Industry Outlook: De weg naar voren afstippen

Inleiding: Een dissectie van de afgelopen maanden

Niemand had de effecten van coronavirus op onze samenleving in het brede echt kunnen voorspel aan het begin van dit jaar. Dit blijkt uit historische aandelenmarktvolatiliteit (meestal wijzend op ongekende onzekerheidsniveaus), snel veranderende beleidsbeslissingen (terwijl we worstelen met het reageren op veranderingen in de technische milieu van de dag), en een steeds meer verergerd politiek klimaat.

Terwijl we de naderen, met scholen en collegecampussen die heropenen en sluiten, en de griepseizoen op komst, zal onzekerheid en volatiliteit zeker alleen toenemen. De dagelijkse updates die we leveren over de daadwerkelijke staat van de productie-industrie zullen nog belangrijker worden, vooral omdat meer mensen die beleid maken, onze data in hun voorspellingen en besluitvorming gebruiken.

We hebben verzoeken gekregen van veel organisaties, van productiebedrijven, tot consultancy- en accountantskantoren, en zelfs van overheidsinstanties over meer details achter hoe onze data eigenlijk tot stand komt. De menigte vragen is begrijpelijk, aangezien MachineMetrics bezig is in een volledig nieuwe categorie machine-optimalisatiediensten, wat een pure-cloud implementatie is en daarom niet alleen klanten de voordelen van de cloud biedt, maar ook ons het voordeel van een geanonimiseerde, geaggregeerde maatstaf voor de industrie. In deze editie gaan we door enkele due diligence over hoe we onze data eigenlijk krijgen, naast de recente inzichten die we eruit kunnen halen.

Prologue: Hoe krijgen we deze data eigenlijk?

We krijgen vaak vragen als "Hoe werkt u uw dataset bij wanneer nieuwe machines verbonden worden?", of "Hoe is uw steekproefgrootte groot genoeg om deze geaggregeerde metrics te krijgen?" "Hoe kunt u vaststellen dat data van vele duizenden machines accuraat is?"

Dit zijn geweldige vragen, en kunnen verwardend zijn voor wie niet uit zowel een productie- als een technologische achtergrond komt. Laten we beginnen bij de basis.

Dit is een typische machine shop, ergens in de VS. Machines zijn niet verbonden met een of andere machine-optimalisatie of monitoring dienst, en de shopfloor-manager weet alleen dat ze achterlopen in onderdelen aan het eind van de dag wanneer een operator ze vertelt dat ze tekortkomen. Ze moeten dan extra shifts toevoegen of de machine in een feedrate-overdrive zetten om in te halen, of gewoon hun klanten frustreren door tekort aan onderdelen en leverdatums te missen/uit te stellen. Het is niet geweldig, maar zo is het al decenniallen gedaan.

Dit is waar we instappen en een Industrie 4.0-oplossing mogelijk maken door deze machines te verbinden en hun prestaties zichtbaar te maken te allen tijde. We kunnen verbinden met de PLC (Programmable Logic Control) van deze machines, die alle soorten belangrijke informatie uitvoert die doorgaans alleen zichtbaar is voor de operator recht voor de machine.

Hoe doen we dit? Het geheim zit in ons Edge-apparaat, wat eigenlijk een Windows/Linux IoT-computer is voorgeprogrammeerd met een hoop machine adapters die de signalen van de PLC kunnen vertalen, schoonmaken en interpreteren. Elke control-fabrikant heeft hun eigen API die ons dit laat doen, en een groot deel van ons intellectueel eigendom zit in het decoderen van deze API's en het vertalen van de individuele talen naar één, geünificeerde taal. Hieronder is een opname van een machine PLC, en de groene/zwarte dozen die u ziet gehighlight zijn onze edge en Digital IO-apparaat. We verbinden simpelweg met de Ethernet-poort op de PLC om de informatie te extraheren die de control uitvoert, en streamen het daarna naar de cloud. We maken het makkelijk genoeg dat mensen alles zelf kunnen installeren zonder dat we onsite hoeven te komen; complexiteit wordt essentieel overgedragen van de klant naar de ingewikkelde technologie binnen het Edge-apparaat.

Wat krijgen onze klanten hiervan? Mooie dashboards, die hen live laten zien hoe hun machines presteren. Wat doet een machine aan de andere kant van de fabriekvloer? Is het aan of uit, wie bedient het, en liggen ze achter of voorop op hun deeldoel?

