Handmatige Dataverzameling: Waarom het een Knelpunt is in Moderne Productie

De productie heeft altijd op data gestaand om prestaties te meten en verbetergebieden te identificeren. Maar naarmate de technologie vorderde, blijven veel fabrikanten opereren zoals ze in het verleden deden.

De traditie van handmatig productiedata verzamelen heeft veel inherent problemen. Met krachtige monitoring- en analytische mogelijkheden die nu gemakkelijk beschikbaar zijn, maakt handmatige dataverzameling snel plaats voor geautomatiseerde oplossingen.

Handmatige vs. Geautomatiseerde Dataverzameling

1. Handmatige Dataverzameling

Handmatige dataverzameling bestond traditioneel uit klemborden, pennen, whiteboards, stophorloges en timers. Deze werden (en worden nog steeds) gebruikt om productiecijfers, downtime-gebeurtenissen en schrotpercentages vast te leggen. Ze werden ook gebruikt om arbeid en bewegingen op de werkvloer te meten.

Naarmate computergestuurde technologie vorderde, werden deze tools vervangen door Excel-spreadsheets en uiteindelijk enige standalone computervoorzieningen om betere kwaliteitsdata en analyse te bieden. Maar de registratie en metingen bleven handmatig en vatbaar voor menselijke fouten en vooroordelen. De data zelf was vertraagd, onnauwkeurig en minder actionable.

Eén van onze klanten deelde onlangs enkele papiergebaseerde documenten die ze vulden om downtime-gebeurtenissen te tracken. Ze automatiseren dit proces nu met MachineMetrics. Lees hun volledige verhaal hier.

2. Geautomatiseerde Dataverzameling

Geautomatiseerde dataverzameling is onderdeel van de digitale transformatie van de productie. Dit concept omvat het verzamelen van realtime data direct vanaf de machine met behulp van apparaten en sensoren. In de loop van de tijd begonnen veel OEM-leveranciers geautomatiseerde dataverzameling toe te voegen aan hun apparatuur.

Hoewel dat de dataverzameling verbeterde, was het nog steeds een gefragmenteerd proces door legacy systemen die handmatige data-invoer vereisten en software die niet verbonden was met realtime data-verzamelapparaten.

Vandaag de dag gebruiken fabrikanten machine data platforms om autonoom productiedata te verzamelen, te standaardiseren en te contextualiseren. Dit levert inzichten voor betere besluitvorming, grotere efficiëntie en optimalisatie van productieprocessen.

Het automatiseren van dataverzameling geeft fabrikanten direct inzicht in productieproblemen en kansen, zonder alle inspanning van verzamelen, standaardiseren en analyseren van data. Bovenstaand is een voorbeeld van een downtime rapport van MachineMetrics.

De Kosten van Handmatige Machine Dataverzameling

Handmatige dataverzameling mag een redelijke korte-termijnbenadering lijken, maar kan voor fabrikanten behoorlijk duur zijn.

Niet alleen zijn handmatige strategieën hoogst inefficiënt, foutgevoelig, onderhevig aan vooroordelen, tijdrovend en met een tijdvertraging, ze maken het ook moeilijk om accurate realtime inzichten te krijgen. Je moet doorgaans wachten tot het einde van de dag, week of maand om een samenvatting van data te krijgen. Dit betekent dat je geen tijdige beslissingen kunt nemen die je productieproces zouden kunnen verbeteren.

Handmatige dataverzameling is ook arbeidsintensief en trekt middelen van de werkvloer af en leidt ze naar niet-waarde-toevoegende taken van sorteren, organiseren en leveren van handmatige data aan de eindgebruiker. Dit beïnvloedt niet alleen je huidige productiviteit, maar voorkomt ook dat mensen kansen identificeren en processen verbeteren.

Feitelijk werkt het volledig tegen het idee van continue verbetering in, omdat het niet alleen tijd wegnemt van je werknemers, maar innovatie volledig in de weg zit.

Naarmate je bedrijf groeit en je meer producten, lijnen en werknemers toevoegt, wordt handmatig data verzamelen steeds duurder. We bekijken deze lijst van steeds groeiende gevolgen hieronder.

Het implementeren van MachineMetrics hielp Avalign Technologies dataverzameling te automatiseren, downtime te verminderen en OEE te verhogen, wat resulteerde in miljoenen dollars aan extra capaciteit. Lees het verhaal van Avalign.

Handmatige Dataverzameling Leidt tot Nog Grotere Problemen

Handmatige dataverzameling is een slechte manier om operationele data te verzamelen. Processen die op papier en spreadsheets steunen, creëren veel problemen voor prestatiematen, waardoor ze "gaten" krijgen, onnauwkeurig zijn en vaak te verouderd om effectief gebruikt te worden. Het neigt een probleem te zijn dat zichzelf verergeren.

Verminderde Productiviteit

Elke potloodstreep of aantekening op papier verlaagt de productiviteit. De variabelen en factoren die operators moeten opschrijven, continueren om de productiviteit aanzienlijk te ondermijnen. Erger nog, hoe complexer de data is, hoe groter de kans op menselijke fouten.

