大数据分析在制造业中的应用 术语“大数据”是指无法使用传统方法有效处理的日益复杂的海量数据存储。在制造业中，大数据可以指从各种来源收集的信息，包括机器传感器数据、质量保证信息、供应商数据、生产输出、维护、财务信息，以及基本上任何其他进入现代制造业的可衡量过程。 制造商收集如此大量关于任何事物的数据是有原因的。大数据可以被处理并提炼成业务洞察力，从而推动巨大的财务增长、客户保留、维护、仓储和意外停机等方面的节省。 利用大数据和制造分析的力量，制造商能够更轻松地提高业务效率和生产力，同时知道他们所做的动作是经过计算并基于准确的数据。这不仅增加了成功的可能性，还增加了对实施想法的信心。 为

什么是机器状态监测？ 机器状态监控是在一段时间内评估机器健康状况的能力。这可能包括其效率之类的东西，因为效率损失可能表明存在潜在问题。它还包括零件的磨损、性能指标（例如缺陷零件的输出）、使用统计和维护统计。 目前，大多数制造业都采用原始的维护策略，通常基于被动或基于日历的方法来维护他们的设备。原因是大多数制造商没有机器状况数据来告知他们设备的运行状况。 因此，他们的选择是要么按计划维护设备，要么干脆等到设备出现故障，这都不是一个有效的解决方案。这会导致大量浪费，包括不必要的维护费用或大量机器停机时间。 在本文中，我们将探讨状态监测如何解决这个问题，为制造商提供必要的实时机器状态数据，以

简介 随着我们的日常利用率更新越来越受欢迎并受到更多关注，我们认为作为数据管理者，澄清我们的假设、我们可能存在的任何偏差来源以及我们的误差范围很重要，这样组织才能从我们的数据中做出最明智的决定. 与任何数据集一样，我们的数据包含偏差，因此我们将误差范围附加到我们报告的任何指标上。作为数据从业者，重要的是要对这些偏见来源、我们对数据的假设以及我们如何在方法论中解决这些问题保持透明。这使您（用户）可以自行判断我们声明的真实性以及我们的数据对您的组织的价值。 类似于传统轮询方法 如果我们从传统民意调查的角度来看我们的数据集（就像你在电视上看到的总统初选中谁领先），我们可以将我们的每台机器视为

什么是数字工厂？ 数字工厂使用技术在整个运营过程中以数字方式自动共享信息，包括来自材料、人员和机器的数据。数字化制造依赖于一个由仿真技术、连接设备和协作工具组成的集成系统。 没有一种技术可以将模拟工厂转变为数字工厂。但是，数字工厂有很多共同的技术和特点，融合多种技术的制造商最有可能被认为是“数字工厂”。 数字化工厂是数字化转型战略的结果，它能够使用来自人员、设备和系统的数据来识别和优先考虑持续改进计划。您可能会在数字工厂中找到的技术包括： 工业物联网 (IIoT) 这由相互连接并相互通信的小型传感器和其他硬件组成。它们可用于资产管理、通过智能 HVAC 和照明降低能源或机器数据收集，

简介 所有 MachineMetrics 客户都有机会免费参与我们的基准测试计划，这使他们能够将自己工厂的利用率与行业规范进行比较。由于我们拥有具有统计意义的样本量（截至今天的误差幅度为 +- 1.8%），因此客户发现这是一个可靠的指标，不仅可以根据自己的内部目标评估自己公司的绩效，而且还可以与行业绩效相关整个。这很重要，因为行业规范可能会随着时间的推移而发生变化，具体取决于宏观经济状况和商业周期。从本质上讲，我们的大样本量允许进行有用的比较，以确定您的商店是否遵循趋势。 您上个季度看到的利用率下降是因为您的商店特定的事情导致工作岗位减少吗？还是所有商店都在经历这种下降？本月机器使用量的

什么是质量保证？ 质量保证，或 QA，在制造方面，是指制造商作为质量管理体系的一部分使用的过程，以保持他们生产的产品的一致、预期的质量水平。 质量保证通常与质量控制或 QC 相结合，是确保客户收到没有意外缺陷的优质产品的生态系统的一部分。质量保证是制造商管理产品质量的方式（相对于质量验证）。 质量保证在任何制造环境中都很重要，但对于某些类型的制造商（例如汽车行业的制造商和高精度零件供应商）来说至关重要，因为未能保持高标准的质量可能会导致受伤或死亡。 MachineMetrics Operator View 平板电脑安装在机器上，作为出现问题时的注释工具。任何报废零件都可以记录在案并进行

公元前 30,000 年，我们的祖先在洞穴墙壁上绘制了关于他们日常生活的故事，到公元前 700 年，我们有了第一个印刷故事——吉尔伽美什。快进到 2021 年，我们与 AI 共同创造故事已有五年多。但是，当当前的任务是准确的商业智能时，公司希望放心，他们的人工智能和机器学习系统不会冒着艺术的自由并吐出一个高大上的故事。 现在尤其如此，因为人工智能和机器学习主导的决策是迄今为止采用率最高的，即使是最不情愿的高管也开始看到以数据为中心的战略方法可以带来巨大的好处。随着信任建立在 AI 和 ML 的承诺中，准确性至关重要。对于许多人来说，这个问题仍然是头等大事：“我们如何判断我们的数据是否告诉我们

