汽车行业面对变革威胁时,总能创新应对。如今,车企经历另一次地震级变革,驾驶习惯改变、消费者/政府/利益相关者压力增长,要求提供更环保、高效、可持续的车辆和所有权模式。 这些变化驱动汽车创新新时代,不仅变革车辆本身,也变革生产它们的工程师、设施、资产和制造流程。 汽车行业最大挑战之一是推动更高生产效率。目前汽车行业停机成本超 350 万美元/小时。这迫使运营维护团队确保生产设备尽可能高效可靠。 汽车制造环境日益互联。组件和车辆以日益协调方式流经工厂。这给生产经理和工程同事带来更大压力,必须最小化机器故障。单一生产资产离线,影响波及全厂,直接冲击底线。 工程师和维护人员必须将生产环境视为庞大同步的
“人工智能可通过在正确时间提供正确信息,增强我们的分析和决策能力。” 协同智能:人类与 AI 联合力量,哈佛商业评论,2018 年 7 月。 无论应用于农业、医疗还是通信,技术支持并增强人类任务或体验。利用算力处理海量数据,技术能在人类几乎不可能的时间框架内贡献巨大分析和洞察,让专家识别并聚焦优先案例。这里我们看案例及这种机器学习方法今日如何应用。 AI 案例回顾 跨广泛行业有 AI 和高级分析工具增强生产力效率的激动人心案例。这里看两例: 1. 医疗健康: 作为 Moorfields Eye Hospital NHS Foundation Trust 与 DeepMind Health 五年
您已决定需要工具帮助理解机器性能、更好预判故障时间。最终目标是减少非计划停机、提升关键 KPI —— OEE、OTIF 等。此类工具应关注哪些关键特性? 1 - 聚焦 制造分析市场日益拥挤。似乎每个分析产品都有预测性维护方案。您需清楚他们到底提供什么。大多数仅提供创建方案的初始环境,预期您付费顾问或内部开发人员定制以创建您的专属方案。 这非廉价任务(有显著经常性成本)但可能给您完全契合自有流程和工作方式的产品。这是个需审慎考量的权衡。 2 - 范围 预测性维护领域广泛,方案类型不同。一些产品识别机器使用或备件订单趋势帮助预判未来需求。其他寻找外部影响因素(如湿度)关联通用机器故障提供外部因素洞
制造业长期将峰值性能、运营效率和质量目标置于议程首位。利用数据和工业物联网(IIoT)支持这些目标。另一个执行更快的数字化机遇可能比您想象的更近,因为制造商现在利用预测分析加速数字化转型旅程。 在 Senseye,我们亲眼见证智能工厂兴起。制造商越来越多地利用数据配合预测分析方案。他们结合来自现有不同来源的数据 —— 直接来自机器、维护系统或 IIoT —— 使生产流程更高效、敏捷、响应迅速。 预测分析支持另一企业目标:实现预测性维护。此实践依赖收集分析来自不同来源的数据,发现即将发生的资产故障信号,同时为工程师提供调查和确定最佳行动所需的所有洞察。 预测性维护曾是耗时、昂贵的练习。无法扩展。
在理想的工业 4.0 世界里,数据成为新货币,在合作组织内部和之间按需自由流动,造福所有人。 但对许多组织而言,实现这种数据开放是巨大挑战,它们传统上将运营数据困在孤岛中。组织内部,独立系统管理不同职能,彼此极少或无信息交换。如果连部门间都不共享信息,许多组织对与设备供应商共享数据更退缩三舍。 但组织只有让数据自由流向能最大化利用它的系统,才能收获工业 4.0 的巨大回报。 工业 4.0 承诺的收益触及业务每个领域,但通过预测性维护转型资产管理和维护运营,能很好说明数据的关键作用。 抛弃反应性甚至计划性维护,转向预测性维护制度,能大幅削减工厂故障和非计划停机,帮助制造商将维护精力集中在最需要的
采矿冶金是世界最古老行业之一,虽显著受益于现代机械和数据分析,但价值创造方式世代未变。金属矿业未来面临关键挑战,需预判管理,让行业车轮持续盈利转动。 虽需求增长,但金属矿产价格因海量产品涌入市场而承受巨大压力。结果,制造商需寻找成本效率护底线,在波动经济环境中提供稳定性。 生产商交付更高效率的能力受挑战,因市场主要参与者已摘取自动化低垂果实。迈向更高效率的下一阶段要求生产商更深入工业 4.0 领域。虽似巨大未知跨越,但对已在生产环境大量使用数据的该行业,这只是相对小、直接的一步。 从事金属开采冶炼的组织在从生产环境收集数据方面往往相当先进,善于利用工厂历史库和工业物联网平台存储分析数据。这些公
在一份新的独立报告中,Verdantix 调查 Senseye 如何利用机器学习预防非计划停机、延长资产寿命,以及 Senseye 如何帮助工业企业和设备制造商实现维护目标。报告强调 Verdantix 建议:寻求减少资产停机和维护成本、延长资产寿命的成熟维护策略企业,应考虑将 Senseye PdM 加入其资产管理技术栈。 下载完整报告《Verdantix Report: Senseye Proves The Value Of AI-Powered Predictive Maintenance》。 关于 Verdantix: Verdantix 是专注于优化业务运营创新技术的独立研究咨询公司
