Machinedata benutten voor slimere, efficiëntere productie

Machinedata gebruiken om fabrieksvloeroptimalisatie te drijven

Geautomatiseerde productieapparatuur (CNC-machines, als u wilt), en de mensen die deze apparatuur bedienen, zijn het kloppende hart van elke productie-operatie en vertegenwoordigen een van de grootste kapitaaluitgaven voor fabrikanten. Deze machines zijn honderdduizenden dollars waard en produceren meer data dan die van enige andere industrie, toch wordt deze data niet vastgelegd of geanalyseerd om efficiëntie te verbeteren, ondertussen al alle innovaties in robotica en automatisering.

Deze machines produceren honderden datapunten elke milliseconde, en de datastructuur is anders voor elke machine. Dit maakt het ongelooflijk belangrijk om de data te standaardiseren over alle verschillende machines. Echter, dit is moeilijk te doen voor bepaalde apparatuur.

Het is niet zo simpel als standaardiseren via OPC-UA of MTConnect, omdat slechts een fractie van machines die protocollen ondersteunt. We hebben klanten die JAREN hebben geprobeerd DIY-oplossingen te benutten om data te verzamelen en te transformeren in standaardmodellen van hun assets, handmatig datapunten één voor één te coderen, machine voor machine. Dit resulteert vaak in jaren custom development en integratie voordat initiële waarde verkregen wordt, een vreselijke misallocatie van middelen voor fabrikanten.

De inzichten en acties gedreven door de data bieden de fundering voor fabrikanten om hun bedrijf te laten groeien en zich competitief te differentiëren. Vandaag de dag bevinden fabrikanten zich in verschillende stadia van een reis om data en de digitale draad te benutten om hun bedrijfsprocessen te optimaliseren en te automatiseren.

Bij MachineMetrics engageren we met veel fabrikanten die vroeg in hun reis ontdekken dat data van hun fabrieksoperaties onvoldoende en onbetrouwbaar is. Voor sleutelmetrieken zoals apparatuurbenutting, zijn fabrikanten die geen geautomatiseerde systemen hebben voor het vastleggen van getransformeerde, of gecontextualiseerde, data van hun machine-assets, vaak onder de misvatting dat ze op een voldoende niveau presteren. In realiteit begint onze gemiddelde productieklant met een benutting van 28%, significant lager dan wat waargenomen wordt. Vergelijkbare ontevredenstellende statistieken worden ook gevonden voor OEE, stilstand, en andere sleutelmetrieken.

Het nadeel van handmatige dataverzameling

De onderliggende oorzaak van de subpar, maar opgeblazen, perceptie van prestaties ontstaat met data die handmatig vastgelegd wordt. Handmatige dataverzameling resulteert vaak in data die onnauwkeurig, gemanipuleerd, of ontbrekend is. Het is een wankel fundering dat kraakt en instort wanneer pogingen worden gedaan om continue verbetering en innovatie te drijven.

Aan de andere kant creëert nauwkeurige realtime data automatisch vastgelegd en getransformeerd van machine-assets een stevige basis voor het vastleggen van inzichten en het drijven van waarde. Natuurlijk is dit makkelijker gezegd dan gedaan.

Uitdagingen van machinedataverzameling

Fabrikanten begrijpen de waarde van data, en een grote reden voor het gebrek aan zowel efficiënte dataverzameling als gebruik van data in besluitvorming is twee-voudig:

• Fabrikanten zijn technologie-avers of blijven verouderde praktijken gebruiken, wat resulteert in handmatige dataverzameling en de geassocieerde gevolgen.
• Fabrikanten worstelen met de vele barrières om een cultuur en technologie-infrastructuur te bouwen die geautomatiseerde realtime dataverzameling succesvol ondersteunt. We behandelen deze uitdagingen hieronder:

Datavariëteit

Niet alleen zijn er veel distincte typen apparatuur – Draaibanken, Frezen, Plastic Injectie Gieten, Stampen, Lasersnijders, Robotica, enz. – afhankelijk van de mechanismen beschikbaar voor het verkrijgen van data van die systemen, kunnen de datapunten zeer divers zijn. Om effectieve tools te bieden voor het analyseren van die data over deze distincte systemen, moet de data getransformeerd worden in een gemeenschappelijk datamodel. Niet alleen heeft elke machinebesturing zijn eigen mechanisme voor het verzamelen van data, maar datapunten kunnen ook verschillen per Family, Make, en Model van de machine die die besturing gebruikt, evenals de versie van de software die op die besturing draait.

