Использование данных станков для более умного, более эффективного производства

Использование данных станка для оптимизации заводского пола

Автоматизированное производственное оборудование (ЧПУ-станки, если хотите), и люди, управляющие этим оборудованием, — биющее сердце любой производственной операции и представляют одну из крупнейших капитальных статей расходов для производителей. Эти станки стоят сотни тысячи долларов и производят больше данных, чем любая другая отрасль, однако эти данные не захватываются и не анализируются для улучшения эффективности, несмотря на все инновации в робототехнике и автоматизации.

Эти станки производят сотни точек данных каждый миллисекунд, и структура данных разная для каждого станка. Это делает невероятно важным стандартизацию данных по всем разным станкам. Однако это трудно сделать для определенных единиц оборудования.

Это не так просто, как стандартизация через OPC-UA или MTConnect, потому что только доля станков поддерживает эти протоколы. У нас есть клиенты, которые потратили ГОДЫ, пытаясь использовать DIY-решения для сбора и преобразования данных в стандартные модели из своих активов, вручную кодируя точки данных по одной, станок за станком. Это часто приводит к годам кастомной разработки и интеграции перед получением первоначальной ценности, ужасное нерациональное распределение ресурсов для производителей.

Инсайты и действия, движимые данными, обеспечивают фундамент для производителей для роста их бизнеса и дифференциации конкурентоспособно. Сегодня производители находятся на разных этапах пути к использованию данных и цифровой нити для оптимизации и автоматизации своих бизнес-процессов.

В MachineMetrics мы работаем с множеством производителей, которые рано в своем пути обнаруживают, что данные от их заводских операций недостаточны и ненадежны. Для ключевых метрик, таких как загрузка оборудования, производители, не имеющие автоматизированных систем для захвата преобразованных, или контекстуализированных, данных от своих станковых активов, часто находятся под ошибочным убеждением, что они выполняют на удовлетворительном уровне. В реальности, наш средний производственный клиент начинает с загрузкой 28%, значительно ниже воспринимаемой. Подобные неудовлетворительные статистики также находятся для OEE, простоя и других ключевых метрик.

Негативная сторона ручного сбора данных

Базовая причина ниже среднего, но завышенного восприятия производительности исходит из данных, захваченных вручную. Ручной захват данных часто приводит к данным, которые неточны, манипулированы или отсутствуют. Это шатающееся основание, которое трескается и гнется, когда делаются попытки двинуть непрерывное улучшение и инновации.

С другой стороны, точные реально-временные данные, автоматически захваченные и преобразованные из станковых активов, создают твердую базу для захвата инсайтов и управления ценностью. Конечно, это легче сказать, чем сделать.

Вызовы сбора данных станка

Производители понимают ценность данных, и большая причина отсутствия как эффективного сбора данных, так и использования данных в принятии решений — двусложна:

• Производители technology-averse или продолжают использовать устаревшие практики, что приводит к ручному сбору данных и связанным последствиям.
• Производители борются со множественными барьерами построения культуры и технологической инфраструктуры, успешно поддерживающей автоматизированный реально-временной сбор данных. Мы покрываем эти вызовы ниже:

Разнообразие данных

Не только существует много отдельных типов оборудования — Токарные, Фрезерные, Пластиковое литье под давлением, Штамповка, Лазерная резка, Робототехника и т.д. — но, в зависимости от доступных механизмов для получения данных из этих систем, точки данных могут быть очень разными. Для обеспечения эффективных инструментов для анализа этих данных через эти отдельные системы, данные должны быть преобразованы в общую модель данных. Не только у каждого управления станка свой механизм сбора данных, но точки данных также могут отличаться по Семейству, Производителю и Модели станка, использующего это управление, а также версии софта, запущенного на этом управлении.

Объем данных

Производственное оборудование, и дискретное производственное оборудование в частности, очень сложно. Станок — большая система компонентов, работающих в координации, результатом чего являются сотни отдельных точек данных, постоянно меняющихся. В зависимости от приложения, могут быть ситуации, где требуется захват данных на частоте 100 Гц или 100 КГц. Платформы, потребляющие эту информацию, должны анализировать данные на множественных уровнях внутри системы, чтобы избежать отправки и хранения ненужных данных, когда только агрегат или вычисленный результат достаточно. Эти системы должны быть способны выполнять сложную обработку там, где это наиболее уместно — и на edge, и в облаке.

