数据驱动制造就在这里

影响制造过程的重要决策应始终基于事实，而不是猜测、愿望、理论或意见。今天的新兴技术通过使人和设备能够收集和处理他们获得更好结果所需的事实来提供帮助。

低成本传感器的加速部署及其与互联网的连接已经对制造业的未来进行了大量炒作。物联网 (IoT) 及其对大数据和分析的应用催生了下一代制造业。这涉及使用数据通过新时代的销售和运营规划来降低成本、显着提高生产力、供应链和分销优化以及新型售后服务。

数据驱动的制造 显然，这是推动高效和响应迅速的生产系统的下一波制造运营浪潮。制造商终于能够更好地以有意义和富有成效的方式将数据整合到他们的日常决策活动中。

数据驱动的制造可以确保车间的运营主管根据在整个组织中收集的这些数据指标对绩效有更深入的了解。准确的数据不仅可以提供对单个资产绩效的必要洞察，还可以提供对整个制造运营的必要洞察。这有助于决策者专注于机会领域，包括表现不佳的轮班、经常性机器停机或其他生产瓶颈。

由于车间存在大量数据集，制造商有能力运行可以解决复杂问题的机器学习算法。正是通过这样的人工智能和机器学习驱动的分析工作，制造商才能采用预测性维护等高级实践。使用这些处理能力或对数据的访问，他们可以访问基于数据的决策的详细形式。

使用数据驱动方法的自动化分为两类。第一个是自动收集数据，其中特定设备使用软件收集数据进行处理。这不需要任何形式的人工干预。自动化的第二个组成部分是使用数据进行自动化决策。使用预测分析，制造商首先使用数据来了解已经发生或正在发生的事情，但最终会成熟到了解可能发生的事情并有机会自主采取行动。

数据以及精益制造使制造商能够简化生产流程并最大限度地减少浪费。如果没有这些实时数据，就很难准确衡量生产改进情况，并确保这些变化能够节省成本。

拥有不同的操作系统，这些操作系统在各个部门之间没有连接，并且缺乏共同的文档和沟通，这可能是一个巨大的挑战。跨不同系统汇总这些数据可能很困难，这也意味着从收集的数据中获得的价值较低。一个物联网驱动的平台可以连接多个级别的传统系统并使这些遗留设备在线，在这里可能是一个很好的解决方案。

随着更复杂的设备被连接，数据或安全漏洞的潜在漏洞的可能性更大。此外，由于之前没有在机器级别解决安全问题，因此可能缺乏强大的数据保护标准或协议。

由于数据驱动的制造商启用了多个连接的设备和系统，因此连接的数据量不断增加，这带来了数据存储挑战。所有这些不断增长的数据流都需要一个中央存储库来收集和处理，如果用户想要在本地存储数据，这可能是成本密集型的​​。

今天，大多数制造公司都采用时间触发制造模型。所有输入都被输入到 ERP 系统中，该系统将原材料转化为所需形状和时间的成品。但是，当数据驱动的制造成为常态时，机器将遵循事件触发的制造方式，这意味着制造商的这种模式和生产视角将发生转变。

数据是所有公司最重要的资产之一。很明显，数据驱动的制造方法不仅会产生模糊的“改进”——它还显着提高了吞吐量并增加了底线。

百事可乐在实施分析软件以帮助其跟踪其如何分配汽水口味后发现了这一点。数据揭示了如何解决运送大量产品而在使用前就过期的问题。调整平衡后，百事可乐减少了出货量，从而减少了浪费。

亚马逊是另一个令人信服的案例，说明数据可以为供应链做什么。该公司在自动化方面进行了大量投资，以将其履行中心转变为具有凝聚力的生态系统。得益于数据驱动的制造创新，亚马逊降低了供应链规划成本，实现了年度利润增长。

有了这些数字，人们就会假设制造商想要精通数据。然而，数字化转型往往因缺乏高层支持而失败。领导层经常将先进技术视为一种风险。还有人担心新技术会取代工人。因此，只有 31% 的公司认为自己是真正的数据驱动制造，低于两年前的 37%。

这些焦虑是没有根据的。当工厂使用数据来改进流程和人工智能来提高效率时，这些工厂就会变得更具竞争力。研究表明，制造商已承诺投入 9070 亿美元（占收入的 5%）来改善连接性，72% 的制造商预计到 2020 年将实现“数字化”。因此，拥抱数据对于保持相关性至关重要。

制造商在此过程中需要克服几个障碍。首先，公司需要合适的技术堆栈和管理它的员工。除此之外，它还需要改进对数据的访问，以便决策者（不仅仅是 IT）拥有最准确的信息。最后，无论采用何种技术，都需要具有足够的动态性，以便在必要时整合新型数据和分析。

1.与遗留系统的集成

尽管工业自动化是一个不断发展的过程，引入先进技术令人兴奋，但找到一种方法使它们与完善且经过验证的遗留系统一起工作也至关重要。一个现代化的工厂有多个系统层次。当本土遗留系统的原始开发人员无法与文档稀缺的新时代系统完全对接时，这可能成为一个挑战。重要的是要了解，这不是从一张白纸开始，而是要在现有设计和制造环境中进行有效集成。

