Перспективы отрасли: Зачерчивая путь вперед

Введение: Разбор последних нескольких месяцев

Никто не мог реально предсказать эффекты коронавируса на общество в целом в начале этого года. Это подтверждается исторической волатильностью фондового рынка (обычно указывающей на беспрецедентные уровни неопределенности), быстро меняющимися политическими решениями (по мере того как мы боремся отреагировать на изменения в техническом миллье дня) и всё более обострённым политическим климатом.

По мере приближения осени, с переоткрытием и закрытием школ и кампусов колледжей, а также приближением гриппного сезона, неопределенность и волатильность только увеличатся. Ежедневные обновления, которые мы предоставляем о реальном состоянии производственной отрасли, станут ещё важнее, особенно по мере того как больше людей, устанавливающих политику, используют наши данные в прогнозах и для руководства принятием решений.

Мы получали запросы от многих организаций — от производственных компаний к консалтинговым и аудиторским фирмам, и даже от госучреждений — о большей детализации того, как наши данные на самом деле формируются. Множество вопросов понятно, так как MachineMetrics занимается совершенно новой категорией сервисов оптимизации станков — чисто облачной реализацией, которая дает не только клиентам преимущества облака, но и нам преимущество анонимизированной агрегированной меры для отрасли. В этом выпуске мы пройдемся по должной проверке того, как мы реально получаем данные, помимо недавних инсайтов, которые мы можем извлечь из них.

Пролог: Как мы вообще получаем эти данные?

Мы часто получаем вопросы вроде «Как вы обновляете датасет при подключении новых станков?», или «Как ваш размер выборки достаточно велик для получения этих агрегированных метрик?» «Как можно удостовериться, что данные с многих тысяч станков точны?»

Это отличные вопросы, и они могут сбивать с толку тех, кто не приходит из обоих миров — производства и технологий. Начнем с основ.

Это типичный машиностроительный цех где-то в США. Станки не подключены к какому-либо сервису оптимизации или мониторинга, и менеджер цеха узнает, что они отстают по деталям, только в конце дня, когда оператор говорит, что деталей не хватает. Тогда им нужно добавлять дополнительные смены или переводить станок в режим перегрузки подачи, чтобы нагнать, или просто расстраивать клиентов нехваткой деталей и сдвигом сроков поставки. Не отлично, но так делалось последние несколько десятилетий.

И здесь мы вступаем и включаем решение Индустрии 4.0, делая эти станки подключенными и их производительность видимой всегда. Мы можем подключиться к ПЛК (программируемому логическому контроллеру) этих станков, который выдает всю важную информацию, обычно видимую только оператору, стоящему прямо перед станком.

Как мы это делаем? Секретный ингредиент кроется в нашем Edge-устройстве — по сути, компьютере IoT на Windows/Linux, предзагруженном с кучей машинных адаптеров, которые могут переводить, очищать и интерпретировать сигналы с ПЛК. У каждого производителя контроллеров свой API, позволяющий нам это делать, и большая часть нашей интеллектуальной собственности — в декодировании этих API и переводе индивидуальных языков в один унифицированный. Ниже — снимок ПЛК станка, и зеленые/черные выделенные блоки — наш Edge и Digital IO. Мы просто подключаемся к Ethernet-порту на ПЛК для извлечения информации, которую контроллер выдает, и стримим её в облако. Мы делаем это достаточно простым, чтобы люди могли установить всё сами без нашего приезда на место; сложность по сути переносится от клиента к сложной технологии внутри Edge-устройства.

Что получают наши клиенты? Хорошие дашборды, показывающие им вживую, как их станки работают. Что делает станок через весь цех? Он вкл или выкл, кто его управляет, и они отстают или опережают цель по деталям?

