Ontgrendel operationele uitmuntendheid met ATS Manufacturing Data Analytics

Onderzoek en beste praktijken

Productiegegevensanalyse:gegevens omzetten in operationeel inzicht

Elk productiemiddel (van machines en systemen tot sensoren en software) genereert gegevens. Volgens recent onderzoek creëren industriële ondernemingen wereldwijd al meer dan 1,9 ZB aan gegevens per jaar en liggen ze op koers om tegen 2030 4,4 ZB aan gegevens te produceren.

De uitdaging is om big data bruikbaar te maken. Zoals uit een onderzoek van Dun en Bradstreet blijkt, zegt slechts 36% van de fabrikanten dat ze op basis van hun bestaande gegevens weloverwogen zakelijke beslissingen kunnen nemen. 

Analyse van productiegegevens helpt de kloof te overbruggen tussen onbewerkte gegevens en bruikbare inzichten. Analytics-frameworks kunnen directe operationele problemen identificeren, opkomende trends volgen en aanbevelingen doen om de prestaties van de productielijn te optimaliseren. Analytics zijn essentieel om operationele uitmuntendheid te leveren en concurrerend te blijven op evoluerende industriële markten. 

Analyse van productiegegevens is de praktijk waarbij gegevens worden gebruikt om de productieprestaties te evalueren, voorspellen en optimaliseren. Analytics is niet beperkt tot productieprocessen; het is ook van toepassing op onderhouds-, kwaliteitscontrole-, toeleveringsketen- en technologieactiviteiten. 

In de praktijk helpt analytics bedrijven een beter inzicht te krijgen in de manier waarop assets binnen de organisatie functioneren en met elkaar interacteren. Stel je een fabrikant voor die een scherpe toename ziet in het aantal mislukte kwaliteitscontroles voor een zeer gespecialiseerd onderdeel. In de afgelopen zes maanden is het aantal componenten dat niet voldoet aan de kwaliteitscontroles vervijfvoudigd. Een vluchtige analyse van het probleem laat geen consistent faalpunt zien; problemen lijken willekeurig en los van elkaar. 

Diepere data-analyse suggereert echter dat een periodieke fout in lopende bandsystemen de hoofdoorzaak is. Uit verder onderzoek blijkt dat deze fout in de loop van de tijd steeds erger wordt. Met deze informatie kunnen teams gerichte actie ondernemen om het probleem op te lossen en de noodzaak voor herwerk te verminderen.

Typen analyse van productiegegevens

Er zijn vier veel voorkomende typen analyse van productiegegevens:beschrijvend, diagnostisch, voorspellend en prescriptief. Samen helpen deze analysetypen bedrijven te begrijpen wat er gebeurt, waarom het gebeurt, wat er waarschijnlijk daarna zal gebeuren en welke actie ze moeten ondernemen. 

• Beschrijvende analyses :  Beschrijvende analyses helpen bedrijven te begrijpen wat er gebeurt; ze zijn een beschrijving van huidige of historische gebeurtenissen. Hier is een voorbeeld. Een verpakkingsmachine heeft last van onverwachte stilstand. Beschrijvende analyses evalueren de werking en geven een beschrijving:Gemiddeld ontvangt de machine elke twee dagen ongeldige invoer, waardoor deze uitvalt totdat deze opnieuw wordt opgestart door een technicus. Hoewel de meeste fabrikanten toegang hebben tot beschrijvende analyses, stoppen velen daar. Hierdoor vliegen ze feitelijk blind. Ze weten wat er gebeurt, maar ze weten niet waarom, ze weten niet wat er daarna komt en ze weten niet zeker hoe ze het probleem moeten oplossen. 

• Diagnostische analyses:  Diagnostische analyses graven dieper om te ontdekken waarom gebeurtenissen plaatsvinden. In het geval van onze verpakkingsmachine brengt diagnostische analyse een probleem aan het licht met de instructies van de Programmable Logic Controller (PLC), waardoor deze fout onder specifieke omstandigheden wordt geactiveerd. 

• Voorspellende analyses :  Voorspellende analyses evalueren mogelijke resultaten en hoe waarschijnlijk het is dat deze zich zullen voordoen. Hiervoor is toegang nodig tot zowel huidige als historische gegevens, waardoor software voor productieanalyse meerdere factoren tegelijk kan evalueren. Het uitvoeren van een voorspellende analyse geeft aan dat hetzelfde type fout zal blijven bestaan ​​en in de loop van de tijd waarschijnlijk vaker zal voorkomen. Bovendien zal het voortdurend opnieuw opstarten van de verpakkingsmachine een negatieve invloed hebben op de resterende levensduur (RUL). 