2.系统安全挑战：

通过互联网连接的分布式控制系统可能会将现有系统暴露给攻击者未经授权的访问。随着越来越多的物联网设备越来越多地通过网关连接，这也开辟了从任何地方进行控制和访问的途径。大多数传统制造系统网关需要大量强化以应对 IT 服务面临的新时代安全挑战。这意味着添加足够的计算能力来处理网络和安全任务。

3.不仅仅是数据交换，而是数据共享

创建统一的数据模型并将制造过程中的所有独立系统集成在一起可能是一个挑战。这些数据需要无缝映射并共享到每个业务部门，以最大限度地减少资源和材料的浪费。使用物联网驱动的传感器可以检测跨设备的潜在故障，这是最大限度减少数据交换故障的一种方法。

4.数据不准确或不完整

当现有制造数据本身不完整或不准确时，这会影响决策制定，尤其是对于数据是成功支柱的关键项目。这也意味着需要花费大量时间、精力和资源来完成 daa 记录或确保其真实可靠。

根据 Forrester ，数据驱动的组织报告说，除了盈利以及获取和留住新客户之外，它还实现了 30% 的年增长率。

1.为决策提供意想不到的见解：

通过使用高级分析开发出乎意料的数据驱动洞察力可以揭示更多的机会来做出快速准确的决策。正确的数据使制造商能够专注于最重要的问题和机遇。清楚地了解制造商是否通过为问题建立 KPI 来衡量正确的事情，有助于轻松解决问题

2.对制造过程的深入洞察：

高级分析可以帮助制造商发掘提高产量的未知机会。很多时候，他们可能会假设所有可能的流程改进都已实施，使用数据他们可以进一步挖掘更深层次的改进前景。通过这些数据驱动的洞察力，还可以找到解决已经存在一段时间的问题的方法，从而进一步扩大使用现有资源的运营范围。

3.成本节省：

一家使用实时车间数据以及复杂统计评估的制造公司可以轻松获取曾经孤立的数据集，汇总数据，然后对其进行分析以揭示关键洞察力。这可以大大减少运营成本，同时加快结果的速度。

4.预测市场趋势：

数据驱动的制造商可以利用分析平台来增强对定制需求的预测。这是通过识别客户行为的波动模式和趋势来实现的。数据分析可让您详细了解制造流程，从而在预测分析的指导下做出更智能、更准确的生产决策。

由于大多数数据驱动的制造过程需要高水平的准确性、生产质量的不间断改进和最高质量的维护过程，因此人工智能 (AI) 找到了为该行业轻松提供这些结果的方法。

使用人工智能，制造业变得更加以数据为导向，让制造商有机会提高生产力和利润。它还帮助他们通过许多人工智能驱动的分析应用程序引领持续增长，包括智能维护、质量 4.0、预测智能、人机协作等。

制造商只有在经历系统转型后才能成为数据驱动的。请按照以下步骤操作：

1.调查时间瓶颈。

Lead time, more than any other variable, reveals where true problems exist in the supply chain. Look for bottleneck operations, then investigate how and why they happen and what impact they have. Optimizing manufacturing operations management requires many things to be fine-tuned, but eliminating persistent delays and lost time is the priority.

2. DRAW ON EXISTING DATA.

Even if manufacturers need to collect more data from more sources to gain true insights, they already have data they can begin analyzing. It could be financial, operational, or physical — all of it contains insights that might be relevant to process engineers and continuous improvement experts. Working with available data helps companies cultivate their capabilities for the “big” data coming later.

3. USE AI TO SEARCH FOR INSIGHTS.

Collecting data is the first challenge; finding the insights within that data is the second. AI can aid this effort because it’s smarter and faster than humans. Analytics-driven by AI have been shown to improve order-to-delivery cycle times by 425% and supply chain efficiency by 260%. Compared to the alternatives, AI in supply chain makes it easy to begin leveraging analytics effectively.

4. EXPOSE THE UNKNOWNS.

The majority of details related to operations are unknown, even at the world’s leading factories. Data should be collected from sources that can illuminate these unknowns. Installing connected sensors is an ideal way to learn about previously opaque processes.

5. KEEP THINGS IN PERSPECTIVE.

As manufacturers become more fluent with data, it’s tempting to become as tech-driven as possible. However, fully automated manufacturing is only an asset for some companies, namely those with predictable demand. In companies where demand is dynamic, automation is less of an asset. Every technology should be evaluated based on whether it delivers actual business value rather than just advanced capabilities.

People mistakenly think manufacturing is data-driven because logically it absolutely should be. Decision-makers are discovering this at the exact same time that technologies like IoT and Big Data solutions are finally making it possible. It’s an incredible opportunity, but soon it will become an industrywide obligation.

ThroughPut’s Supply Chain planning software ELI is an AI-Powered Bottleneck Elimination Engine that analyzes your existing industrial data in real-time. ELI continuously detetects, identifies, prescribes and prevents your shifting operational bottlenecks to save millions in delays, inefficiencies &lost revenue. YOu finally can breakthrough bottlenecks that clog productivity, growth and profitability using data-driven decisions.

Click here to start your free trial with ELI today and start benefiting from the power of “data” for your factory operations.