Будучи продуктовой компанией, основная работа Data Science MachineMetrics — в использовании этого массива данных для предсказания, когда станки выйдут из строя, и остановки их до того, как они причинят ущерб или убытки клиентам. Это делает наш продукт лучше, что значит, его легче продать, что значит, мы получаем еще больше данных для оптимизации станков под нашим крылом. Добровольный цикл. Например, может быть крайне полезно анализировать, что вызывает отказ станка у одного клиента, и использовать эти данные чтобы помочь и этому клиенту, и другим с похожими станками и похожими проблемами.

Однако одно из чудесных побочных эффектов всех этих данных — мы можем также агрегировать эту информацию вместе и видеть общие отраслевые тренды. Это не была главная цель нашей компании изначально, но потому что мы прилежно улучшали продукт и включали самоустанавливаемые станки последние пять лет, у нас теперь значительная и представительная выборка производственного пространства США. Один из ключей — делая продукт достаточно простым для использования и самоустановки, чтобы нам не нужно было ездить на место для большинства интеграций и обучений. Это позволяет нам масштабироваться экспоненциально, а не линейно; нам не нужно нанимать больше интеграторов или тренеров, чтобы поспевать за спросом.

Ниже — таблица, с которой работает наша команда Data Science для генерации этого анализа, очищенная от клиент-специфичной информации. Вы можете видеть, что для каждого часа каждого дня и для каждого станка мы получаем автоматически от нашего флота Edge-устройств:

[Полноразмерное изображение]

1. in_cycle_ms: Сколько времени станок в цикле (выполняет G-код программу или если это станок без ПЛК, сколько времени шпиндель потребляет значительный ток).
2. spindle_rotating_ms: Из того времени, сколько шпиндель сам вращается? Во время G-код программ иногда встроены паузы. Эта метрика исключает эти периоды.
3. cutting_ms: Из того времени, сколько времени реально тратится на резание, то есть металл-в-металл контакт?
4. parts_produced: За это время, сколько деталей ПЛК сообщил, что произведено? Обычно это произведение количества вращений G-код программы, которые мы видели, плюс множитель деталей (или в случае старого станка, произведение количества уникальных паттернов тока ⚡️, указывающих на изготовление детали).

Мы также собираем некоторые ручные вводы от операторов на станке, которые могут сказать нам, что из произведенных деталей:

1. parts_rejected: Сколько деталей было отклонено прямо, по любой причине.
2. parts_scrap: Из отклоненных деталей, сколько ушло в утиль.
3. parts_nonconform: Из отклоненных деталей, сколько не соответствовало стандартам QA.

Вы можете видеть, что у нас примерно ~66 миллионов машино-часов производственных данных на данный момент, что, мы считаем, является одним из крупнейших и полных в производственной отрасли.

У нас разнообразие клиентов по размеру, региону и отрасли. Мы немного недо-представлены по сравнению с производством в целом для автопрома, и пере-представлены в производстве медицинских устройств. Также немного пере-представлены на Северо-Востоке, где наша инженерная команда и штаб-квартира. Распределение нашей клиентской базы ниже, а также некоторые представительные компании. Пронзительный аналитик, желающий экстремально точную меру для входов в модели или для предиктивных целей, может построить перевзвешенную меру утилизации на наших сырых данных. По мере того как наши данные становятся более широко используемыми, они проходят большую проверку на надежность, допущения и источники. В этом выпуске обновления Состояния отрасли мы считали важным покрыть все три области.

[Полноразмерное изображение]

Итак, каково состояние отрасли прямо сейчас?

После всего этого... начнем с обновлений утилизации, которые мы публикуем в LinkedIn каждый день, с наложенными трендами. Мы видим в основном четыре режима в течение года до сих пор:

1. 7% рост до того, как коронавирус ударил по США и штаты закрылись
2. 16% падение с марта по середину апреля, когда закрытия были на пике
3. 8% рост от Пасхи до Дня независимости, когда закрытия начали ослабевать, и
4. 2% падение в нашем текущем режиме «ждать и смотреть», летом и осенью 2020

Хотя эти общие тренды могут не стать сюрпризом для любого из нас, постановка точного количественного индикатора на них — наш новаторский вклад. Никогда раньше никакая организация не могла придумать точный, представительный для отрасли высокочастотный индикатор производственной производительности.