什么是精益制造？ 精益制造是一种基于战略方法的理念，通过整体消除整个组织的浪费和低效率来实现持续改进和可持续发展。 精益制造不仅仅是遵循一套规则，而是一种哲学方法，需要将组织内普遍存在的思维方式转变为学习、创新和敏捷性。这一理念的一个重要理念是丰田生产系统 (TPS)，这是一套影响当今许多精益组织的指导原则。您可能会在精益组织中看到一些概念，如名称：可衡量的一切、KPI、数据的可视化；价值流图；以及基于需求的“拉动”制造方法。 跳转到一个部分： 精益制造简史 精益生产的五项原则 精益生产的 8 种浪费 精益生产的好处 精益制造工具和技术 精益制造简史 精益制造的发展可以追溯到

工业数据运营的相关性和重要性是什么？ 从制造的角度来看，数据和与数据相关的操作在创建和维护具有竞争力、创新性、敏捷性的设施方面发挥着作用，而不会带来高风险或其他负担，例如过多的库存。仅拥有数据并不足以保持领先——一切都取决于您如何使用它。作为一种数据分析方法，DataOps 旨在使用自动化、统计过程控制和敏捷方法减少进行高精度分析的时间，以便制造商能够更快、更有信心地使用他们收集的数据。 对于制造商而言，良好的 DataOps 可能意味着主宰上升市场和由于在趋势的另一端不知不觉地进入市场而携带冗余库存之间的区别。它可以帮助制造商掌握可能对业务产生重大影响的不断变化的需求、供应链和物流信息

使用制造仪表板优化生产 数字仪表板是用于制造生产优化的最有效工具之一。更好的信息带来更好的决策，使用数字仪表板实时显示最高优先级信息意味着可以快速做出决策。虽然数据的范围可能从简单到复杂，但数字仪表板提供了一种动态的视觉效果，一目了然。这种即时反馈有助于提高制造运营的整体效率，帮助主管发现任何需要注意的情况，向可以根据需要调整行为以实现生产目标的车间工人提供反馈，甚至鼓励车间工人和管理层之间的对话帮助更好地设定现实的期望和表达担忧。它们还可以提高工厂利用率，并有助于找出计划外停机和缺陷产品背后的原因。 由于数字仪表板用于跟踪 KPI，因此它们将最有价值的信息带到了最前沿——对于敏捷和精益

最初发表于 Towards Data Science 在过去的几个月里，我们一直在悄悄地监控和发现我们预测加工产品的新用例。得益于精简的操作界面，它还可以方便地兼作“幕后”标记数据收集平台，迄今为止，我们已经看到了数百种工具故障、轴承故障和其他机器故障场景。 与我们的客户一起，我们从电机数据的角度提出了典型机器故障的大目录，我们对此感到很兴奋今天跟大家分享一下。我们将回顾在多个客户站点中重复出现的六个场景，以及从“图表上的点”的角度和它们在车间的物理表现来看它们的样子。具体如下： 立铣刀故障导致光洁度差和零件报废 滚珠轴承故障导致主轴外壳损坏 粗加工刀具故障，导致精加工刀具的级联刀

机器故障曾经是制造商和 OEM 生活中公认的一部分，现在已经与使用物联网设备、云和边缘计算的现代技术相匹配。为了先发制人并防止机器故障，首先重要的是要了解它是什么以及它为什么会在工业环境中发生。 我们还可以审查处理设备故障的现有策略，包括反应性维护、诊断分析和预防性维护。在了解这些策略失败的地方后，我们可以了解制造商为何转向预测性维护，这解决了三个前辈的问题。 如果您想跳到特定部分，我们将查看以下内容： 什么是机器故障？ 设备故障有哪些类型？ 机器故障的最常见原因 如何防止设备故障？ 物联网在预防设备故障方面的重要性 什么是机器故障？ 机器故障或设备故障是指工业机械全部或部分性能

最初发表于 Production Machining。 如果你车间的机器会说话，他们会说什么？他们会讲述被照顾和维护到最大程度的故事，还是会披露被虐待或忽视的故事？上周发生故障的车削中心能否准确解释为什么警报响起导致机器自那时起无法使用？它会知道它一天生产了多少零件或上个月运行了多少小时/分钟？坐在角落里的 CNC 瑞士车床会在潜在的刀具故障发生之前提醒操作员吗？ 想象一下，所有这些信息都触手可及。收集到的数据对管理层来说将是一座金矿；它可用于在车间做出更明智的决策以及优化流程。可以节省金钱和时间，并且可以轻松计算投资回报率 (ROI)。 MachineMetrics 的联合创始人兼首

