如何通過預測性維護來提高機器的投資回報率

早在物聯網（IoT）概念出現之前，Eliyahu M.Goldratt就寫了一本關于制造業的最好的書。

Goldratt在其著名的著作《The Goal》中用一個簡單的句子解釋了每個制造商可以實作的最高目标是：

“通過增加淨利潤來賺錢，同時增加投資回報率，增加現金流。”

從制造流程中剔除變量之一（收入，利潤，現金流），您的制造投資回報率就會失敗。

其他的一切，包括機器、自動化和人力，對你的制造業的貢獻最終都會映射到這個目标上。

但這對你的業務意味着什麼？你的制造業投資回報率是高還是低，還是盈虧平衡？你怎麼衡量呢？

在這篇文章中，我們将讨論一些直接有助于提高您的制造業投資回報率的因素，以及當您的流程處于次優狀态時所發生的後果。

制造業投資回報率低

Aberdeen Group最近的一份報告發現，計劃外機器停機的平均成本為每小時260,000美元。

如果你把每年的數字加起來，這個數字可以達到數十億。

在任何發現其資産故障和意外維修成本相當高的制造工廠中環顧四周。我可以保證您會發現導緻機器頻繁停機的以下情況：

1）模棱兩可的工作指令

2）裝置維護不良

3）人為錯誤

4）懶散的改變（Lackadaisical changeovers）

5）提前停産

6）人員頻繁休息

7）設定時間長（Long set-up time）

8）機上壓力檢查（On-machine press checks）

9）缺乏停機資料記錄

然而，這些僅僅是原因。後果可能更加慘重。例如，計劃外的機器停機時間可能會使您的生産效率降低幾天，或者使您遭受以下挫折：

1）維修費用增加

2）延遲生産

3）總體裝置效能(OEE)

更不用說這些挫折将不可避免地導緻總擁有成本（TCO）增加和低産值。

但還有希望。

頂級制造工廠已開始使用預測性維護系統來改善OEE，并降低間接維護成本，以避免生産延誤。

但是預測性維護到底是什麼呢？

它是你插入你的制造技術堆棧的另一台機器嗎?

并不是的。

預測性維護系統使用狀态監視工具幫助制造企業跟蹤處于空閑、正常和峰值性能狀态的任何裝置的性能。

可以将其視為由AI驅動的水晶球，供制造商預測未來。

從在不同條件下運作的機器中收集的資料可以幫助您計劃将來的維護計劃，并防止突然的機器故障或停機。

而且它不像你工廠裡的其他機器一樣需要照看。物聯網驅動意味着（在很大程度上）智能和自給自足。

這也意味着它不會像你的人類員工那樣每30分鐘休息一次。

預測性維護的工作原理

預測性維護嚴重依賴于物聯網。将IoT裝置和傳感器連接配接到制造裝置後，它将開始記錄機器的實時性能資料。

例如，以下是IoT傳感器通過實時監視機器捕獲的一些裝置資料：

1）振動

2）溫度

3）壓力

4）化學成分

5）液體/固體水準

傳感器收集到以上資訊後，它将自動将資料推送到雲平台，然後将其饋送到支援AI或ML的系統中。資料被分析處理，并根據目前和過去的資料模式預測未來的問題。

最後，資料到達維護專家，以便他們的團隊可以針對未來的停機時間制定應急計劃。

這對制造工廠意味着什麼？

制造企業沒有理由不使用預測性維護。另一方面，他們有很多理由這樣做。

例如，使用預測性維護可以保證以下幾點：

1）捕獲準确的實時資料

2）預測機器停機時間

3）更高的透明度

4）減少/避免生産延遲

5）增加産量

6）降低維修成本

7）提高機器效率

8）提高操作員安全性

9）提升整體利潤

多年來，企業一直在花費巨額資金修複機器故障或削減營運成本。

以工廠中的房間經理和操作員為例。他們定期安排機器的維修和保養，認為這将有助于防止停機。

他們沒有意識到的是，如果他們總是找錯方向，那麼再多的錢也無法讓他們實作利潤目标。

預防性維護可能并不完美，但這是一種比猜測營運停機時間更出色的解決方案。

更好地解決長期存在的問題

簡單地說，實作基于IoT的預測維護政策将使您的操作效率處于autopilot狀态。

它将為您的業務完成所有繁重的工作，識别停機模式、自動化所有團隊/系統的實時資料，并為您解釋資料。

你所要做的就是根據預測資料制定故障安全計劃。這正是工業4.0的預測性維護的意義所在。

工廠中的房間可以利用工廠中的房間中的預測分析來監視那些人類難以監視和幹預的區域的機器。

下面，讓我們看一些示例，說明如何在不同的用例中應用預測性維護。

制造業

各個行業的制造商都使用基于狀态的監控來收集實時機器資料，以評估它們的性能。該技術使這一過程無縫、無需人工幹預，而且準确。

如果沒有諸如預測性維護的物聯網解決方案系統，企業幾乎不可能雇用人員來以極快的速度收集此類資料集并對其進行分析。

化學工業

如果有哪個行業對最微小的部分的控制和記錄儲存要求非常嚴格，那一定是化工廠。

化工企業還需要不斷監測和分析大量的資料。對他們來說，依賴任何不準确的資料處理都會導緻緻命的後果。

這意味着他們必須一緻地收集大量資料流以確定最佳的裝置性能。預測分析與機器學習的結合可以使化工廠獲得所需的數字可靠性。

輪胎制造

我們生活在一個快速發展的世界，這個世界靠輪胎運轉。鑒于制造輪胎的複雜性不斷增加，以滿足電動汽車和自動駕駛汽車不斷增長的需求，輪胎的受歡迎程度不會在短期内放緩。

輪胎制造商或許正在重新發明車輪，但如果沒有創新的挑戰，他們就不會這樣做。對于一個處于創新驅動位置的行業來說，跟上技術效率的速度是非常重要的。

輪胎制造是一個複雜的過程：它從混合和冷卻橡膠開始，然後進行更複雜的過程，例如擠出，切割，輪胎成型，硫化和貼标簽。 整個制造過程需要過程穩定性和能效。

預測維護和分析的使用可以幫助他們精确地自動化操作過程，提高操作效率。

管道制造

就像輪胎制造商一樣，管道制造商會處理很多溫度、形狀和尺寸的變化。

但是這個行業的參與者也面臨着獨特的挑戰。管道制造是一個競争激烈的市場，因為與其他垂直行業相比，進入壁壘相對較低。

是以，對于管材制造企業來說，生産一流的産品對于自身發展競争優勢至關重要。

當每一個管道制造商都在為達到這一水準而奮鬥的時候，幸運的是那些能夠使用預測分析來領先于對手的制造商。

例如，使用預測性維護技術可以幫助管道制造商主動監控生産過程，并避免可能導緻缺陷批次的問題。

提高制造投資回報率

如今，大多數制造業企業已經開始在其生産過程中實施基于IoT的預測解決方案。這些企業在提高産品品質和銷量方面享有先行者的優勢。

你如何衡量你的制造投資回報率？你想利用預測維護和物聯網的尖端技術來提高你的生産效率嗎？

原文連結