[Полноразмерное изображение]

Отраслевые и географические разбивки

Это имеет большие последствия для точной оценки состояния отрасли. Неудивительно, это часто проявляется в наших отраслевых и географических разбивках. Мы потратим этот раздел на фокус на запросах, которые у нас были, чтобы глубоко погрузиться в определенные отрасли и географии.

Начнем с отраслевых разбивок, возвращаясь к пред-COVID эре этого года. Как видите ниже, автопром абсолютно коллапсирует в конце марта, когда заводы приказывают закрыться и потребительский спрос коллапсирует. Производство медицинских устройств, однако, остается стабильным через всё это.

[Полноразмерное изображение]

Уберем ежедневные изменения rolling-уровня для более чистого взгляда на общие тренды. Придерживаемся этих линий тренда, построенных на LOESS-фите к 7-дневному скользящему среднему с span 0.75 (экономисты и аналитики, пишите если хотите больше деталей).

[Полноразмерное изображение]

Затем разбиваем это на три главы и переподгоняем LOESS-кривую по главам.

[Полноразмерное изображение]

Глава 1: Утилизация поднимается по лестнице... и спускается на лифте

Приблизимся к периоду середина февраля — середина апреля. В начале февраля все пять основных отраслей, которые мы отслеживаем, работали хорошо, готовились установить новые 18-месячные максимумы. Автопром выглядел особенно сильно, так как высокий потребительский спрос и повышенные покупательские настроения заставили многих OEM и Tier 1 производителей увеличить уровни производства, и поэтому утилизацию станков. Другие отрасли либо держались флатно, либо слегка росли.

Затем ударили COVID-закрытия, и мы видим учебный случай «подниматься по лестнице, спускаться на лифте». Мы видим этот паттерн во многих других доменах, вроде фондового рынка. Нужно много стабильности и чтобы многое шло правильно, чтобы вещи медленно ползли вверх, но всего одно крупное событие — чтобы вещи пошли вниз, и очень быстро. В паре с мандированным закрытием, коллапсирующий потребительский спрос уничтожил автопроизводство, с уровнями утилизации вниз на 40% к середине апреля. Некоторые клиенты пытались перепрофилироваться на вентиляторы и другое медоборудование в это время, но это было ничтожно мало для баланса закрытий. 15 апреля мы достигаем самой низкой точки утилизации за 3 года отслеживания производительности станков (исключая праздники).

[Полноразмерное изображение]

Глава 2: Неровное восстановление

С середины апреля до конца июня мы входим в режим неровного восстановления. По мере того как вирус стал более контролируемым и локдауны ослабли, компании перезапустили часть производства. Производство медтехники, неудивительно, укрепило лидерство, так как был спрос на вентиляторы и другое оборудование. Другие отрасли, вроде Аэрокосмики и Обороны, Промышленного оборудования и Контрактного производства качаются вверх-вниз в этот период, ищут прорывное восстановление, но никогда не достигают его. Автопром продолжал спад, спрос оставался подавленным, так как люди либо были вынуждены сидеть дома, либо не хотели выходить и покупать.

[Полноразмерное изображение]

Глава 3: Не совсем ралли

С 1 июля по нашу текущую неделю мы видим легкое восстановление, затем в основном выпрямленную производительность за последние несколько недель. Автоклиенты начали сообщать нам о регулярных операциях, и мы видим это в их увеличенной утилизации. Совмещение с развитием стратегий жизни в эпоху коронавируса может быть основной причиной, дополнительно люди выходят больше и имеют чуть больше доверия к экономике. Потребительские расходы в целом выросли, что наверняка влияет вниз по цепочке поставок. Медицинское производство также выросло.

