Analisis Prediktif dalam Manufaktur:Kasus Penggunaan dan Manfaat
Selama beberapa dekade, produsen telah menggunakan data sebagai cara untuk mendapatkan keunggulan kompetitif. Mungkin perubahan terbesar saat ini adalah bagaimana data dikumpulkan. Beberapa perusahaan memiliki teknisi yang berjalan di sekitar pabrik untuk memeriksa pengukur, mengisi formulir, dan menuliskan riwayat operasi dan pemeliharaan untuk mesin. Semua metode pengumpulan dan penggunaan data yang membosankan, rawan kesalahan, dan tidak akurat untuk mendorong pengambilan keputusan. Namun, dengan menjamurnya perangkat dan sensor IoT, peralatan dan operasi yang terhubung mengubah cara produsen memanfaatkan data dan analitik.
Perusahaan telah mulai beralih ke perangkat lunak digital dan perangkat yang terhubung untuk mengurangi tenaga kerja yang terkait dengan pengumpulan dan dokumentasi data manual. Dibandingkan dengan metode pengumpulan data manual, teknologi ini juga meningkatkan ketepatan yang memperkuat kekuatan analitik dan menghasilkan model yang lebih akurat. Berikut ini akan menyajikan manfaat dan kasus penggunaan untuk analisis prediktif di bidang manufaktur.
Kematangan Analisis dalam Manufaktur
Juga dikenal sebagai Perjalanan Analisis Manufaktur, ada beberapa tahapan yang dilalui oleh produsen saat mereka berusaha mencapai strategi prediktif dan preskriptif.
Langkah 1:Data
Mengumpulkan data untuk analisis deskriptif menetapkan dasar untuk menjawab apa yang terjadi.
Langkah 2:Informasi
Memproses data ini menjadi analitik diagnostik untuk menjawab mengapa sesuatu terjadi secara efektif mengubah data menjadi informasi. Solusi analitik manufaktur dapat digunakan untuk mengaktifkan ini.
Langkah 3:Memahami
Setelah informasi yang cukup dikumpulkan, pemahaman yang lebih baik tentang proses dapat dicapai dan model statistik dapat memperkirakan apa yang bisa terjadi di masa depan dengan menggunakan analitik prediktif.
Langkah 4:Pengetahuan
Saat model yang lebih akurat diproduksi, data ditransisikan menjadi pengetahuan dan analitik preskriptif akan menjawab apa yang harus dilakukan.
Meskipun mungkin tergoda untuk menghubungkan semuanya dan menjalankan langkah-langkah ini, penting untuk menetapkan tujuan yang jelas dan menetapkan garis dasar untuk memantau peningkatan kinerja. Ketahui data apa, dan berapa banyak data yang diperlukan untuk transisi dari analisis deskriptif ke preskriptif. Saat memulai perjalanan ini, akan bermanfaat untuk membangun satu platform untuk setiap data yang dikumpulkan. Selain itu, pastikan semua pemangku kepentingan - baik perangkat, orang, atau vendor - memiliki akses yang tepat ke platform ini.
Data dan pemantauan real-time dapat menawarkan fidelitas tinggi yang akan membantu menetapkan baseline, mencapai nilai-N, dan mengingatkan pemangku kepentingan terhadap perubahan lebih cepat daripada manual atau perangkat yang tidak terhubung. Langkah-langkah ini membutuhkan waktu, tetapi setiap langkah menawarkan manfaatnya sendiri. Salah satu manfaat terbesar menggunakan analitik adalah kemampuan untuk memprediksi apa yang akan terjadi dengan tingkat akurasi yang tinggi.
Manfaat dan Kasus Penggunaan Analisis Prediktif untuk Produsen
Perangkat real-time yang terhubung dapat mengumpulkan lebih banyak titik data. Ini dapat membantu memprediksi berapa banyak waktu atau berapa banyak potongan yang dapat diproduksi sebelum terjadi kegagalan. Rencana perawatan tradisional mungkin menyarankan kapan harus mengganti suku cadang atau melakukan perawatan berdasarkan perkiraan rata-rata, belum tentu saat dibutuhkan. Memprediksi kegagalan dengan data dan analitik manufaktur mengurangi waktu henti yang tidak direncanakan, dan dapat menghilangkan layanan pemeliharaan yang tidak perlu dan mahal.
Analisis Pemeliharaan Prediktif
Kasus Penggunaan:Mengurangi waktu henti, kegagalan alat, dan tuntutan pemeliharaan
Ada banyak manfaat dalam satu istilah ini; pemeliharaan prediktif. Pertama, pengumpulan data dapat membantu memprediksi kapan pemeliharaan diperlukan, bukan diasumsikan. Hal ini meningkatkan waktu kerja peralatan, memberi manajer kesempatan untuk merencanakan pemeliharaan yang diperlukan atau membuat penyesuaian yang diperlukan sebelum terjadi kegagalan.
Analisis prediktif menjadi semakin akurat karena lebih banyak data dikumpulkan dan korelasi dibuat. Dalam satu contoh, kegagalan alat ditemukan terjadi karena arus listrik peralatan meningkat. Melacak arus listrik memang sulit, tetapi data beban spindel dapat disediakan dengan mengaktifkan fitur di dasbor perangkat lunak peralatan.
