Productie-efficiëntie Ontgrendelen: Bewezen Data-gedreven Productiestrategieën

Productie-efficiëntie optimaliseren door data-gedreven productiestrategieën

Hoewel diverse data-opvangtechnologieën bestaan, worstelen fabrikanten er nog steeds mee om ze te gebruiken. Het is vanwege deze grote uitdaging dat het doel van data-gedreven productie nog onbereikbaarder lijkt.

Er zijn echter een paar data-gedreven benaderingen die u kunt nemen bij het optimaliseren van productie-efficiëntie. Deze benaderingen omvatten het gebruik van Industriële IoT om shopfloor-data te vangen, het deployen van shopfloor edge computing apparaten, of het handmatig invoeren van machinestatistieken in Excel-velden voor verdere analyse. De eerste twee opties zijn digitale oplossingen geautomatiseerde processen, terwijl de laatste handmatig is. Zoals te verwachten, wint digitalisering en maakt het vangen van shopfloor-data en het aan de slag zetten ervan een meer gestroomlijnd proces.

Met dit in gedachte, zal het nuttig zijn om dieper in te duiken op wat het betekent om een data-gedreven fabrikant te zijn, welke voordelen en uitdagingen u kunt ervaren bij het lanceren van data-gefocuste programma's, en welke concrete strategieën u kunt adopteren naarmate u vooruitgaat in uw analytische rijpheid.

Wat is Data-gedreven Productie?

Het MachineMetrics prestatie-dashboard op de shopfloor.

Data-gedreven productie is een benadering van productie die feiten en een strikte set van productie-KPI's laat sturen besluitvorming, in tegenstelling tot gokken, anekdotische bewijzen of 'gevoelsmatige beslissingen'.

Het is een benadering die data van shopfloor-apparatuur, operators, de supply chain, onder andere bronnen, benut om fabrikanten in staat te stellen betere beslissingen te nemen terwijl ze werken aan het verminderen van kosten en het verhogen van operationele efficiëntie.

Opkomende technologie geeft meer fabrikanten de mogelijkheid om data van hun operaties te verzamelen en te verwerken, wat leidt tot een toename in oplossingen die inzichten kunnen extraheren uit productiedata in real-time. Echter, niet alle analytics zijn hetzelfde.

Om data in een operatie succesvol te benutten, moet u allereerst in staat zijn om accurate data te verzamelen die effectief verwerkt en getoond kan worden op een manier die gemakkelijk te consumeren is voor de gebruiker.

Bijvoorbeeld, als u machineprestatiedata handmatig op een klembord zou verzamelen, is er niet alleen een grote tijdsinvestering om het te voltooien, maar er is ook een hoge waarschijnlijkheid van menselijke fout. Aan de andere kant produceert het direct verzamelen van data van machines via de PLC een hoogst nauwkeurige en onbevooroordeelde datasstroom. Beide oplossingen hier kunnen 'data-gedreven' genoemd worden, maar de laatste is verre superieur en leidt tot betere besluitvorming.

Voordelen van data-gedreven zijn in de productie

Verhoogde zichtbaarheid: De aantrekkingskracht van data-gedreven productie is dat leiders op de shopfloor en het hoofdkantoor een dieper begrip van prestaties kunnen hebben op basis van de data die over de organisatie wordt verzameld. Data biedt inzicht in niet alleen individuele asset-prestaties, maar operaties als geheel. Dit helpt besluitvormers knelpunten te identificeren, of het nu slecht presterende shifts zijn, terugkerende machinedowntime, of andere productieknelpunten.

AI en Machine Learning: Met grote datasets hebben fabrikanten de mogelijkheid om machine learning algoritmes te draaien die helpen complexe problemen op te lossen. Bijvoorbeeld, ons data science team benutte unsupervised machine learning om CNC-anomalieën te detecteren. Het is met analytische inspanningen als deze dat fabrikanten geavanceerde praktijken zoals predictief onderhoud kunnen adopteren. Zonder de verwerkingscapaciteiten of toegang tot data, zouden zelfs eenvoudige vormen van data-gebaseerde besluitvorming niet mogelijk zijn.