Прямое подключение к управлению ЧПУ обеспечивает большой объем данных станка в разнообразных точках данных.

Скорость данных

Пока некоторые системы могут давать ценность с низкой точностью и высокой задержкой, определенные IoT use cases требуют гораздо более реально-временных данных для эффективности. Edge-технология требуется для обработки высоких объемов данных, принятия решений в миллисекунды или меньше, и действия для потенциального предотвращения ущерба станку или заготовке. Даже дашборды, предоставляющие видимость в производительность задания, могут получить огромную ценность от низких задержек — привлекая немедленное внимание к процессу, отстающему или проваливающемуся.

Дискретное производство вводит еще больше сложности. Это начинается с вариативности станков в дискретных производственных заводах. Есть много разных производителей станков, и ни один завод не имеет только один бренд станка. Множество разных станков также имеют разные системы управления и протоколы коммуникации. Они разного возраста, от новых с современными управлениями до 20-30 лет со ограниченной возможностью управления. Подключение к и сбор данных с различных заводских активов — значительное предприятие, учитывая, что большинство этих станков никогда не проектировались для предоставления данных для такого холistischen, заводского или enterprise-wide аналитического решения, на которых компании фокусируются сегодня.

Источники данных обработки

Красота подключенной операции в том, что производители могут собирать и использовать данные из множества источников. Пока данные контекстуализированы и релевантны, это может помочь менеджерам получить более глубокую видимость в статус и производительность цеха, даже помогая заполнять пробелы и добавлять контекст к существующим данным.

Станочные инструменты

Как самый ценный источник производственных данных, станочный инструмент предоставляет поток данных, который контекстуализирован MachineMetrics и используется для дашбордов производства в реальном времени, отчетов и уведомлений. Стейкхолдеры могут быть мгновенно уведомлены о событиях простоя станка и видеть, когда производство отстает от расписания с доступом к данным станка, включающим статусы станков, аварии, переопределения, нагрузки, скорости и подачи.

Подключенные системы

Для заполнения пробелов в производственных данных и добавления дополнительных слоев контекста, может быть полезно делиться данными между разными системами в производственной среде, таких как ERP, MES, CMMS, CAM и т.д.

MachineMetrics имеет прикладные программные интерфейсы (API), которые могут тянуть информацию из внешних источников. Эта комбинация станковых и операционных данных может быть использована вместе для генерации инсайтов или управления автоматизацией. Например, данные станка, указывающие на поломку, могут автоматически триггерить рабочий заказ в CMMS.

Операторы

Операторский интерфейс MachineMetrics, живущий на каждом станке, предоставляет инструмент коммуникации для операторов для добавления контекста к данным станка. Это существенный слой данных, так как он помогает объяснить «почему» за станковыми простоями, авариями, бракованными деталями и т.д.

С планшетами на каждом станке операторы могут предоставлять ценный контекст к данным станка, документируя причины событий простоя и бракованных деталей.

Подход MachineMetrics к автоматизации сбора данных станка

В производстве edge необходим для захвата данных со станков и преобразования этих данных в общую модель данных, чтобы аналитика могла быть выполнена. Он должен поддерживать различные протоколы ПЛК для обеспечения подключения через разнообразие активов на заводском полу. Он также должен поддерживать захват данных от датчиков для более простых активов или когда стандартный метод подключения недоступен от ПЛК. MachineMetrics разработал и поддерживает большинство стандартных промышленных протоколов с их различными нюансами, а также построил кастомные коннекторы для множества разных управлений ЧПУ станков.

