Voorspellende analyses in productie benutten: bewezen use cases & concrete voordelen

Decennialang hebben fabrikanten data gebruikt als manier om een concurrentievoordeel te krijgen. Misschien is de grootste verandering vandaag hoe data verzameld wordt. Sommige bedrijven hebben technici die rondlopen in de fabriek, meters checken, formulieren invullen, en operatie- en onderhoudshistorie voor machines opschrijven. Allemaal tedereuze, foutgevoelige en onnauwkeurige methoden van dataverzameling en -gebruik voor besluitvorming. Echter, met de proliferatie van IoT-apparaten en sensoren, veranderen verbonden apparatuur en operaties hoe fabrikanten voordeel trekken uit data en analytics.

Bedrijven zijn begonnen over te stappen op digitale software en verbonden apparaten om de arbeid geassocieerd met handmatige dataverzameling en documentatie te verminderen. Vergeleken met handmatige dataverzamelingsmethoden, verhogen deze technologieën ook de fidelity die de kracht van analytics versterkt en leidt tot accuratere modellen. Het volgende presenteert de voordelen en use cases voor voorspellende analytics in productie.

De rijpgang van analytics in productie

Ook bekend als de Manufacturing Analytics Journey, zijn er verschillende stadia die fabrikanten doorlopen naarmate ze streven naar voorspellende en voorschrijvende strategieën.

Stap 1: Data

Data verzamelen voor descriptieve analytics stelt een baseline in om te beantwoorden wat er gebeurde.

Stap 2: Informatie

Deze data verwerken tot diagnostische analytics om te beantwoorden waarom iets gebeurde, zet data effectief om in informatie. Een productie-analytics-oplossing kan hiervoor gebruikt worden.

Stap 3: Begrip

Zodra voldoende informatie verzameld is, kan een beter begrip van processen bereikt worden en kunnen statistische modellen voorspellen wat in de toekomst kan gebeuren door voorspellende analytics te gebruiken.

Stap 4: Kennis

Naarmate nauwkeurigere modellen geproduceerd worden, gaat data over in kennis en zullen voorschrijvende analytics beantwoorden wat er gedaan moet worden.

Hoewel het verleidelijk kan zijn om alles te verbinden en door deze stappen te lopen, is het belangrijk duidelijke doelen te stellen en baselines in te richten om prestatieverbeteringen te monitoren. Wet welke data, en hoeveel data nodig is om over te gaan van descriptieve naar voorschrijvende analytics. Bij het starten van deze reis is het nuttig om een enkel platform vast te leggen voor alle verzamelde data. Bovendien, zorg dat alle stakeholders – of het nu apparaten, mensen, of leveranciers zijn – de juiste toegang tot dit platform hebben.

Real-time data en monitoring kunnen hoge fidelity bieden wat helpt baselines te vestigen, N-waarden te bereiken, en stakeholders sneller te alerteren op veranderingen dan handmatige of niet-verbonden apparaten. Deze stappen nemen tijd, maar elke stap biedt zijn eigen voordelen. Een van de grootste voordelen van het gebruik van analytics is de mogelijkheid om met een hoge mate van nauwkeurigheid te voorspellen wat er zal gebeuren.

Voordelen en use cases van voorspellende analytics voor fabrikanten

Verbonden real-time apparaten zijn in staat meer datapunten te verzamelen. Dit kan helpen voorspellen hoeveel tijd of hoeveel stukken geproduceerd kunnen worden voordat een storing optreedt. Traditionele onderhoudsplannen kunnen suggereren wanneer onderdelen vervangen of onderhoud uitgevoerd moet worden op basis van gemiddelde schattingen, niet noodzakelijk wanneer het nodig is. Storingen voorspellen met data en productie-analytics vermindert ongeplande downtime, en kan onnodige en dure onderhoudsdiensten elimineren.

Voorspellende onderhoudsanalytics

Use Case: Downtime, gereedschapsstoring, en onderhoudsverzoeken verminderen

Er zijn veel voordelen in deze ene term: voorspellend onderhoud. Allereerst is dat het verzamelen van data kan helpen voorspellen wanneer onderhoud nodig is, niet aangenomen. Dit verhoogt de uptime van de apparatuur, wat managers een kans geeft om benodigd onderhoud te plannen of noodzakelijke aanpassingen te maken voordat een storing optreedt.

Voorspellende analytics wordt steeds nauwkeuriger naarmate meer data verzameld wordt en correlaties gemaakt worden. In één voorbeeld, werd gereedschapsstoring gevonden als de amperage van de apparatuur steeg. Amperage tracken was lastig, maar spindelbelastingdata kon geleverd worden door een functie in het software-dashboard van de apparatuur aan te zetten.