• Prescriptieve analyses:  Prescriptieve analyses helpen identificeren welke acties moeten worden ondernomen; ze schrijven een behandelingskuur voor die het probleem zou moeten oplossen. In het bovenstaande voorbeeld kan dit een herprogrammering van de PLC zijn of een vervanging als het apparaat verouderd is of niet meer wordt ondersteund. 

Belangrijke gegevensbronnen in productieanalyses

Effectieve analyses zijn afhankelijk van gegevens uit meerdere bronnen uit apparatuur, onderhouds- en productiesystemen. Hoewel gegevens uit één bron enig inzicht bieden in de werking van machines en de systeemprestaties, bieden ze slechts een beperkte waarde. Dit komt omdat afzonderlijke gegevensbronnen een beperkte reikwijdte hebben:gegevens verzameld uit een elektrisch subsysteem kunnen teams precies vertellen wat er gebeurt met stroomaansluitingen en spanningsveranderingen, maar als de oorzaak van de problemen buiten het systeem zelf ligt, wordt het spoor koud. 

Door meerdere bronnen te gebruiken, zijn fabrikanten beter toegerust om belangrijke trends te volgen, analyseren en beheren. Veel voorkomende bronnen zijn onder meer: 

• Apparatuur- en sensorgegevens:  Apparatuur zelf is een bron van gegevens. PLC's die zijn aangesloten op geautomatiseerde onderhoudsbeheersystemen (CMMS) en enterprise asset management (EAM)-oplossingen, bieden vrijwel realtime updates over de staat en prestaties van de machine. Aangesloten IIoT-sensoren, zoals die zijn ontworpen om temperatuur, trillingen, druk en wrijving te meten, kunnen bedrijven helpen potentiële problemen op te sporen voordat ze zich voordoen. 

• Onderhouds- en betrouwbaarheidsgegevens:  Historische gegevens, zoals onderhoudsgegevens en betrouwbaarheidsevaluaties, bieden context voor de huidige bedrijfsvoering. Machines die niet regelmatig worden onderhouden, lopen bijvoorbeeld een groter risico om zonder waarschuwing uit te vallen. 

• Productie- en doorvoergegevens:  Gegevens over de werklast bieden extra inzicht. Als apparatuur continu draait zonder geplande pauzes voor reiniging of onderhoud, neemt het uitvalpercentage toe. Dit kan te maken hebben met het verhogen van de productiedoelstellingen of de doorvoerverwachtingen, waardoor bedrijven een reactievere benadering van het onderhoud van storingen hanteren. 

• Kwaliteitsinspectie en testgegevens:  Het feit dat machines niet kapot gaan, betekent niet dat ze werken zoals bedoeld. Productkwaliteit en testgegevens bieden belangrijke informatie over de output van apparatuur. Als uit regelmatige tests bijvoorbeeld blijkt dat assets voldoen aan de productiedoelen, maar 1 op de 10 componenten de kwaliteitscontrole-inspecties niet doorstaat, kan het de moeite waard zijn om machines tijdelijk offline te halen voor een volledige inspectie. 

• Voorraad- en supply chain-gegevens:  Trends op grotere schaal spelen ook een rol bij productieanalyses. Als bedrijven door problemen met de toeleveringsketen zonder de benodigde materialen komen te zitten, zullen zelfs goed presterende machines de productiedoelstellingen niet halen. En als de MRO-strategieën voor activabeheer beperkt zijn (of niet bestaan), kunnen reparaties aan apparatuur extra tijd vergen om essentiële componenten te verkrijgen, verzenden en ontvangen.  

Hoe productieanalyses de operationele prestaties verbeteren

Analytics helpt bedrijven de punten met elkaar te verbinden:als X voorkomt, is Y het waarschijnlijke resultaat, terwijl Z mogelijk is. Factoren A, B en C beïnvloeden de waarschijnlijkheid en herhaalbaarheid van de gebeurtenis. Deze patroonherkenning biedt meerdere voordelen, zoals: 

• Verbeterde efficiëntie en doorvoer 

• Minder downtime en variabiliteit 

• Beter gebruik van hulpbronnen en voorspelbaardere bewerkingen

• Snellere, beter geïnformeerde besluitvorming 

De rol van data-analyse bij onderhoud en betrouwbaarheid

Een hogere uptime ondersteunt de productieprestaties rechtstreeks. Minder downtime betekent intussen minder inspanning en minder middelen die worden besteed aan reactief onderhoud. Geavanceerde data-analyse maakt beide mogelijk. Uitgerust met tijdige en nauwkeurige gegevens kunnen bedrijven: 

• Patronen en trends identificeren:  Patronen en trends bieden inzicht in wat er al is gebeurd en helpen bedrijven te voorspellen wat er daarna gaat gebeuren. Met deze informatie kunnen onderhoudsteams actie ondernemen om ongeplande downtime te verminderen. 