Dit kan een aanzienlijke reductie in bedrijfstijd op per-minuut basis betekenen. Het afleidt operators ook van vitale machineconditiemonitoring en andere taken die kwaliteit en machinegezondheid beïnvloeden.

Dit probleem strekt zich uit tot analyse, waarin al deze data handmatig gecompileerd, gecontextualiseerd en geformatteerd moet worden tot verteerbare rapporten en visualisaties.

Een operator interageert met een MachineMetrics tablet, zodat hij op schema blijft voor verwachte productiedoelen.

Slecht Gebatchde Metrics

De meeste operators en technici realiseren zich de inherent problemen met handmatige dataverzameling. Hierdoor creëren werknemers workarounds om het proces te verbeteren, wat het alleen maar erger kan maken. In plaats van elke voorkomnis te registreren zoals vereist, kiezen veel operators ervoor om het in batches te registreren tijdens een pauze of aan het einde van een shift. Dit kan zich uitstrekkken tot batch-registratie elke paar dagen in plaats van op een regelmatige basis. Als resultaat worden de nauwkeurigheid en betrouwbaarheid van de data verminderd.

Werkneemersverbittering

Handmatige processen voor dataverzameling kunnen werknemersverbittering ontlokken. Aangezien bewegings- en werkmetingen ook handmatig zijn, is het niet ongebruikelijk dat registratietijd wordt weggelaten bij tijdstudies. Werknemers krijgen dan druk om quota te halen, specifieke productiesnelheden te bereiken, en andere doelen te behalen die door het productiebedrijf gesteld worden. Op hun beurt verbitteren ze over de tijd die het kost om te stoppen en hun handmatige data te markeren, omdat het hen weghaalt van essentiële machinefuncties.

Verouderde Informatie

Handmatige data vereist compileren, sorteren, data-invoer, menselijke analyse, en meer om inzichten te bieden voor managers om te gebruiken in besluitvorming. Maar het is soms alleen relevant voor een bepaalde dag, shift of uur. Vaak is handmatige data te verouderd om nuttig te zijn op het moment dat het verwerkt is.

Verder is de data waarschijnlijk slecht beheerd, wat het moeilijk maakt om historische rapportage en analyse uit te voeren.

MachineMetrics kan gebruikt worden om historische rapporten te draaien, alsook om diep te duiken in welke laag je ook inzichten nodig hebt, inclusief op plant-, proces-, machine- of operatorniveau.

Slechte Besluitvorming

Verminderde productiviteit, slechte batch-data, werknemersverbittering en verouderde informatie leiden tot slechte besluitvorming. Als een manager kijkt naar productiesnelheden beïnvloed door een operator die veel van hun tijd kwijtraakt aan data registreren, kunnen ze besluiten dat het arbeidskosten in de hoogte drijft. Of ze kunnen een actie ondernemen gebaseerd op verouderde data die geen echte impact heeft op de operatie.

Onestructureerde Data en Gebrek aan Trends

De handmatig verzamelde data is vaak ongestructureerd. Dit type data maakt het moeilijk om iets anders te doen dan analyse op hoog niveau. Dat mag voor sommige doeleinden prima zijn, maar het is niet genoeg om echt te begrijpen wat er op de werkvloer gebeurt. Je kunt niet repareren wat je niet begrijpt.

Zonder trends is er geen manier om de hoofdoorzaken van problemen te identificeren. Dit is met name belangrijk in lean productie-omgevingen waar kleine problemen snel groot kunnen worden als ze niet onmiddellijk worden aangepakt. Dit zal het identificeren van hoofdoorzaken behoorlijk bemoeilijken.

Een van de pijlers van MachineMetrics is de mogelijkheid om verbinding te maken met en data te verzamelen van elke productieapparatuur. Deze autonoome dataverzameling en standaardisatie zorgt ervoor dat data direct actionable is. Geen noodzaak om data te compileren en te vertalen naar een gemeenschappelijk model. Het is al beschikbaar voor consumptie in vooraf gebouwde rapporten en dashboards.

Beperkt Bereik

Handmatige dataverzameling kan doorgaans niet "inzoomen" en "uitzoomen" op spindel-niveau naar machine-niveau naar fabrieksvloer- of werkvloer-niveau. Het kan ook het vermogen missen om machines te classificeren op product of type. Als resultaat besteden teamleden meer tijd aan het zoeken naar de data die ze nodig hebben, erachter komen wat er daadwerkelijk op de werkvloer gebeurt, en accurate beslissingen nemen. Dit maakt het ook moeilijk om problemen met specifieke machines te vinden en op te lossen.

Menselijke Fouten

Het meest voor de hand liggende probleem met handmatige dataverzameling is menselijke fout. Dit kan eenvoudige fouten zijn zoals omgedraaide nummers, schrijfproblemen, of het vergeten om data te registreren. Het kan ook complexere fouten betekenen zoals verschillen in interpretatie tussen operators op verschillende shifts of het registreren van dezelfde informatie in meerdere formaten.

