State of the Industry:waar gaan we heen?

Inleiding:een ontleding van de afgelopen maanden

Niemand had begin dit jaar echt de effecten van het coronavirus op onze samenleving kunnen voorspellen. Dit blijkt uit historische volatiliteit op de aandelenmarkten (die gewoonlijk wijst op ongekende niveaus van onzekerheid), snel veranderende beleidsbeslissingen (omdat we moeite hebben om te reageren op veranderingen in het technische milieu van de dag) en een steeds verslechterd politiek klimaat.

Naarmate we de herfst naderen, met scholen en universiteitscampussen die heropenen en sluiten, evenals het griepseizoen op komst, zullen de onzekerheid en volatiliteit zeker alleen maar toenemen. De dagelijkse updates die we geven over de actuele toestand van de maakindustrie zullen steeds belangrijker worden, vooral omdat meer mensen die beleid bepalen onze gegevens gebruiken in hun prognoses en bij het nemen van beslissingen.

We hebben van veel organisaties verzoeken gekregen, van productiebedrijven tot advies- en accountantskantoren, en zelfs van overheidsinstellingen om meer details te geven over hoe onze gegevens eigenlijk tot stand komen. De talloze vragen zijn begrijpelijk, aangezien MachineMetrics zich bezighoudt met een geheel nieuwe categorie machine-optimalisatieservices, een die een pure cloud-implementatie is en daarom niet alleen klanten biedt de voordelen van de cloud, maar ook ons het voordeel van een geanonimiseerde, geaggregeerde maatstaf voor de industrie. In deze editie zullen we wat due diligence doornemen over hoe we onze gegevens daadwerkelijk krijgen, naast de recente inzichten die we eruit kunnen halen.

Proloog:hoe komen we aan deze gegevens?

We krijgen vaak vragen als "Hoe werkt u uw dataset bij wanneer nieuwe machines worden aangesloten?", of "Hoe is uw steekproefomvang groot genoeg om zelfs deze geaggregeerde statistieken te krijgen?" “Hoe kun je nagaan of de gegevens van vele duizenden machines juist zijn?”

Dit zijn geweldige vragen en kunnen verwarrend zijn voor degenen die niet uit beide komen een productie- en een technische achtergrond. Laten we beginnen bij de basis.

Dit is een typische machinewerkplaats, ergens in de VS. Machines zijn niet verbonden met enige vorm van machine-optimalisatie of monitoringservice, en de werkvloermanager weet pas aan het eind van de dag dat ze achterlopen op onderdelen wanneer een operator hen vertelt dat ze tekort komen. Ze moeten dan extra diensten toevoegen of de machine in een overdrive zetten om de achterstand in te halen, of ze moeten hun klanten gewoon frustreren door onderdelen te kort te hebben en een leveringsdatum te missen/verschuiven. Het is niet geweldig, maar zo zijn de dingen de afgelopen decennia gedaan.

Dit is waar we binnenkomen en een Industrie 4.0-oplossing mogelijk maken door deze machines aangesloten te hebben en hun prestaties zichtbaar altijd. We kunnen verbinding maken met de PLC (Programmable Logic Control) van deze machines, die allerlei belangrijke informatie uitvoert die doorgaans alleen zichtbaar is voor de operator die recht voor de machine staat.

Hoe doen we dit? De geheime saus ligt in ons Edge-apparaat, dat in feite een Windows/Linux IoT-computer is die vooraf is geladen met een aantal machine-adapters die de signalen die van de PLC komen, kan vertalen, opschonen en interpreteren. Elke fabrikant van besturingselementen heeft zijn eigen API waarmee we dit kunnen doen, en een groot deel van ons intellectueel eigendom zit in het decoderen van deze API's en het vertalen van de afzonderlijke talen in één uniforme taal. Hieronder ziet u een opname van een machine-PLC, en de groen/zwarte dozen die u ziet gemarkeerd zijn onze edge en het digitale IO-apparaat. We maken eenvoudig verbinding met de Ethernet-poort op de PLC om de informatie die de besturing uitvoert te extraheren en deze vervolgens naar de cloud te streamen. We maken het zo gemakkelijk dat mensen alles zelf kunnen installeren zonder dat we ter plaatse hoeven te komen; complexiteit wordt in wezen overgedragen van de klant naar de ingewikkelde technologie in het Edge-apparaat.

