Gegevensgestuurde productie:voordelen, uitdagingen en strategieën

Productie-efficiëntie optimaliseren door datagestuurde productiestrategieën

Hoewel er verschillende technologieën voor het vastleggen van gegevens bestaan, hebben fabrikanten nog steeds moeite om ze te gebruiken. Het is vanwege deze grote uitdaging dat het doel van datagestuurde productie des te onhaalbaarder lijkt.

Er zijn echter een paar gegevensgestuurde benaderingen die u kunt gebruiken bij het optimaliseren van de productie-efficiëntie. Deze benaderingen omvatten het gebruik van Industrial IoT om gegevens op de werkvloer vast te leggen, edge computing-apparaten op de werkvloer in te zetten of handmatig machinestatistieken in Excel-sheets in te voeren voor verdere analyse. De twee voorgaande opties zijn digitale oplossingen met geautomatiseerde processen, terwijl de laatste handmatig is. Zoals te verwachten is, wint digitalisering en maakt het vastleggen en in praktijk brengen van winkelvloergegevens een meer gestroomlijnd proces.

Met dit in gedachten is het nuttig om dieper in te gaan op wat het betekent om een ​​datagestuurde fabrikant te zijn, welke voordelen en uitdagingen u kunt ondervinden bij het lanceren van op data gerichte programma's, en welke tastbare strategieën u kunt toepassen naarmate u verder komt in uw analytische volwassenheid.

Wat is datagestuurde productie?

Het prestatiedashboard van MachineMetrics op de werkvloer.

Datagestuurde productie is een benadering van productie die feiten en een strikte reeks productie-KPI's toelaat om de besluitvorming te sturen, in tegenstelling tot gissingen, anekdotisch bewijs of "onderbuikgevoelens".

Het is een benadering die gebruikmaakt van gegevens van onder meer apparatuur op de werkvloer, operators, de toeleveringsketen, zodat fabrikanten betere beslissingen kunnen nemen terwijl ze werken aan het verlagen van de kosten en het verhogen van de operationele efficiëntie.

Opkomende technologie geeft meer fabrikanten de mogelijkheid om gegevens van hun activiteiten te verzamelen en te verwerken, wat leidt tot een golf van oplossingen die in realtime inzichten uit productiegegevens kunnen halen. Niet alle analyses zijn echter hetzelfde.

Om gegevens in een operatie met succes te benutten, moet u eerst nauwkeurige gegevens kunnen verzamelen die effectief kunnen worden verwerkt en weergegeven op een manier die de gebruiker gemakkelijk kan gebruiken.

Als u bijvoorbeeld handmatig machineprestatiegegevens op een klembord zou verzamelen, gaat er niet alleen veel tijd in zitten om het te voltooien, maar is er ook een grote kans op menselijke fouten. Aan de andere kant levert het rechtstreeks verzamelen van gegevens van machines via de PLC een zeer nauwkeurige en onbevooroordeelde stroom gegevens op. Beide oplossingen kunnen hier als 'data-driven' worden beschouwd, maar de laatste is veel beter en zal leiden tot betere besluitvorming.

Voordelen van datagedreven werken in productie

Verhoogde zichtbaarheid: De aantrekkingskracht van datagestuurde productie is dat leiders op de werkvloer en het hoofdkantoor een dieper inzicht kunnen krijgen in de prestaties op basis van de gegevens die door de hele organisatie worden verzameld. Gegevens bieden niet alleen inzicht in de prestaties van individuele activa, maar ook in de bedrijfsvoering als geheel. Dit helpt besluitvormers om kansen te identificeren, of het nu gaat om slecht presterende ploegen, terugkerende machinestilstand of andere productieknelpunten.

AI en machine learning: Met grote datasets hebben fabrikanten de mogelijkheid om machine learning-algoritmen uit te voeren die helpen bij het oplossen van complexe problemen. Ons data science-team maakte bijvoorbeeld gebruik van machine learning zonder toezicht om CNC-anomalieën te detecteren. Met dit soort analytische inspanningen kunnen fabrikanten geavanceerde praktijken toepassen, zoals voorspellend onderhoud. Zonder de verwerkingsmogelijkheden of toegang tot gegevens zouden zelfs simplistische vormen van op gegevens gebaseerde besluitvorming niet mogelijk zijn.