选择预测性维护制度时,减少停机可能是您愿望清单首位,但还有其他丰厚回报。别忽视消除过度维护的潜在收益。 过度维护内嵌于每个依赖固定预定间隔执行工作的计划维护程序中。因为从 OEM 到维护经理,大家都在维护间隔里加安全边际“以防万一”。 谨慎的高昂代价 以终身润滑轴承更换指南为例。推荐更换间隔 16,000 至 40,000 运行小时不等。每次更换耗时 30 分钟至 2 小时。按 16,000 小时间隔更换的人工工时是 40,000 小时的 2.5 倍。典型工业现场有数千轴承,这是巨大额外成本。 预测性维护通过让团队在防故障的最后关头而非固定间隔执行维护,几乎消除这种维护超支。同时大幅减少停机,
运行老旧机器的企业如何跟上工业 4.0 和智能工厂潮流?给老旧资产加装预测性维护物联网传感器可能比您想的更容易、更便宜,Senseye 首席技术官 Robert Russell 撰文阐述 您感到紧张不安。怀疑爱车还有很长里程。但它已抛锚一次。您真不想它在糟糕时刻故障(有“好”时刻吗?)。花大钱买新车?安排经销商昂贵例行保养?还是碰运气继续开? 面对大型工业机械,这种紧张不确定性成指数级放大。1990、1980 甚至 1970 年代的机械往往服务企业良好;企业不愿为不必要的更换支付巨额资本成本。 但故障可能灾难性。现代工作流程复杂互联。一次故障可能造成数十万紧急维修、非计划更换或生产停机成本。另
预测性维护及智能工厂革命相关的联网技术为生产效率和可见性带来巨大机遇,但也带来额外运营风险 —— 安全。 网络攻击增加,制造业遭受数据窃取、勒索解锁数据、机器停机、现场安全和产品质量威胁。 我们审视组织实施可扩展预测性维护计划时应注意的安全考量。 安全的重要性 2019 年 11 月 —— 全球最大自动化工具生产商之一 Pilz 遭受勒索软件感染,影响其 76 国所有分支机构超一周。[1] 2018 年 7 月 —— 黑客将机场安防系统访问权以仅 10 美元在暗网出售。[2] 2018 年 3 月 —— 亚特兰大市遭勒索软件攻击,在线服务被勒索 5.5 万美元比特币。据报市政府花费超 250
在终端产品利润薄、需求持续增长的行业,必须通过高效配送中心实现增量收益。过去十年,仓储物流业大量投资自动化以缓解这些压力。 配送中心内部是自动化奇迹。 数英里中心化输送线,从超过 80,000 平方米深仓库拉取库存。目前唯有人工干预是机器取货后的拣选包装。 在高度互联流程中,供应链停机影响底线。物流的线性特质,所有库存单向持续移动,意味着任何停机影响显而易见。关键故障发生时,库存将堆积输送带,卡车在场地排队。 供应链非计划停机成本。 在如此庞大、无人环境中,维护团队必须到位快速解决问题。集结人员工具需 20 分钟,再赶赴故障资产,造成大量不必要停机 —— 订单源源不断。 预测性维护方案。 随着
作者:Rob Russell,Senseye 首席技术官 在审视将预测性维护(PdM)技术引入制造或其他工业环境的收益时,很容易聚焦于通过减少机器停机和提升维护效率实现的财务改进。 确实,对于 Senseye 合作的全球组织,通过将停机水平减半、在某些案例中将维护效率提升高达 40%,可获得可观收益。 然而,这项技术对健康安全的贡献作为次要收益也应考量。这可能同等重要,甚至比财务改进更重要。 在英国,我们的本土市场,工亡伤害率从 1980 年代初每 1 万人 2.5 人降至今日约 0.5 人 —— 虽过去五年降幅趋平。事实是工业环境固有危险。 健康安全执行局数据显示,英国制造业从业者工亡可能性
Senseye 首席财务官 Simon Jesenko 探讨有效维护计划如何成为制造商现金守护的关键。 利润空间前所未有地被压缩,满足不断变化的客户需求迫使全球制造商面临削减成本、保全现金的压力,特别是全球疫情带来的不确定性。许多企业寻求最小化资本支出,因此寻求延长现有资产寿命。 在此背景下,确保成本和绩效双重效率的一个关键领域是设备维护,哪怕一小时停机可能让制造商损失高达 350 万美元产量。加上越来越多制造商面临交付不及时、不全的客户罚款,设备必须始终在最佳效率水平运行,显而易见。 但在必要维护与过度维护间找平衡说易行难。追求全面维护计划的超高效率,可能被维护团队利用率低、过度停机、不必