Onjuiste Hoofdoorzaak

Hoofdoorzaakanalyse is vitaal in elk productiebedrijf. Het is met name belangrijk voor lean manufacturing en bedrijven die steunen op continue verbetering. Met de combinatie van menselijke fouten, tijdrovende niet-waarde-toevoegende taken, en andere problemen geassocieerd met handmatige dataverzameling, kan het uitdagend zijn om een hoofdoorzaak te bepalen.

Stel dat een hoofdoorzaak geïdentificeerd wordt op basis van een tijdstudie die de operator registratietijd niet omvat of een die steunt op verouderde productie-informatie. Dan kan de verkeerde hoofdoorzaakbeslissing de situatie nog erger maken.

Operator Onoplettendheid

Als een operator een stop of een gebeurtenis registreert, wordt hun aandacht afgeleid van het runnen van de machine. Dit kan additionele downtime veroorzaken als een andere stop optreedt tijdens het registreren van de eerste. Nog erger, deze gebrek aan aandacht kan leiden tot gevaarlijke veiligheidssituaties omdat de operator niet gefocust is op de machine.

Operators en Managers kunnen MachineMetrics gebruiken als een "toolbox" om betere, snellere beslissingen te nemen op dagelijkse basis. Verder kunnen ze aangepaste historische rapporten bouwen en realtime machine data gebruiken om automatisering mogelijk te maken.

Onjuiste Data

Menselijke fouten kunnen de kwaliteit van data die op machine-niveau verzameld wordt verlagen. Maar die onjuiste data die van afdeling naar afdeling wordt doorgegeven of in een ERP-systeem wordt ingevoerd, kan resulteren in de verkeerde beslissingen die binnen het bedrijf worden genomen. Onjuiste data beïnvloedt inkoop, voorraadrnauwkeurigheid, planning, en uiteindelijk levering. Wanneer data niet betrouwbaar en nauwkeurig is, kan het de concurrentiekracht beïnvloeden en kosten in de hoogte drijven.

Handmatige Strategieën Maken Plaats voor Geautomatiseerde Oplossingen

De problemen geassocieerd met handmatige dataverzameling lopen tegen wat de productieindustrie in de decennia sinds de eerste industriële revolutie geleerd heeft. OEM-bedrijven bouwen al ingebouwde geautomatiseerde dataverzamelingsmogelijkheden in nieuwe apparatuur.

Deze functionaliteit werkt met het MachineMetrics Machine Data Platform om machineprestaties en -condities direct vanaf de machine te verzamelen.

Legacy systemen zoals analoge apparatuur kunnen ook aan het verbonden ecosysteem worden toegevoegd om complete productiemonitoring over alle machines binnen een bedrijf toe te laten.

De handwriting is op de muur voor handmatige dataverzameling. Naarmate bedrijven hun marktaandeel en competitieve rand willen verbeteren, zal handmatige dataverzameling niet overleven.

Uw Concurrenten Rollen Digitale Oplossingen Uit. Bent U Erbij?

Data moet relevant, nauwkeurig, tijdig, toegankelijk, interoperabel en transparant zijn. Handmatige dataverzameling is niet in staat om aan een van deze eisen te voldoen, laat staan aan allemaal.

Geautomatiseerde productietechnologie zal handmatige dataverzameling verouderd maken. Digitale oplossingen kunnen handmatige verzameling elimineren en operators, technici en managers in staat stellen processen te optimaliseren en efficiëntie te verhogen.

Dit wordt gedaan door best-in-class platforms te benutten die connectiviteit over alle apparatuur mogelijk maken. Deze oplossingen verzamelen, organiseren, structureren en analyseren data op basis van zakelijke behoeften en leveren het terug aan gebruikers met realtime inzichten.

Geautomatiseerde productietechnologie elimineert alle problemen inherent aan handmatige dataverzameling. Personeel is niet meer nodig om data te verzamelen, sorteren, invoeren en analyseren, dus arbeid is niet meer vereist voor niet-waarde-toevoegende verwerking.

Realtime shopfloor dashboards bieden toegankelijkheid aan alle stakeholders op de werkvloer, waardoor mensen betere, snellere beslissingen kunnen nemen op dagelijkse basis.

De Kracht van Realtime Data Ontgrendelen met MachineMetrics

MachineMetrics begrijpt dat accurate, tijdige data de sleutel is tot geweldige productieprocessen. Handmatige dataverzameling kan geëlimineerd worden met het MachineMetrics Machine Data platform, wat schone, accurate data en realtime analytische inzichten levert.

De resultaten zullen u helpen processen te optimaliseren, productiviteit te verhogen en operaties te verbeteren. Feitelijk ziet onze gemiddelde gebruiker een 20% toename in efficiëntie. Geïnteresseerd om te zien hoe het voor uzelf werkt? Boek vandaag nog een demo om te leren hoe we u kunnen helpen uw digitale transformatie te versnellen en de noodzaak voor klemborden, pennen en spreadsheets te elimineren.

Automatiseer Dataverzameling met MachineMetrics

Boek een Demo