Для производителей появляются новые возможности охватить промышленный интернет вещей (IoT) и перейти на операции технического обслуживания от реактивной модели до прогнозируемой.
Предприятиям необходимо действовать сейчас, чтобы оценить, как новые технологии вписываются в их долгосрочные стратегии производства, и использовать эти изменения - или они рискуют застрять на неправильной стороне сбоев. Кевин Булл (Kevin Bull), директор по стратегии продуктов, Columbus UK, объясняет, как прогностическое обслуживание трансформирует производство, и каким технологическим предприятиям необходимо сосредоточиться, чтобы опередить конкуренцию.
Существует огромный толчок к Индустрии 4.0 с производителями всех размеров, которые хотят внедрять новые технологии, такие как ИИ, машинное обучение и расширенную аналитику данных как часть их цифровой трансформации. В нашем недавно опубликованном отчете «Производство 2020» компании упомянули о гибкости производства, сократили расходы и увеличили выпуск продукции в качестве долгосрочных преимуществ улучшенной заводской связи. Эволюция обслуживания активов будет играть большую роль в достижении этих целей.
Разработка концепции IoT производства
Промышленный Интернет вещей (IIoT) обеспечивает основу, на которой могут развиваться дальнейшие разрушительные технологии и способствовать улучшению методов обслуживания. Внедрения IIoT, контролирующие температуры, вибрации или влажность датчиков, встроенных в оборудование на заводе, все они генерируют большие объемы данных в режиме реального времени. Это раскрывает новые знания о процессах и субпроцессах, которые мы никогда не могли уловить раньше и может кардинально изменить то, как мы планируем и прогнозируем требования к обслуживанию. Как только эти данные будут собраны в облачной системе, они могут быть проанализированы для определения состояния оборудования, мониторинга эффективности и обнаружения сбоя компонентов. Достижение этого поставило бы организацию на карту цифровых преобразований. Однако, чтобы опередить конкурентов, им тоже нужно будет задуматься. Они не могут предсказать, где произойдут препятствия в производстве, или какой способ организации обслуживания будет наиболее экономичным по вине, которую они не могут увидеть, - но машины могут.
Диагностическое обслуживание — это постоянное обучение
По мере того, как все больше производителей внедряют IIoT, создаются новые возможности для обслуживания, чтобы перейти от традиционной реактивной модели к предиктивной и начать оказывать положительное влияние на время безотказной работы оборудования и качество продукции. При оперативном обслуживании, если в результате отказа оборудование неожиданно отключается, происходит повреждение производительности что в свою очередь создает дальнейший пагубный эффект на производственной цепочке. В отличии от этого, прогностическое обслуживание обеспечивает баланс между реактивным и чрезмерным обслуживанием, выявлением и устранением потенциальных проблем до того, как оборудование сломается, без чрезмерных затрат на чрезвычайные ситуации или даже чрезмерное обслуживание. ИИ и машинное обучение представляют собой еще один шаг к действительно диагностическому обслуживанию. На основе огромных объемов данных, собранных на заводе, можно улучшить аналитику данных, чтобы отфильтровать аномальную информацию, обнаружить скрытые или лежащие в основе шаблоны и более точно проектировать надежность оборудования - и соответственно отрегулировать графики технического обслуживания.
Данные являются жизненной основой цифровой трансформации
Продвинутая аналитика данных станет ключом к выявлению любых проблем, возникающих при прошивке, при развертывании нового, полностью оцифрованного оборудования и систем. Анализ эффективности новых технологий и их влияние на существующие бизнес-процессы могут помочь будущим предприятиям в борьбе с дальнейшим цифровым сбоем и управлять воздействием вновь развернутых решений. Преимущества улучшенных возможностей анализа данных сразу становятся очевидными в нескольких бизнес-процессах. Это было так, когда Domino Printing Sciences обновили свои корпоративные системы, чтобы приспособить больше информации, ориентированной на данные. «Мы используем данные в реальном времени в производственном процессе, чтобы повысить производительность при использовании автоматизированного тестового оборудования. Это исключает субъективную оценку человека и подталкивает продукт на каждом этапе, а не фиксирует его в конце процесса», - сказал Карл Хейкок (Carl Haycock), директор по принтерам в Великобритании. В сочетании с машинным обучением аналитика данных может помочь улучшить доступность, бесперебойную работу и срок службы активов - помогая организациям сократить расходы, повысить эффективность работы и опираться на принятие решений, основанных на данных. При правильном использовании эти разрушительные технологии обеспечат более широкие бизнес преимущества для производителей, от цеха и обслуживания клиентов до моделей предоставления услуг.
