Трансформация цифровых производственных команд с инсайтами реального времени

Четвертая промышленная революция дала возможность получать огромные объемы реальных данных от производственных процессов, и потенциал для почти каждой поверхности стать датчиком для сбора данных. Но обеспечивает ли это богатство данных знания, которые цифровые команды нужно для оптимизации своей деятельности?

В этом фильме Александр Хилл и Роб Рассел из Senseye вместе с доктором Ханной Эдмондс из Manufacturing Technology Centre, Джимом Дэвисоном из Make UK и Питером Гаггом из MCP Consulting Group обсуждают, какие данные производителям собирать и как, как существующие наборы данных можно перепрограммировать для новых инсайтов и большей ценности, и как процессы вроде ТО могут быть редизайнены для потребностей инженеров на производственном полу.

Транскрипт

Александр Хилл, Senseye: Хотел бы сказать, это просто «есть данные и вперед». К сожалению, видим, что у многих организаций слишком много данных. Так что выяснение, что правильные данные и что нужно понять из этих данных — это вызов.

Доктор Ханна Эдмондс, Manufacturing Technology Centre: Есть вызов, идущий с богатством данных, можем прийти к стадии насыщения данными — слишком много хорошего.

Роб Рассел, Senseye: С точки зрения предиктивного ТО, ключевое — сбор данных мониторинга состояния, которые мы можем оценить состояние машин. Но так же важно, как сенсорная информация, что данные собираются с контекстом и в подходящий момент времени.

Доктор Ханна Эдмондс: Мониторинг состояния и аналитика могут включить более проактивный подход к ТО. Не просто ждать ошибки, а пытаться идентифицировать, когда состояние оборудования ухудшается со временем.

Можем инструментировать оборудование, собирать данные, затем мониторить их операции для получения производственных инсайтов для предотвращения отказа — вмешиваться заранее.

Питер Гагг, MCP Consulting Group: Первая мысль всех — данные с датчиков — все, что нужно для старта программы предиктивного ТО. Однако есть многие другие типы данных, уже существующие в бизнесе.

Данные от систем управления зданием, история оборудования, данные от ПЛК, MES, систем OEE и т.д. Плюс обычные вибрация, температура, давление, расход, ток, напряжение.

Реально — собрать всё вместе, идентифицировать параметры, которые действительно нужны для предиктивного режима, и смотреть, как они все взаимосвязаны.

Джим Дэвисон, Make UK: Всё о реальном понимании критических параметров в вашем процессе, машине или продукте. Понимать, какие входы могут влиять на то, хороша ли деталь или плоха, или машина может работать на номинальных возможностях надежно и повторяемо.

Как только можете это понять и знаете свой процесс, можете захватывать данные, которые важны и могут влиять на параметры, за которыми следите. Затем отображать так, чтобы было полезно.

Александр Хилл: В современном промышленном оборудовании много данных уже доступно и уже захвачено. Вещи вроде тока, температуры, давления, времени циклов. Это вещи, которые могут фактически использоваться для целей мониторинга состояния, но часто не используются — вместо этого только для контроля процесса.

Мы можем взять эти измерения и использовать для понимания здоровья машины. Строим модели машин автоматически, используя доступные данные. Затем помогаем клиентам понять, на что им нужно обратить внимание с перспективы машины. Без «смотрите на все эти сырые данные», мы фактически забираем их, абстрагируем и убеждаемся, что они могут понять, какие активы — из сотен и тысяч — им нужно обратить внимание.