Datavolume

Productieapparatuur, en discrete productieapparatuur in het bijzonder, is erg complex. Een machine is een groot systeem van componenten die in coördinatie werken, wat resulteert in honderden distincte datapunten die constant veranderen. Afhankelijk van de applicatie, kunnen er situaties zijn waar het vereist is om data vast te leggen met snelheden van 100Hz of 100KHz. Platforms die deze informatie consumeren, moeten de data op meerdere niveaus binnen het systeem analyseren om onnodige data te verzenden en op te slaan wanneer alleen het aggregaat of berekende resultaat voldoende is. Deze systemen moeten in staat zijn om complexe verwerking uit te voeren waar het meest toepasselijk is – zowel op de edge als in de cloud.

Direct verbinden met de besturing van een CNC levert een groot volume machinedata in een verscheidenheid aan diverse datapunten.

Datasnelheid

Terwijl sommige systemen waarde kunnen bieden met lage fidelity en hoge latentie, vereisen bepaalde IoT use cases veel meer realtime data om effectief te zijn. Edge-technologie is vereist om hoge volumes data te verwerken, beslissens in milliseconden of minder te nemen, en te handelen om potentiële schade aan de machine of het werkstuk te voorkomen. Zelfs dashboards die zichtbaarheid bieden in een job's prestaties, kunnen enorme waarde halen uit lage latenties – directe aandacht trekken naar een proces dat achterloopt of faalt.

Discrete productie introduceert nog meer complexiteit. Dit begint met de variabiliteit van machines in discrete productiefabrieken. Er zijn veel verschillende machinefabrikanten, en geen enkele fabriek heeft maar één merk machine. De veel verschillende machines hebben ook verschillende besturingssystemen en communicatieprotocollen. Ze zijn van verschillende vintage, variërend van nieuw met moderne besturingen tot 20-30 jaar oud met beperkte besturingscapaciteit. Verbinden met, en data verzamelen van, de diverse fabrieksassets is een significant onderneming, rekening houdend met het feit dat de meeste van deze machines nooit ontworpen waren om data te leveren voor het soort holistische, fabriek-, of enterprise-wijde analytics-oplossingen waar bedrijven zich vandaag op richten om in te schakelen.

Bronnen van bewerkingsdata

De schoonheid van een verbonden operatie is dat fabrikanten data van talrijke bronnen kunnen verzamelen en gebruiken. Zolang de data gecontextualiseerd en relevant is, kan dit managers helpen diepere zichtbaarheid te krijgen in de status en prestaties van de shopfloor, zelfs helpend gaten te vullen en context toe te voegen aan bestaande data.

Werktuigmachines

Als de meest waardevolle bron van productiedata, levert de werktuigmachine een stroom data die gecontextualiseerd wordt door MachineMetrics en gebruikt voor realtime productiedashboards, rapportage, en notificaties. Stakeholders kunnen onmiddellijk gewaarschuwd worden van machinestilstandgebeurtenissen en zien wanneer productie achter schema loopt met toegang tot machinedata die machinestatussen, alarmen, overrides, belasting, snelheden, en voedingen omvat.

Verbonden Systemen

Om gaten in productiedata te vullen en extra lagen voor context toe te voegen, kan het helpen om data te delen tussen de verschillende systemen binnen een productieomgeving, zoals ERP, MES, CMMS, CAM, enz.