• Ondersteuning van voorspellend en toestandgebaseerd onderhoud:  Realtime conditieanalyse maakt conditiegebaseerd onderhoud mogelijk. Als er bijvoorbeeld plotselinge temperatuurpieken worden gedetecteerd, kunnen teams apparatuur proactief offline halen om het probleem op te lossen. Als er meer geleidelijke veranderingen worden vastgesteld, kunnen teams een voorspellend onderhoudsplan opstellen om het probleem aan te pakken tijdens regelmatig geplande reparaties. 

• Geef prioriteit aan onderhoudsactiviteiten:  Gegevens helpen teams bij het prioriteren van onderhoudsactiviteiten. Kleine problemen kunnen worden opgelost tijdens maandelijkse of driemaandelijkse reparaties, terwijl bedrijfskritische problemen kunnen worden opgelost zodra de benodigde onderdelen voorhanden zijn. 

• Verbeter het levenscyclusbeheer van assets:  De RUL van apparatuur varieert op basis van werkbelasting, omgevingsomstandigheden en defecten aan onderdelen. Gegevensanalyse helpt bij het identificeren van mogelijke problemen die de RUL verlagen en lost deze op om de resterende levensduur te verlengen, waardoor het levenscyclusbeheer van assets wordt verbeterd. 

• Reduceer reactief onderhoud:  Reactief onderhoud is duur en tijdrovend. Waarom? Omdat het pas begint als de machines stoppen. Wanneer zich fouten voordoen, starten teams het proces van analyse van de hoofdoorzaken (RCFA) en herstel. Dit kan dagen of weken duren, waardoor machines offline blijven en de productieprestaties afnemen. 

Big data-analyse helpt bij het voorspellen en voorkomen van veelvoorkomende fouten om reactief onderhoud te verminderen. Simpel gezegd vormen gegevens de basis van proactieve en preventieve onderhoudsstrategieën waarmee bedrijven kunnen handelen voordat problemen de productieprestaties beïnvloeden. Deze strategieën zijn essentieel om productielijnen te optimaliseren, reactieve uitgaven te verminderen en de levensduur van apparatuur te verbeteren. 

Gegevensanalyse en productie 4.0

Data-analyse speelt ook een fundamentele rol in Manufacturing 4.0-initiatieven. Vaak gebruikt als een productiespecifieke manier om Industrie 4.0-initiatieven te beschrijven, verbindt Manufacturing 4.0 middelen, processen en systemen om onderling verbonden en interoperabele productieframeworks te produceren die digitale transformatie op schaal mogelijk maken. 

Deze digitale transformatie is noodzakelijk voor bedrijven om de veranderende klantverwachtingen, veranderende supply chain-vereisten en altijd verbonden workflows effectief te kunnen beheren. Data-analyse ligt aan de basis van deze transformatie. 

Ten eerste stelt data-analyse organisaties in staat IIoT-sensoren te verbinden met andere verbonden middelen. Dit biedt een holistisch beeld van de bedrijfsvoering, waardoor exploitanten van apparatuur en onderhoudsteams problemen snel kunnen identificeren en rapporteren. In dezelfde geest maken analyses realtime prestatiemonitoring mogelijk. Deze monitoring kan per apparaat worden aangepast, waardoor teams specifieke statistieken of KPI's kunnen volgen, zoals de gemiddelde tijd tussen storingen (MTBF) of de gemiddelde tijd tot reparatie (MTTR). 

Data-analyse ondersteunt ook de inzet van toepassingen voor kunstmatige intelligentie (AI) en machine learning. Ten eerste kunnen bedrijven data-analyse gebruiken om AI-outputs te evalueren en verifiëren. Hoewel intelligente tools uitblinken in het ontdekken van patronen, moeten hun resultaten nog steeds worden gevalideerd aan de hand van operationele gegevens.  

Analytics kan bedrijven ook helpen de best passende functies voor AI te identificeren. De aard van intelligente tools maakt het gemakkelijk voor fabrikanten om te veel geld uit te geven aan nieuwe programma's en platforms die een lage toegangsdrempel hebben, maar een beperkte bedrijfswaarde bieden. Met behulp van analyses kunnen teams potentiële AI-gebruiksscenario's identificeren en evalueren. 

