数据驱动制造：优势、挑战和策略
通过数据驱动的制造策略优化生产效率
尽管存在多种数据捕获技术，但制造商仍然难以使用它们。正是由于这一重大挑战，数据驱动制造的目标似乎更加难以实现。
但是，在优化生产效率时，您可以采取一些数据驱动的方法。这些方法包括利用工业物联网捕获车间数据，部署车间边缘计算设备，或将机器统计数据手动输入到 Excel 表中以进行进一步分析。前两个选项是具有自动化流程的数字解决方案，而后者是手动的。正如预期的那样，数字化会获胜，并使捕获车间数据并将其投入工作，这是一个更加简化的过程。
考虑到这一点，深入了解成为数据驱动的制造商意味着什么，启动以数据为中心的计划可能会遇到哪些好处和挑战，以及在分析过程中取得进展时可以采用哪些切实的策略，这将很有帮助成熟度。
什么是数据驱动制造？
车间的 MachineMetrics 性能仪表板。
数据驱动制造是一种生产方法，它允许事实和一组严格的制造 KPI 来指导决策，而不是猜测、轶事证据或“直觉”。
这是一种利用来自车间设备、运营商、供应链等来源的数据的方法，使制造商能够在努力降低成本和提高运营效率时做出更好的决策。
新兴技术使更多制造商能够从其运营中收集和处理数据，这导致能够从制造数据中实时提取洞察力的解决方案激增。但是，并非所有分析都是相同的。
为了在操作中成功地利用数据，您首先需要能够收集准确的数据，这些数据可以被有效地处理并以易于用户消费的方式显示。
例如，如果您要在剪贴板上手动收集机器性能数据，不仅需要大量时间来完成它，而且很可能会出现人为错误。另一方面，通过 PLC 直接从机器收集数据会产生高度准确且无偏见的数据流。这里的两种解决方案都可以被认为是“数据驱动的”，但后者要优越得多，并且会带来更好的决策。
制造中数据驱动的好处
提高知名度： 数据驱动制造的魅力在于，车间和公司办公室的领导者可以根据整个组织收集的数据对绩效有更深入的了解。数据不仅提供了对单个资产性能的洞察，还提供了对整体运营的洞察。这有助于决策者确定机会领域，无论是表现不佳的班次、经常性机器停机还是其他生产瓶颈。
人工智能和机器学习： 借助大型数据集，制造商能够运行有助于解决复杂问题的机器学习算法。例如，我们的数据科学团队利用无监督机器学习来检测 CNC 异常。通过这样的分析工作，制造商可以采用先进的实践，例如预测性维护。如果没有处理能力或对数据的访问，即使是简单形式的基于数据的决策也是不可能的。
自动化： 数据驱动策略可以支持两类自动化。首先是数据的自动收集。如果一个操作配备了适当的设备来收集数据和软件来处理它，那么数据收集的过程就不再需要人工。
自动化的第二个组成部分是使用数据进行自动化决策。随着制造商在分析过程中的进步，他们从描述性分析转向预测性分析。这意味着他们首先使用数据来了解已经发生或正在发生的事情，但最终会成熟以了解可能发生的事情并有机会自主采取行动。
节省成本： 数据补充了精益制造，因为它为制造商提供了简化生产流程和减少浪费所需的信息。如果没有硬性数据，就很难准确衡量生产改进情况并确保这些变化会带来成本节约。
例如，小直径、精密公差 CNC 瑞士车削零件制造商 Carolina Precision Manufacturing 通过推出物联网平台以确保完整的数据可见性，在一年内节省了 150 万美元。在案例研究中，它解释了他们如何能够提高生产效率、优化机器利用率并推动操作员问责制。
数据驱动制造的挑战
孤立的数据源和遗留系统： 许多系统和设备并不是为了相互交谈而构建的。这可能是由于不同部门之间使用不同的操作系统、遗留设备或仅仅是缺乏文档和沟通的结果。这里的问题是，跨不同系统聚合数据可能很困难，这意味着您从收集的数据中获得的价值较少。一个连接多层次系统并使遗留设备在线的物联网平台有助于解决这个问题。