Wat krijgen onze klanten hiervan? Mooie dashboards, die hen live laten zien hoe hun machines het doen. Wat doet een machine op de fabrieksvloer? Is het aan of uit, wie bedient het en lopen ze achter of voor op hun onderdelendoel?

Als productbedrijf is het primaire werk van MachineMetrics Data Science het gebruik van deze enorme dataset om te voorspellen wanneer machines zullen falen en ze te stoppen voordat ze onze klanten schade of verlies veroorzaken. Dit heeft tot gevolg dat ons product beter wordt, wat betekent dat het gemakkelijker te verkopen is, wat betekent dat we nog meer gegevens krijgen om de machines die we onder onze paraplu hebben te optimaliseren. Een deugdzame cyclus. Het kan bijvoorbeeld zeer nuttig zijn om te analyseren waardoor een machine bij een klant uitvalt, en die gegevens te gebruiken om zowel die klant als andere klanten met vergelijkbare machines en vergelijkbare problemen te helpen.

Een van de prachtige neveneffecten van al deze gegevens is echter dat we ook kunnen aggregeren deze informatie samen en bekijk algemene trends in de branche. Dit was in de eerste plaats niet het hoofddoel van ons bedrijf, maar omdat we ons product de afgelopen vijf jaar ijverig hebben verbeterd en zelfgeïnstalleerde machines mogelijk hebben gemaakt, hebben we nu een significante en representatieve steekproef van de Amerikaanse productieruimte. . Een van de sleutels om dit te doen was door het product eenvoudig genoeg te maken om zowel te gebruiken als zelf te installeren, zodat we niet zelf ter plaatse hoeven te gaan voor de meeste van onze integraties en trainingen. Hierdoor kunnen we exponentieel schalen en niet lineair; we hoeven niet meer integrators of trainers in te huren om aan de vraag te voldoen.

Hieronder staat de tabel waaruit ons Data Science-team werkt om deze analyse te genereren, ontdaan van klantspecifieke informatie. U kunt zien dat we voor elk uur van elke dag en voor elke machine automatisch ontvangen van onze vloot Edge-apparaten:

[Afbeelding op volledige grootte]

1. in_cycle_ms:hoeveel tijd de machine in cyclus is (een G-code programma draaiend of als het een machine zonder PLC is, hoeveel tijd de spil aanzienlijke stroom trekt).
2. spindle_rotating_ms:hoeveel is de spindel zelf roterend in die tijd ? Tijdens G-code-programma's worden soms pauzes en pauzes ingebouwd. Deze statistiek sluit die perioden uit.
3. cutting_ms:van dat tijd, hoeveel tijd wordt er daadwerkelijk besteed aan snijden , dat wil zeggen, in metaal-op-metaal contact?
4. parts_produced:hoeveel onderdelen heeft de PLC ons verteld dat er gedurende deze tijd zijn geproduceerd? Dit is meestal een product van het aantal omwentelingen van het G-code-programma dat we zagen plus een onderdelenvermenigvuldiger (of in het geval van een oudere machine, het product van hoeveel verschillende huidige ⚡️-patronen er waren die aangaven dat een onderdeel werd gemaakt).

We verzamelen ook enkele handmatig ingevoerde items van operators bij de machine, die ons dat van de geproduceerde onderdelen kunnen vertellen:

1. parts_rejected:hoeveel onderdelen werden om welke reden dan ook afgewezen.
2. parts_scrap:hoeveel van de afgewezen onderdelen zijn naar de sloop gestuurd.
3. parts_nonconform:hoeveel van de afgewezen onderdelen voldeden niet aan de QA-normen.