MachineMetrics heeft application programming interfaces (API's) die informatie van externe bronnen kunnen ophalen. Deze combinatie van machine- en operationele data kan samen benut worden om inzichten te genereren of automatisering te drijven. Bijvoorbeeld, machinedata die een fout aangeeft, kan automatisch een werkorder in een CMMS triggeren.

Operators

De MachineMetrics Operator Interface, die aan elke machine leeft, biedt een communicatietool voor operators om context toe te voegen aan machinedata. Dit is een essentiële laag data aangezien het helpt de "waarom" achter machinestilstand, alarmen, schrotonderdelen, enz. te verklaren.

Met tablets aan elke machine, kunnen operators waardevolle context toevoegen aan de machinedata, documenterend redenen voor stilstandgebeurtenissen en schrotonderdelen.

De MachineMetrics-aanpak voor het automatiseren van machinedataverzameling

In de productie is de edge noodzakelijk om data van machines vast te leggen en die data te transformeren in een gemeenschappelijk datamodel, zodat analytics uitgevoerd kunnen worden. Het moet in staat zijn om diverse PLC-protocollen te ondersteunen om connectiviteit over de verscheidenheid aan assets op de fabrieksvloer te ermöglichen. Het zou ook moeten ondersteunen dataverzameling van sensoren voor eenvoudigere assets of wanneer een standaard connectiviteitsmethode niet beschikbaar is vanuit de PLC. MachineMetrics heeft ontwikkeld en ondersteunt de meeste standaard industriële protocollen met hun verschillende nuances, evenals het bouwen van custom connectors voor veel verschillende CNC-machinebesturingen.

Standaard Protocollen ondersteund omvatten:

• OPC-UA
• MTConnect
• Modbus TCP
• Ethernet/IP

Custom Machine Control Connectors gebouwd omvatten:

• FANUC FOCAS
• Heidenhain iTNC530 en iTNC640
• Citizen M700
• Mitsubishi M70/M80
• Brother Speedio
• HAAS Serial
• Matsuura CNC (custom alarms toegevoegd aan de FANUC FOCAS connector)

Voor legacy machines is verbinden via een eenvoudige sensor genoeg om de activiteit van de machine te bepalen en te rapporteren over benutting. Een analoge stroomsensor wordt vaak gebruikt, en er is ondersteuning voor diverse digitale en analoge acquisitie-apparaten, inclusief de Labjack. Dit heeft andere use cases mogelijk gemaakt die het vastleggen van temperatuur, trilling, druk, en de mogelijkheid om te verbinden met relais in de machine vereisen.

Zowel PLC/Besturing als Sensor-verbindingen kunnen onderhouden worden via de online interface, en de data kan gefilterd, verwerkt, en getransformeerd worden met een eenvoudige scripttaal specifiek ontworpen voor IoT-data.

Data kan gestreamd worden op Lage Frequentie (op een event-wijziging, of 1 sample per seconde), of het kan gestreamd worden op Hoge Frequentie (1000 samples per seconde) voor bepaalde Besturingen en sensoren. Ondersteuning voor high-frequency data heeft vereist dat MachineMetrics zijn eigen edge-technologie bouwde om dit hoge niveau van dataverwerking en streaming te ondersteunen.

Om de edge te schalen over duizenden machines, en in staat te zijn om de edge-software remote te onderhouden, up te graden, en te ondersteunen, maakt het MachineMetrics Edge-platform remote device management mogelijk, gebouwd om edge-apparaten die data verzamelen over onze klantensites remote te configureren, up te graden, en te managen. Ondersteuningstechnici en klanten zelf kunnen issues troubleshooten, diagnostieken draaien, netwerken configureren, en hun firewall testen met deze ingebouwde tools. Een common language interface (CLI) is custom gebouwd om verdere diagnostieken en ondersteuning te bieden. Deze CLI kan gebruikt worden om apparaten up te graden, maar klanten zullen binnenkort de optie krijgen om de edge-software zelf up te graden.