Para peneliti dapat membuktikan bahwa ada lebih dari 80% korelasi antara peningkatan beban spindel dan arus listrik transduser. Dengan memantau beban spindel yang lebih mudah dan lebih hemat biaya, dimungkinkan untuk memprediksi berapa banyak bagian yang dapat dibuat dari waktu peningkatan beban hingga kegagalan alat. Untuk contoh ini, kisaran suku cadang yang rusak adalah 1 hingga 68. Tergantung pada jumlah peningkatan beban, rentang ini dapat dikurangi lebih lanjut. Menghubungkan data dan memperhatikan pola memperluas apa yang mungkin dilakukan melalui analitik ke kualitas dan pengambilan keputusan.
Mengukur kecepatan spindel untuk mengidentifikasi kegagalan alat yang akan datang. Dengan menggunakan data seperti ini, dimungkinkan untuk membangun algoritme yang secara otomatis mendeteksi kegagalan, dan memberi Anda kemampuan untuk mencegahnya.
Analisis Kualitas
Kasus Penggunaan:Peringatan masalah kualitas, minimalkan memo
Dengan melacak kinerja, dimungkinkan untuk diberi tahu saat proses berada di luar toleransi atau mungkin menghasilkan masalah kualitas. Mampu menghentikan atau menyesuaikan proses lebih awal dapat sangat mengurangi atau menghilangkan limbah material atau pengerjaan ulang. Dalam satu contoh silinder pneumatik akan melayang dari waktu ke waktu. Pada saat pekerja memperhatikan dan menyesuaikannya, sekitar 1.000 unit dibuat dan jam produksi dibatalkan. Memprediksi masalah pemeliharaan dan kualitas lebih awal dapat menambah nilai pada aplikasi yang melibatkan material dengan harga yang tidak stabil atau fluktuasi pasar.
Memprediksi Analisis Permintaan
Kasus Penggunaan:Mengidentifikasi dan memanfaatkan KPI dan ERP
Melacak proses individu dan keseluruhan waktu tunggu menawarkan wawasan tentang permintaan material dan produksi. Saat kemampuan terhubung berkembang, KPI akan diidentifikasi yang akan meningkatkan kemampuan, nilai, dan akurasi perangkat lunak seperti ERP. Selain itu, dalam aplikasi di mana harga material mungkin sangat dipengaruhi oleh politik, bencana alam, dll., menggunakan data untuk memprediksi tingkat konsumsi dan pengiriman dapat menawarkan manfaat besar dalam merampingkan manajemen rantai pasokan. Memprediksi volume, jadwal, dan permintaan pasar akan membantu mengelola ekonomi dan biaya untuk peralatan, produk, atau proses baru.
Analisis Tenaga Kerja
Kasus Penggunaan:Memprediksi tuntutan pendidikan dan tenaga kerja
Di pasar yang berfluktuasi, analitik permintaan prediktif bahkan dapat digunakan untuk mengelola akuisisi tenaga kerja dan bakat secara lebih efektif. Salah satu kekhawatiran terbesar adalah Kesenjangan Keterampilan di bidang manufaktur. Memperluas data dari proses, penanaman, ke planet ini, produsen dapat memprediksi keterampilan dan tenaga kerja apa yang akan dibutuhkan di masa depan. Hal ini memungkinkan perusahaan bekerja lebih efektif dengan pendidik, memposting pekerjaan lebih awal, atau meningkatkan atau melatih kembali tenaga kerja saat ini untuk memenuhi kebutuhan tenaga kerja.
Masa Depan Analisis Prediktif di Industri Manufaktur
Kasus Penggunaan di Masa Mendatang:Pemeliharaan Alat dari Jarak Jauh
Menggunakan teknologi dan analitik mengubah data menjadi pengetahuan. Saat konektivitas berkembang, ada tren yang bergerak ke arah peningkatan pelacakan dan pemantauan aset jarak jauh dan seluler. Kemampuan untuk mengirimkan data fidelitas tinggi akan meningkatkan analitik diagnostik jarak jauh dan seluler. Tren ini akan mengurangi kebutuhan akan teknisi lapangan. Dengan diagnostik jarak jauh yang sangat meyakinkan, Anda juga dapat memberikan rekomendasi atau informasi perawatan kepada operator yang berada di lokasi untuk lebih mengurangi kebutuhan teknisi lapangan.
Kasus Penggunaan di Masa Depan:Penilaian Risiko dan Asuransi
Dengan peningkatan kemampuan untuk melacak dan memantau peralatan, analitik dapat meningkatkan langganan, polis asuransi, atau jaminan. Perangkat yang terhubung dapat menghasilkan peralatan yang lebih fleksibel. Misalnya, langganan memberi OEM kemampuan untuk menambah atau menghapus fitur, pelacakan data, dan perangkat lunak dari jarak jauh. Saat permintaan berubah, langganan dan fitur juga berubah.
Selain itu, analitik diagnostik dapat mengubah seberapa jauh atau apa yang dicakup oleh polis dan jaminan asuransi. Analisis manufaktur dan teknologi terhubung dapat membuktikan atau menyangkal kesalahan operator, peralatan, atau desain. Matematika telah menjadi cara yang efektif untuk menjelaskan, memahami, dan bersaing. Keberhasilan masa depan di bidang manufaktur mungkin adalah siapa pun yang memiliki pengetahuan paling akurat dan luas tentang model dan analitik digital.
Mendorong Strategi Prediktif dengan Platform IoT MachineMetrics
Jelajahi Platform