U kunt zien dat we op dit moment ongeveer 66 miljoen machine-uren aan productiegegevens hebben geregistreerd, wat volgens ons een van de grootste en meest complete in de maakindustrie is.

We hebben een diversiteit aan klanten in grootte, regio en branche. We zijn iets ondervertegenwoordigd in vergelijking met de productie als geheel voor de automobielindustrie, en oververtegenwoordigd in de productie van medische hulpmiddelen. We zijn ook iets oververtegenwoordigd in het noordoosten, omdat daar ons engineeringteam en hoofdkantoor zijn gevestigd. Hieronder vindt u een spreiding van ons klantenbestand, evenals enkele representatieve bedrijven. De slimme analist, die een uiterst nauwkeurige maatstaf wenst voor invoer in modellen of voor voorspellende doeleinden, kan een opnieuw gewogen gebruiksmaatstaf construeren op basis van onze onbewerkte gegevens. Naarmate onze gegevens op grotere schaal worden gebruikt, worden ze nauwkeuriger onderzocht op hun robuustheid, aannames en bronnen. In deze editie van de State of the Industry-update vonden we het belangrijk om alle drie de gebieden te behandelen.

[Afbeelding op volledige grootte]

Dus hoe staat de branche er op dit moment voor?

Na dat alles... laten we beginnen met de gebruiksupdates die we elke dag op LinkedIn plaatsen, met enkele trends bovenop. We zien tot nu toe in feite vier regimes gedurende het hele jaar, namelijk:

1. Een stijging van 7% voordat het coronavirus de VS trof en staten sloten
2. Een daling van 16% van maart tot half april toen de shutdowns op hun hoogtepunt waren
3. Een stijging van 8% van Pasen tot Onafhankelijkheidsdag toen de sluitingen begonnen te versoepelen, en
4. Een afname van 2% in onze huidige "afwachten"-modus, tijdens de zomer en in de herfst van 2020

Hoewel deze algemene trends voor niemand van ons misschien als een verrassing komen, is het onze nieuwe bijdrage om er een exacte kwantitatieve indicator aan te geven. Nooit eerder is een organisatie in staat geweest om een ​​nauwkeurige, branche-representatieve hoogfrequente indicator voor productieprestaties te bedenken.

[Afbeelding op volledige grootte]

Industriële en geografische storingen

Dit heeft grote gevolgen voor het goed inschatten van de stand van de industrie. Het is niet verrassend dat dit vaak tot uiting komt in onze branche en geografische uitsplitsingen. We besteden in dit gedeelte aandacht aan verzoeken die we hebben gehad om diep in bepaalde sectoren en regio's te duiken.

Laten we beginnen met de uitsplitsingen op brancheniveau en dit jaar teruggaan naar het pre-COVID-tijdperk. Zoals je hieronder kunt zien, stort de automobielindustrie eind maart absoluut in, wanneer fabrieken moeten sluiten en de vraag van de consument instort. De productie van medische hulpmiddelen blijft echter stabiel.

[Afbeelding op volledige grootte]

Laten we de voortschrijdende dagelijkse niveauwijzigingen verwijderen om een ​​duidelijker beeld te krijgen van algemene trends. We houden vast aan deze trendlijnen, die zijn gebaseerd op een LOESS-aanpassing aan het 7-daags voortschrijdend gemiddelde met een spanwijdte van 0,75 (economen en analisten, neem contact met mij op als u meer deets wilt).

[Afbeelding op volledige grootte]

We splitsen dit vervolgens op in drie hoofdstukken en passen de LOESS-curve per hoofdstuk opnieuw aan.