Als een productbedrijf is het primaire werk van MachineMetrics Data Science het gebruik van deze massive dataset om te voorspellen wanneer machines zullen falen, en ze te stoppen voordat ze onze klanten schade of verlies toebrengen. Dit heeft het effect dat ons product beter wordt, wat betekent dat het makkelijker te verkopen is, wat betekent dat we nog meer data krijgen om de machines onder ons paraplu te optimaliseren. Een verheugende cyclus. Bijvoorbeeld, het kan extreem nuttig zijn om te analyseren wat er een machine doet falen bij één klant, en die data te benutten om zowel die klant als andere klanten met vergelijkbare machines en vergelijkbare problemen te helpen.

Echter, een van de prachtige bijwerkingen van al deze data is dat we deze informatie ook geaggregeerd samen kunnen voegen, en algemene industrietrends zien. Dit was niet het hoofddoel van ons bedrijf, maar omdat we de afgelopen vijf jaar ons product verbeterden en self-installatie van machines mogelijk maakten, hebben we nu een significant en representatief steekproef van de VS productieruimte. Een van de sleutels hiervoor is geweest door het product makkelijk genoeg te maken om te gebruiken en zelf te installeren, zodat we niet onsite hoeven te gaan voor de meeste van onze integraties en trainings. Dit stelt ons in staat om exponentieel te schalen en niet lineair; we hoeven geen extra integrators of trainers in te huren om bij de vraag te blijven.

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

[Volledige Afbeelding]

1. in_cycle_ms: Hoeveel tijd de machine in cyclus is (een G-code programma draait of als het een machine zonder PLC is, hoeveel tijd de spindel significant stroom trekt).
2. spindle_rotating_ms: Van die tijd, hoeveel is de spindel zelf aan het draaien? Tijdens G-code programma's zitten soms pauzes ingebouwd. Deze metric sluit die periodes uit.
3. cutting_ms: Van die tijd, hoeveel tijd wordt daadwerkelijk gesneden, dat is, metaal-op-metaal contact?
4. parts_produced: Gedurende deze tijd, hoeveel onderdelen vertelde de PLC ons dat geproduceerd waren? Dit is meestal een product van hoeveel rotaties van het G-code programma we zagen plus een onderdelen-vermenigvuldiger (of in het geval van een oudere machine, het product van hoeveel distincte stroom ⚡️ patronen er waren die een onderdeel gemaakt werd aarden).

We verzamelen ook handmatige invoer-items van operators aan de machine, die ons kunnen vertellen, van de geproduceerde onderdelen:

1. parts_rejected: Hoeveel onderdelen volledig afgekeurd waren, om welke reden dan ook.
2. parts_scrap: Van de afgekeurde onderdelen, hoeveel naar schroot gingen.
3. parts_nonconform: Van de afgekeurde onderdelen, hoeveel niet voldeden aan QA-standaarden.

U kunt zien dat we op dit moment ongeveer ~66 miljoen machine-uren productiedata hebben vastgelegd, wat we geloven een van de grootste en meest complete in de productie-industrie is.

We hebben een diversiteit aan klanten in grootte, regio en industrie. We zijn licht ondervertegenwoordigd vergeleken met manufacturing als geheel voor automotive, en oververtegenwoordigd in medische hulpmiddelen manufacturing. We zijn ook licht oververtegenwoordigd in het Noordoosten, aangezien dat is waar ons engineering team en hoofdkantoor gevestigd zijn. Een distributie van onze klantenbasis is hieronder, evenals enkele representatieve bedrijven. De scherpe analist, die een extreem nauwkeurige maat wil voor inputs in modellen of voor voorspellende doeleinden, kan een hergewogen maat van benutting bouwen op basis van onze raw data. Naarmate onze data breder gebruikt wordt, ondergaat het grotere scrutinity voor zijn robuustheid, assumpties en bronnen. In deze editie van de State of the Industry update, vonden we het belangrijk om alle drie gebieden te dekken.

[Volledige Afbeelding]

Wat is de staat van de industrie nu?

Na al dat... laten we beginnen met de benutting-updates die we dagelijks op LinkedIn posten, met enkele trends eroverheen gelegd. We zien eigenlijk vier regimes die het jaar tot nu toe gebeuren, namelijk:

1. Een 7% toename voordat coronavirus de VS raakte en staten shutdowns afkondigden
2. Een 16% afname van maart tot half april toen shutdowns op hun piek waren
3. Een 8% toename van Pasen tot Independence Day toen shutdowns begonnen te ontspannen, en
4. Een 2% afname in onze huidige "wacht en zie" modus, tijdens de zomer en in de herfst van 2020

Hoewel deze algemene trends voor geen van ons een verrassing mogen zijn, is het plaatsen van een exacte kwantitatieve indicator op hen onze nieuwe bijdrage. Nooit eerder is een organisatie in staat geweest om een accurate, industrie-vertegenwoordigende, hoge-frequentie indicator voor manufacturing prestaties te verzinnen.