Поддерживаемые стандартные протоколы включают:

• OPC-UA
• MTConnect
• Modbus TCP
• Ethernet/IP

Построенные кастомные коннекторы управления станком включают:

• FANUC FOCAS
• Heidenhain iTNC530 и iTNC640
• Citizen M700
• Mitsubishi M70/M80
• Brother Speedio
• HAAS Serial
• Matsuura CNC (кастомные аварии добавлены к коннектору FANUC FOCAS)

Для legacy-станков подключение через простой датчик достаточно для определения активности станка и отчетности о загрузке. Аналоговый датчик тока часто используется, и есть поддержка для различных устройств цифрового и аналогового захвата, включая Labjack. Это позволило другие use cases, требующие захват температуры, вибрации, давления и способность подключаться к реле в станке.

И подключения ПЛК/Управления, и Датчика могут быть поддержаны через онлайн-интерфейс, и данные могут быть отфильтрованы, обработаны и преобразованы с простым скриптовым языком, разработанным специально для IoT-данных.

Данные могут стримиться на Низкой Частоте (при изменении события, или 1 сэмпл в секунду), или на Высокой Частоте (1000 сэмплов в секунду) для определенных Управлений и датчиков. Поддержка высокочастотных данных потребовала, чтобы MachineMetrics построил свою собственную edge-технологию для поддержки этого высокого уровня обработки и стриминга данных.

Чтобы масштабировать edge через тысячи станков и иметь возможность удаленно поддерживать, обновлять и поддерживать edge-софт, платформа MachineMetrics Edge обеспечивает удаленное управление устройствами, построенное для удаленной конфигурации, обновления и управления edge-устройствами, собирающими данные по сайтам клиентов. Техники поддержки и сами клиенты могут troubleshootить проблемы, запускать диагностику, конфигурировать нетворкинг и тестить их файрвол с этими встроенными инструментами. Общий языковой интерфейс (CLI) был кастомно построен для предложения дальнейшей диагностики и поддержки. Этот CLI может использоваться для обновления устройств, но клиентам скоро будет дана опция обновлять edge-софт самим.

Платформа MachineMetrics Edge предоставляет масштабируемое решение для производителей, которое может быть self-installed для легкого сбора данных с любого оборудования и включения actionable инсайтов станка за минуты.

Сбор данных станка как фундамент для умного производства

Сбор данных ЧПУ-станка начинается с подключения ваших станков через разнообразие методов, включая как проводные, так и беспроводные решения.

Когда данные способны быть собраны, они контекстуализируются и стандартизируются для использования в дашбордах и уведомлениях в реальном времени, а также исторических отчетах для более глубокого анализа. Но это только начало.

Данные станка представляют фундамент цифровой нити, уполномачивая неограниченное число use cases для оптимизации и автоматизации бизнес-процессов, позволяя производителям растить свой бизнес и дифференцироваться конкурентоспособно.

Однако ценность, предоставляемая данными станка, может быть использована эффективно только если она автоматически захватывается и преобразуется.

Мы видели с клиентами, подходящими к этому с бумажными и другими ручными решениями, что производственные данные гораздо менее эффективны, так как они задержаны, неточны, неконтекстуализированы и не масштабируются за пределы упрощенных use cases. Или хуже, они заполнены пробелами или несуществуют.

С другой стороны, точные реально-временные данные, автоматически захваченные и преобразованные из станковых активов, создают твердую базу для захвата инсайтов и управления ценностью.

Производительность может быть забазована по похожим станкам, линиям и заводам с уверенностью, зная, что базовые данные точны. Производительность станковых активов может даже быть измерена и сравнена с похожими активами по определенной отрасли вне компании.

В конце, есть только одна версия правды и станок не лжет. С точным захватом и преобразованием данных, комбинированным с видимостью и actionability через уведомления и триггеры рабочих процессов, улучшение производительности загрузки на 15–20% может быть реализовано за месяцы.

Мы можем следовать этой цифровой нити, чтобы увидеть, где дополнительный контекст добавляется и как эти данные используются внутри других процессов и систем для управления эффективностью в масштабе.

Операционные данные

Источник вашего производства включает как оборудование, так и людей на цехе. Данные со станков собираются автоматически, но мы еще не обсудили влияние операторских данных.

С планшетами на каждом станке операторы могут добавлять контекст к данным станка, что обеспечивает более глубокое понимание производительности оборудования.

