Раскрытие производственной эффективности: проверенные стратегии данных

Оптимизация производственной эффективности через стратегии data-driven производства

Хотя существует множество технологий сбора данных, производители все еще борются за их использование. Именно из-за этой главной цели data-driven производства кажется еще более недостижимой.

Однако есть несколько data-driven подходов для оптимизации производственной эффективности. К ним относятся использование промышленного IoT для сбора данных цеха, внедрение периферийных вычислительных устройств на цехе или ручной ввод статистики станков в таблицы Excel для дальнейшего анализа. Первые два варианта — цифровые решения с автоматизированными процессами, последний — ручной. Как и ожидалось, оцифровка побеждает и делает сбор данных цеха и их эксплуатацию более упорядоченным процессом.

С этого в виду полезно глубже погрузиться в то, что значит быть data-driven производителем, какие выгоды и вызовы можно встретить при запуске data-focused программ и какие конкретные стратегии можно принять по мере прогресса в аналитической зрелости.

Что такое data-driven производство?

Дашборд производительности MachineMetrics на цехе.

Data-driven производство — это подход к производству, позволяющий фактам и строгому набору производственных KPI направлять принятие решений, а не догадкам, анекдотическим доказательствам или «интуиции».

Это подход, использующий данные от цехового оборудования, операторов, цепочки поставок и других источников, чтобы производители могли принимать лучшие решения, работая над снижением затрат и повышением операционной эффективности.

Новые технологии дают больше производителям возможность собирать и обрабатывать данные из своих операций, что ведет к росту решений, извлекающих инсайты из производственных данных в реальном времени. Однако не вся аналитика одинакова.

Чтобы успешно использовать данные в операциях, сначала нужно уметь собирать точные данные, которые можно эффективно обработать и отобразить так, чтобы пользователю было легко их потреблять.

Например, если собирать данные о производительности станка вручную на клипборде, это не только требует больших временных затрат, но и несет высокий риск человеческой ошибки. С другой стороны, сбор данных напрямую от станков через ПЛК дает высокоточный и непредвзятой поток данных. Оба решения можно считать «data-driven», но второй далеко превосходит и приведет к лучшему принятию решений.

Преимущества data-driven подхода в производстве

Повышенная видимость: Привлекательность data-driven производства в том, что руководители на цехе и в корпоративном офисе могут иметь более глубокое понимание производительности на основе данных, собираемых по всей организации. Данные дают инсайт не только в производительность отдельных активов, но и в операции в целом. Это помогает决策者 выявлять зоны возможностей: низкопроизводительные смены, повторяющиеся простои станков или другие узкие места производства.

ИИ и машинное обучение: С большими наборами данных производители могут запускать алгоритмы машинного обучения для решения сложных проблем. Например, наша команда data science использовала неконтролируемое машинное обучение для обнаружения аномалий ЧПУ. Именно такие аналитические усилия позволяют производителям внедрять передовые практики, такие как предиктивное 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 поддерживают data-driven стратегии. Первая — автоматизированный сбор данных. Если операция должным образом оснащена устройствами для сбора данных и ПО для их обработки, процесс сбора данных больше не требует ручных усилий.

Вторая составляющая автоматизации — использование данных для автоматизированного принятия решений. По мере прогресса в аналитическом пути производители движутся от описательной к предиктивной аналитике. Это означает, что они сначала используют данные для понимания того, что произошло или происходит сейчас, но в конечном итоге зреют до понимания того, что может произойти, и получают возможность действовать автономно.

Экономия затрат: Данные дополняют бережливое производство, давая производителям информацию для упорядочивания производственных процессов и минимизации потерь. Без твердых данных трудно точно измерить улучшения производства и быть уверенным, что изменения привели к экономии.

Например, Carolina Precision Manufacturing, производитель мелкодиаметральных деталей с тесными допусками на швейцарских токарно-автоматах, сэкономила 1,5 млн долларов за год, внедрив IoT-платформу для обеспечения полной видимости данных. В кейсе описывается, как они смогли повысить производственную эффективность, оптимизировать использование станков и повысить ответственность операторов.

Вызовы data-driven производства

Изолированные источники данных и устаревшие системы: Многие системы и оборудование не создавались с намерением общаться друг с другом. Это может быть результатом отдельных операционных систем в разных отделах, устаревшего оборудования или просто отсутствия документации и коммуникации. Проблема в том, что агрегация данных через разрозненные системы бывает сложной, что означает меньшую ценность от собранных данных. IoT-платформа, соединяющая несколько уровней систем и выводящая устаревшее оборудование в онлайн, помогает решить эту проблему.

