Memanfaatkan Analitik Prediktif dalam Manufaktur: Kasus Terbukti dan Manfaat Nyata

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-jalan di pabrik memeriksa indikator, mengisi formulir, dan mencatat sejarah operasi dan pemeliharaan untuk mesin. Semua metode pengumpulan dan penggunaan data yang membosankan, rawan kesalahan, dan tidak akurat untuk memandu pengambilan keputusan. Namun, dengan proliferasi perangkat dan sensor IoT, peralatan dan operasi yang terhubung mengubah cara produsen memanfaatkan data dan analitik.

Perusahaan telah mulai bertransisi ke perangkat lunak digital dan perangkat yang terhubung untuk mengurangi tenaga kerja yang terkait dengan pengumpulan data dan dokumentasi manual. Dibandingkan dengan metode pengumpulan data manual, teknologi ini juga meningkatkan fidelitas yang memperkuat kekuatan analitik dan mengarah pada model yang lebih akurat. Berikut akan menyajikan manfaat dan kasus penggunaan analitik prediktif dalam manufaktur.

 

Kematangan Analitik dalam Manufaktur

Juga dikenal sebagai Perjalanan Analitik Manufaktur, ada beberapa tahap yang dilalui produsen saat berusaha menuju strategi prediktif dan preskriptif.

Langkah 1: Data

Mengumpulkan data untuk analitik 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: Pemahaman

Setelah cukup informasi terkumpul, pemahaman yang lebih baik tentang proses dapat dicapai dan model statistik dapat meramalkan apa yang mungkin terjadi di masa depan dengan menggunakan analitik prediktif.

Langkah 4: Pengetahuan

Semakin banyak model yang akurat dihasilkan, data ditransisikan menjadi pengetahuan dan analitik preskriptif akan menjawab apa yang harus dilakukan.

Sementara mungkin mengagumkan untuk menghubungkan semuanya dan melalui langkah-langkah ini, penting untuk menetapkan tujuan yang jelas dan menetapkan dasar untuk memantau peningkatan performa. Ketahui data apa, dan berapa banyak data yang diperlukan untuk bertransisi dari analitik deskriptif ke preskriptif. Saat memulai perjalanan ini, akan bermanfaat untuk menetapkan satu platform untuk semua data yang dikumpulkan. Selain itu, pastikan semua pemangku kepentingan—baik perangkat, orang, atau vendor—memiliki akses yang tepat ke platform ini.

Data dan pemantauan waktu nyata dapat menawarkan fidelitas tinggi yang akan membantu menetapkan dasar, mencapai N-values, dan memperingatkan pemangku kepentingan tentang perubahan lebih cepat daripada manual atau perangkat yang tidak terhubung. Langkah-langkah ini memerlukan waktu, tetapi setiap langkah menawarkan manfaatnya sendiri. Salah satu manfaat terbesar dari menggunakan analitik adalah kemampuan untuk meramalkan apa yang akan terjadi dengan tingkat akurasi yang tinggi.

 

 

Manfaat dan Kasus Penggunaan Analitik Prediktif bagi Produsen

Perangkat waktu nyata yang terhubung mampu mengumpulkan lebih banyak titik data. Ini dapat membantu meramalkan berapa waktu atau berapa banyak bagian yang dapat diproduksi sebelum kegagalan. Rencana pemeliharaan tradisional mungkin menyarankan kapan mengganti bagian atau melakukan pemeliharaan berdasarkan estimasi rata-rata, tidak perlu ketika diperlukan. Meramalkan kegagalan dengan data dan analitik manufaktur mengurangi downtime yang tidak terduga, dan dapat menghilangkan layanan pemeliharaan yang tidak perlu dan mahal.

Analitik Prediktif Pemeliharaan

Kasus Penggunaan: Kurangi downtime, kegagalan alat, dan permintaan pemeliharaan

Ada banyak manfaat dalam satu istilah ini; pemeliharaan prediktif. Pertama, mengumpulkan data dapat membantu meramalkan kapan pemeliharaan diperlukan, tidak diasumsikan. Ini meningkatkan waktu aktif peralatan, memberikan manajer kesempatan untuk merencanakan pemeliharaan yang diperlukan atau melakukan penyesuaian yang diperlukan sebelum kegagalan terjadi.

Analitik prediktif semakin akurat semakin banyak data yang dikumpulkan dan korelasi dibuat. Dalam satu contoh, kegagalan alat ditemukan terjadi saat amperase mesin meningkat. Melacak amperase sulit, tetapi data beban spindle dapat disediakan dengan mengaktifkan fitur dalam dasbor perangkat lunak mesin.

Peneliti mampu membuktikan bahwa ada korelasi lebih dari 80% antara beban spindle yang meningkat dan amperase transmuder. Dengan memantau beban spindle yang lebih mudah dan lebih hemat biaya, mungkin untuk meramalkan berapa banyak bagian yang dapat dibuat dari waktu beban meningkat hingga kegagalan alat. Untuk contoh ini, rentang bagian hingga kegagalan adalah 1 hingga 68. Tergantung pada jumlah beban yang meningkat mungkin mungkin untuk mengurangi rentang ini lebih jauh. Mengkorelasikan data dan memperhatikan pola memperluas apa yang mungkin melalui analitik untuk kualitas dan pengambilan keputusan.

