Состояние отрасли:куда мы идем дальше?

Введение:анализ предыдущих нескольких месяцев

Никто не мог реально предсказать влияние коронавируса на наше общество в целом в начале этого года. Об этом свидетельствует историческая волатильность фондового рынка (обычно указывающая на беспрецедентный уровень неопределенности), быстро меняющиеся политические решения (поскольку мы изо всех сил пытаемся реагировать на изменения в технической среде дня) и еще более ухудшившийся политический климат.

По мере приближения осени, когда школы и кампусы колледжей вновь открываются и закрываются, а также приближается сезон гриппа, неопределенность и волатильность, несомненно, будут только увеличиваться. Ежедневные обновления, которые мы предоставляем о фактическом состоянии обрабатывающей промышленности, будут становиться все более важными, особенно по мере того, как все больше людей, определяющих политику, используют наши данные в своих прогнозах и при принятии решений.

Мы получаем запросы от многих организаций, от производственных компаний, до консалтинговых и бухгалтерских фирм и даже от государственных учреждений о более подробной информации о том, как на самом деле появляются наши данные. Множество вопросов понятно, так как MachineMetrics занимается совершенно новой категорией услуг по оптимизации машин, которая представляет собой чисто облачную реализацию и, следовательно, предлагает не только клиентам преимущества облака, но и нас преимущество анонимного совокупного показателя для отрасли. В этом выпуске мы проведем комплексную проверку того, как мы на самом деле получаем наши данные, в дополнение к последним выводам, которые мы можем извлечь из них.

Пролог:как мы вообще получаем эти данные?

Мы часто получаем такие вопросы, как «Как вы обновляете свой набор данных, когда подключаются новые машины?» или «Насколько размер вашей выборки достаточно велик, чтобы получить эти агрегированные показатели?» «Как вы можете убедиться, что данные со многих тысяч машин точны?»

Это отличные вопросы, и они могут поставить в тупик тех, кто не исходит из обоих производственный и технологический фон. Начнем с основ.

Это типичный механический цех, расположенный где-то в США. Машины не подключены к какой-либо службе оптимизации или мониторинга машин, и начальник цеха знает, что они отстают по частям, только в конце дня, когда оператор сообщает им, что у них не хватает. Затем им приходится добавлять дополнительные смены или переводить станок на ускоренную подачу, чтобы наверстать упущенное, или просто расстраивать своих клиентов нехваткой деталей и пропуском/переносом даты поставки. Это не очень хорошо, но так дела обстояли последние несколько десятилетий.

Именно здесь мы вступаем и реализуем решение Индустрии 4.0, подключая эти машины и их эффективность видима всегда. Мы можем подключиться к ПЛК (программируемому логическому управлению) этих машин, который выводит всевозможную важную информацию, обычно видимую только оператору, стоящему прямо перед машиной.

как нам это сделать? Секретный соус заключается в нашем устройстве Edge, которое представляет собой компьютер Интернета вещей Windows/Linux с предустановленным набором машинных адаптеров . который может переводить, очищать и интерпретировать сигналы, поступающие от ПЛК. У каждого производителя элементов управления есть собственный API, который позволяет нам это делать, и большая часть нашей интеллектуальной собственности заключается в расшифровке этих API и переводе отдельных языков на один унифицированный язык. Ниже приведен снимок машинного ПЛК, а выделенные зеленые/черные прямоугольники — это наше периферийное устройство и устройство цифрового ввода-вывода. Мы просто подключаемся к порту Ethernet на ПЛК, чтобы извлечь информацию, которую выводит система управления, а затем передать ее в облако. Мы делаем все достаточно просто, чтобы люди могли установить все сами, не прибегая к нам на место; сложность по существу переносится с заказчика на сложную технологию внутри устройства Edge.

Что получают от этого наши клиенты? Хорошие информационные панели, которые показывают им вживую, как работают их машины. Что делает машина в заводском цеху? Включен он или нет, кто им управляет, отстают ли они от своих целей или опережают их?

Будучи продуктовой компанией, основная задача MachineMetrics Data Science заключается в использовании этого массивного набора данных для прогнозирования отказов машин и их остановки до того, как они нанесут ущерб или убытки нашим клиентам. Это приводит к тому, что наш продукт становится лучше, а значит, его легче продавать, а значит, мы получаем еще больше данных для оптимизации машин, находящихся под нашей защитой. Благотворный цикл. Например, может быть очень полезно проанализировать, что вызывает сбой машины у одного клиента, и использовать эти данные, чтобы помочь как этому клиенту, так и другим клиентам с похожими машинами и похожими проблемами.

