行业现状：我们该何去何从？
简介：前几个月的剖析
在今年年初，没有人能真正预测到冠状病毒对我们社会的影响。这体现在历史性的股市波动（通常表明前所未有的不确定性水平）、迅速变化的政策决策（因为我们努力应对当今技术环境的变化）以及日益恶化的政治气候。
随着秋季临近，学校和大学校园重新开学和关闭，流感季节即将到来，不确定性和波动性肯定只会增加。我们提供的有关制造业实际状况的每日更新将变得越来越重要，尤其是随着越来越多的政策制定者在预测和指导决策中使用我们的数据。
我们收到了许多组织的请求，从制造公司到咨询和会计公司，甚至从政府机构那里得到更多关于我们的数据实际产生方式的详细信息。无数的问题是可以理解的，因为 MachineMetrics 从事的是一种全新的机器优化服务类别，它是一种纯云实施，因此不仅提供客户 云的优势，也是我们 对行业进行匿名汇总衡量的优势。在本期中，除了我们可以从中收集到的最新见解之外，我们还将就我们如何实际获取数据进行一些尽职调查。
序言：我们是如何获得这些数据的？
我们经常会收到诸如“连接新机器时如何更新数据集？”或“您的样本量如何大到足以获得这些聚合指标？”之类的问题。 “你如何确定来自成千上万台机器的数据是准确的？”
这些都是很好的问题，对于那些不是来自两者的人来说可能会感到困惑 有制造和技术背景。让我们从基础开始。
这是一家典型的机械车间，位于美国某处。机器没有连接到任何类型的机器优化或监控服务，当操作员告诉他们他们短缺时，车间经理只知道他们在一天结束时部分落后。然后，他们必须增加额外的班次或使机器处于进给率超速档以赶上，或者只是通过缺少零件和错过/推迟交货日期来挫败客户。这不是很好，但过去几十年的事情就是这样。
这就是我们进入并通过让这些机器连接来实现工业 4.0 解决方案的地方 以及他们的表现可见 每时每刻。我们能够连接到这些机器的 PLC（可编程逻辑控制），它会输出各种重要信息，这些信息通常只有站在机器前面的操作员才能看到。
我们如何做到这一点？秘诀在于我们的 Edge 设备，它基本上是一台 Windows/Linux 物联网计算机，预装了一堆机器适配器 它可以翻译、清理和解释来自 PLC 的信号。每个控件制造商都有自己的 API 让我们能够做到这一点，我们的大部分知识产权在于解码这些 API 并将单独的语言翻译成一种统一的语言。下面是机器 PLC 的照片，您看到的绿色/黑色框突出显示的是我们的边缘和数字 IO 设备。我们只需连接到 PLC 上的以太网端口即可提取控制输出的信息，然后将其传输到云端。我们让人们可以很容易地自行安装所有东西，而无需我们来现场；复杂性本质上是从客户转移到边缘设备内部的复杂技术。
我们的客户从中得到什么？漂亮的仪表板，实时向他们展示他们的机器是如何工作的。工厂车间的机器在做什么？是打开还是关闭，谁在操作它，他们落后还是领先于他们的部分目标？
作为一家产品公司，MachineMetrics Data Science 的主要工作是使用这个庞大的数据集来预测机器何时会出现故障，并在它们对我们的客户造成损害或损失之前停止它们。这具有使我们的产品更好的效果，这意味着它可以更容易销售，这意味着我们可以获得更多数据来优化我们拥有的机器。一个良性循环。例如，分析导致某个客户的机器出现故障的原因，并利用该数据帮助该客户和其他客户解决类似机器和类似问题的情况非常有帮助。
然而，所有这些数据的奇妙副作用之一是我们还可以聚合 把这些信息放在一起，看看整个行业的发展趋势。这不是我们公司的主要目标，但由于我们在过去五年中一直在努力改进我们的产品并启用自行安装的机器，因此我们现在拥有美国制造领域的重要且具有代表性的样本.做到这一点的关键之一是使产品足够容易使用和自行安装，这样我们就不需要亲自去现场进行大部分集成和培训。这使我们能够以指数方式而非线性方式扩展；我们不需要雇佣更多的集成商或培训师来满足需求。
下面是我们的数据科学团队用来生成此分析的表格，其中删除了客户特定的信息。您可以看到，对于每一天的每一小时，对于每台机器，我们都会从我们的 Edge 设备群中自动接收：
[全尺寸图片]