Onderzoekers waren in staat te bewijzen dat er een correlatie van meer dan 80% was tussen verhoogde spindelbelasting en transducer-amperage. Door de makkelijkere en kosteneffectievere spindelbelasting te monitoren, was het mogelijk te voorspellen hoeveel onderdelen gemaakt konden worden vanaf het moment van de verhoogde belasting tot gereedschapsstoring. Voor dit voorbeeld was het bereik van onderdelen-tot-storing 1 tot 68. Afhankelijk van de hoeveelheid verhoogde belasting, zou het mogelijk kunnen zijn om dit bereik verder te verkleinen. Data correleren en patronen opmerken vergroot wat mogelijk is door analytics tot kwaliteit en besluitvorming.

De spindelsnelheid meten om aanstaande gereedschapsstoring te identificeren. Met data zoals deze, is het mogelijk om algoritmes te bouwen die storing automatisch detecteren, en u de mogelijkheid geven om het te voorkomen.

Kwaliteitsanalytics

Use Case: Alertes op kwaliteitsproblemen, schroot minimaliseren

Door prestaties te tracken, is het mogelijk om genotificeerd te worden wanneer processen buiten tolerantie zijn of kwaliteitsrisico's kunnen opleveren. In staat zijn om een proces eerder te stoppen of aan te passen, kan materiaalafval of herwerk aanzienlijk verminderen of elimineren. In één voorbeeld zou een pneumatische cylinder na verloop van tijd afdwalen. Op het moment dat werknemers het opmerkten en aanpasden, waren er ongeveer 1.000 eenheden geproduceerd en uren aan productie geschroot. Vroeger voorspellen van onderhouds- en kwaliteitsproblemen kan waarde toevoegen aan toepassingen die materialen met onstabiele prijzen of marktfluctuaties omvatten.

Vraagvoorspellende analytics

Use Case: KPI en ERP identificeren en benutten

Individuele processen en algehele levertijden tracken biedt inzicht in materiaal- en productie-eisen. Naarmate verbonden mogelijkheden uitbreiden, zullen KPI's geïdentificeerd worden die de mogelijkheid, waarde en nauwkeurigheid van softwaretools zoals ERP zullen verhogen. Bovendien, in toepassingen waar materiaalprijzen sterk beïnvloed kunnen worden door politiek, natuurrampen, etc., kan het gebruik van data om verbruikssnelheden en verzending te voorspellen, grote voordelen bieden in het stroomlijnen van supply chain management. Volume, timelines en marktvraag voorspellen helpt economie en kosten voor nieuwe apparatuur, producten of processen te managen.

Werkkrachtanalytics

Use Case: Opleidings- en arbeidsvraag voorspellen

In fluctuerende markten kan voorspellende vraaganalytics zelfs gebruikt worden om arbeid en talentverwerving effectiever te managen. Een van de grootste zorgen is het vaardigheidsgat in productie. Data uitbreiden van proces, naar fabriek, naar de planeet, fabrikanten kunnen voorspellen welke vaardigheden en arbeid in de toekomst nodig zullen zijn. Dit laat bedrijven effectiever samenwerken met opleidingsinstanties, vacatures eerder plaatsen, of de huidige werknemersbasis upskillen of reskillen om aan arbeidsbehoeftes te voldoen.

De toekomst van voorspellende analytics in de productieindustrie

Toekomstige Use Case: Remote onderhoud van gereedschappen

Technologie en analytics gebruiken zet data om in kennis. Naarmate connectiviteit uitbreidt, is er een trend naar verhoogde remote en mobile asset tracking en monitoring. De mogelijkheid om hoge-fidelity data te leveren, zal remote en mobile diagnostische analytics verhogen. Deze trend zal de noodzaak voor veldtechnici verminderen. Met hoge-vertrouwens remote diagnostiek, kan het ook mogelijk zijn om onderhoudsaanbevelingen of informatie te geven aan operators die op locatie zijn om de noodzaak voor veldtechnici verder te verminderen.

Toekomstige Use Case: Risico- en verzekeringsbeoordelingen

Met een verhoogde mogelijkheid om apparatuur te tracken en monitoren, kunnen analytics abonnementen, verzekeringspolissen, of garanties verhogen. Verbonden apparaten kunnen leiden tot flexibeler apparatuur. Bijvoorbeeld, abonnementen geven OEM's de mogelijkheid om features, datatracking, en software op afstand toe te voegen of weg te halen. Naarmate vraag verandert, kan het abonnement en de features mee veranderen.

Bovendien kunnen diagnostische analytics veranderen hoe ver of wat verzekeringspolissen en garanties dekken. Productie-analytics en verbonden technologie kunnen operator-, apparatuur-, of ontwerpfouten bewijzen of ontkrachten. Wiskunde is een effectieve manier om te verklaren, begrijpen, en te concurreren. Toekomstige successen in productie kunnen wie de meest accurate en uitgebreide kennis heeft van digitale modellen en analytics zijn.

Voorspellende strategieën drijven met het MachineMetrics IoT-platform

Verken het platform