Однако одним из замечательных побочных эффектов всех этих данных является то, что мы также можем агрегировать эту информацию вместе, и увидеть общие тенденции отрасли. Это не было главной целью нашей компании в первую очередь, но поскольку мы усердно улучшали наш продукт и внедряли самоустанавливающиеся машины в течение последних пяти лет, у нас сейчас есть значительный и репрезентативный образец производственных площадей в США. . Одним из ключей к этому было сделать продукт достаточно простым как для использования, так и для самостоятельной установки, чтобы нам не нужно было самим выезжать на место для большинства наших интеграций и тренингов. Это позволяет нам масштабироваться экспоненциально, а не линейно; нам не нужно нанимать дополнительных интеграторов или инструкторов, чтобы удовлетворить спрос.

Ниже приведена таблица, с которой наша команда Data Science работает для создания этого анализа, очищенного от информации, специфичной для клиента. Вы можете видеть, что для каждого часа каждого дня и для каждой машины мы автоматически получаем от нашего парка устройств Edge:

[Полноразмерное изображение]

1. in_cycle_ms:сколько времени машина находится в цикле (запуск программы G-кода). или, если это станок без ПЛК, сколько времени шпиндель потребляет значительный ток).
2. spindle_rotating_ms:сколько из этого времени вращается сам шпиндель вращается. ? В программах с G-кодом иногда встраиваются перерывы и паузы. Этот показатель не включает эти периоды.
3. cutting_ms:Из этого время, сколько времени на самом деле тратится на нарезку , то есть в контакте металл-металл?
4. parts_produced:Сколько деталей, по данным ПЛК, было произведено за это время? Обычно это результат того, сколько оборотов программы G-кода мы видели, плюс множитель деталей (или, в случае более старой машины, продукт того, сколько различных текущих ⚡️ шаблонов было, которые указывали на то, что деталь изготавливается).

Мы также собираем некоторые элементы ручного ввода от операторов на станке, которые могут сказать нам, что из произведенных деталей:

1. parts_rejected:сколько деталей было полностью отклонено по любой причине.
2. parts_scrap:Сколько из забракованных деталей было отправлено в лом.
3. parts_nonconform:сколько из отклоненных деталей не соответствовало стандартам контроля качества.

Вы можете видеть, что на данный момент у нас есть около 66 миллионов машино-часов производственных данных, которые мы считаем одними из самых больших и полных в обрабатывающей промышленности.

У нас есть клиенты разных размеров, регионов и отраслей. Мы немного недопредставлены по сравнению с автомобильным производством в целом и чрезмерно представлены в производстве медицинского оборудования. Мы также немного больше представлены на Северо-Востоке, так как именно там базируется наша инженерная команда и штаб-квартира. Ниже представлено распределение нашей клиентской базы, а также некоторых компаний-представителей. Хитрый аналитик, которому нужна чрезвычайно точная мера для входных данных для моделей или для целей прогнозирования, может построить повторно взвешенную меру использования на основе наших необработанных данных. По мере того, как наши данные становятся более широко используемыми, они подвергаются более тщательной проверке на предмет их надежности, предположений и источников. В этом выпуске бюллетеня «Состояние отрасли» мы посчитали важным охватить все три области.

[Полноразмерное изображение]

Каково сейчас состояние отрасли?

После всего этого... давайте начнем с обновлений использования, которые мы публикуем в LinkedIn каждый день, с добавлением некоторых тенденций. На данный момент мы видим четыре режима, которые происходят в течение года, а именно:

1. Увеличение на 7% до того, как коронавирус поразил США и штаты закрылись.
2. Снижение на 16 % с марта по середину апреля, когда количество отключений было на пике.
3. Увеличение на 8 % в период с Пасхи до Дня независимости, когда режим самоизоляции начал смягчаться, и
4. Сокращение на 2 % в нашем текущем режиме ожидания и наблюдения летом и осенью 2020 года.

Хотя эти общие тенденции могут не стать неожиданностью для кого-либо из нас, определение их точного количественного показателя является нашим новым вкладом. Никогда ранее ни одна организация не могла разработать точный, репрезентативный для отрасли высокочастотный показатель эффективности производства.

