ATS：用于运营洞察的先进制造数据分析

研究与最佳实践

制造数据分析：将数据转化为运营洞察

每项制造资产（从机器和系统到传感器和软件）都会生成数据。根据最近的研究，全球工业企业每年已创建超过 1.9 ZB 的数据，预计到 2030 年将产生 4.4 ZB。

挑战在于使大数据具有可操作性。 Dun and Bradstreet 的调查指出，只有 36% 的制造商表示他们可以利用现有数据做出明智的业务决策。 

制造数据分析有助于弥合原始数据和可操作洞察之间的差距。分析框架可以识别当前的运营问题、跟踪新兴趋势并提供优化生产线性能的建议。 分析对于实现卓越运营并在不断发展的工业市场中保持竞争力至关重要。 

制造数据分析是使用数据来评估、预测和优化制造绩效的实践。分析不仅限于生产过程；它还适用于维护、质量控制、供应链和技术运营。 

在实践中，分析可以帮助公司更深入地了解资产在整个组织中的运作和交互方式。假设一家制造商发现高度专业化组件的质量控制失败急剧增加。在过去六个月中，未通过质量检查的组件数量增加了五倍。对问题的粗略分析显示没有一致的故障点；问题出现是随机且互不相关的。 

然而，更深入的数据分析表明，装配线系统中的间歇性故障是根本原因。进一步的调查表明，随着时间的推移，这个故障变得越来越严重。有了这些信息，团队就可以采取有针对性的行动来解决问题并减少返工。

制造数据分析的类型

制造数据分析有四种常见类型：描述性、诊断性、预测性和规范性。 这些分析类型结合使用，可以帮助公司了解正在发生的事情、为什么会发生、接下来可能会发生什么以及要采取什么行动。 

• 描述性分析 ： 描述性分析帮助公司了解正在发生的事情；它们是对当前或历史事件的描述。 这是一个例子。一台包装机遭遇意外停机。 描述性分析评估操作并提供描述：平均每两天，机器就会收到无效输入，这会导致机器出现故障，直到由技术人员重新启动。 虽然大多数制造商都可以使用描述性分析，但许多制造商却止步于此。这实际上让他们盲目飞行。他们知道发生了什么，但不知道为什么，不知道接下来会发生什么，也不知道如何解决问题。 

• 诊断分析： 诊断分析深入挖掘，揭示事件发生的原因。对于我们的包装机，诊断分析显示可编程逻辑控制器 (PLC) 指令存在问题，该指令在特定情况下会触发此故障。 

• 预测分析 ： 预测分析评估潜在结果及其发生的可能性。 这样做需要访问当前和历史数据，这使得制造分析软件能够同时评估多个因素。进行预测分析表明，相同的故障类型将持续存在，并且随着时间的推移可能会变得更加频繁。此外，包装机的不断重启会对其剩余使用寿命 (RUL) 产生负面影响。 

• 规范性分析： 规范性分析有助于确定要采取哪些行动； 他们开出了可以解决问题的治疗方案。在上面的示例中，这可能是对 PLC 的重新编程，或者如果设备已过时或不受支持，则可能是更换。 

制造分析中的关键数据源

有效的分析取决于设备、维护和生产系统等多个来源的数据。虽然单一来源数据可以提供对机器操作和系统性能的一些洞察，但它提供的价值有限。这是因为单一数据源的范围很窄：从电气子系统收集的数据可以准确地告诉团队电源连接和电压变化发生了什么，但如果问题的原因位于系统本身之外，那么线索就会消失。 

通过使用多个来源，制造商能够更好地跟踪、分析和管理关键趋势。常见来源包括：

• 设备和传感器数据： 设备本身就是数据源。连接到计算机化维护管理系统 (CMMS) 和企业资产管理 (EAM) 解决方案的 PLC 可提供有关机器状况和性能的近实时更新。与此同时，连接的工业物联网传感器，例如那些设计用于测量温度、振动、压力和摩擦力的传感器，可以帮助公司在潜在问题发生之前发现它们。 

• 维护和可靠性数据：  维护记录和可靠性评估等历史数据为当前操作提供背景信息。 例如，不定期维护的机器更容易在没有警告的情况下发生故障。 

• 生产和吞吐量数据：  工作负载数据提供了额外的洞察力。如果设备连续运行而没有计划的清洁或维护间歇，其故障率就会增加。这可能与生产目标或吞吐量预期的提高有关，这些目标或预期使公司采用更具反应性的方法来进行故障维护。 

• 质量检验和测试数据：  仅仅因为机器不会发生故障，并不意味着它们能够按预期工作。 产品质量和测试数据提供有关设备产量的关键信息。例如，如果定期测试表明资产满足生产目标，但每 10 个组件中有 1 个未通过质量控制检查，则可能值得暂时将机器离线以进行全面检查。 

• 库存和供应链数据： 更大规模的趋势也在制造分析中发挥着作用。如果供应链问题导致公司缺乏必要的材料，即使是高性能机器也无法达到产量目标。如果 MRO 资产管理策略有限（或不存在），设备维修可能需要额外的时间来采购、运输和接收必要的组件。  

制造分析如何提高运营绩效

分析帮助公司将各个点联系起来：如果 X 发生，则 Y 是可能的结果，而 Z 是可能的。因素 A、B 和 C 影响事件的概率和重复性。 这种模式识别具有多种优势，例如：