MachineMetrics Edge Platform biedt een schaalbare oplossing voor fabrikanten die zelf geïnstalleerd kan worden om gemakkelijk data van elk stuk apparatuur te verzamelen en actionable machine-inzichten in een kwestie van minuten mogelijk te maken.

Machinedataverzameling als fundering voor Slimme Productie

CNC machinedataverzameling begint met het verbinden van uw machines via een verscheidenheid aan methoden, inclusief zowel bedrade als draadloze oplossingen.

Eenmaal data verzameld kan worden, wordt het gecontextualiseerd en gestandaardiseerd om gebruikt te worden in realtime dashboards en notificaties, evenals historische rapporten voor diepere analyse. Maar dit is slechts het begin.

Machinedata vertegenwoordigt de fundering van de digitale draad, wat een onbeperkt aantal use cases mogelijk maakt om bedrijfsprocessen te optimaliseren en te automatiseren, waardoor fabrikanten hun bedrijf kunnen laten groeien en zich competitief kunnen differentiëren.

Echter, de waarde geboden door machinedata kan alleen effectief gebruikt worden als het automatisch vastgelegd en getransformeerd wordt.

Wat we gezien hebben met klanten die dit benaderen met papier-gebaseerde en andere handmatige oplossingen, is dat de productiedata verre minder effectief is, aangezien het vertraagd, onnauwkeurig, niet-gecontextualiseerd, en niet schaalt verder dan vereenvoudigde use cases. Of erger, het is vol met gaten of niet-bestaand.

Aan de andere kant creëert nauwkeurige realtime data automatisch vastgelegd en getransformeerd van machine-assets een stevige basis voor het vastleggen van inzichten en het drijven van waarde.

Prestaties kunnen met vertrouwen gebaselined worden over vergelijkbare machines, lijnen, en fabrieken, wetend dat de onderliggende data nauwkeurig is. Machine-assetprestaties kunnen zelfs gemeten en vergeleken worden met vergelijkbare assets over een bepaalde industrie buiten het bedrijf.

Uiteindelijk is er maar één versie van de waarheid en de machine liegt niet. Met nauwkeurige datavastlegging en transformatie, gecombineerd met zichtbaarheid en actionability door notificatie- en workflow-triggers, kan een 15 tot 20% verbetering in benuttingsprestaties gerealiseerd worden in een kwestie van maanden.

We kunnen deze digitale draad volgen om te zien waar extra context toegevoegd wordt en hoe deze data gebruikt wordt binnen andere processen en systemen om efficiëntie op schaal te drijven.

Operationele Data

De bron van uw productie omvat zowel de apparatuur als de mensen op de shopfloor. Data van machines wordt automatisch verzameld, maar we hebben nog niet de impact van operatordata besproken.

Met tablets geplaatst aan elke machine, kunnen operators context toevoegen aan machinedata, wat een dieper begrip van de prestaties van de apparatuur biedt.

Bijvoorbeeld, operators kunnen de reden voor een gegeven stilstandgebeurtenis documenteren, zodat fabrieksmanagers die stilstand analyseren niet alleen een nauwkeurig beeld hebben van hoeveel stilstand hun fabriek heeft ervaren, maar ook de top redenen waarom. Hetzelfde geldt voor schrotonderdelen.

Een voorbeeld van een operator die een stilstandreden categoriseert als "catastrofale gereedschapsfout" aan een tablet-interface.

Dit geeft management een beter begrip van het probleem, zodat meer efficiënte processen ontwikkeld kunnen worden om de meest flagrante stilstand- en schrotredenen te managen.

Verder kan deze machinedata, gepaard met context van operators, notificaties mogelijk maken op basis van specifieke stilstand, die operators en onderhoudsteamleden waarschuwt van stilstandgebeurtenissen, zodat ze het probleem zo snel mogelijk kunnen oplossen.

Machines, Mensen, en Systemen

De digitale draad naait meerdere componenten van de digitale fabriek samen. Als we de draad volgen, begint machinedata andere systemen die door fabrikanten gebruikt worden te beïnvloeden.