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

Het tweede onderdeel van automatisering is het gebruik van data voor geautomatiseerde besluitvorming. Naarmate fabrikanten vorderen in hun analytische reis, gaan ze van beschrijvende naar voorspellende analyses. Dit betekent dat ze eerst gegevens gebruiken om te begrijpen wat er is gebeurd of momenteel gebeurt, maar uiteindelijk volwassen worden om te begrijpen wat er kan gebeuren en de mogelijkheid hebben om er autonoom actie op te ondernemen.

Kostenbesparingen: Gegevens zijn een aanvulling op lean manufacturing omdat het fabrikanten de informatie geeft die ze nodig hebben om productieprocessen te stroomlijnen en verspilling te minimaliseren. Zonder de harde gegevens is het moeilijk om productieverbeteringen nauwkeurig te meten en er zeker van te zijn dat veranderingen hebben geleid tot kostenbesparingen.

Carolina Precision Manufacturing, een fabrikant van CNC-gestuurde onderdelen met een kleine diameter en nauwe toleranties, heeft bijvoorbeeld in één jaar $ 1,5 miljoen bespaard door een IoT-platform uit te rollen om volledige gegevenszichtbaarheid te garanderen. In de casestudy wordt uitgelegd hoe ze de productie-efficiëntie konden verhogen, het machinegebruik konden optimaliseren en de verantwoordelijkheid van de machinist konden vergroten.

Uitdagingen van datagestuurde productie

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

Beveiligingsbedreigingen: Het probleem van industriële IoT-beveiliging is om twee hoofdredenen ontstaan. Ten eerste, naarmate er meer apparaten zijn aangesloten, is er een grotere kans op het creëren van kwetsbaarheden voor een inbreuk. Ten tweede is beveiliging nog niet eerder op machineniveau aan de orde geweest, wat betekent dat er geen standaarden of protocollen zijn ontwikkeld. Er zijn echter oplossingen om risico's te beperken.

Gegevensopslag: Hoe meer verbonden apparaten en systemen een datagedreven fabrikant mogelijk maakt, hoe meer data er wordt verzameld. Op het eerste gezicht is dit een groot voordeel als de gebruiker inzicht kan krijgen in de gegevens die worden verzameld. De groeiende datastroom heeft echter een plek nodig om te worden verzameld en verwerkt, wat een moeilijke uitdaging kan zijn. Dit is vooral kostenintensief als de gebruiker gegevens on-premises moet opslaan, wat sterk pleit voor het gebruik van cloud computing.

Datagestuurde productiestrategieën

Gegevensgestuurde procesoptimalisatiestrategie

De eerste stap naar het optimaliseren van de productiecapaciteit van een machine is inzicht hebben in de mogelijkheden en de werkomstandigheden eromheen. Deze werkomstandigheden kunnen kennis zijn van de beschikbare voorraad en de snelheid waarmee materialen bij de machine komen. Om deze kennis te verwerven, is de integratie van oplossingen voor het vastleggen van gegevens, zoals mens-machine-interface-apparaten, vereist. De verzamelde gegevens en de mogelijkheid om KPI's te visualiseren, geven een goed inzicht in industriële processen voor zowel de beslissers als de medewerkers op een werkvloer.

Deze inzichten kunnen vervolgens worden gebruikt bij het ontwikkelen van een procesoptimalisatiestrategie die ervoor zorgt dat de productie op het optimale niveau blijft. Een gegevensgestuurde benadering van procesoptimalisatie maakt het ook mogelijk om factoren te identificeren die de productiviteit beperken.

Een voorbeeld is het gebruik van MachineMetrics om procesoptimalisatie binnen een discrete productiefaciliteit te stimuleren. In dit voorbeeld worden dagelijks gegevens van machines verzameld, gecategoriseerd en vergeleken met geoptimaliseerde KPI's om te ontdekken welke specifieke apparatuur niet aan het doel voldoet en waarom. Het gerichte inzicht in de uitdagingen die de productiviteit van een machine beïnvloeden, dient dan als basis voor het corrigeren van de problemen die een optimale werking belemmeren.