Ten slotte vormt data-analyse de weg voor closed-loop-optimalisatie en continue verbetering. Veel productieprocessen zijn van nature gesloten kringlopen. Hoewel het bijvoorbeeld de moeite waard is om te begrijpen hoe activa van de productielijn met elkaar omgaan, beginnen verbeterde prestaties met een gesloten-lusanalyse van de efficiëntie, betrouwbaarheid en nauwkeurigheid van apparatuur. Analytics helpt bedrijven een totaalbeeld te krijgen van kleinere, gesloten processen. 

Door gegevens uit meerdere gesloten-loopprocessen te combineren, wordt de weg geëffend voor de ontwikkeling van routekaarten voor continue verbetering, waarin realtime gegevens worden gecombineerd met een langetermijnstrategie.

Aan de slag met analyse van productiegegevens

Voor veel bedrijven kan het overweldigend zijn om aan de slag te gaan met de analyse van productiegegevens. Met zoveel gegevens uit zoveel assets kan het najagen van bruikbare inzichten een verspilling van tijd en geld lijken.  

Vijf best practices kunnen helpen het proces te stroomlijnen. 

1. Begin met duidelijke zakelijke vragen:  Eerst vragen, dan uitvoeren. Identificeer kritieke apparatuur met een hoog uitvalpercentage en stel vervolgens duidelijke vragen die datagestuurde antwoorden nodig hebben, zoals 'Waarom treedt er een X-storing op?', 'Wanneer is het Y-probleem begonnen?' of “Wat is de beste manier om Z op te lossen?” 

2. Focus op gebruiksscenario's met grote impact:  Niet alle machines zijn even belangrijk voor de productie. Hoewel een storing op een back-upverpakkingsmachine de doorvoervolumes kan verlagen, ontspoort dit de activiteiten niet. Plotselinge stilstand van belangrijke assemblageapparatuur veroorzaakt intussen zowel onmiddellijke gevolgen als knelpunten stroomafwaarts. Door zich te concentreren op gebruiksscenario's met grote impact kunnen bedrijven het risico op dure downtime verkleinen.

3. Gebruik proefprojecten om waarde te bewijzen:  Begin klein om de waarde te bewijzen. Selecteer een kritieke machine om te analyseren en identificeer vervolgens de belangrijkste gegevensbronnen. Voer de cijfers uit, implementeer de suggesties en volg de resultaten. Indien succesvol:opschalen. Zo niet, probeer het dan opnieuw. 

4. Bouw mogelijkheden stapsgewijs op:  Omdat productieprocessen van nature onderling afhankelijk zijn, kan te veel en te snel proberen complexiteit te creëren en de zichtbaarheid van gegevens te verminderen. Denk diep na in plaats van breed te gaan; bouw capaciteiten stapsgewijs op door u eerst te concentreren op de belangrijkste apparatuur en een afgemeten aanpak te volgen bij de uitbreiding over de productielijnen heen. 

5. Analyse afstemmen op operationele doelen:  Data-analyse biedt de meeste waarde wanneer deze is afgestemd op operationele doelstellingen. Als uitvoer van hoge kwaliteit uw topprioriteit is, concentreer u dan niet op snelheid. Evalueer gegevens in plaats daarvan door de lens van kwaliteitscontrole en geef kwaliteitsgerelateerde KPI's een hoger gewicht dan hun snelheids- of kostentegenhangers. 

Zet informatie om in een productievoordeel

Gegevensanalyse van productieactiviteiten, prestaties, efficiëntie en connectiviteit is een strategische mogelijkheid die realtime besluitvorming mogelijk maakt, de veerkracht van apparatuur verbetert en de weg vrijmaakt voor nieuwe oplossingen zoals AI en automatisering. Waar het op neerkomt? Data-analyse stimuleert de uitmuntendheid van de moderne productie-industrie.  

ATS helpt fabrikanten data-analyse toe te passen om slimmere beslissingen te nemen en digitale transformatie te ondersteunen. Laten we praten. 

Referenties

ABI-onderzoek. (Q3 2024). Datageneratie door de maakindustrie. https://www.abiresearch.com/news-resources/chart-data/manufacturing-industry-amount-of-data-generated 

Dun &Bradstraat. (2025). De datavertrouwenscrisis in de productie. https://www.dnb.co.uk/blog/supplier-risk/manufacturing-data-quality-ai-failure-gap.html  

Bronnen

Ontdek de nieuwste best practices, trends en nieuws op het gebied van industrieel onderhoud van ATS en leer van experts uit de industrie en toonaangevende fabrikanten.

Laten we praten