Откройте для себя операционное совершенство с помощью анализа производственных данных ATS

Исследования и лучшие практики

Анализ производственных данных:превращение данных в оперативную аналитику

Каждый производственный актив — от машин и систем до датчиков и программного обеспечения — генерирует данные. Согласно недавним исследованиям, промышленные предприятия по всему миру уже создают более 1,9 ЗБ данных в год и планируют производить 4,4 ЗБ данных к 2030 году. 

Задача состоит в том, чтобы сделать большие данные действенными. Как отмечается в опросе Dun and Bradstreet, только 36% производителей заявляют, что могут принимать обоснованные бизнес-решения на основе существующих данных. 

Аналитика производственных данных помогает преодолеть разрыв между необработанными данными и практическими знаниями. Системы аналитики могут выявлять непосредственные операционные проблемы, отслеживать возникающие тенденции и предоставлять рекомендации по оптимизации производительности производственной линии. Аналитика необходима для обеспечения эффективности работы и сохранения конкурентоспособности на развивающихся промышленных рынках. 

Аналитика производственных данных — это практика использования данных для оценки, прогнозирования и оптимизации производительности производства. Аналитика не ограничивается производственными процессами; это также применимо к техническому обслуживанию, контролю качества, цепочке поставок и технологическим операциям. 

На практике аналитика помогает компаниям глубже понять, как активы действуют и взаимодействуют в организации. Представьте себе, что производитель видит резкое увеличение количества неудачных проверок качества узкоспециализированного компонента. За последние шесть месяцев количество компонентов, не прошедших проверку качества, выросло в пять раз. Беглый анализ проблемы не показывает никаких устойчивых точек отказа; проблемы кажутся случайными и несвязанными. 

Однако более глубокий анализ данных показывает, что основной причиной является периодическая неисправность в системах сборочных линий. Дальнейшее расследование показывает, что эта неисправность со временем становится все хуже. Имея эту информацию, команды могут предпринять целенаправленные действия для решения проблемы и уменьшения необходимости доработок.

Типы анализа производственных данных

Существует четыре распространенных типа анализа производственных данных:описательный, диагностический, прогнозный и предписывающий. Используемые вместе, эти типы аналитики помогают компаниям понять, что происходит, почему это происходит, что может произойти дальше и какие действия предпринять. 

• Описательная аналитика :  Описательная аналитика помогает компаниям понять, что происходит; они представляют собой описание текущих или исторических событий. Вот пример. У упаковочной машины произошел непредвиденный простой. Описательная аналитика оценивает операции и предоставляет описание: В среднем каждые два дня машина получает неверные входные данные, что приводит к ее сбою до тех пор, пока ее не перезапустит технический специалист. Хотя большинство производителей имеют доступ к описательной аналитике, многие на этом останавливаются. Это фактически оставляет их слепыми. Они знают, что происходит, но не знают, почему, не знают, что будет дальше, и не знают, как решить проблему. 

• Диагностическая аналитика:  Диагностическая аналитика позволяет глубже понять, почему происходят события. В случае нашей упаковочной машины диагностический анализ выявляет проблему с инструкциями программируемого логического контроллера (ПЛК), которая вызывает эту неисправность при определенных обстоятельствах. 

• Прогнозная аналитика :  Прогнозная аналитика оценивает потенциальные результаты и вероятность их возникновения. Для этого требуется доступ как к текущим, так и к историческим данным, что позволяет программному обеспечению для производственного анализа оценивать несколько факторов одновременно. Проведение прогнозного анализа показывает, что один и тот же тип сбоя будет сохраняться и, вероятно, со временем станет более частым. Кроме того, постоянный перезапуск упаковочной машины отрицательно повлияет на ее оставшийся срок службы (RUL). 

• Предписывающая аналитика:  Предписывающая аналитика помогает определить, какие действия следует предпринять; они назначают курс лечения, который должен решить проблему. В приведенном выше примере это может быть перепрограммирование ПЛК или замена, если устройство устарело или не поддерживается. 