• 提高效率和吞吐量

• 减少停机时间和波动性

• 更好的资源利用率和更可预测的运营

• 更快、更明智的决策

数据分析在维护和可靠性方面的作用

更长的正常运行时间直接支持生产性能。 同时，减少停机时间意味着更少的精力和资源花费在被动维护上。 高级数据分析可以实现这两者。配备及时、准确的数据，公司可以：

• 确定模式和趋势： 模式和趋势可以让您了解已经发生的事情，并帮助公司预测接下来会发生什么。 有了这些信息，维护团队就可以采取措施减少计划外停机。 

• 支持预测性和基于状态的维护：  实时状态分析可实现基于状态的维护。 例如，如果检测到突然的温度峰值，团队可以主动使设备离线以解决问题。如果发现更多渐进的变化，团队可以制定预测性维护计划，以在定期维修期间解决问题。 

• 确定维护活动的优先级：  数据帮助团队确定维护活动的优先顺序。 小问题可以在每月或每季度的维修期间解决，而关键任务问题可以在必要的零件到位后立即解决。 

• 改进资产生命周期管理：  设备的 RUL 根据工作负载、环境条件和部件故障而变化。 数据分析有助于识别可能降低 RUL 的问题并解决这些问题，以延长剩余使用寿命，从而改善资产生命周期管理。 

• 减少被动维护：  被动维护既昂贵又耗时。 为什么？因为直到机器停止后它才会启动。当发生故障时，团队开始进行故障根本原因分析 (RCFA) 和修复过程，这可能需要数天或数周的时间，导致机器离线并降低生产性能。 

大数据分析有助于预测和预防常见故障，从而减少被动维护。 简而言之，数据构成了主动和预防性维护策略的基础，使企业能够在问题影响生产绩效之前采取行动。 这些策略对于优化生产线、减少反应性支出和延长设备使用寿命至关重要。 

数据分析和制造 4.0

数据分析在制造 4.0 计划中也发挥着基础作用。 制造 4.0 通常被用作描述工业 4.0 计划的特定制造业方式，它连接资产、流程和系统，以生成互连且可互操作的生产框架，从而实现大规模数字化转型。 

这种数字化转型对于公司有效管理不断变化的客户期望、不断变化的供应链要求和始终连接的工作流程是必要的。 数据分析支撑着这一转变。 

首先，数据分析允许组织将工业物联网传感器与其他互联资产连接起来。这提供了操作的整体视图，使设备操作员和维护团队能够快速识别和报告问题。 同样，分析可以实现实时性能监控。这种监控可以针对每台设备进行自定义，允许团队跟踪特定指标或 KPI，例如平均故障间隔时间 (MTBF) 或平均修复时间 (MTTR)。 

数据分析还支持人工智能 (AI) 和机器学习应用程序的部署。首先，公司可以使用数据分析来评估和验证人工智能的输出。 虽然智能工具擅长发现模式，但它们的输出仍然需要根据运营数据进行验证。  

分析还可以帮助公司确定最适合人工智能的功能。智能工具的本质使制造商很容易在新程序和平台上超支，这些程序和平台的进入门槛较低，但提供的业务价值有限。 通过分析，团队可以查明和评估潜在的人工智能用例。 

最后，数据分析为闭环优化和持续改进奠定了基础。 制造中的许多流程自然是闭环的。例如，虽然值得了解生产线资产如何相互作用，但提高性能始于对设备效率、可靠性和准确性的闭环分析。 分析可帮助公司全面了解较小的闭环流程。 

同时，结合多个闭环流程的数据，为制定持续改进路线图奠定了基础，将实时数据与长期战略相结合。

制造数据分析入门

对于许多公司来说，开始进行制造数据分析可能会让人感到不知所措。拥有来自如此多资产的大量数据，追求可行的见解可能会让人感觉浪费时间和金钱。  

五种最佳实践可以帮助简化流程。 

1. 从明确的业务问题开始： 先询问，再实施。 识别故障率高的关键设备，然后提出需要数据驱动答案的明确问题，例如“为什么会发生 X 故障？”、“Y 问题何时开始？”或“解决 Z 问题的最佳行动方案是什么？” 

2. 专注于高影响力的用例： 并非所有机器对生产都同样重要。 虽然备用包装机出现故障可能会降低吞吐量，但不会影响运营。与此同时，关键装配设备的突然停机会造成直接影响和下游瓶颈。 通过关注高影响力的用例，公司可以降低代价高昂的停机风险。

3. 使用试点项目来证明价值： 从小事做起，证明价值。 选择要分析的关键机器，然后确定关键数据源。运行数字、实施建议并跟踪结果。 如果成功，就扩大规模。如果没有，请再试一次。 

4. 逐步构建能力： 由于制造流程本质上是相互依赖的，因此尝试做得太多、太快可能会造成复杂性并降低数据可见性。与其广泛思考，不如深入思考； 首先关注关键设备并采取审慎的方法跨生产线扩展，逐步构建能力。 

5.使分析与运营目标保持一致： 当数据分析与运营目标保持一致时，可以提供最大的价值。 如果高质量的输出是您的首要任务，请不要关注速度。相反，通过质量控制的角度评估数据，并将与质量相关的 KPI 权重高于其速度或成本同行。 

将信息转化为制造优势

对制造运营、性能、效率和连接性进行数据分析是一种战略能力，可以实现实时决策，提高设备弹性，并为人工智能和自动化等新解决方案铺平道路。 底线？ 数据分析推动现代制造业的卓越发展。  

ATS 帮助制造商应用数据分析来推动更明智的决策并支持数字化转型。 我们来谈谈吧。 

参考文献

ABI 研究。 （2024 年第 3 季度）。 制造业的数据生成。 https://www.abiresearch.com/news-resources/chart-data/manufacturing-industry-amount-of-data- generated

邓白氏公司。 （2025）。 制造业的数据信心危机。 https://www.dnb.co.uk/blog/supplier-risk/manufacturing-data-quality-ai-failure-gap.html  

资源

探索 ATS 的最新工业维护最佳实践、趋势和新闻，并向行业专家和领先制造商学习。

我们来谈谈