[Afbeelding op volledige grootte]

Hoofdstuk 1:Gebruik gaat met de trap naar boven... de lift naar beneden

Laten we inzoomen op de periode half februari tot half april. Begin februari zoemden alle vijf de belangrijkste industrieën die we volgen voort, op het punt om nieuwe hoogtepunten in 18 maanden te bereiken. Vooral de automobielindustrie zag er sterk uit, aangezien de hoge consumentenvraag en het toegenomen koopsentiment ertoe leidden dat veel OEM- en Tier 1-fabrikanten hun productieniveaus en daarmee het machinegebruik verhoogden. Andere bedrijfstakken bleven ofwel stabiel of stegen licht.

Toen sloeg de COVID-stop toe en zien we een schoolvoorbeeld van "de trap naar boven nemen en de liften naar beneden". We zien dit patroon in veel andere domeinen, zoals de aandelenmarkt. Er is veel stabiliteit en dingen voor nodig om goed te gaan om dingen langzaam naar boven te laten komen, maar slechts één grote gebeurtenis om dingen naar beneden te laten gaan, en heel snel daarbij. In combinatie met een verplichte sluiting, vernietigde de instortende vraag van de consument de automobielindustrie, met een bezettingsgraad die medio april met 40% was gedaald. Sommige van onze klanten probeerden gedurende deze tijd beademingsapparatuur en andere medische apparatuur te maken, maar het was lang niet genoeg om de stilstanden te compenseren. Op 15 april bereiken we het laagste punt van gebruik dat we hebben gezien in 3 jaar van tracking van machineprestaties (exclusief feestdagen).

[Afbeelding op volledige grootte]

Hoofdstuk 2:Een ongelijk herstel

Van half april tot eind juni komen we in een regime van ongelijkmatig herstel. Naarmate het virus meer onder controle kreeg en de lockdowns versoepelden, herstartten bedrijven een deel van hun productie. Het is niet verwonderlijk dat de productie van medische hulpmiddelen haar voorsprong uitbreidde omdat er een stormloop was op beademingsapparatuur en andere medische apparatuur. Andere industrieën, zoals lucht- en ruimtevaart en defensie, industriële apparatuurproductie en contractproductie, schommelen tijdens deze periode op en neer, op zoek naar een doorbraakherstel, maar lijken dit nooit te bereiken. Automotive zette zijn daling voort, de vraag bleef laag omdat mensen ofwel gedwongen waren om thuis te blijven of niet zoveel naar buiten wilden om aankopen te doen.

[Afbeelding op volledige grootte]

Hoofdstuk 3:Niet bepaald een rally

Van 1 juli tot onze huidige week zien we een licht herstel, waarna de prestaties de afgelopen weken grotendeels vlak zijn. Automobielklanten zijn begonnen met het rapporteren van reguliere activiteiten aan ons, en we zien dit ook in hun toegenomen gebruik. Het omgaan met en het ontwikkelen van strategieën om in het tijdperk van het coronavirus te leven, kan hier een belangrijke reden voor zijn, naast dat mensen zich meer wagen en wat meer vertrouwen hebben in de economie. De consumentenbestedingen stegen in het algemeen, wat zeker een effect zal hebben in de toeleveringsketen. Ook de medische productie nam toe.

[Afbeelding op volledige grootte]

Na-script 1:Bewijs van gespreide verschuivingen, per regio

We onderschrijven de volgende formele groeperingen voor COVID-risico's - en kunnen een duidelijk verschil zien in de gebruiksverdeling per uur voor elke geografische locatie. We normaliseren het gebruik opnieuw zodat het tussen 0 en 1 ligt, zodat we de verdelingsverschillen intenser kunnen zien (let op de verandering in de titel en waarden van de Y-as). Door deze analyse kunnen we zien dat verschillende staten sociale afstand, via gespreide verschuivingen in hun fabrieken, serieuzer behandelen dan andere. Met name NY/NJ/CT ziet na maart een groot verschil in de spreiding van de benutting per uur, met een veel hogere benutting dan normaal in de kleine uurtjes van de nacht. Dit komt doordat arbeid wordt verschoven van de belangrijkste uren van 10.00 - 16.00 uur om de klok rond gelijkmatiger te worden verdeeld, zoals blijkt uit de "plattere curve" in de uurverdelingscurve voor NY/NJ/CT. De andere staten vertonen een duidelijk gebrek aan beweging in hun verspreiding, voor en na COVID. Het is fascinerend hoe de effecten van verschillende subculturen in de Verenigde Staten en hun behandeling van het coronavirus zich tot op de werkvloer uitstralen. We wisten dit min of meer al, maar het is nogal opmerkelijk om te bepalen in hoeverre dit waar is.