Ключевые источники данных в производственной аналитике

Эффективная аналитика зависит от данных из множества источников об оборудовании, системах обслуживания и производства. Хотя данные из одного источника дают некоторое представление о работе машин и производительности системы, их ценность ограничена. Это связано с тем, что отдельные источники данных имеют узкую область применения:данные, собранные из электрической подсистемы, могут точно сказать командам, что происходит с силовыми соединениями и изменениями напряжения, но если причина проблем лежит вне самой системы, след теряется. 

Используя несколько источников, производители получают больше возможностей для отслеживания, анализа и управления ключевыми тенденциями. Общие источники включают в себя: 

• Данные оборудования и датчиков:  Оборудование само по себе является источником данных. ПЛК, подключенные к компьютеризированным системам управления техническим обслуживанием (CMMS) и решениям управления активами предприятия (EAM), предоставляют обновленную информацию о состоянии и производительности оборудования практически в реальном времени. Между тем подключенные датчики IIoT, например, предназначенные для измерения температуры, вибрации, давления и трения, могут помочь компаниям обнаружить потенциальные проблемы до того, как они возникнут. 

• Данные по техническому обслуживанию и надежности:  Исторические данные, такие как записи технического обслуживания и оценки надежности, обеспечивают контекст для текущих операций. Например, машины, которые не обслуживаются регулярно, более склонны к выходу из строя без предупреждения. 

• Данные о производстве и пропускной способности:  Данные о рабочей нагрузке дают дополнительную информацию. Если оборудование работает непрерывно, без плановых перерывов для очистки или технического обслуживания, частота его отказов увеличивается. Это может быть связано с увеличением целевых показателей производства или ожидаемой пропускной способностью, в результате чего компании применяют более реактивный подход к аварийному техническому обслуживанию. 

• Данные проверки качества и испытаний:  Тот факт, что машины не ломаются, не означает, что они работают так, как задумано. Качество продукции и данные испытаний предоставляют ключевую информацию о производительности оборудования. Например, если регулярные испытания показывают, что активы соответствуют производственным целям, но 1 из каждых 10 компонентов не проходит проверку контроля качества, возможно, стоит временно отключить машины для полной проверки. 

• Данные о запасах и цепочке поставок:  Более масштабные тенденции также играют роль в производстве аналитики. Если проблемы с цепочкой поставок оставят компании без необходимых материалов, даже высокопроизводительные машины не смогут достичь целевых показателей производительности. А если стратегии управления активами MRO ограничены (или отсутствуют), ремонт оборудования может потребовать дополнительного времени на поиск, доставку и получение основных компонентов.  

Как производственная аналитика повышает операционную эффективность

Аналитика помогает компаниям соединить точки:если происходит X, вероятным результатом является Y, а Z возможен. Факторы A, B и C влияют на вероятность и повторяемость события. Распознавание образов дает множество преимуществ, таких как: 

• Повышение эффективности и пропускной способности

• Сокращение времени простоя и вариативности 

• Лучшее использование ресурсов и более предсказуемые операции 

• Более быстрое и обоснованное принятие решений 

Роль анализа данных в обслуживании и надежности

Увеличение времени безотказной работы напрямую поддерживает производительность производства. В то же время сокращение времени простоя означает меньшие усилия и меньше ресурсов, затрачиваемых на реактивное обслуживание. Расширенный анализ данных обеспечивает и то, и другое. Имея своевременные и точные данные, компании могут: 

• Определить закономерности и тенденции:  Закономерности и тенденции обеспечивают наглядность того, что уже произошло, и помогают компаниям прогнозировать, что произойдет дальше. Обладая этой информацией, группы технического обслуживания могут принять меры по сокращению времени незапланированных простоев. 