- in_cycle_ms：机器在循环中的时间（运行 G 代码程序 或者如果是没有 PLC 的机器，主轴消耗大量电流的时间）。
- spindle_rotating_ms:那个时候，主轴本身旋转了多少 ?在 G 代码程序期间，有时会内置中断和暂停。该指标不包括这些时间段。
- cutting_ms:那个 时间，实际花费了多少时间切割 ，即金属与金属接触？
- parts_produced：在这段时间内，PLC 告诉我们生产了多少个零件？这通常是我们看到的 G 代码程序旋转多少次加上零件乘数的乘积（或者在旧机器的情况下，有多少不同的当前 ⚡️ 模式表明正在制造零件）的乘积。
我们还从机器上的操作员那里收集了一些手动输入的项目，他们可以告诉我们生产的零件是什么：
- parts_rejected：由于任何原因，有多少零件被完全拒绝。
- parts_scrap：在被拒绝的零件中，有多少被送去报废。
- parts_nonconform：在被拒绝的部件中，有多少不符合 QA 标准。
您可以看到，此时我们记录了大约 6600 万机时的生产数据，我们认为这是制造业中最大、最完整的数据之一。
我们的客户规模、地区和行业各不相同。与整个汽车制造业相比，我们的代表性略低，而在医疗器械制造中的代表性过高。我们在东北部的代表也略多一些，因为那是我们的工程团队和总部所在的地方。下面是我们客户群的分布，以及一些有代表性的公司。精明的分析师希望对模型的输入或预测目的进行极其精确的测量，可以根据我们的原始数据构建重新加权的利用率测量。随着我们的数据得到更广泛的使用，它的稳健性、假设和来源受到了更严格的审查。在本期行业现状更新中，我们认为涵盖所有三个领域非常重要。
[全尺寸图片]
那么现在这个行业的状况如何？
毕竟......让我们从每天在 LinkedIn 上发布的利用率更新开始，并叠加一些趋势。到目前为止，我们基本上看到全年发生四种情况，它们是：
- 在冠状病毒袭击美国和各州关闭之前增加了 7%
- 从 3 月到 4 月中旬，当停工高峰期时，下降了 16%
- 从复活节到独立日，当关闭开始放宽时增加了 8%，并且
- 我们目前的“观望”模式在 2020 年夏季和秋季期间减少了 2%
尽管这些总体趋势可能不会令我们任何人感到意外，但对它们进行准确的量化指标是我们的新颖贡献。以前从未有任何组织能够提出准确的、具有行业代表性的制造绩效高频指标。
[全尺寸图片]
行业和地域细分
这对准确评估行业状况具有重大影响。毫不奇怪，这通常体现在我们的行业和地理细分中。我们将在本节中重点介绍我们必须深入了解某些行业和地区的请求。
让我们从行业层面的细分开始，回到今年的 COVID 之前的时代。正如您在下面看到的，汽车在 3 月下旬绝对崩溃，当时工厂被勒令关闭，消费者需求崩溃。然而，医疗器械制造始终保持稳定。
[全尺寸图片]
让我们删除滚动的每日级别更改，以更清晰地了解整体趋势。我们将坚持使用这些趋势线，这些趋势线是根据 0.75 跨度的 7 天滚动平均值的 LOESS 构建的（经济学家和分析师，如果你想要更多的数据，请找我）。
[全尺寸图片]
然后我们把它分成三章，每章重新拟合黄土曲线。
[全尺寸图片]
第 1 章：利用使楼梯上升......电梯下降
让我们放大到 2 月中旬到 4 月中旬的这段时间。 2 月初，我们跟踪的所有五个主要行业都在嗡嗡作响，即将创下 18 个月新高。汽车看起来特别强劲，因为高消费需求和增加的购买情绪导致许多 OEM 和一级制造商提高生产水平，从而提高机器利用率。其他行业要么持平，要么小幅增长。
然后，COVID 关闭了，我们看到了“上楼梯，下电梯”的教科书案例。我们在许多其他领域看到了这种模式，比如股票市场。事情要慢慢向上发展需要很多稳定性和东西才能顺利进行，但事情的下降只是一件大事，而且很快就会下降。再加上强制停产，消费者需求的崩溃摧毁了汽车制造业，到 4 月中旬，利用率水平下降了 40%。在此期间，我们的一些客户试图重新制造呼吸机和其他医疗设备，但这还不足以抵消停工的影响。 4 月 15 日，我们达到了 3 年来跟踪机器性能（节假日除外）中看到的最低利用率。
[全尺寸图片]
第 2 章：不均衡的恢复