[Полноразмерное изображение]

Отраслевая и географическая разбивка

Это имеет большое значение для точной оценки состояния отрасли. Неудивительно, что это часто проявляется в нашей отраслевой и географической разбивке. В этом разделе мы сосредоточимся на запросах, которые нам пришлось подробно изучить в определенных отраслях и регионах.

Давайте начнем с разбивки на отраслевом уровне, вернемся к эпохе до COVID в этом году. Как вы можете видеть ниже, в конце марта автомобильная промышленность полностью рушится, когда заводы закрываются, а потребительский спрос падает. Однако производство медицинского оборудования остается стабильным на протяжении всего этого времени.

[Полноразмерное изображение]

Давайте удалим скользящие ежедневные изменения уровня, чтобы получить более четкое представление об общих тенденциях. Мы будем придерживаться этих линий тренда, построенных на основе LOESS-подгонки к 7-дневной скользящей средней с размахом 0,75 (экономисты и аналитики, обращайтесь ко мне, если хотите узнать больше).

[Полноразмерное изображение]

Затем мы разделяем это на три главы и подгоняем кривую LOESS для каждой главы.

[Полноразмерное изображение]

Глава 1:Использование поднимает лестницу вверх... Лифт вниз

Давайте приблизимся к периоду с середины февраля по середину апреля. В начале февраля все пять основных отраслей, которые мы отслеживаем, шли полным ходом, приближаясь к новым 18-месячным максимумам. Автомобилестроение выглядело особенно сильным, поскольку высокий потребительский спрос и повышенное покупательское настроение заставили многих OEM-производителей и производителей уровня 1 увеличить объемы производства и, следовательно, коэффициент использования машин. Другие отрасли либо не изменились, либо немного выросли.

Затем произошли отключения COVID, и мы видим хрестоматийный случай «подняться по лестнице, а спуститься на лифте». Мы видим эту модель во многих других областях, таких как фондовый рынок. Требуется много стабильности и прочее, чтобы все пошло правильно, чтобы все медленно устремилось вверх, но достаточно одного важного события, чтобы все пошло вниз, причем очень быстро. В сочетании с вынужденным остановом, падение потребительского спроса уничтожило автомобильное производство, при этом к середине апреля уровень загрузки снизился на 40%. Некоторые из наших клиентов пытались за это время переоборудовать оборудование для производства аппаратов ИВЛ и другого медицинского оборудования, но этого было недостаточно, чтобы сбалансировать простои. 15 апреля мы достигли самой низкой точки использования за последние 3 года, когда мы отслеживали производительность машины (исключая праздники).

[Полноразмерное изображение]

Глава 2. Неравномерное восстановление

С середины апреля до конца июня входим в режим неравномерного восстановления. По мере того, как вирус становился все более контролируемым, а ограничения ослаблялись, компании перезапускали часть своего производства. Производство медицинского оборудования, что неудивительно, расширило свое лидерство, поскольку возник ажиотаж на вентиляторы и другое медицинское оборудование. Другие отрасли, такие как аэрокосмическая и оборонная промышленность, производство промышленного оборудования и контрактное производство, в этот период колеблются вверх и вниз, ожидая резкого восстановления, но, похоже, так и не достигнув его. Автомобильная промышленность продолжала снижаться, спрос оставался низким, так как люди либо были вынуждены оставаться дома, либо не хотели выходить на улицу и делать покупки.

[Полноразмерное изображение]

Глава 3. Не совсем митинг

С 1 июля по текущую неделю мы наблюдаем небольшое восстановление, а затем в течение последних нескольких недель производительность практически не изменилась. Клиенты из автомобильной отрасли начали сообщать нам о регулярных операциях, и мы видим это и в их возросшем использовании. Основной причиной этого может быть преодоление и разработка стратегий жизни в эпоху коронавируса, помимо того, что люди больше рискуют и немного больше доверяют экономике. В целом потребительские расходы выросли, что, несомненно, повлияет на всю цепочку поставок. Медицинское производство также увеличилось.

