、压力、湿度、流量、电压、电流等关键参数。
实时数据处理与分析:收集到的数据经过实时处理和分析,系统可以立即识别出异常数据或趋势,比如超出设定阈值的数据、异常的数据模式等。
预设警戒值与条件:系统可以根据预先设定的警戒值或特定条件进行监控,当达到或超过这些设定值或条件时,系统将触发警报。

运用大数据技术处理海量监控数据,故障诊断利用机器学习和深度学习技术,自动检测并解决设备故障,提高故障响应速度。

数据采集与存储:大数据分析的基础是大规模的数据收集。传感器、监测设备和其他数据源收集的数据被存储在分布式存储系统、数据库或数据湖中,以备后续分析。
实时数据处理:大数据分析通常涉及实时数据处理,确保及时处理流入的大量数据。流式处理技术用于实时监测系统状态,快速检测异常情况。
机器学习与模型训练:大数据分析中常使用机器学习算法来构建模型,通过历史数据训练模型,使其能够识别系统中的正常运行模式和潜在的故障模式。

利用智能调度算法,自动化调度系统通过自动执行例行任务,减少人工操作,提高系统运行效率。

资源优化与自动化调度通常结合使用,通过优化资源配置和自动化调度,实现生产过程的高效运作和优化管理。
智能算法和优化模型:利用智能算法如遗传算法、模拟退火算法等,建立资源优化和调度模型,以实现最优的资源配置和任务调度方案。
自动化控制和执行:利用自动化系统和设备,实现生产任务的自动调度和执行,减少人为干预,提高生产效率和质量。

基于历史数据和预测模型,实现设备健康状态的实时监测和未来故障的预测,预测性维护策略可以提高设备可用性。

建立预测模型:基于历史数据,利用机器学习算法建立预测模型,以识别设备的正常运行模式和潜在的故障模式。常用的算法包括回归分析、支持向量机(SVM)、决策树、神经网络等。
实时监测与预测:预测模型可以实时监测设备的运行状况,并预测未来一段时间内可能出现的故障或异常情况。一旦检测到异常,系统会触发警报并通知相关人员。
维护执行与评估:根据维护计划,执行相应的维护措施,并定期评估预测模型的准确性和效果。根据评估结果,调整和优化预测模型和维护策略。

实施全面的安全管理策略,利用风险评估工具,对潜在风险进行定量分析,帮助制定有效的安全防护策略。

风险识别:确定潜在的危险和风险源。
风险分析:评估风险的可能性和影响。
风险评估:将可能性和影响结合起来,确定风险的严重程度。
风险控制:制定和实施措施,以减轻、转移、接受或避免风险。

引入自动化工作流程,通过自动化任务分配、协同合作等方式,提高团队协同效率,优化运维流程。

分析现有流程:首先,对当前的运维流程进行全面的审查和分析,了解其中存在的瓶颈、延迟和效率低下的环节。
制定改进计划:基于对现有流程的分析和设定的优化目标,制定具体的改进计划和策略。这可能涉及到重新设计流程、引入新的工具和技术、优化资源分配等。
实施标准化和最佳实践:制定标准化的运维流程和最佳实践,确保流程的一致性和可重复性,减少错误和风险。

利用可视化手段展示实时运维数据,帮助决策者全面了解系统状态。定期生成详尽的报告,汇总关键指标和趋势,支持决策制定和战略规划。

选择合适的监控指标:确定需要监控的关键指标,例如系统的负载、响应时间、吞吐量、错误率等,以及与业务目标直接相关的指标。
设计仪表板和报告:设计易于理解和使用的仪表板和报告,包括实时监控、历史数据趋势、警报和事件日志等内容,以满足不同用户的需求。
自动化报告和警报:设置自动化的报告和警报机制,根据预先定义的阈值和规则触发警报,并自动生成报告,帮助团队及时做出反应。

智能决策支持系统能够根据实时数据和历史模式提供个性化建议,为管理层提供智能决策支持,优化运维决策过程。

数据分析与挖掘:利用数据分析技术,对数据进行挖掘和分析,发现数据中的模式、趋势和关联性。这可以包括统计分析、机器学习、数据挖掘等技术,以提取有用的信息和洞察力。
决策建议与推荐:根据数据分析和模型计算的结果,向决策者提供建议和推荐,帮助其做出更明智的决策。
反馈与迭代优化:不断收集用户反馈和决策结果的信息,用于优化和改进智能决策支持系统的性能和准确度,使其能够适应不断变化的环境和需求。

工程案例

CASES

合作伙伴

PARTNERS


国内领先的企业数智化服务提供商