通过转向预测性维护巩固利润 无纸化办公室的可能性或许被高估,但数字通信近年无疑重创传统纸张市场。2015 年全球图形纸需求首次下降,北美和欧洲市场持续萎缩。同时中国纸制品需求增长慢于预期,亚洲产能扩张正取代欧美进口。 造纸业通过包装板、卫生纸、卫生用品浆甚至纺织用浆的强劲增长反击。也有逐步整合过程,形成更少、更大的参与者,受益于更高效率和规模经济。这些对策导致持续增长预测,数据门户 Statista 预测 2024 年全球浆纸市场将达 796 亿美元。即便如此,未来仍需更创新举措优化利润率。 利用预测力量 预测性维护在如此宏大变革背景下似属小众话题,但其将昂贵非计划停机减半的能力,对提升利润
Rob Russell,Senseye 联合创始人兼首席技术官 “维护信用卡”谬误 我们身处不确定时代。企业纷纷削减成本、寻找新工作方式,以快速适应强调远程工作和自动化的“新常态”。工业公司省钱时,资产维护常是首个遭殃预算削减领域,导致资产在极少或无维护下超负荷运转 —— 有时称为“维护信用卡”。 但这留下的维护债务会产生令人担忧的高额利息,终将全部偿还。忽视维护,企业引入业务风险:高应力资产、内部知识专长流失、或许最令人担忧的是可能永远无法恢复的维护负担。 然而,存在替代这种高风险、高利息方法的方案。具有投资回报保证的预测性维护(PdM)项目,如 Senseye ROI Lock®,可在保持
利用智能手机提供智能远程工厂巡检的 7 步法 在为状态监测提供建议前,亲访客户现场近距离查看相关机器、采访最了解它们的人一直很有用。然而,“新常态”下的限制意味着大多数情况下我们无法实地走访。 但有替代方案。当实地访问不可行时,智能手机和视频会议技术,配合某些基础信息,可让我们远程巡检客户现场,获取为机器提供正确建议所需的一切。 以下是我们的 7 步指南: 1. 注入知识 我们的状态监测方法是尽可能理解机器,以便有效地将工程知识注入其机器学习。而非遵循将数据扔给算法希望它们学会机器的经典数据科学模型,我们试图通过确保状态监测知识从一开始就以正确方式应用,给算法一个“先发优势”。 例如,我们避免
经验丰富的维护工程师对所管机器有详细的心理图景。他们知晓阀门响声预示即将故障,还是可安全忽略至下次计划停机。如果自动化预测性维护系能汲取这份知识宝库,就能学会为必须决定维护优先级的用户提供最佳支持。 在以用户为中心的预测性维护方法中,维护团队仅在系统认为信息有用时收到警报,依据是他们过往觉得什么有帮助。 这有点像 Netflix 或 Amazon 等数字内容提供商常规存储每个用户的观看选择。它们利用此驱动“推荐引擎”,根据反馈持续优化向每用户推荐的影片。 这正是 Senseye 采取的方法:除建模监测资产外,还建模理解用户行为,帮助引导关注至最需要之处。 图 1:上下文丰富、高质量状态监测数
空荡荡的超市货架。没有哪个行业像快消品(FMCG)这样,将供应链中断的影响赤裸裸地展现在大众面前。它制造全国新闻、热门话题和愤怒的消费者。 按客户所需精确数量、在要求的准确时限内生产,是一种无情高效的工作方式 —— 当它奏效时。 面对激烈竞争和特定产品有限保质期,这也是正确工作方式。然而,“准时制”交付模式的一个不幸后果是:生产线上单一关键机器故障,就能让快消品制造商陷入人手不足、损失惨重和极度尴尬的境地。 此类环境生产线设计旨在最大化产出,意味着极少有机会停产检查制造资产健康。当前维护实践往往是机会主义式的。高强度生产迫使工程师团队必须充分利用计划停机时间实施修复,保持机器在线,确保食品等货
预测性维护(PdM)是一种在机器故障演变成问题前主动应对的方法。通过分析海量机器数据,PdM 让维护人员了解机器健康状况并相应优化工作,以防止非计划停机和突发故障。但尽管优势显而易见,大多数 PdM 部署注定失败。本文将审视 PdM 的兴起,以及为何众多供应商及其客户屡屡失败。 预测性维护:过去与现在 预测性维护的历史比您想象的要久远。二战期间,科学家 CH Waddington 观察到飞机故障或维修率在检查或维护后立即达到最高。这一“Waddington 效应”促使维护流程依据飞机物理状况和使用频率调整,基于数据分析调整检查周期。简而言之,这是 PdM 的雏形。 此后当然发生了巨变。第四次工
机器健康管理软件领导者 Senseye 宣布推出 Senseye PdM Omniverse®,一个强大的知识平台,支持并指导工业企业完成预测性维护之旅。 Senseye 今日宣布发布 Senseye PdM Omniverse®,助力工业企业在预测性维护旅程中,从初始商业论证和设计阶段、数据就绪,一直到文化采纳和规模化扩展。Senseye PdM Omniverse 蒸馏多年经验,为数字化维护团队提供确保持续成功所需的专业知识。该平台由全球用户社区支撑,同事间乃至跨企业分享最佳实践、经验和解决方案。 分析师估计,超过 80% 的预测性维护项目失败,往往因缺乏状态监测专业知识和数字化转型项目
设备保养维修