Digitale productieteams transformeren met real-time datainzichten

De vierde industriële revolutie biedt de mogelijkheid om enorme hoeveelheden real-time data uit productieprocessen te verkrijgen, en het potentieel om bijna elk oppervlak in een sensor voor dataverzameling te transformeren. Maar levert deze rijkdom aan data de kennis die digitale teams nodig hebben om hun activiteiten te optimaliseren?

In deze film bespreken Senseye's Alexander Hill en Rob Russell samen met Dr. Hannah Edmonds van het Manufacturing Technology Centre, Jim Davison van Make UK, en Peter Gagg van MCP Consulting Group welke data fabricanten moeten verzamelen en hoe, hoe bestaande datasets herbruikt kunnen worden voor nieuwe inzichten en meer waarde, en hoe processen zoals onderhoud herschreven kunnen worden naar de behoeften van ingenieurs op de werkvloer.

Transcript

Alexander Hill, Senseye: Ik zou graag zeggen: "U heeft de data, en dan kan het los." Helaas zien we dat veel organisaties te veel data hebben. De uitdaging is uitvinden wat de juiste data is en wat u daaruit moet begrijpen.

Dr. Hannah Edmonds, Manufacturing Technology Centre: Er zit een uitdaging in het hebben van een rijkdom aan data – we kunnen een stadium van dataverzadiging bereiken: te veel van een goed ding.

Rob Russell, Senseye: Vanuit voorspellend onderhoud perspectief: het sleutelaspect is condition monitoring data verzamelen waarmee we de toestand van machines kunnen beoordelen. Maar net zo belangrijk als die sensorinformatie is, is het cruciaal dat data met context en op het juiste moment wordt verzameld.

Dr. Hannah Edmonds: Condition monitoring en analytics kunnen een meer proactieve aanpak van onderhoud mogelijk maken. Niet wachten tot een fout optreedt, maar proberen te identificeren wanneer de conditie van apparatuur over tijd verslechtert.

We kunnen apparatuur instrumenteren, data verzamelen, operaties monitoren om productie-inzichten te krijgen om deze falen te voorkomen – voorafgaand aan het probleem ingrijpen.

Peter Gagg, MCP Consulting Group: Ieders eerste gedachte is dat sensordata alles is wat u nodig hebt voor een voorspellend onderhoudsprogramma. Maar er zijn veel andere datatypen die al in een bedrijf bestaan.

Data uit building management systems, apparatuurhistorie, data uit PLC's, manufacturing execution systems, OEE-systemen, etc. Naast de gebruikelijke trilling, temperatuur, druk, stroom, spanning.

Het gaat erom alles samen te voegen, de parameters te identificeren die u echt nodig heeft in het voorspellende regime, en te kijken hoe ze allemaal met elkaar verbonden zijn.

Jim Davison, Make UK: Het gaat allemaal om de cruciale parameters in uw proces, machine of product echt te begrijpen. Begrijp wat de inputs zijn die beïnvloeden of een onderdeel goed of slecht is, of een machine betrouwbaar en herhaaldelijk op naamplaatcapaciteit kan draaien.

Zodra u dat begrijpt en uw proces kent, kunt u de data vastleggen die belangrijk is en de parameters kunt beïnvloeden die u zoekt. En dat op een nuttige manier weergeven.

Alexander Hill: In moderne industriële apparatuur is er al veel data beschikbaar en vastgelegd. Dingen als stroom, temperatuur, druk, cyceltijden. Dit kan eigenlijk voor condition monitoring gebruikt worden, maar wordt vaak alleen voor procescontrole gebruikt.

We nemen deze metingen en gebruiken ze om machinegezondheid te begrijpen. We bouwen automatisch modellen van de machines met de beschikbare data. Dan helpen we klanten begrijpen waar ze op moeten letten vanuit machineperspectief. Zonder "kijk al deze raw data" te zeggen, halen we het eruit, abstraheren het, en zorgen ervoor dat ze begrijpen welke assets – uit honderden en duizenden – ze aandacht moeten geven.