Automatisering: Er zijn twee categorieën automatisering die data-gedreven strategieën kunnen ondersteunen. De eerste is de geautomatiseerde verzameling van data. Als een operatie goed uitgerust is met apparaten om data te verzamelen en software om het te verwerken, vereist het proces van dataverzameling geen handmatige inspanning meer.

De tweede component van automatisering is het gebruik van data voor geautomatiseerde besluitvorming. Naarmate fabrikanten vorderen in hun analytische reis, bewegen ze van descriptieve naar predictieve analytics. Dit betekent dat ze data eerst gebruiken om te begrijpen wat er is gebeurd of momenteel gebeurt, maar uiteindelijk rijpen om te begrijpen wat er kan gebeuren en de kans hebben om er autonoom op te handelen.

Kostenbesparing: Data complementeert lean productie omdat het fabrikanten de informatie geeft die ze nodig hebben om productieprocessen te stroomlijnen en afval te minimaliseren. Zonder de harde data is het moeilijk om productieverbeteringen nauwkeurig te meten en zeker te weten dat veranderingen hebben geleid tot kostenbesparing.

Bijvoorbeeld, Carolina Precision Manufacturing, een fabrikant van klein-diameter, close tolerance CNC Swiss gedraaide onderdelen, bespaarde $1,5 miljoen in één jaar door het uitrollen van een IoT-platform om volledige datazichtbaarheid te garanderen. In de case study wordt uitgelegd hoe ze in staat waren productie-efficiëntie te verhogen, machinebenutting te optimaliseren en operator-verantwoordelijkheid te drijven.

Uitdagingen van Data-gedreven Productie

Gesiloede databronnen en Legacy-systemen: Veel systemen en apparatuur zijn niet gebouwd met de intentie om met elkaar te praten. Dit kan het resultaat zijn van afzonderlijke besturingssystemen tussen verschillende afdelingen, legacy-apparatuur, of simpelweg een gebrek aan documentatie en communicatie. Het probleem hier is dat het moeilijk kan zijn om data over uiteenlopende systemen te aggregeren, wat betekent dat u minder waarde uit de verzamelde data haalt. Een IoT-platform dat meerdere niveaus van systemen verbindt en legacy-apparatuur online brengt, helpt dit probleem op te lossen.

Beveiligingsdreigingen: Het probleem van industriële IoT-beveiliging is ontstaan door twee primaire redenen. Ten eerste, naarmate meer apparaten verbonden worden, is er een grotere kans op het creëren van kwetsbaarheden voor een inbraak. Ten tweede, beveiliging is niet eerder op machine-niveau aangesproken, wat betekent dat er geen standaarden of protocollen ontwikkeld zijn. Echter, er zijn oplossingen voor het mitigeren van risico's.

Data-opslag: Hoe meer verbonden apparaten en systemen een data-gedreven fabrikant inschakelt, hoe meer data er verzameld zal worden. Op het oppervlak is dit een sterk voordeel als de gebruiker inzicht kan verkrijgen uit de verzamelde data. Echter, de groeiende datastroom heeft een plek nodig om verzameld en verwerkt te worden, wat een moeilijke uitdaging kan zijn. Dit is vooral kostintensief als de gebruiker data on-premises wil opslaan, wat een sterk pleidooi is voor het gebruik van cloud computing.

Data-gedreven Productiestrategieën

Data-gedreven Procesoptimalisatie Strategie

De eerste stap om de productiecapaciteit van een machine te optimaliseren is het hebben van een begrip van zijn capaciteiten en de werkomstandigheden eromheen. Deze werkomstandigheden kunnen kennis omvatten van de beschikbare voorraad en de snelheid waarmee materialen bij de machine komen. Om deze kennis te verkrijgen, zal de integratie van data-opvangoplossingen zoals human-machine interface apparaten vereist zijn. De verzamelde data en de mogelijkheid om KPI's te visualiseren bieden geweldig inzicht in industriële processen voor zowel besluitvormers als werknemers binnen een shopfloor.

Deze inzichten kunnen dan aan de slag gezet worden in het ontwikkelen van een procesoptimalisatie strategie die ervoor zorgt dat productie op zijn optimale niveau doorgaat. Een data-gedreven benadering tot procesoptimalisatie maakt het ook mogelijk om factoren te identificeren die productiviteit beperken.