• Поддержка профилактического обслуживания и обслуживания по состоянию:  Анализ состояния в режиме реального времени позволяет осуществлять техническое обслуживание по состоянию. Например, если обнаружены внезапные скачки температуры, команды могут заранее отключить оборудование, чтобы решить проблему. Если выявлены более постепенные изменения, команды могут создать план прогнозируемого обслуживания для решения проблемы во время регулярного планового ремонта. 

• Расставьте приоритеты в обслуживании:  Данные помогают командам расставлять приоритеты в обслуживании. Незначительные проблемы можно решить во время ежемесячного или ежеквартального ремонта, а критически важные проблемы можно решить, как только необходимые детали будут под рукой. 

• Улучшите управление жизненным циклом активов:  RUL оборудования варьируется в зависимости от рабочих нагрузок, условий окружающей среды и поломок деталей. Анализ данных помогает выявить возможные проблемы, которые снижают RUL, и решить их, чтобы продлить оставшийся срок полезного использования, что, в свою очередь, улучшает управление жизненным циклом активов. 

• Сокращение количества оперативного обслуживания:  Реактивное обслуживание обходится дорого и требует много времени. Почему? Потому что он не запустится, пока не остановятся машины. При возникновении сбоев команды начинают процесс анализа основных причин сбоев (RCFA) и устранения неполадок, который может занять несколько дней или недель, в результате чего машины отключаются и производительность снижается. 

Аналитика больших данных помогает прогнозировать и предотвращать распространенные сбои, что позволяет сократить объем оперативного обслуживания. Проще говоря, данные составляют основу стратегий упреждающего и профилактического обслуживания, которые позволяют компаниям действовать до того, как проблемы повлияют на производительность. Эти стратегии необходимы для оптимизации производственных линий, сокращения реактивных расходов и увеличения срока службы оборудования. 

Аналитика данных и производство 4.0

Аналитика данных также играет основополагающую роль в инициативах Производство 4.0. «Производство 4.0», которое часто используется для описания инициатив «Индустрии 4.0», объединяет активы, процессы и системы для создания взаимосвязанных и совместимых производственных структур, которые обеспечивают цифровую трансформацию в масштабе. 

Эта цифровая трансформация необходима компаниям для эффективного управления растущими ожиданиями клиентов, меняющимися требованиями к цепочке поставок и постоянными рабочими процессами. Аналитика данных лежит в основе этой трансформации. 

Во-первых, аналитика данных позволяет организациям подключать датчики промышленного Интернета вещей к другим подключенным активам. Это обеспечивает целостное представление операций, которое позволяет операторам оборудования и группам технического обслуживания быстро выявлять проблемы и сообщать о них. Аналогично, аналитика позволяет отслеживать производительность в режиме реального времени. Этот мониторинг можно настроить для каждого устройства, что позволяет командам отслеживать определенные показатели или ключевые показатели эффективности, такие как среднее время наработки на отказ (MTBF) или среднее время ремонта (MTTR). 

Аналитика данных также поддерживает развертывание приложений искусственного интеллекта (ИИ) и машинного обучения. Во-первых, компании могут использовать анализ данных для оценки и проверки результатов ИИ. Хотя интеллектуальные инструменты превосходно выявляют закономерности, их результаты по-прежнему требуют проверки на соответствие оперативным данным.  

Аналитика также может помочь компаниям определить наиболее подходящие функции для ИИ. Природа интеллектуальных инструментов позволяет производителям перерасходовать средства на новые программы и платформы, которые имеют низкий порог входа, но предлагают ограниченную ценность для бизнес-направления. Используя аналитику, команды могут выявлять и оценивать потенциальные варианты использования ИИ. 

Наконец, анализ данных закладывает основу для замкнутой оптимизации и непрерывного улучшения. Многие процессы в производстве по своей природе представляют собой замкнутый цикл. Например, хотя стоит понять, как активы производственной линии взаимодействуют друг с другом, повышение производительности начинается с замкнутого анализа эффективности, надежности и точности оборудования. Аналитика помогает компаниям получить общую картину небольших замкнутых процессов. 

