Производство, управляемое данными:преимущества, проблемы и стратегии

Оптимизация эффективности производства с помощью производственных стратегий, основанных на данных

Хотя существуют различные технологии сбора данных, производители все еще пытаются их использовать. Именно из-за этой серьезной проблемы цель производства, управляемого данными, кажется еще более недостижимой.

Однако есть несколько подходов, основанных на данных, которые вы можете использовать при оптимизации эффективности производства. Эти подходы включают использование Industrial IoT для сбора данных в цехах, развертывание периферийных вычислительных устройств в цехах или ручной ввод статистических данных о машинах в листы Excel для дальнейшего анализа. Предыдущие два варианта представляют собой цифровые решения с автоматизированными процессами, а последний — ручным. Как и следовало ожидать, оцифровка побеждает и делает сбор производственных данных и применение их в работе более упорядоченным процессом.

Имея это в виду, будет полезно глубже погрузиться в то, что значит быть производителем, ориентированным на данные, с какими преимуществами и проблемами вы можете столкнуться при запуске программ, ориентированных на данные, и какие реальные стратегии вы можете принять по мере продвижения в своем аналитическом срок погашения.

Что такое производство, управляемое данными?

Панель мониторинга производительности MachineMetrics в цехе.

Производство, управляемое данными, – это подход к производству, при котором факты и строгий набор производственных ключевых показателей эффективности определяют принятие решений, а не догадки, анекдотические свидетельства или "интуитивные ощущения".

Это подход, который использует данные о производственном оборудовании, операторах, цепочке поставок и других источниках, чтобы производители могли принимать более взвешенные решения, работая над снижением затрат и повышением операционной эффективности.

Новые технологии дают большему количеству производителей возможность собирать и обрабатывать данные о своих операциях, что приводит к резкому увеличению числа решений, которые могут извлекать ценную информацию из производственных данных в режиме реального времени. Однако не все средства аналитики одинаковы.

Чтобы успешно использовать данные в операции, вам сначала нужно иметь возможность собирать точные данные, которые можно эффективно обрабатывать и отображать таким образом, чтобы пользователю было легко их использовать.

Например, если вам нужно вручную собрать данные о производительности машины в буфер обмена, это не только потребует больших затрат времени, но также высока вероятность человеческой ошибки. С другой стороны, сбор данных непосредственно с машин через ПЛК дает очень точный и беспристрастный поток данных. Оба решения здесь можно считать «управляемыми данными», но последнее намного лучше и приведет к более эффективному принятию решений.

Преимущества управления данными в производстве

Повышенная видимость: Преимущество производства, основанного на данных, заключается в том, что руководители цехов и корпоративных офисов могут получить более глубокое представление о производительности на основе данных, собираемых по всей организации. Данные дают представление не только об эффективности отдельных активов, но и об операциях в целом. Это помогает лицам, принимающим решения, определить области возможностей, будь то неэффективные смены, повторяющиеся простои оборудования или другие узкие места на производстве.

ИИ и машинное обучение: С большими наборами данных производители могут запускать алгоритмы машинного обучения, которые помогают решать сложные проблемы. Например, наша команда по обработке данных использовала неконтролируемое машинное обучение для обнаружения аномалий ЧПУ. Именно благодаря таким аналитическим усилиям производители могут внедрять передовые методы, такие как профилактическое обслуживание. Без возможностей обработки или доступа к данным даже упрощенные формы принятия решений на основе данных были бы невозможны.

Автоматизация: Есть две категории автоматизации, которые могут поддерживать стратегии, основанные на данных. Во-первых, это автоматизированный сбор данных. Если операция надлежащим образом оснащена устройствами для сбора данных и программным обеспечением для их обработки, процесс сбора данных больше не требует ручной работы.

Второй компонент автоматизации — использование данных для автоматизированного принятия решений. По мере того, как производители продвигаются в своем аналитическом путешествии, они переходят от описательной к прогнозной аналитике. Это означает, что они сначала используют данные, чтобы понять, что произошло или происходит в настоящее время, но со временем они становятся более зрелыми, чтобы понять, что может произойти, и получить возможность действовать самостоятельно.

Экономия средств: Данные дополняют бережливое производство, поскольку они предоставляют производителям информацию, необходимую им для оптимизации производственных процессов и минимизации отходов. Без достоверных данных сложно точно измерить улучшения производства и убедиться, что изменения привели к экономии средств.

Например, компания Carolina Precision Manufacturing, производитель токарных деталей малого диаметра с жестким допуском на станках с ЧПУ в Швейцарии, сэкономила 1,5 миллиона долларов за год, развернув платформу IoT для обеспечения полной прозрачности данных. В тематическом исследовании объясняется, как им удалось повысить эффективность производства, оптимизировать использование оборудования и повысить ответственность операторов.

Проблемы производства, управляемого данными

Разрозненные источники данных и устаревшие системы: Многие системы и оборудование не были созданы для того, чтобы взаимодействовать друг с другом. Это может быть результатом использования разных операционных систем в разных отделах, устаревшего оборудования или просто отсутствия документации и связи. Проблема здесь в том, что может быть сложно агрегировать данные по разрозненным системам, а это означает, что вы получите меньше пользы от собранных данных. Платформа Интернета вещей, которая соединяет несколько уровней систем и подключает устаревшее оборудование к сети, помогает решить эту проблему.