Een voorbeeld is het gebruik van MachineMetrics om procesoptimalisatie aan te drijven binnen een discrete productiefaciliteit. In dit voorbeeld wordt data dagelijks verzameld van machines, gecategoriseerd en vergeleken geoptimaliseerde KPI's om de specifieke apparatuur te ontdekken die niet aan haar doel voldoet en waarom. De gerichte inzicht in de uitdagingen die de productiviteit van een machine beïnvloeden, dient dan als basis voor het corrigeren van de problemen die het ervan weerhouden optimaal te functioneren.

Data-gedreven Predictieve Onderhoudsstrategie

Machines binnen shopfloors worden verwacht continu onderhouden te worden om te garanderen dat ze optimaal functioneren, weshalb elke fabrikant een onderhoudsstrategie heeft om onderdeelstoringen te hanteren. In veel faciliteiten wordt nog steeds een reactieve of run-to-failure benadering tot onderhoud geïmplementeerd als strategie om machines langer draaiende te houden. Statistieken tonen aan dat deze strategie productiviteit met ongeveer 20% belemmert en ook kan leiden tot ongeplande downtime als machines breken tijdens een daadwerkelijke productiecyclus.

Een data-gedreven strategie brengt een preëmptieve benadering tot machine-onderhoud door het monitoren van elke prestatie-index die de gezondheidsstatus van de machine en componenten erin beschrijft. Met deze benadering zullen ongeplande downtimes geëlimineerd worden, wat productie-efficiëntie optimaliseert.

Een voorbeeld hiervan is het gebruik van de MachineMetrics Anomaly Detection Engine om componenten en machineprestaties te tracken. Via een API analyseert de engine machinedata om aangepaste onderhoudsstrategieën te ontwikkelen voor de verschillende machines binnen een shopfloor. De geanalyseerde data informeert de fabrikant over onderdelen die frequente vervanging vereisen en inzicht in hoe vervangingsschema's rond productiecyclus te ontwikkelen. Dit zorgt ervoor dat de reserveonderdelenvoorraad van de fabrikant altijd up-to-date is en onderhoud uitgevoerd wordt binnen gespecificeerde tijdlijnen.

De Drie Stadia van Data-gedreven Productie-optimalisatie

Het definiëren of creëren van een data-gedreven strategie om productieprocessen te optimaliseren omvat de volgende stadia:

1. Data vastleggen en monitoren: De capaciteit om data in real-time te verzamelen vormt de basis voor het aan de slag zetten van uw data. MachineMetrics is een plug-and-play oplossing die data verzamelt zoals operationele snelheid, apparatuurtemperatuur en energieverbruikssnelheid van discrete productieapparatuur en IoT-apparaten.
2. Data categoriseren en visualiseren: De verzamelde data moet verwerkt en geanalyseerd worden om inzichten te ontvangen. MachineMetrics benut AWS cloud om out-of-the-box applicaties te leveren die visualisatie en rapportage van shopfloor-data door geoptimaliseerde workflows een gestroomlijnd proces maken.
3. Business intelligence en actie: Rapporten en workflows worden geleverd om het besluitvormings- en strategiecreatieproces te vergemakkelijken. Eenmaal machinedata verzameld en geanalyseerd, wordt het ontwikkelen van actionable strategieën om productie-efficiëntie te optimaliseren en ze te implementeren mogelijk.

Uw Manufacturing Analytics Reis

Om uw data voor u te laten werken, verbindt u de productiemachines van uw onderneming met het MachineMetrics-platform om de reis naar productie-optimalisatie te starten. MachineMetrics' universele connectiviteitscapaciteiten ondersteunen machines met zowel digitale als analoge I/O, wat het mogelijk maakt om data te verzamelen van legacy-machines binnen uw shopfloor. Dus, de uitdaging van het verzamelen van de bruikbare data die nodig is om data-gedreven strategieën voor uw productiefaciliteiten te ontwikkelen, wordt geëlimineerd. U kunt meer leren over de waardepropositie van enterprise-grade industriële analytics-platforms door de functies van het MachineMetrics IoT-platform te analyseren.