原刊于Modern Machine Shop。 当笔纸追踪作业效率让AccuRounds工程师和管理层陷入黑暗，车间转向MachineMetrics。但机器监控带来效率提升同时也带来士气挑战。 尝试用笔纸追踪车间效率后，AccuRounds选择在MachineMetrics帮助下实施机器监控系统。这种数据驱动实践快速展示实时监控收益。也在车间员工中浮现一些张力。AccuRounds故事可作为有效实施此类技术案例研究。 位于马萨诸塞州Avon的AccuRounds是二代家族拥有先进制造商，为医疗、航空航天等行业提供机加工零件。总裁兼CEO Mike Tamasi将店铺成功归功于人。 2017年A

制造业是数据采集领军行业。传感器数据、员工移动追踪、停机数据、预测性维护相关数据、需求——制造设施内有大量信息采集机会。 一方面这听起来很棒。有那么多数据，制造商本应能用日益细分客户细分更好定制产品服务，利用机器学习通过分析和场景构建降低风险指导决策、甚至更好理解下一步该提供什么产品服务。对吧？ 不幸的是并非如此。尽管是顶级数据聚合者，许多制造商难以真正发挥数据效用。有这么多数据优势，为什么制造商以如此猛烈方式落后技术曲线？ 制造数据为何闲置不用 为讨论解决方案，先看问题。为什么制造商无效利用采集数据？是什么阻碍他们？ 广义上，归因于过时。从员工技能组合到架构，一切都在努力与现代技术融合。虽

如同任何新技术，工业自动化周围既有大量炒作也有大量恐惧。网络上流传这么多迷思，难分清事实与虚构。这些认知波动是预期内的。它们是炒作周期主要方面，影响几乎所有真正颠覆性技术从发现、早期采纳到大规模采纳。工业自动化遵循与技术前辈相同曲线，这一事实为其收益和持久力提供坚实性。 我们将揭穿关于工业自动化流传的迷思，以更好对齐对这项技术能力的预期与现实。 以下是我们将讨论的四个常见谎言： 机器人在所有方面都比人类强 自动化昂贵且耗时 工业自动化在抢工作 自动化不适合所有制造商 机器人在所有方面都比人类强 “你能做的我都能做得更好…” 🎵 在这种情况下，回答“不，你做不到”（暂时）是正确的，就机器

油气行业与替代绿色能源竞争、公众问责呼声促使行业拥抱数字化转型技术刺激增长创新。据Quantzig，领先油气OEM看向IIoT等数字技术改善决策流程、挖掘新收入流提升盈利能力。 油气行业数字化转型始于采集数据理解复杂流程能力。因此，采油现场和制造设施部署设备产生数据必须能被采集处理。赋能油气相关数据采集责任落在生产行业用设备的原始设备制造商（OEM）肩上。这意味着OEM必须开发创新设备和解决方案，为行业提供数字化转型工具优化运营。 油气OEM继承更广泛行业挑战及特定制造挑战。这些挑战包括需满足政府法规关于车间安全和排放率。此外，为生产将驱动这些数字化转型策略的创新设备，油气OEM必须理解最终用

虽然油气行业开始接受工业物联网（IIoT）及其可能性，但Gartner称行业内53%企业未开展任何实施策略。这些企业包括油气原始设备制造商（OEM），即生产行业依赖设备的厂商。 油气OEM拥抱IIoT犹豫可追溯至过往年份利润、对运营现状舒适、成功启动数字化转型举措的障碍。但随着替代能源成熟为多样应用提供更多动力，油气OEM必须发现新方式在增加或维持收入同时保持竞争力。在油气OEM数字化转型中，这正是IIoT发挥重要角色之处。 IIoT增强油气OEM运营的4大方式 采用IIoT带来多重收益，妥善实施时是保证回报的投资。支持优化效率水平和收入增长的方式包括： 1) 改进维护策略 停机对制造业影