COVID-risicogroepen

· Groep 1:NY / NJ / CT

· Groep 2:AL, AR, AZ, CA, FL, GA, IA, ID, LA, MS, NC, NV, OK, SC, SD, TN, TX en UT

· Groep 3:DC + Overige (CO, IL, IN, KS, KY, MA, MD, ME, MI, MN, MO, NE, NH, OH, OR, PA, VA, VT, WA, WI, WY)

Groep 1 [GIF op volledige grootte]

Groep 2 [GIF op volledige grootte]

Groep 3 [GIF op volledige grootte]

Na-script 2:Gevolgen van beleidsbeslissingen direct zichtbaar en meetbaar

Wanneer we naar de periode van half maart kijken en de genormaliseerde dagelijkse gebruikswaarden inbrengen, kunnen we enkele zeer duidelijke effecten zien van het overheidsbeleid op de sluitingen van het coronavirus. Hieronder splitsen we onze data weer op in onze drie geografische regio's. Zelfs een vluchtige blik hierop geeft aan dat deze drie regio's zich heel anders gedragen rond de tijd dat het coronavirus de VS voor het eerst treft.

[Afbeelding op volledige grootte]

In het bijzonder zien we een afname van ongeveer 50% in relatief gebruik de dag na gouverneurs in NY/NJ/CT geven een totale stopzettingsbevel. We speculeren dat dit betekent dat ~50% van de winkels die we volgen, werden beschouwd als essentiële bedrijven die open konden blijven. Andere staten zien deze dip niet. Weekendactiviteit, doorgaans een achtste van de normale activiteit, verdwijnt in het weekend na de sluiting volledig in NY/NJ/CT.

[Afbeelding op volledige grootte]

Bij het verwijderen van de individuele dagniveaubalken wordt het verschil nog groter. We zien dat dit soort trends aanhoudt wanneer krachtig wetgevend ingrijpen wordt ingevoerd. We vermoeden dat het evalueren van de effecten hiervan steeds belangrijker zal worden naarmate we het laatste derde deel van het jaar ingaan.

[Afbeelding op volledige grootte]

Epiloog

Nu we de herfst ingaan, verwachten we dat het griepseizoen, studenten die terugkeren van gesloten campussen en andere ongebruikelijke gebeurtenissen een sterk effect kunnen hebben op de verspreiding van het coronavirus en daarmee op het gebruik van de industrie. Op dit moment hebben we aangetoond dat onze maatregel extreem reageert op beleidsveranderingen, vooral die die het gebruik in neerwaartse richting zullen beïnvloeden. De gezondheid van onze industrie, die momenteel in een afwachtend regime verkeert, zal dit najaar onvermijdelijk sterk worden beïnvloed door onze beleidskeuzes. We hopen dat de makers, analisten en economen van onze branche deze gegevens kunnen gebruiken om de keuzes die ze maken beter te informeren als we september ingaan. Gegevens zijn macht en we kunnen deze gegevens gebruiken om zowel onze industrie als ons land sterker te maken. Gegevens helpen ons genuanceerde en rationele beslissingen te nemen, ondersteund door strengheid en nadenken, in plaats van emotioneel gedreven impulsen die ons uiteindelijk alleen maar meer pijn doen. Het ligt in onze handen om ervoor te zorgen dat we de best mogelijke beslissingen nemen tijdens deze tumultueuze dagen, aangezien dit kritieke tijden zijn waarin we leven.

We zullen deze statistieken blijven volgen en regelmatig rapporteren.