[Полноразмерное изображение]

Постскриптум 1:Доказательства поэтапных сдвигов по регионам

Мы присоединяемся к следующим формальным группировкам риска COVID — и видим явную разницу в распределении использования по часам для каждой географии. Мы перенормируем использование, чтобы оно было между 0 и 1, чтобы мы могли более интенсивно видеть различия в распределении (обратите внимание на изменение заголовка и значений оси Y). Благодаря этому анализу мы видим, что разные штаты более серьезно относятся к социальному дистанцированию посредством поэтапных смен на своих фабриках, чем другие. В Нью-Йорке/Нью-Джерси/Коннектикуте, в частности, наблюдается резкая разница в распределении использования по часам после марта, при этом использование гораздо выше, чем обычно, в предрассветные часы ночи. Это связано с тем, что рабочая сила смещается с основных часов с 10:00 до 16:00 на более равномерное распределение по часам, о чем свидетельствует «более пологая кривая» на кривой почасового распределения для Нью-Йорка/Нью-Джерси/Коннектикута. В других штатах наблюдается явное отсутствие движения в их распределении до и после COVID. Удивительно, как влияние различных субкультур в Соединенных Штатах и ​​их лечение коронавируса распространяется вплоть до заводского уровня. Мы как бы знали об этом и раньше, но придать строгость тому, насколько это правда, весьма примечательно.

Группы риска COVID

· Группа 1:Нью-Йорк, Нью-Джерси, Коннектикут

· Группа 2:AL, AR, AZ, CA, FL, GA, IA, ID, LA, MS, NC, NV, OK, SC, SD, TN, TX и UT

· Группа 3:DC + Другое (CO, IL, IN, KS, KY, MA, MD, ME, MI, MN, MO, NE, NH, OH, OR, PA, VA, VT, WA, WI, WY)

Группа 1 [GIF в полном размере]

Группа 2 [GIF в полном размере]

Группа 3 [GIF в полном размере]

Постскриптум 2. Последствия политических решений видны сразу и поддаются количественной оценке

Когда мы смотрим на середину марта и вводим нормализованные ежедневные значения использования, мы можем увидеть некоторые очень четкие эффекты государственной политики в отношении остановок из-за коронавируса. Ниже мы снова разделили наши данные на три географических региона. Даже беглый взгляд на это показывает, что эти три региона ведут себя очень по-разному в то время, когда коронавирус впервые поражает США.

[Полноразмерное изображение]

В частности, мы наблюдаем примерно 50-процентное снижение относительного использования на день после Губернаторы в Нью-Йорке/Нью-Джерси/Коннектикуте издали приказ о полном закрытии. Мы предполагаем, что это означает, что около 50% магазинов, которые мы отслеживаем, считались основными предприятиями, которые могли оставаться открытыми. Другие штаты не видят этого провала. Активность в выходные дни, которая обычно составляет одну восьмую от нормальной активности, полностью исчезает в Нью-Йорке, Нью-Джерси и Коннектикуте в выходные после закрытия.

[Полноразмерное изображение]

При удалении баров уровня отдельных дней разница становится еще более резкой. Мы видим, что эти типы тенденций сохраняются всякий раз, когда вводится сильное законодательное вмешательство. Мы подозреваем, что оценка последствий этого станет еще более важной по мере того, как мы вступаем в последнюю треть года.

[Полноразмерное изображение]

Эпилог

По мере того, как мы вступаем в осень, мы ожидаем, что сезон гриппа, возвращение студентов домой из закрытых кампусов и другие необычные события могут сильно повлиять на распространение коронавируса и, в свою очередь, на использование отрасли. На данный момент мы продемонстрировали, что наша мера чрезвычайно чувствительна к изменениям политики, особенно к тем, которые повлияют на использование в нисходящем направлении. Здоровье нашей отрасли, находящейся сейчас в режиме «поживем-увидим», неизбежно будет сильно затронуто нашими политическими решениями этой осенью. Мы надеемся, что производители, аналитики и экономисты нашей отрасли смогут использовать эти данные, чтобы лучше информировать о выборе, который они делают, когда мы приближаемся к сентябрю. Данные — это сила, и мы можем использовать эти данные, чтобы помочь нашей отрасли и нашей стране стать сильнее. Данные помогают нам принимать взвешенные и рациональные решения, подкрепленные строгостью и обдуманностью, а не эмоциональными порывами, которые в конечном итоге только навредят нам всем. В наших руках сделать так, чтобы в эти неспокойные дни мы принимали наилучшие возможные решения, поскольку это критические времена, в которые мы живем.

Мы продолжим отслеживать эти показатели и регулярно сообщать о них.