油气行业数字化转型技术在全行业利益相关者中反响平平，导致约53%公司推迟采用这些强大工具。油气OEM采用率平平可追溯多种障碍，包括“不改变现有有效做法”（或“修不好别动”）信念，及70% DIY IoT实施失败事实。 高失败率可能浇冷了数字化转型热情，但此类数字必须放在语境中看。DIY方法虽对业主看似更经济安全，倾向成膨胀项目，无法按纸面建议处理或实施。随后留给懂油气原始设备制造商（OEM）痛点的专业人士收拾烂摊子。为避免此类昂贵错误，若您的油气设备制造组织考虑实施数字化转型举措，以下4大领域需重点考量： 1. 数据采集启动流程 数字化转型提供的商业洞察、工业自动化、优化收益完全依赖数据，及

合同制造商常面对预期质量相关偏见。尽管OEM-CM关系制造出人类历史上最好、最耐用、最知名产品，仍持续存在“合同制造商”等同“低质量”的固有观念。鉴于此及深度数据采集分析趋势，OEM以越来越高审视度审视CM。曾经OEM仅从末端视角关注质量，现在OEM审视贯穿全生产流程始至终。以下是IoT帮助合同制造商在高强度OEM审视下保持从容的方式。 OEM在关注什么？ OEM在制造线搜寻低效和低质量控制迹象。他们想知CM能多可靠地向其客户交付超高质量产品。2020年劣质QA是业务杀手，客户评价和声誉损害不受控蔓延，长期玷污品牌。显而易见，OEM倾向尽可能避开破坏循环。 不仅是到达消费者的低质产品。为在自

OEM中的社会环保意识日益增强，理由充分——62% Z世代买家偏好可持续品牌，大多数愿为无愧产品支付高达10%溢价。这对合同制造商有重大影响，因联合制造趋势持续构建，OEM寻找符合其客户理想而非仅是合理质量最低报价的工厂。 1. 减少浪费 在可持续发展倡导者口中，浪费简直是脏话。浪费意味着更多填埋问题、海洋塑料、挥霍宝贵资源毁灭地球的丢弃文化。 现代合同制造商用工业IoT设备从两方面减少浪费： 减少废品零件产生 减少更换过早或过晚导致损坏其他设备的刀具材料浪费 IoT让合同制造商微调维护计划。IoT设备如传感器或I/O数据采集设备可监控车间所有设备，提供个别零件何时需更换详情。此过程称预

使用MachineMetrics在车间创建自动化 MachineMetrics专注于让制造商能消费数据，从而基于数据行动提升生产力。我们通过提供创建可执行工作流技术实现这一点，这些工作流从机器监控数据衍生的洞察开始，作为触发器自动触发动作——通知、事件或Webhook。工作流核心是向正确的人在正确时间传达——不仅关乎机器状况，更关乎他们能做什么纠正。 MachineMetrics Workflows发布是迈向制造数据灵活可执行性的重大一步。工作流可能性无穷！本文探讨车间创建自动化、节省时间、提升生产力、积极影响产能的前10大工作流。 制造系统集成 这个例子很有力！我们以CMMS为例，

什么是工业自动化？ 工业自动化是利用控制系统——包括机器、执行器、传感器、处理器和网络——执行任务，目标是自动化生产。 工业自动化历史始于简单传送带拉动零件通过装配线。机器执行基础任务减少人工。今天，工业自动化涵盖广泛机器、执行器、传感器、处理器、网络，致力于连接工业环境。从PLC、AI、机器学习到IIoT设备，现代工业自动化聚焦最佳技术杠杆。以下将介绍工业自动化、其类型及引领全球产业、拓展市场、演进竞争的收益。 工业自动化系统类型 从传送带到先进AI和机器学习系统，理解工业自动化类型对定位各技术最大收益至关重要。非每个解决方案或趋势都适配您的应用或目标。 固定自动化 固定自动化常有固定任务