Например, операторы могут документировать причину данного события простоя, так что менеджеры завода, анализирующие простой, не только имеют точный взгляд на то, сколько простоя испытал их завод, но и топовые причины почему. То же верно для бракованных деталей.

Пример оператора, категоризирующего причину простоя как «катастрофическая поломка инструмента» на планшетном интерфейсе.

Это дает менеджменту лучшее понимание проблемы, так что более эффективные процессы могут быть разработаны для управления самыми тяжелыми причинами простоя и брака.

Кроме того, эти данные станка, в паре с контекстом от операторов, могут включить уведомления на основе конкретных простоев, которые алертят операторов и членов команды обслуживания о событиях простоя, так что они могут решить проблему максимально быстро.

Станки, Люди и Системы

Цифровая нить соединяет множественные компоненты цифрового завода. Пока мы следуем нити, данные станка начинают влиять на другие системы, используемые производителями.

Когда данные станка собираются автоматически, они могут быть интегрированы в системы, такие как ERP, MES или CMMS, для управления процессами более эффективно или для принятия лучших операционных решений на основе комбинированных данных.

Несколько примеров для иллюстрации важности этого:

Системы Enterprise Resource Planning

Производители обычно управляют заданиями и планированием в ERP, где информация будет храниться о стандартах заданий и цикловых временах. Однако высока вероятность, что стандарты заданий и цикловые времена неточны, что сильно влияет на ожидаемые времена прогона заданий, а также искажает ценообразование, так как цеха обычно ценится на основе времени, необходимого для обработки данного продукта.

Если производитель собирает реально-временные данные станка, цикловые времена могут быть обновлены в ERP для разработки более точных стандартов и обеспечения ценообразования в линии с ожидаемыми временами прогона заданий. Это дает производственным лидерам лучшее понимание того, на что способен цех и какую прибыль они ожидают генерировать.

Системы Computerized Maintenance Management Systems

Другой пример использования станковых и операционных данных в других системах — улучшение и автоматизация обслуживания с CMMS.

Существует много стратегий, когда речь идет об обслуживании оборудования, но большинство производителей продолжают полагаться на реактивное обслуживание или календарное обслуживание (с рекомендованным расписанием от производителя станка).

Реактивное обслуживание склонно приводить к значительным объемам простоя. И календарное обслуживание (стратегия превентивного обслуживания) склонно быть дорогим из-за ненужной работы по обслуживанию.

«Зона Золотокудрявой» между дорогим календарным превентивным обслуживанием и реактивным обслуживанием, ведущим к большим объемам простоя и большим затратам на ремонт.

Плетя данные станковых активов и инсайты в CMMS, производители могут трансформировать стратегию обслуживания из реактивной и календарной в основанную на использовании или состоянии. Без цифровой нити, исходящей от станкового актива, ценность, которую производитель может ожидать достичь от инвестиций в CMMS, значительно уменьшена.

С доступными данными станка, расписания обслуживания могут быть оптимизированы для выравнивания с данными использования и состояния, стримящимися со станков, и эти данные могут даже использоваться для триггеринга рабочих процессов, автоматически генерирующих рабочие заказы в CMMS и уведомляющих правильного человека о состоянии станка, событии простоя, аварии, грядущей поломке и т.д., так что они могут исправить проблему максимально быстро, или даже до того, как произойдет поломка.

Цифровая нить данных станка: разблокировка Индустрии 4.0

По мере того как производители включают решения, которые могут лучше захватывать и преобразовывать их производственные данные, не только они смогут водить лучшие fact-based решения, но они смогут использовать данные для разработки лучших процессов и управления автоматизацией на цеху.

Данные станка открывают целый мир use cases, делая его фундаментом производственных данных и уполномачивая производителей с глубоким конкурентным преимуществом.

Мы будем рады обсудить, как Промышленная IoT-платформа MachineMetrics может помочь вам независимо от того, на каком этапе пути вы находитесь, будь то мониторинг вашего оборудования для быстрейшего выявления простоев, или использование высокочастотных данных для предсказания и предотвращения поломок станков.

Свяжитесь с любыми вопросами, или запланируйте демо сегодня.