[Полноразмерное изображение]

Постскриптум 1: Доказательства ступенчатых смен по регионам

Мы подписываем на следующие формальные группировки COVID-риска — и видим решительную разницу в распределении утилизации по часам для каждой географии. Мы ренормализуем утилизацию между 0 и 1, чтобы видеть распределительные различия интенсивнее (обратите внимание на изменение заголовка и значений Y-оси). Через этот анализ мы видим, что разные штаты относятся к социальной дистанции через ступенчатые смены на фабриках более серьезно, чем другие. NY/NJ/CT в частности видит резкую разницу в разбросе утилизации по часам после марта, с гораздо более высокой утилизацией чем обычно в ночные часы. Это потому что труд сдвигается с основных часов 10:00–16:00 к более равномерному распределению по часам, как показывает «выпрямленная кривая» в часовом распределении для NY/NJ/CT. Другие штаты показывают четкое отсутствие движения в их распределении до и после COVID. Увлекательно, как эффекты разных субкультур США и их отношения к коронавирусу излучают до уровня цеха. Мы как-то знали это раньше, но наложение некоторой строгости на то, насколько это правда, довольно удивительно.

Группировки COVID-риска

· Группа 1: NY / NJ / CT

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

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

Группа 1 [Полноразмерное GIF]

Группа 2 [Полноразмерное GIF]

Группа 3 [Полноразмерное GIF]

Постскриптум 2: Последствия политических решений сразу видимы и измеримы

Когда смотрим на середину марта и подключаем нормализованные ежедневные значения утилизации, видим очень четкие эффекты от госполитики по коронавирусным закрытиям. Ниже разбиваем данные на три географических региона. Даже поверхностный взгляд показывает, что эти три региона ведут себя очень по-разному вокруг времени первого удара коронавируса по США.

[Полноразмерное изображение]

Конкретно, видим примерно ~50% снижение относительной утилизации на следующий день после того как губернаторы NY/NJ/CT издали приказ о полном закрытии. Спекулируем, что это значит, что ~50% цехов, которые мы отслеживаем, считались эссенциальным бизнесом, способным остаться открытым. Другие штаты не видят этот провал. Выходная активность, обычно одна восьмая от нормальной, полностью исчезает в NY/NJ/CT в выходные после закрытия.

[Полноразмерное изображение]

Убирая индивидуальные дневные бары, разница становится еще более яркой. Мы видим, что такие тренды держатся всякий раз, когда вводится сильное законодательное вмешательство. Подозреваем, что оценка этих эффектов будет всё важнее по мере входа в последнюю треть года.

[Полноразмерное изображение]

 

Эпилог

По мере входа в осень ожидаем, что гриппной сезон, студенты возвращающиеся домой с закрытых кампусов и другие необычные события могут сильно влиять на распространение коронавируса, и в свою очередь утилизацию отрасли. В этот момент мы доказали, что наша мера экстремально отзывчива к политическим изменениям, особенно тем, что будут влиять на утилизацию вниз. Здоровье нашей отрасли, пока в режиме «ждать и смотреть», неизбежно будет сильно затронуто нашими политическими выборами этой осенью. Надеемся, что создатели, аналитики и экономисты нашей отрасли смогут использовать эти данные для лучшего информирования выборов, которые они делают, направляясь в сентябрь. Данные — сила, и мы можем использовать эти данные чтобы помочь и нашей отрасли, и нашей нации быть сильнее. Данные помогают нам принимать нюансированные и рациональные решения, подкрепленные строгостью и мышлением, а не эмоционально-драйвными импульсами, которые только в итоге нас всех больше ранят. В руках у всех нас лежит обеспечение того, что мы примем лучшие возможные решения в эти турбулентные дни, так как это критические времена, в которых мы живем.

Мы продолжим мониторить эти метрики и отчитываться через регулярные интервалы.