Угрозы безопасности: Проблема безопасности промышленного IoT возникла по двум основным причинам. Во-первых, чем больше устройств подключено, тем выше шанс создать уязвимости для взлома. Во-вторых, безопасность ранее не рассматривалась на уровне станка, что означает отсутствие стандартов или протоколов. Однако существуют решения для снижения рисков.

Хранение данных: Чем больше подключенных устройств и систем включает data-driven производитель, тем больше данных будет собрано. На поверхности это сильное преимущество, если пользователь может извлечь инсайт из собираемых данных. Однако растущий поток данных нуждается в месте для сбора и обработки, что может быть сложным вызовом. Это особенно затратно, если пользователь хранит данные on-premise, что делает сильный кейс для использования облачных вычислений.

Стратегии data-driven производства

Стратегия оптимизации процессов на основе данных

Первый шаг к оптимизации производственной мощности станка — понимание его возможностей и рабочих условий вокруг него. Эти условия могут включать знание доступных запасов и скорости поставки материалов к станку. Для получения этого знания потребуется интеграция решений сбора данных, таких как устройства человек-машина (HMI). Собранные данные и возможность визуализации KPI дают отличный инсайт в промышленные процессы как для руководителей, так и для сотрудников на цехе.

Эти инсайты затем можно использовать для разработки стратегии оптимизации процессов, обеспечивающей производство на оптимальном уровне. Data-driven подход к оптимизации процессов также позволяет выявлять факторы, ограничивающие продуктивность.

Пример — использование MachineMetrics для оптимизации процессов на дискретном производственном объекте. В этом примере данные собираются ежедневно со станков, категоризируются и сравниваются с оптимизированными KPI для выявления конкретного оборудования, не достигающего целей, и причин. Целевой инсайт в вызовы, влияющие на продуктивность станка, служит основой для исправления проблем, мешающих ему функционировать оптимально.

Стратегия предиктивного обслуживания на основе данных

Станки на цехах ожидается, что будут непрерывно обслуживаться для обеспечения их оптимальной работы, поэтому у каждого производителя есть стратегия обслуживания для борьбы с отказом деталей. Во многих объектах все еще применяется реактивная стратегия «работай до поломки». Статистика показывает, что эта стратегия снижает продуктивность примерно на 20% и может привести к неплановым простоям, если станки ломаются во время производственного цикла.

Data-driven стратегия приносит превентивный подход к обслуживанию станков через мониторинг каждого индекса производительности, описывающего состояние здоровья станка и его компонентов. С таким подходом неплановые простои будут устранены, оптимизируя производственную эффективность.

Пример — использование движка обнаружения аномалий MachineMetrics для отслеживания компонентов и производительности станков. Через API движок анализирует данные станков для разработки индивидуальных стратегий обслуживания для разных станков на цехе. Проанализированные данные информируют производителя о деталях, требующих частой замены, и дают инсайт о том, как строить графики замены вокруг производственных циклов. Это гарантирует, что запас запасных частей всегда актуален, а обслуживание выполняется в установленные сроки.

Три этапа оптимизации data-driven производства

Определение или создание data-driven стратегии для оптимизации производственных процессов включает следующие этапы:

1. Сбор и мониторинг данных: Возможность собирать данные в реальном времени дает основу для работы с данными. MachineMetrics — это plug-and-play решение, собирающее данные: операционная скорость, температура оборудования, скорость потребления энергии от дискретного производственного оборудования и IoT-устройств.
2. Категоризация и визуализация данных: Собранные данные должны быть обработаны и проанализированы для получения инсайтов. MachineMetrics использует облако AWS для доставки готовых приложений, делающих визуализацию и отчетность цеховых данных через оптимизированные рабочие процессы упорядоченными.
3. Бизнес-интеллект и действие: Отчеты и рабочие процессы предоставляются для облегчения принятия решений и создания стратегий. После сбора и анализа данных станков становится возможным разработка и внедрение действенных стратегий для оптимизации производственной эффективности.

Ваш путь в производственную аналитику

Чтобы заставить ваши данные работать для вас, подключение производственных станков вашего предприятия к платформе MachineMetrics запустит путь к оптимизации производства. Универсальные возможности подключения MachineMetrics поддерживают станки с цифровыми и аналоговыми I/O, что позволяет собирать данные от устаревших станков на вашем цехе. Таким образом, устраняется вызов сбора пригодных данных для разработки data-driven стратегий для ваших производственных объектов. Вы можете узнать больше о ценностном предложении корпоративных платформ промышленной аналитики, анализируя функции платформы MachineMetrics IoT.