从 4 月中旬到 6 月底，我们进入了一个不均衡复苏的状态。随着病毒得到更多控制并且封锁得到缓解，公司重新开始了部分生产。毫不奇怪，随着呼吸机和其他医疗设备的抢购潮，医疗设备制造扩大了领先优势。航空航天与国防、工业设备制造和合同制造等其他行业在此期间上下波动，寻求突破性复苏，但似乎从未实现。汽车继续下滑，需求仍然低迷，因为人们要么被迫呆在家里，要么不想出去购物。
[全尺寸图片]
第 3 章：不完全是集会
从 7 月 1 日到本周，我们看到了轻微的复苏，然后在过去的几周内表现基本持平。汽车客户开始向我们报告常规运营情况，我们也从他们提高的利用率中看到了这一点。除了人们更多地冒险并对经济更有信心之外，应对和制定生活在冠状病毒时代的策略可能是其背后的主要原因。消费者支出总体上升，这肯定会对供应链产生影响。医疗制造业也有所增长。
[全尺寸图片]
后记 1：按地区划分的交错变化的证据
我们订阅了以下 COVID 风险的正式分组 - 并且可以看到每个地理区域按小时计算的利用率分布存在明显差异。我们将利用率重新归一化为 0 和 1 之间，因此我们可以更强烈地看到分布差异（注意 Y 轴标题和值的变化）。通过这一分析，我们可以看到，不同的州通过工厂的交错轮班来对待社会疏离，比其他州更认真。尤其是 NY/NJ/CT，3 月之后每小时的利用率分布明显不同，在深夜的凌晨利用率比平时高得多。这是因为劳动力正在从上午 10 点到下午 4 点的主要时间转移到更均匀地分配昼夜，正如 NY/NJ/CT 的小时分布曲线中的“平坦曲线”所证明的那样。在 COVID 之前和之后，其他州的分布明显缺乏变动。令人着迷的是，美国不同亚文化的影响及其对冠状病毒的治疗如何一直辐射到工厂车间。我们之前就知道这一点，但要严格说明这在多大程度上是真实的，这是非常了不起的。
COVID 风险分组
· 第一组：NY / NJ / CT
· 第 2 组：AL、AR、AZ、CA、FL、GA、IA、ID、LA、MS、NC、NV、OK、SC、SD、TN、TX 和 UT
· 第 3 组：DC + 其他（CO、IL、IN、KS、KY、MA、MD、ME、MI、MN、MO、NE、NH、OH、OR、PA、VA、VT、WA、WI、WY）
 第一组 [全尺寸 GIF] |  第 2 组 [全尺寸 GIF] |  第三组 [全尺寸 GIF] |
后记 2：政策决策的后果立即可见且可量化
当我们查看 3 月中旬期间，并引入标准化的每日利用率值时，我们可以看到政府政策对冠状病毒关闭的一些非常明显的影响。下面我们再次将数据分成三个地理区域。即使只是粗略的一瞥，这三个地区在冠状病毒首次袭击美国时的表现也大不相同。
[全尺寸图片]
具体来说，我们看到在 天后的相对利用率下降了约 50% 纽约州/新泽西州/康涅狄格州的州长发布了全面关闭令。我们推测这意味着我们跟踪的约 50% 的商店被认为是能够保持营业的重要企业。其他州没有看到这种下降。周末活动，通常是正常活动的八分之一，在关闭后的周末在 NY/NJ/CT 完全消失。
[全尺寸图片]
当移除单日水平条时，差异变得更加明显。只要引入强有力的立法干预，我们就会看到这些类型的趋势。随着我们进入今年的最后三分之一，我们怀疑评估其影响将变得更加重要。
[全尺寸图片]
结语
随着我们进入秋季，我们预计流感季节、学生从封闭的校园回家以及其他不寻常的事件可能会对冠状病毒的传播产生强烈影响，进而影响行业利用率。在这一点上，我们已经证明我们的措施对政策变化非常敏感，尤其是那些会影响利用率下降的政策变化。我们行业的健康状况虽然目前处于“观望”状态，但不可避免地会受到我们今年秋天的政策选择的高度影响。我们希望我们行业的制造商、分析师和经济学家能够利用这些数据更好地为他们在进入 9 月份时做出的选择提供信息。数据就是力量，我们可以利用这些数据来帮助我们的行业和国家变得更强大。数据帮助我们在严谨和思考的支持下做出细致入微和理性的决定，而不是最终只会伤害我们所有人的情绪驱动的冲动。确保我们在这些动荡的日子里做出最好的决定，这一切都掌握在我们所有人的手中，因为这是我们生活的关键时期。
我们将继续监控这些指标并定期报告。
工业技术