IIoT en Predictive Analytics

Industrial Internet of Things, Industry 4.0, Digital Factory, enzovoort, zijn modewoorden die elke marketingmanager graag gebruikt. Maar hun uitgebreide toepassing vandaag heeft ze tot toepasbare technologieën gemaakt, waardoor fabrikanten het universele doel van hogere productiviteit kunnen bereiken.

Het gaat vanaf het begin over data. De plantenvloer is ric h in gegevens in alle aspecten; het is gewoon een kwestie van vastleggen. Het is gebleken dat bijna 3 procent van de Amerikaanse fabrikanten gebruikmaakt van hun operationele gegevens en er nuttige informatie uit haalt. Om een ​​IIoT-omschakeling te laten slagen, moeten bedrijven duidelijk zijn over hun doelen en de beschikbaarheid van human resources om er een succes van te maken.

Doelen die top-down zijn uitgesplitst zijn het meest redelijk, waardoor teams modulair omhoog kunnen gaan. Daarnaast is het van belang dat er een werkrelatie ontstaat die interdisciplinaire samenhang mogelijk maakt, want IIoT is immers een samenspel van verschillende functies. Voorbeelden van middelen die samenwerken zijn fabrieksingenieurs, technici, SI's en natuurlijk het management.

Predictive Analytics is een essentieel aspect van IIoT, zonder welke het hele doel van een omschakeling teniet wordt gedaan. Het zorgt ervoor dat de brokken gegevens kunnen worden gebruikt en intelligentie kan worden bereikt in zijn ware geest. In een notendop, voorspellende analyses omvatten verbetering van de kwaliteit van processen en vraagvoorspelling, die beide een verhoging van de productiviteit van een organisatie mogelijk maken. In een digitale fabriek is de rol echter veel uitgebreider en strekt zich uit tot gebieden zoals de uptime van machines en het voorkomen van gedwongen uitval van apparatuur.

Door realtime gegevens te verwerken die zijn verzameld door sensoren die over de hele fabrieksvloer zijn verspreid, kunnen voorspellende analyses operators inzicht geven in machines die gevoelig zijn voor storingen, voordat ze daadwerkelijk defect raken. Hierdoor kunnen operators reparaties plannen tijdens inactieve tijden in plaats van een fabrieksbrede storing te veroorzaken.

Naarmate de hoeveelheid verzamelde gegevens toeneemt, neemt ook de mate van automatisering toe, waardoor de intelligentie van handmatige processen kan worden vergroot. Zo kunnen systemen worden afgestemd om de werking van de machine automatisch te vertragen als de storing nadert of een drempelwaarde instellen waarmee de levensduur kan worden verlengd.

Evenzo kan de upstream van gegevens operators ook in staat stellen om de oorzaakanalyse nauwkeuriger uit te voeren, waardoor de kans op herhaling van een bepaalde fout wordt verkleind.

Al deze voordelen zijn niet theoretisch, maar worden daadwerkelijk door organisaties over de hele wereld geplukt. Door het gebruik van voorspellende analyses bij American Electric Power (AEP) kon bijvoorbeeld de reparatie van een gasturbine plaatsvinden vóór de storing. De vroege waarschuwing bespaarde hen $ 19 miljoen, wat zou zijn uitgegeven als gevolg van de volledige storing van de turbine.