Gegevensgestuurde strategie voor voorspellend onderhoud

Van machines op de werkvloer wordt verwacht dat ze continu worden onderhouden om ervoor te zorgen dat ze optimaal functioneren. Daarom heeft elke fabrikant een onderhoudsstrategie om het uitvallen van onderdelen aan te pakken. In veel faciliteiten wordt nog steeds een reactieve of run-to-failure-benadering van onderhoud toegepast als strategie om machines voor langere periodes aan de gang te houden. Statistieken tonen aan dat deze strategie de productiviteit met ongeveer 20% belemmert en ook kan leiden tot ongeplande stilstand als machines tijdens een daadwerkelijke productiecyclus defect raken.

Een datagestuurde strategie zorgt voor een preventieve benadering van machine-onderhoud door middel van het monitoren van elke prestatie-index die de gezondheidsstatus van de machine en onderdelen daarin beschrijft. Met deze aanpak worden ongeplande uitvaltijden geëlimineerd, waardoor de productie-efficiëntie wordt geoptimaliseerd.

Een voorbeeld hiervan is het gebruik van MachineMetrics Anomaly Detection Engine om componenten en machineprestaties te volgen. Via een API analyseert de engine machinegegevens om aangepaste onderhoudsstrategieën te ontwikkelen voor de verschillende machines op een werkvloer. De geanalyseerde gegevens informeren de fabrikant over onderdelen die regelmatig moeten worden vervangen en inzicht in hoe vervangingsschema's rond productiecycli kunnen worden ontwikkeld. Dit zorgt ervoor dat de inventaris van reserveonderdelen van de fabrikant altijd wordt bijgewerkt en dat het onderhoud binnen de gespecificeerde tijdlijnen wordt uitgevoerd.

De drie stadia van gegevensgestuurde productieoptimalisatie

Het definiëren of creëren van een datagestuurde strategie om productieprocessen te optimaliseren omvat de volgende fasen:

1. Het vastleggen en bewaken van gegevens: De mogelijkheid om gegevens in realtime te verzamelen, vormt de basis om uw gegevens aan het werk te zetten. MachineMetrics is een plug-and-play-oplossing die gegevens verzamelt zoals operationele snelheid, apparatuurtemperatuur en energieverbruik van discrete productieapparatuur en IoT-apparaten.
2. Gegevens categoriseren en visualiseren: De verzamelde gegevens moeten worden verwerkt en geanalyseerd om er inzichten van te krijgen. MachineMetrics maakt gebruik van AWS-cloud om kant-en-klare applicaties te leveren die visualisatie en rapportage van winkelvloergegevens via geoptimaliseerde workflows tot een gestroomlijnd proces maken.
3. Business intelligence en actie: Er worden rapporten en workflows geleverd om het besluitvormings- en strategiecreatieproces te vergemakkelijken. Zodra machinegegevens zijn verzameld en geanalyseerd, wordt het mogelijk om bruikbare strategieën te ontwikkelen om de productie-efficiëntie te optimaliseren en deze te implementeren.

Uw productie-analysetraject

Om uw gegevens voor u te laten werken, begint de reis naar productie-optimalisatie door de productiemachines van uw onderneming te verbinden met het MachineMetrics Platform. De universele connectiviteitsmogelijkheden van MachineMetric ondersteunen machines met zowel digitale als analoge I/O, wat het mogelijk maakt om gegevens te verzamelen van oudere machines op uw werkvloer. Zo wordt de uitdaging van het verzamelen van bruikbare gegevens die nodig zijn om gegevensgestuurde strategieën voor uw productiefaciliteiten te ontwikkelen, geëlimineerd. U kunt meer te weten komen over de waardepropositie van industriële analyseplatforms op ondernemingsniveau door de functies van MachineMetrics IoT Platform te analyseren.