[Volledige Afbeelding]

Industrie en geografische afbraken

Dit heeft grote gevolgen voor het accurate beoordelen van de staat van de industrie. Niet verrassend, manifesteert zich dit vaak in onze industrie en geografische afbraken. We besteden deze sectie aan het dieper ingaan op verzoeken die we hebben gehad om in bepaalde industrieën en geografieken te duiken.

Laten we beginnen met de industrie-niveau afbraken, teruggaand naar de pre-COVID era dit jaar. Zoals u hieronder kunt zien,崩塌 automotive absoluut tijdens eind maart, wanneer fabrieken worden bevolen te sluiten en consumentenvraag instort. Medische hulpmiddelen manufacturing blijft echter stabiel doorheen alles.

[Volledige Afbeelding]

Laten we de rolling dagelijkse niveau veranderingen weglaten om een duidelijker kijk op algemene trends te krijgen. We blijven bij deze trendlijnen, die afgeleid zijn van een LOESS fit op de 7-daagse rolling gemiddelde met een span van 0.75 (economen en analisten, kom op als u meer details wilt).

[Volledige Afbeelding]

We splitsen dit dan in drie hoofdstukken en herfitten de LOESS-curve per hoofdstuk.

[Volledige Afbeelding]

Hoofdstuk 1: Utilisatie neemt de trap op... de lift af

Laten we inzoomen op de mid-feb tot mid-april periode. Begin februari zoemen alle vijf grote industrieën die we tracken, op weg naar nieuwe 18-maanden highs. Automotive zag er met name sterk uit, door hoge consumentenvraag en verhoogde aankoopsentiment die veel OEM en Tier 1 fabrikanten deden productieniveaus verhogen, en dus machinebenutting. Andere industrieën hielden zich of stegen licht.

Dan raakten COVID shutdowns, en we zien een leerboekgeval van "de trap op, de lift af". We zien dit patroon in veel andere domeinen, zoals de aandelenmarkt. Het kost veel stabiliteit en dingen die goed gaan om dingen langzaam omhoog te laten kruipen, maar slechts één grote gebeurtenis voor dingen om naar beneden te gaan, en dat heel snel. Gepaard met een gemandateerde shutdown, vernietigde instortende consumentenvraag automotive manufacturing, met benuttingniveaus 40% lager tegen mid-april. Sommige van onze klanten probeerden om te re-toolen om ventilatoren en andere medische apparatuur te maken tijdens deze tijd, maar het was niet eens dichtbij genoeg om de shutdowns te balanceren. Op 15 april bereiken we het laagste punt van benutting dat we in 3 jaar machineprestaties tracking hebben gezien (feestdagen uitgezonderd).

[Volledige Afbeelding]

Hoofdstuk 2: Een ongelijke herstel

Van mid-april tot eind juni, treden we in een regime van ongelijke herstel. Als het virus meer onder controle kreeg en lockdowns ontspanden, herstartten bedrijven een deel van hun productie. Medische hulpmiddelen manufacturing, niet verrassend, breidde zijn voorsprong uit door een run op ventilatoren en andere medische apparatuur. Andere industrieën, als Aerospace & Defense, Industriële Apparatuur Manufacturing, en Contract Manufacturing wisselen op en neer tijdens deze periode, op zoek naar een doorbraakherstel maar nooit een te bereiken. Automotive bleef dalen, vraag bleef gedempt omdat mensen gedwongen waren thuis te blijven of niet wilden uitgaan en aankopen doen.

[Volledige Afbeelding]

Hoofdstuk 3: Niet precies een rally

Vanaf 1 juli tot onze huidige week, zien we een lichte herstel, dan grotendeels afgeplatte prestaties de afgelopen weken. Automotive klanten begonnen regelmatige operaties aan ons te rapporteren, en we zien dit in hun verhoogde benutting ook. Omgaan met en strategieën ontwikkelen om in de coronatijd te leven, kan een grote reden zijn hierachter, naast het feit dat mensen meer uitingen en iets meer vertrouwen in de economie hebben. Consumptieuitgaven waren in het geheel omhoog, wat zeker een effect zal hebben in de supply chain. Medische manufacturing nam ook toe.