制造业的未来依赖于在车间内开发网络物理系统的能力，从而推动工业自动化、互操作性和其他优化应用。这种前景是数据成为黄金的前景，因为数据的捕获、处理和传输将推动每个工业 4.0 商业模式。航空航天和国防工业的设备制造商依靠工业 4.0 和数字化转型技术来提高生产力并创造新的创收模式，但这一切都始于从工厂车间收集数据。 预计工业 4.0 将解决当前影响航空航天和国防 OEM 的许多挑战，例如库存供应困难、需要保持创新以及开发节能设备。为了获得这些好处，原始设备制造商必须部署数据捕获框架和策略，以讲述有关车间运营和相关流程的故事。但这仍然是对传统工艺的最新变化。在大约十年前工业物联网 (IIoT)

航空航天和国防工业现在正在旋转很多板块，这已得到更广泛的制造业世界的认可。 FABTECH 2018 峰会上的演讲者强调了制造商在当今不断变化的环境中面临的挑战。反复提出的一项观察是，由于关税，将钢铁和铝带入美国的供应链中断。在全球范围内情况相似。不断变化的政治联盟、关税和继续破坏传统供应链系统的流行病。 全球供应链中断会对航空航天和国防 OEM 的生产力产生不利影响，但这并不是这些行业面临的唯一挑战。其他问题包括需要根据政府法规为要求苛刻的客户和制造提供更多基于价值的服务。 航空航天和国防 OEM 面临的 4 个挑战 1。发展可持续供应链 原始设备制造商和一级供应商对金属零件的要求已经

制造业增速放缓以及最终用户对问责制的需求导致 OEM 制造航空航天设备的命运各不相同。为了在巨大动荡和多重挑战迫在眉睫的时代保持盈利，航空航天和国防行业的 OEM 必须通过数字化转型找到新的途径，在提取数据的同时产生收入。 专门从事航空航天和国防领域的业务转型专家 Eric Bernadini 表示，冲击该行业的技术革命（数字化转型）为学习利用定义变革时期的技术的“先行者”创造了收入增长机会。工业物联网就是这样一种技术，它可以通过以下方式让航空航天和国防 OEM 在竞争中获得优势： 简化车间数据的提取和处理 IIoT 硬件提供了一种在 OEM 工厂车间内捕获车间数据的方法。边缘设备、传感器

在当今万物互联的世界中，太多的制造商发现自己在质量、准时交货和库存管理方面迟到了一天，差了一美元。为什么？因为等到信息收集完毕，报告拼凑起来送到顶层时，数据已经过时了。 收集信息的时间与将信息用于业务决策的时间之间的差距可以迅速将领导者与追随者分开。这在 COVID-19 期间从未如此明显。几乎在一夜之间，制造商必须尽可能快速准确地做出决定。尽管全球供应链中断，一些企业不仅能够确保员工的安全，而且还能继续履行订单以保持基本产品和商品的下线，从而明确区分了陷入困境的企业和陷入困境的企业幸存下来，或者在某些情况下，茁壮成长。 想想我们的客户 Olde Thompson 的故事。这家自有品牌和品

几十年来，制造商一直使用数据作为获得竞争优势的一种方式。也许今天最大的变化是数据的收集方式。一些公司让技术人员在工厂周围走动检查仪表、填写表格并记录机器的操作和维护历史。收集和使用数据以推动决策制定的所有繁琐、容易出错和不准确的方法。然而，随着物联网设备和传感器的普及，互联设备和运营正在改变制造商利用数据和分析的方式。 公司已开始过渡到数字软件和连接设备，以减少与手动数据收集和记录相关的劳动力。与手动数据收集方法相比，这些技术还提高了保真度，从而增强了分析的能力并产生更准确的模型。下面将介绍制造中预测分析的优势和用例。 制造业分析的成熟度 也称为制造分析之旅，制造商在努力制定预测性和规范

整体设备效率 (OEE) 是一种已经存在多年的方法。这是一个简单的系统，可以测量机器的性能和生产力。通过考虑与转换相关的停机时间、中断、不合格零件等因素等变量，OEE 可以通过衡量生产设备的有效性来确定运营的真正生产效率。 如今，OEE 正在使用机器监控 OEE 软件进行改进，该软件旨在利用计算能力来使用 OEE 的方法来进一步了解影响公司生产效率的变量并采取行动。虽然 OEE 软件本身并不是最终解决方案或目标，但这种经过验证的方法可以与基于云的软件（如 ERP 系统或工业物联网平台）结合使用，以增强结果，从而提高生产效率并增加利润。 为什么要使用 OEE 软件？ 在现代化工厂中，复

什么是边缘设备？ 边缘设备是用于在本地网络和云之间传输数据的设备。它们能够在本地设备使用的协议或语言之间转换为云使用的协议，数据将在云中得到进一步处理。本地设备使用蓝牙、wi-fi、Zigbee 和 NFC 等协议，而云端使用 AMQP、MQTT、CoAP 和 HTTP 等协议。为了让物联网数据在云端和本地设备之间移动，边缘设备（如智能网关）会在两个来源之间转换、分类和安全传输信息。 如果没有边缘设备，这些类型的数据将不兼容，无法访问云服务进行深度分析。 MachineMetrics Edge 是该技术的一个具有安全意识的示例。它可以配置为 Edge Pro，以通过网络支持多达 50 台机