Угрозы безопасности: Проблема безопасности промышленного IoT возникла по двум основным причинам. Во-первых, чем больше подключено устройств, тем выше вероятность создания уязвимостей для взлома. Во-вторых, безопасность на машинном уровне раньше не рассматривалась, а это означает, что не разработаны стандарты или протоколы. Однако есть решения для снижения риска.

Хранение данных: Чем больше подключенных устройств и систем использует производитель, ориентированный на данные, тем больше данных будет собрано. На первый взгляд, это большое преимущество, если пользователь может получить представление о собираемых данных. Однако растущему потоку данных требуется место для сбора и обработки, что может оказаться непростой задачей. Это особенно дорого обходится, если пользователь должен хранить данные локально, что является веским аргументом в пользу использования облачных вычислений.

Производственные стратегии, основанные на данных

Стратегия оптимизации процессов на основе данных

Первым шагом к оптимизации производственной мощности машины является понимание ее возможностей и окружающих условий работы. Эти условия работы могут включать знание имеющихся запасов и скорости, с которой материалы попадают в машину. Чтобы получить эти знания, потребуется интеграция решений для сбора данных, таких как устройства человеко-машинного интерфейса. Собранные данные и возможность визуализировать ключевые показатели эффективности позволяют лучше понять производственные процессы как лицам, принимающим решения, так и сотрудникам цеха.

Затем эти идеи можно использовать для разработки стратегии оптимизации процессов, обеспечивающей продолжение производства на оптимальном уровне. Подход к оптимизации процессов, основанный на данных, также позволяет выявить факторы, ограничивающие производительность.

Примером может служить использование MachineMetrics для оптимизации процессов на отдельном производственном объекте. В этом примере данные ежедневно собираются с машин, распределяются по категориям и сравниваются с оптимизированными ключевыми показателями эффективности, чтобы выявить конкретное оборудование, не отвечающее поставленным задачам, и выяснить, почему. Целенаправленное понимание проблем, влияющих на производительность машины, затем служит основой для исправления проблем, ограничивающих ее оптимальное функционирование.

Стратегия профилактического обслуживания на основе данных

Ожидается, что машины в цехах будут постоянно обслуживаться, чтобы обеспечить их оптимальное функционирование, поэтому у каждого производителя есть стратегия обслуживания на случай отказа детали. На многих объектах реактивный подход или подход к обслуживанию до отказа все еще используется в качестве стратегии поддержания работы машин в течение более длительных периодов времени. Статистика показывает, что эта стратегия снижает производительность примерно на 20%, а также может привести к незапланированным простоям, если машины выходят из строя во время фактического производственного цикла.

Стратегия, основанная на данных, предлагает упреждающий подход к обслуживанию машины за счет мониторинга каждого индекса производительности, который описывает состояние работоспособности машины и ее компонентов. При таком подходе незапланированные простои будут устранены, что позволит оптимизировать эффективность производства.

Примером этого является использование MachineMetrics Anomaly Detection Engine для отслеживания компонентов и производительности машины. С помощью API механизм анализирует данные о машинах для разработки индивидуальных стратегий обслуживания для различных машин в цехе. Проанализированные данные информируют производителя о деталях, требующих частой замены, и о том, как разработать графики замены в рамках производственных циклов. Это гарантирует, что запас запасных частей производителя всегда обновляется, а техническое обслуживание выполняется в установленные сроки.

Три этапа оптимизации производства на основе данных

Определение или создание управляемой данными стратегии оптимизации производственных процессов включает следующие этапы:

1. Сбор и мониторинг данных: Возможность сбора данных в режиме реального времени обеспечивает основу для работы с вашими данными. MachineMetrics — это готовое к работе решение, которое собирает такие данные, как рабочая скорость, температура оборудования и уровень энергопотребления, от отдельного производственного оборудования и устройств Интернета вещей.
2. Классификация и визуализация данных: Собранные данные должны быть обработаны и проанализированы, чтобы получить из них представление. MachineMetrics использует облако AWS для предоставления готовых приложений, которые делают визуализацию и отчетность по производственным данным с помощью оптимизированных рабочих процессов оптимизированным процессом.
3. Бизнес-аналитика и действия: Отчеты и рабочие процессы облегчают процесс принятия решений и создания стратегии. После сбора и анализа машинных данных становятся возможными разработка действенных стратегий для оптимизации эффективности производства и их реализация.

Ваш опыт производственной аналитики

Чтобы ваши данные работали на вас, подключение производственных машин вашего предприятия к платформе MachineMetrics станет началом пути к оптимизации производства. Универсальные возможности подключения MachineMetrics поддерживают машины как с цифровым, так и с аналоговым вводом-выводом, что позволяет собирать данные с устаревших машин в вашем цеху. Таким образом, устраняется проблема сбора полезных данных, необходимых для разработки стратегий на основе данных для ваших производственных предприятий. Вы можете узнать больше о преимуществах платформ промышленной аналитики корпоративного уровня, проанализировав функции MachineMetrics IoT Platform.