知晓现状是通往目标的第一步 您知道忘记启动Apple Watch或Strava、得不到整个锻炼记录的感觉吗？这就是跳过基线化直接跳入数据驱动项目的感觉。无论您在做什么，如果不知道起点，可能就没有准确视角知道走了多远、实际达成了什么。计算行进距离或进步的关键变量是知道起点。这就是基线化过程的核心——理解现状，以便知道前进了多远。 技术实施常以影响运营或流程为目标，MachineMetrics也不例外。我们的目标是改善全球制造组织运营。帮助制造商理解随时间使用我们产品改善了多少，意味着首先帮助他们了解实施前现状。我们称此为基线化，它是我们为销售前景客户和新客户入职的技术验证过程的重要组成部分。 我

新冠疫情让人痛切意识到，供应链的断裂会迅速加剧危机，甚至引发自身的灾难。从医护人员的N95口罩到大众的卫生纸，疫情清楚地表明，我们的供应链并非我们想象中那样稳健可靠，而是相当脆弱。尽管这一趋势在冠状病毒爆发前就已开始，但受疫情影响，近岸外包正经历大幅增长。这对制造商意味着什么？ 为什么近岸外包对制造商至关重要？ 近岸外包是一种在地理上分散供应链的方法。离岸外包是指企业将生产等项目外包给遥远且低成本的国家，而近岸外包则是将这些项目外包给成本低于自主生产、但地理位置更近、成本高于离岸国家的国家。在许多情况下，近岸外包涉及将工作跨边界分散到邻国。 这种分散有助于在供应短缺或中断时降低风险。这种多元化

什么是边缘分析？ 边缘分析是在网络非中心点——网络边缘——而非云端或其他中心化系统中采集、处理、分析数据的方法。边缘分析通常发生在传感器、网络交换机、外围节点或其他连接设备上或附近。边缘分析的去中心化、本地化特性比传统大数据方法有优势：速度快得多，带来更快、更准确的商业智能，同时减轻网络负载。 此模型下，大部分信息在边缘分析，仅最相关关键信息上传云端做较慢、更深分析。边缘分析主要源于不断增长的IoT设备：它们需要更快数据分析，有时在偏远无连接区域，且自身能执行边缘分析。在某种意义上，边缘分析是一种闭环IoT数据分析生态系统，能利用智能网关访问“外部世界”，通常指云端。 IoT边缘分析用例 I

以先进制造技术驱动数字化转型 过去工厂是静态环境。有厂房、设备、工人、定额。打卡、完成日定额、下班回家吃饭。虽在其时代革命性，但这种工厂在需求持续波动、速度期待、激烈竞争合作并存的现代文化中表现不佳。一切变快了——信息、货物、机械。一切。 传统制造商实施先进制造技术以保持敏捷。它提供通用性、灵活弯曲适应市场需求、更有效高效利用资源的能力。此策略降低风险——僵化公司可能在危机或需求减少面前崩溃，而先进制造商能适应世界抛出的任何挑战。 这些先进制造商用什么技术获得优势？虽有许多，以下是方程式中三个重要部分。 机器学习 机器学习在基本每个业务层面惠及先进制造商，从需求预测到运营、生产、维护及中间一

IoT与边缘计算 物联网正呈指数级增长，连接设备从智能灯、烤箱到工业分析数据采集设备。据IDC预测，到2025年将有416亿连接IoT设备，产生79.4泽字节（ZB）数据。对比一下，1泽字节约等于10亿太字节。 IoT早期，大多数设备将采集的所有数据发送云端分析。但当您尝试向云端发送万亿吉字节数据时，数据管道开始拥堵。这就是边缘计算介入的地方——它帮助IoT设备在本地处理部分数据，然后再发送云端，有时甚至完全替代云端发送。名字由来在于——数据在您自己网络“边缘”处理，而非发送远方。 边缘计算在IoT中的角色 边缘计算在当前IoT格局中服务多种目的。这种分布式本地计算范式将IoT设备从延迟和连