[Volledige Afbeelding]

Post-script 1: Bewijs van gestaffelde shifts, per regio

We abonneren op de volgende formele groeperingen voor COVID-risico - en kunnen een beslissend verschil zien in de benuttingdistributie per uur voor elke geografie. We hernormaliseren benutting tussen 0 en 1 zodat we distributionele verschillen intenser kunnen zien (let op de verandering in de Y-as titel en waarden). Door deze analyse kunnen we zien dat verschillende staten social distancing, via gestaffelde shifts in hun fabrieken, serieuzer nemen dan andere. NY/NJ/CT in het bijzonder ziet een stark verschil in de spreiding van benutting per uur na maart, met veel hogere benutting dan gebruikelijk tijdens de vroege uurtjes van de nacht. Dit is omdat arbeid wordt verschoven van de hoofduren van 10:00 - 16:00 om meer gelijkmatig rond de klok verdeeld te worden, zoals bewijs door de "platte kromme" in de uurdistributiekromme voor NY/NJ/CT. De andere staten tonen een duidelijke gebrek aan beweging in hun distributie, voor en na COVID. Het is fascinerend hoe de effecten van verschillende subculturen in de Verenigde Staten en hun behandeling van coronavirus tot op de fabriekvloer doordringen. We wisten dit soort van, maar wat rigor rondom hoeveel dit waar is, is redelijk opmerkelijk.

COVID Risico Groeperingen

· 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 [Volledige GIF]

Groep 2 [Volledige GIF]

Groep 3 [Volledige GIF]

Post-script 2: Gevolgen van beleidsbeslissingen direct zichtbaar en kwantificeerbaar

Wanneer we kijken naar de mid-maart periode, en de genormaliseerde dagelijkse waarden van benutting meenemen, kunnen we duidelijke effecten van overheidsbeleid op coronavirus shutdowns zien. Hieronder splitsen we onze data op in onze drie geografische regio's weer.zelfs een superficiale blik op dit duidt erop dat deze drie regio's zich heel anders gedragen rond de tijd dat coronavirus de VS voor het eerst raakt.

[Volledige Afbeelding]

Specifiek zien we ongeveer ~50% afname in relatieve benutting de dag na gouverneurs in NY/NJ/CT een totale shutdown order afkondigen. We speculeren dat betekent dat ~50% van de shops die we tracken essentiële bedrijven waren die open mochten blijven. Andere staten zien deze dip niet. Weekendactiviteit, wat typisch een-achtste van normale activiteit is, verdwijnt volledig in NY/NJ/CT de weekend na de shutdown.

[Volledige Afbeelding]

Wanneer we de individuele-dag niveau balken weghalen, wordt het verschil nog sterker. We zien dat dit type trends zich voordoen wanneer sterke wetgevende interventie geïntroduceerd wordt. We vermoeden dat het evalueren van de effecten hiervan nog belangrijker zal worden naarmate we de laatste derde van het jaar betreden.

[Volledige Afbeelding]

Epilog

Naarmate we de herfst in treden, verwachten we dat griepseizoen, studenten die thuiskomen van gesloten campus, en andere ongewone gebeurtenissen een sterke invloed kunnen hebben op de spreiding van coronavirus, en op zijn beurt, industriebenutting. Op dit punt hebben we gedemonstreerd dat onze maat extreem responsief is op beleidsveranderingen, vooral die die benutting in de neerwaartse richting beïnvloeden. De gezondheid van onze industrie, hoewel in een "wacht en zie" regime nu, zal onvermijdelijk sterk beïnvloed worden door onze beleidskeuzes deze herfst. We hopen dat de makers, analisten en economen van onze industrie deze data kunnen gebruiken om de keuzes die ze maken beter te informeren naarmate we september ingaan. Data is macht, en we kunnen deze data gebruiken om zowel onze industrie als onze natie sterker te maken. Data helpt ons genuanceerde en rationele beslissingen te nemen, ondersteund door rigor en gedachte, in plaats van emotioneel gedreven impulsen die ons alleen maar meer kweten. Het rust in al onze handen om ervoor te zorgen dat we de best mogelijke beslissingen nemen tijdens deze onrustige dagen, want dit zijn kritieke tijden waarin we leven.

We zullen deze metrics blijven monitoren en op regelmatige intervallen rapporteren.