Wanneer machinedata automatisch verzameld wordt, kan het geïntegreerd worden in systemen, zoals een ERP, MES, of CMMS, om processen effectiever te managen of om betere operationele beslissingen te nemen op basis van de gecombineerde data.

Een paar voorbeelden om het belang hiervan te illustreren:

Enterprise Resource Planning Systemen

Fabrikanten managen doorgaans jobs en planning in ERP's, waar informatie opgeslagen zal zijn over jobstandaarden en cyclus tijden. Echter, er is een hoge waarschijnlijkheid dat jobstandaarden en cyclus tijden onnauwkeurig zijn, wat de verwachte runtime van jobs sterk beïnvloedt, evenals prijzen vervormt, aangezien winkels doorgaans prijzen baseren op de tijd die het kost om een gegeven product te machineeren.

Als een fabrikant realtime machinedata verzamelt, kunnen cyclus tijden in het ERP geüpdatet worden om nauwkeurigere standaarden te ontwikkelen en te verzekeren dat prijzen in lijn zijn met verwachte job runtime. Dit geeft productieleiders een beter begrip van wat de winkels aankunnen en hoeveel winst ze verwacht te genereren.

Computerized Maintenance Management Systemen

Een ander voorbeeld van het benutten van machine- en operationele data in andere systemen is het verbeteren en automatiseren van onderhoud met een CMMS.

Er zijn veel strategieën in bestaan wanneer het gaat om het onderhouden van apparatuur, maar de meeste fabrikanten blijven vertrouwen op reactief onderhoud of kalendergebaseerd onderhoud (met een aanbevolen schema geleverd door de machinebouwer).

Reactief onderhoud neigt ertoe om significante hoeveelheden stilstand te resulteren. En kalendergebaseerd onderhoud (een preventieve onderhoudsstrategie) neigt ertoe duur te zijn door onnodig onderhoudswerk.

De "Goudilocks" zone tussen dure kalendergebaseerde preventieve onderhoud en reactief onderhoud dat leidt tot grote hoeveelheden stilstand en grote reparatiekosten.

Door machinedata en inzichten in de CMMS te draaien, kunnen fabrikanten een onderhoudsstrategie transformeren van reactief en kalendergebaseerd naar gebruik- of conditiegebaseerd. Zonder een digitale draad die begint bij de machine-asset, is de waarde die een fabrikant kan verwachten te bereiken van een CMMS-investering significant verminderd.

Met machinedata beschikbaar, kunnen onderhoudsschema's geoptimaliseerd worden om af te stemmen op de gebruik- en conditiedata die van de machines stroomt, en deze data kan zelfs gebruikt worden om workflows te triggeren die automatisch werkorders in de CMMS genereren en de juiste persoon waarschuwen van de machineconditie, stilstandgebeurtenis, alarme, dreigende fout, enz., zodat ze het probleem zo snel mogelijk kunnen oplossen, of zelfs voor een fout optreedt.

De Machinedata Digitale Draad: Industrie 4.0 Ontgrendelen

Naarmate fabrikanten oplossingen inschakelen die hun productiedata beter kunnen vastleggen en transformeren, zullen ze niet alleen in staat zijn betere feiten-gebaseerde beslissingen te drijven, maar ze zullen in staat zijn de data te benutten om betere processen te ontwikkelen en automatisering op de shopfloor te drijven.

Machinede opent een hele wereld van use cases, wat het de fundering maakt van productiedata en fabrikanten voorzien van een diepe competitieve voordeligheid.

We helpen u graag om te bespreken hoe het MachineMetrics Industrial IoT Platform u kan helpen, ongeacht in welk stadium van de reis u zich bevindt, of het nu is uw apparatuur monitoren om stilstand sneller te identificeren, of high-frequency data benutten om machinefouten te voorspellen en te voorkomen.

Neem contact op met eventuele vragen, of plan vandaag nog een demo.