Предиктивная аналитика в производстве: проверенные кейсы и осязаемые выгоды

Десятилетиями производители использовали данные для конкурентного преимущества. Возможно, главное изменение сегодня — как данные собираются. Некоторые компании до сих пор имеют техников, ходящих по цеху, проверяющих манометры, заполняющих формы, записывающих историю операций и ТО станков. Всё утомительно, ошибочно, неточно для принятия решений. Однако с пролиферацией IoT-устройств и датчиков, подключенное оборудование и операции меняют то, как производители используют данные и аналитику.

Компании начали переход к цифровому софту и подключенным устройствам для сокращения труда ручного сбора и документирования. По сравнению с ручными методами, эти технологии также повышают точность, усиливая силу аналитики и веду к более точным моделям. Далее представлены выгоды и кейсы предиктивной аналитики в производстве.

Зрелость аналитики в производстве

Также известная как Путешествие производственной аналитики (Manufacturing Analytics Journey), есть несколько стадий, через которые проходят производители, стремясь к предиктивным и прескриптивным стратегиям.

Шаг 1: Данные

Сбор данных для дескриптивной аналитики устанавливает базовую линию для ответа «что случилось».

Шаг 2: Информация

Обработка этих данных в диагностическую аналитику для ответа «почему это случилось» эффективно превращает данные в информацию. Решение производственной аналитики может это обеспечить.

Шаг 3: Понимание

Когда достаточно информации собрано, достигается лучшее понимание процессов и статистические модели могут прогнозировать «что может случиться в будущем» с помощью предиктивной аналитики.

Шаг 4: Знание

По мере производства более точных моделей данные переходят в знание, и прескриптивная аналитика отвечает «что должно быть сделано».

Хотя может быть соблазн подключить всё и пробежать эти шаги, важно установить чёткие цели и базовые линии для мониторинга улучшений производительности. Знайте, какие данные и сколько нужно для перехода от дескриптивной к прескриптивной аналитике. При старте полезно установить единую платформу для любых собранных данных. Также убедитесь, что все стейкхолдеры — устройства, люди, вендоры — имеют надлежащий доступ к платформе.

Реальные данные и мониторинг дают высокую точность, помогая установить базовые линии, достичь N-значений, оповещать стейкхолдеров об изменениях быстрее ручных или неконнектед устройств. Эти шаги требуют времени, но каждый даёт свои выгоды. Одна из крупнейших выгод аналитики — способность предсказывать будущее с высокой точностью.

Выгоды и кейсы предиктивной аналитики для производителей

Подключённые реального времени устройства собирают больше точек данных. Это помогает предсказать, сколько времени или деталей можно произвести до отказа. Традиционные планы ТО могут предлагать когда заменить детали или провести ТО на базе средних оценок, не обязательно когда нужно. Предсказание отказов данными и производственной аналитикой сокращает неплановые простои и может устранить ненужное и дорогое обслуживание.

Аналитика предиктивного обслуживания

Кейс: Сокращение простоя, отказов инструмента и требований к ТО

Множество выгод в одном термине — предиктивное обслуживание. Первое: сбор данных помогает предсказать, когда ТО нужно, а не предполагается. Это повышает uptime оборудования, давая менеджерам шанс спланировать нужное ТО или сделать корректировки до отказа.

Предиктивная аналитика становится всё точнее по мере сбора данных и установления корреляций. В одном примере отказ инструмента коррелировал с ростом ампеража оборудования. Отслеживание ампеража было сложно, но данные нагрузки шпинделя могли быть получены включением функции в софте оборудования.

Исследователи доказали более 80% корреляцию между ростом нагрузки шпинделя и амперажем трансдюсера. Мониторя более простой и дешёвый параметр нагрузки шпинделя, стало возможно предсказать, сколько деталей можно сделать от момента роста нагрузки до отказа инструмента. В примере диапазон деталей до отказа — 1 до 68. В зависимости от степени роста нагрузки диапазон можно сузить дальше. Корреляция данных и замечание паттернов расширяет возможности аналитики до качества и принятия решений.

Измерение скорости шпинделя для идентификации грядущего отказа инструмента. С такими данными можно строить алгоритмы автоматического обнаружения отказа и предотвращения.

Аналитика качества

Кейс: Алерты по качественным проблемам, минимизация брака

Отслеживая производительность, можно получать уведомления, когда процессы выходят за толерансы или могут дать качественные проблемы. Возможность остановить или скорректировать процесс раньше может сильно сократить или устранить материальные потери или переработку. В примере пневматический цилиндр дрифтил со временем. К моменту замечания и корректировки рабочими, около 1000 единиц было сделано и часы производства списаны в брак. Раннее предсказание ТО и качественных проблем добавляет ценность приложениям с материалами нестабильных цен или рыночных флуктуаций.

Предиктивная аналитика спроса

Кейс: Идентификация и использование KPI и ERP

Отслеживание индивидуальных процессов и общих лид-таймов даёт инсайт в материальные и производственные требования. По мере расширения подключённых возможностей, KPI будут идентифицированы, повышающие способность, ценность и точность софтовых инструментов вроде ERP. Кроме того, в приложениях, где цены материалов сильно зависят от политики, стихийных бедствий и т.д., использование данных для предсказания норм потребления и логистики даёт большие выгоды в оптимизации управления цепочками поставок. Предсказание объёмов, таймлайнов, рыночного спроса поможет управлять экономикой и затратами на новое оборудование, продукты или процессы.

Рабочая сила аналитика

Кейс: Предсказание образовательных и кадровых потребностей

На флуктуирующих рынках предиктивная аналитика спроса может даже использоваться для управления трудом и найма талантов эффективнее. Одна из крупнейших проблем — Skills Gap в производстве. Расширяя данные от процесса к заводу к планете, производители могут предсказать, какие навыки и труд понадобятся в будущем. Это позволяет компаниям эффективнее работать с учебными заведениями, публиковать вакансии раньше, апскиллить или рескиллить текущую рабочую силу под кадровые нужды.

Будущее предиктивной аналитики в производственной отрасли

Будущий кейс: Удалённое обслуживание инструментов

Использование технологий и аналитики превращает данные в знание. По мере расширения коннективности тренд движется к увеличённому удалённому и мобильному отслеживанию и мониторингу активов. Способность доставлять высокоточные данные увеличит удалённую и мобильную диагностическую аналитику. Тренд сократит потребность в полевых техниках. С высокоуверенной удалённой диагностикой возможно давать рекомендации по ТО или информацию операторам на месте для дальнейшего сокращения потребности в полевых техниках.

Будущий кейс: Оценка рисков и страхования

С увеличенной способностью отслеживать и мониторить оборудование, аналитика может влиять на подписки, страховые полисы, гарантии. Подключённые устройства могут вести к более гибкому оборудованию. Например, подписки дают OEM возможность добавлять или убирать фичи, трекинг данных, софт удалённо. По мере изменения спроса — меняется подписка и фичи.

Кроме того, диагностическая аналитика может изменить, насколько далеко или что покрывают страховые полисы и гарантии. Производственная аналитика и коннектед технологии могут доказать или опровергнуть ошибки оператора, оборудования, дизайна. Математика была эффективным способом объяснять, понимать, конкурировать. Будущие успехи в производстве могут принадлежать тем, у кого самые точные и обширные знания цифровых моделей и аналитики.

Запустите предиктивные стратегии с IoT-платформой MachineMetrics

Исследуйте платформу