安全威胁： 工业物联网安全问题的出现主要有两个原因。首先，随着越来越多的设备被连接，产生漏洞的可能性就越大。其次，以前没有在机器级别解决安全问题，这意味着没有开发标准或协议。但是，有一些降低风险的解决方案。
数据存储： 数据驱动的制造商启用的连接设备和系统越多，收集的数据就越多。从表面上看，如果用户可以从收集的数据中获得洞察力，这是一个很大的好处。然而，不断增长的数据流需要一个地方来收集和处理，这可能是一个艰巨的挑战。如果用户要在本地存储数据，这尤其耗费成本，这为使用云计算提供了强有力的理由。
数据驱动的制造策略
数据驱动的流程优化策略
优化机器生产能力的第一步是了解其能力和周围的工作条件。这些工作条件可能包括了解可用库存和材料到达机器的速度。为了获得这些知识，需要集成人机界面设备等数据采集解决方案。收集的数据和可视化 KPI 的能力为车间内的决策者和员工提供了对工业流程的深入了解。
然后，可以将这些见解用于开发流程优化策略，以确保生产继续保持在最佳水平。数据驱动的流程优化方法还可以识别限制生产力的因素。
一个例子是使用 MachineMetrics 来推动离散制造设施内的流程优化。在此示例中，每天从机器收集数据，对数据进行分类并与优化的 KPI 进行比较，以发现未达到目标的特定设备及其原因。对影响机器生产力的挑战有针对性的洞察力，然后作为纠正限制机器最佳运行的问题的基础。
数据驱动的预测性维护策略
车间内的机器预计将得到持续维护，以确保它们以最佳状态运行，这就是为什么每个制造商都有适当的维护策略来处理零件故障。在许多设施中，仍在部署一种反应性或运行到故障的维护方法，作为保持机器运行更长时间的策略。统计数据表明，这种策略会降低大约 20% 的生产力，并且如果机器在实际生产周期中发生故障，还可能导致计划外停机。
数据驱动策略通过监控描述机器及其组件健康状态的每个性能指标，为机器维护带来了一种先发制人的方法。通过这种方法，将消除计划外停机时间，从而优化生产效率。
这方面的一个例子是使用 MachineMetrics 异常检测引擎来跟踪组件和机器性能。通过 API，引擎分析机器数据，为车间内的不同机器开发定制的维护策略。分析的数据告知制造商需要频繁更换的零件，并了解如何围绕生产周期制定更换计划。这可确保制造商的备件库存始终得到更新，并在指定的时间内执行维护。
数据驱动制造优化的三个阶段
定义或创建数据驱动策略以优化制造流程包括以下阶段：
- 捕获和监控数据： 实时收集数据的能力为您的数据发挥作用提供了基础。 MachineMetrics 是一种即插即用解决方案，可从离散制造设备和物联网设备收集运行速度、设备温度和能耗率等数据。
- 对数据进行分类和可视化： 必须对收集的数据进行处理和分析，以便从中获得洞察力。 MachineMetrics 利用 AWS 云交付开箱即用的应用程序，通过优化的工作流程使可视化和报告车间数据成为一个简化的流程。
- 商业智能和行动： 提供报告和工作流程以简化决策和战略创建过程。一旦收集和分析了机器数据，就可以制定可行的策略来优化生产效率并加以实施。
您的制造分析之旅
为了让您的数据为您服务，将您企业的制造机器连接到 MachineMetrics 平台开始了生产优化之旅。 MachineMetrics 通用连接功能支持具有数字和模拟 I/O 的机器，从而可以从车间内的旧机器收集数据。因此，消除了收集为您的制造设施开发数据驱动策略所需的可用数据的挑战。通过分析 MachineMetrics IoT Platform 的特性，您可以了解更多关于企业级工业分析平台的价值主张。
工业技术