库存责任是合同制造商（CM）与OEM之间成败攸关的问题，通常只在危机时刻才暴露，如供应链中断时。在平稳时期和市场稳定期，这话题常被略过。理解和降低库存风险敞口应是CM和OEM共同优先任务，且应在签约前明确澄清。然而，特别是在小型OEM中，从预测数据过渡到不让任何一方过度暴露于重大风险的现实库存计划是艰巨任务，许多OEM直接将预测传递给CM。 然而，当影响供应链的危机来袭，本“正常”会被使用的零件溢出成为重大争议焦点——责任归属谁？ 通过库存责任战略规划，OEM和CM可提前就哪些零件属于OEM产品独有、触发库存责任行动的触发点、及时上报问题的计划达成一致。 即使有最好意图和计划，供应链也可能如C

面对持续提升吞吐量、降低成本的需求，制造商正寻求自动化和工业4.0解决方案以提高效率。本文将探讨制造业自动化应用，包括自动化类型、自动化制造案例及自动化主要收益。 什么是制造自动化？ 制造语境下的自动化，是利用设备自动化系统或生产流程。最终目标是通过增加产能或降低成本（往往两者兼顾）驱动更高效率。 自动化更多被理解为用机器减少人工工作。它与被编程执行多种过程的机电系统相关联。虽然自动化不一定适合每个制造商，但大多数公司能在以下自动化类型中找到收益：固定、可编程、柔性。 制造自动化类型 固定自动化 以大批量生产和高准入门槛为特征，固定自动化通常有固定任务。也称硬自动化，大部分编程包含在单个机

制造商深知维护是成败关键，尤其在高价值、快节奏、高竞争垂直领域。过去的维护策略在当今快节奏世界已不适用，仍在使用这些做法的制造商正迅速被淘汰。现代维护利用IoT设备采集数据、机器学习处理数据，达到更好预测和可执行洞察。结合起来，非计划停机可几乎被消除，更别提其他收益：员工士气提升、机会成本降低、客户印象改善、浪费减少。 虽然听起来不错，但问题在于：如何将制造公司从反应性维护推向预测性和处方性维护？如何在避开陷阱的同时收获现代维护策略红利？ 要回答这些问题，必须先了解当前的维护方法及各阶段间的变化。本文将涵盖多种工业维护技术。 制造业维护类型 我们在制造背景下介绍以下每种维护策略。点击任意项跳

IIoT、机器学习、人工智能、自动化、机器视觉、大数据等流行词充斥制造业版图。这些新技术对制造商意味着什么？先进技术适合所有人吗？以下将探讨这些问题，同时提出采用新技术的技巧与挑战。 市场增长伴随IIoT认知混淆 这些新技术对制造商意味着什么？ 跟上需求充满挑战。许多行业寻求自动化和其他先进技术解决方案的收益。然而，这些技术涵盖广泛范围，大多围绕连接性。管理者听到市场增长和竞争对手大举投资IIoT技术以削减成本和人力、提升产量和质量时，往往会焦虑。 市场研究机构 预测年份 预估市场规模（十亿美元） Allied Market 2023 $197 Markets and M

摘要：IoT和自动化技术通过远程体温检测、门禁控制、社交距离执行和远程办公等安全预防措施，助力制造商在疫情中复工。从运营和财务角度看，这些技术还能减少浪费、延长维护周期，节省时间和金钱。 IoT和自动化多年来在制造商中逐渐普及，但面对Covid-19，采用率飙升。临时停产和永久关厂对一些人是隐忧，对许多人是现实，行业急需安全持续经营的途径。自动化和物联网（IoT）为拒绝被疫情击倒的制造商提供了快速实施的解决方案——将安全和效率置于所有人首位。 疫情下的工厂工人安全 我们许多人已接受Covid-19将长期存在的事实，并开始调整生活以优先安全。“社交距离”成为挂在嘴边的词（希望安全藏在口罩后）。