Между тем объединение данных из нескольких процессов замкнутого цикла закладывает основу для разработки планов непрерывного улучшения, которые сочетают данные в реальном времени с долгосрочной стратегией.

Начало работы с аналитикой производственных данных

Для многих компаний начало анализа производственных данных может показаться непосильной задачей. При таком большом объеме данных из такого количества ресурсов погоня за действенными идеями может показаться пустой тратой времени и денег.  

Пять лучших практик могут помочь оптимизировать этот процесс. 

1. Начните с четких бизнес-вопросов:  Сначала спроси, потом реализуй. Определите критически важное оборудование с высокой частотой отказов, а затем сформулируйте четкие вопросы, на которые нужны ответы на основе данных, например:«Почему происходит сбой X?», «Когда возникла проблема Y?» или «Как лучше всего решить Z?» 

<ли>

2. Сосредоточьтесь на наиболее эффективных вариантах использования:  Не все машины одинаково важны для производства. Хотя отказ резервной упаковочной машины может снизить объемы производства, он не мешает работе. Между тем, внезапные остановки оборудования по сборке ключей создают как непосредственные последствия, так и узкие места на последующих этапах. Сосредоточив внимание на высокоэффективных сценариях использования, компании могут снизить риск дорогостоящих простоев.

<ли>

3. Используйте пилотные проекты, чтобы доказать эффективность:  Начните с малого, чтобы доказать свою ценность. Выберите критически важную машину для анализа, а затем определите ключевые источники данных. Подсчитайте цифры, реализуйте предложения и отслеживайте результаты. В случае успеха масштабируйтесь. Если нет, попробуйте еще раз. 

<ли>

4. Постепенно расширяйте возможности:  Поскольку производственные процессы по своей природе взаимозависимы, попытка сделать слишком много и слишком быстро может создать сложность и ухудшить видимость данных. Вместо того, чтобы идти вширь, думайте глубже; постепенно наращивайте возможности, сосредоточив внимание в первую очередь на ключевом оборудовании и взвешенно подходя к расширению производственных линий. 

<ли>

<сильный>5. Согласуйте анализ с операционными целями:  Аналитика данных приносит наибольшую пользу, если она соответствует операционным целям. Если высококачественная продукция является вашим главным приоритетом, не зацикливайтесь на скорости. Вместо этого оценивайте данные через призму контроля качества и взвешивайте ключевые показатели эффективности, связанные с качеством, выше, чем их аналоги по скорости или стоимости. 

<ли>

Превратите информацию в производственное преимущество

Анализ данных о производственных операциях, производительности, эффективности и связности — это стратегическая возможность, которая позволяет принимать решения в режиме реального времени, повышает отказоустойчивость оборудования и открывает путь к новым решениям, таким как искусственный интеллект и автоматизация. Итог? Аналитика данных способствует совершенству современной обрабатывающей промышленности.  

ATS помогает производителям применять анализ данных для принятия более разумных решений и поддержки цифровой трансформации. Давайте поговорим. 

Ссылки

Исследования ABI. (3 квартал 2024 г.). Генерация данных по обрабатывающей промышленности. https://www.abiresearch.com/news-resources/chart-data/manufacturing-industry-amount-of-data-generated 

Дан и Брэдстрит. (2025). Кризис доверия к производственным данным. https://www.dnb.co.uk/blog/supplier-risk/manufacturing-data-quality-ai-failure-gap.html  

Ресурсы

Изучите новейшие передовые методы промышленного обслуживания, тенденции и новости от ATS, а также поучитесь у экспертов отрасли и ведущих производителей.

Давайте поговорим



Повышение эффективности производства за счет межмашинной связи (M2M) Критическая роль уникальной идентификации в управлении промышленными активами