Оптимизация обслуживания в производстве: использование цифровых данных для пиковой производительности

Цифровая вселенная удваивается в размере каждые два года, прогнозируемый рост от 4,4 трлн гигабайт в 2013 году до 44 трлн в 2020 году. Предприятия несут ответственность за около 85 процентов данных, хранимых в этой цифровой вселенной, согласно EMC Digital Universe.

Производственные заводы — всего один тип предприятий, вносящий вклад в это производство данных, собирая процессные данные для мониторинга статуса оборудования. Инженеры заводов могут максимально использовать эти данные и обеспечить, чтобы их график обслуживания приносил пользу их заводу, согласно Клаудиа Джаррет, менеджеру США у поставщика запчастей для автоматизации EU Automation.

Производители, сталкивающиеся с постоянным давлением идти в ногу с клиентским спросом оставаясь гибкими, острее осознают угрозу простоя завода, объяснила Джаррет. Вызываемое множеством факторов, включая отказ оборудования, простой может стоить производителям до $260 000 в час, согласно аналитической фирме Aberdeen Research.

Поэтому превентивное обслуживание, где оборудование обслуживается до того, как оно сломается, является существенным, а не реактивное обслуживание, которое фокусируется на исправлении оборудования после поломки.

Но для тех в высокообъемных, низкомаржинальных отраслях, таких как пищевая и напиточная или автозапчасти производство, превентивное обслуживание может быть ошибочно воспринято как недостижимое из-за воспринимаемых высоких первоначальных затрат.

Превенция

Дни ожидания отказа системы из-за перегрева моторов или утечек систем теплопередачи, например, к счастью позади нас, сказала Джаррет. Менеджеры заводов теперь планируют регулярные инспекции, обновления и устранение неисправностей для избежания поломок. Эти простые шаги — один из способов, которым превентивное обслуживание может быть выполнено.

Но по мере того как технологии Industry 4.0, такие как мониторинг состояния, становятся более доступными, есть даже более умные, более точные и менее трудоемкие методы.

Многие производственные заводы теперь используют предиктивное обслуживание, изощренную форму превентивного обслуживания, чтобы установить, насколько хорошо функционирует оборудование и точно предсказывать отказы до их возникновения. Не только это снижает риск поломок, вызывающих простой, но это также может означать, что любые необходимые запасные части могут быть заказаны и находятся на складе в случае отказов оборудования.

Кроме того, мониторинг здоровья оборудования может позволить постепенные настройки, где раньше требовался бы огромный капитальный ремонт для улучшений. Изменения могут улучшить эффективность процессов, в конечном счете снижая затраты путем устранения неэффективных элементов и увеличения срока службы оборудования через обслуживание или замену изнашивающихся частей.

С чего начать

Первый шаг, который менеджер завода должен предпринять при внедрении любого превентивного графика обслуживания — собрать как можно больше данных, советовала Джаррет. Это должно включать точную оценку реальной стоимости простоя для данного завода. Сбор данных, собранных умными датчиками, цифрами продаж и модернизированными системами должен позволить вам учесть потерю продаж, потраченный продукт и стоимость аварийных ремонтов, что может дать полезную базовую цифру.

Используя свой опыт завода, инженеры по обслуживанию также должны быть вовлечены для производства идеального плана для завода, включая области, которые они считают, потребуют более высоких уровней обслуживания, такие как более старое оборудование или оборудование, изначально склонное к поломкам, такие как моторы, турбины или другие движущиеся части.

Этот план затем может быть использован вместе с бюджетом для производства реалистичного плана обслуживания, включая то, какой уровень превентивного обслуживания может быть задействован. Для некоторых производителей это будет означать регулярные проверки оборудования, такие как раз в месяц для участка завода, или ежедневно для более волатильного оборудования.

Данные

Если истинное предиктивное обслуживание — цель, данные такие как температура, давление и вибрация собираются датчиками и будут постоянно интегрированы, сохранены и проанализированы. Следующий вопрос для производителей — как максимально использовать эти ценные, но большие наборы данных.

После сбора данных, следующий шаг для максимального использования их потенциала — начать анализ. Один популярный вариант для анализа данных — облачная аналитическая служба. Здесь сырые данные передаются в облако, где они могут быть и сохранены, и проанализированы на тренды, которые могут предсказать событие, включая поломку. Многие сервисы также включают систему оповещений и предупреждения о надвигающихся поломках могут быть отправлены через веб-портал, приложение, емейл или текстовое сообщение соответствующему персоналу.

Другие производители, возможно, обеспокоенные кибербезопасностью, долгосрочной стабильностью данных, хранящихся в облаке, или задержкой между сбором данных и анализом, будут анализировать сырые данные внутри компании. Хотя это часто значительно более ресурсоемко, оно дает менеджерам заводов полный контроль над их данными.

Устаревание

Независимо от того, какая система внедрена, предиктивное обслуживание может быть использовано для управления устареванием, в дополнение к сокращению простоя и улучшению процессной эффективности.

Это означает, что части могут быть заказаны в правильное время для соответствия графику обслуживания. Традиционно производители должны были держать запас частей, которые могут потребовать замены, которые занимают ценное пространство на полу завода, которое вместо этого могло быть использовано для операций. Запасные части также могут быть громоздкими и создавать опасность для здоровья и безопасности, включая риск спотыкания или пожара, если хранятся на полу завода.

Вместо этого производители могут выбрать заказ заменяющих частей только тогда, когда это необходимо, максимизируя пространство и ресурсы, доступные им. С поставщиками вроде EU Automation, способными отгружать устаревшие части по всему миру в течение 24 часов, теперь нет необходимости хранить части на месте или страдать от расширенных периодов простоя в ожидании их прибытия.

Когда предиктивное обслуживание применяется, собранные данные также могут быть использованы для других целей, таких как повышение процессной эффективности и обеспечение заказа заменяющих частей за достаточно много времени. Правильный сбор и анализ этих данных существенен для максимизации их потенциала — и это будет становиться только более важным каждый год по мере увеличения количества данных.