Mengukur kecepatan spindle untuk mengidentifikasi kegagalan alat yang akan datang. Dengan data seperti ini, mungkin untuk membangun algoritma yang secara otomatis mendeteksi kegagalan, dan memberi Anda kemampuan untuk mencegahnya.

 

Analitik Kualitas

Kasus Penggunaan: Peringatan masalah kualitas, kurangi sisa

Dengan melacak performa mungkin untuk diberi tahu ketika proses di luar toleransi atau mungkin menghasilkan masalah kualitas. Dapat berhenti atau menyesuaikan proses lebih awal dapat sangat mengurangi atau menghilangkan limbah material atau pekerjaan ulang. Dalam satu contoh silinder pneumatik akan meluncur seiring waktu. Pada saat pekerja memperhatikan dan menyesuaikannya, sekitar 1.000 unit telah dibuat dan jam produksi dibuang. Meramalkan masalah pemeliharaan dan kualitas lebih awal dapat menambah nilai pada aplikasi yang melibatkan material dengan harga tidak stabil atau fluktuasi pasar.

Meramalkan Permintaan Analitik

Kasus Penggunaan: Mengidentifikasi dan memanfaatkan KPI dan ERP

Melacak proses individual dan waktu selesai keseluruhan menyediakan wawasan tentang permintaan bahan dan produksi. Seiring berkembangnya kemampuan terhubung, KPI akan diidentifikasi yang akan meningkatkan kemampuan, nilai, dan akurasi alat perangkat lunak seperti ERP. Selain itu, dalam aplikasi di mana harga bahan mungkin sangat dipengaruhi oleh politik, bencana alam, dll., menggunakan data untuk meramalkan tingkat konsumsi dan pengiriman dapat memberikan manfaat besar dalam menyederhanakan manajemen rantai pasokan. Meramalkan volume, waktu selesai, dan permintaan pasar akan membantu mengelola ekonomi dan biaya untuk peralatan, produk, atau proses baru.

Analitik Tenaga Kerja

Kasus Penggunaan: Meramalkan permintaan pendidikan dan tenaga kerja

Di pasar yang fluktuatif, analitik permintaan prediktif bahkan dapat digunakan untuk mengelola tenaga kerja dan akuisisi bakat dengan lebih efektif. Salah satu kekhawatiran terbesar adalah Kesenjangan Keterampilan dalam manufaktur. Memperluas data dari proses, ke pabrik, ke bumi, produsen dapat meramalkan keterampilan dan tenaga kerja apa yang akan dibutuhkan di masa depan. Ini memungkinkan perusahaan untuk bekerja lebih efektif dengan pendidik, memposting pekerjaan lebih awal, atau meningkatkan keterampilan atau melatih ulang tenaga kerja saat ini untuk memenuhi kebutuhan tenaga kerja.

 

Masa Depan Analitik Prediktif dalam Industri Manufaktur

Kasus Penggunaan Masa Depan: Pemeliharaan Jarak Jauh Alat

Menggunakan teknologi dan analitik mengubah data menjadi pengetahuan. Seiring berkembangnya konektivitas ada tren yang bergerak menuju pelacakan dan pemantauan aset seluler dan jarak jauh yang meningkat. Kemampuan untuk menyampaikan data fidelitas tinggi akan meningkatkan analitik diagnostik jarak jauh dan seluler. Tren ini akan mengurangi kebutuhan akan teknisi lapangan. Dengan diagnostik jarak jauh yang tinggi kepercayaan, mungkin juga mungkin untuk memberikan rekomendasi pemeliharaan atau informasi kepada operator yang berada di lokasi untuk mengurangi lebih jauh kebutuhan akan teknisi lapangan.

Kasus Penggunaan Masa Depan: Penilaian Risiko dan Asuransi

Dengan kemampuan yang meningkat untuk melacak dan memantau peralatan, analitik dapat meningkatkan langganan, kebijakan asuransi, atau jaminan. Perangkat yang terhubung dapat mengarah pada peralatan yang lebih fleksibel. Misalnya, langganan memberi OEM kemampuan untuk menambah atau menghapus fitur, pelacakan data, dan perangkat lunak secara jarak jauh. Seiring perubahan permintaan, langganan dan fitur juga dapat berubah.

Selain itu, analitik diagnostik dapat mengubah seberapa jauh atau apa yang dicakup oleh kebijakan asuransi dan jaminan. Analitik manufaktur dan teknologi terhubung dapat membuktikan atau membantah kesalahan operator, peralatan, atau desain. Matematika telah menjadi cara yang efektif untuk menjelaskan, memahami, dan bersaing. Keberhasilan di manufaktur di masa depan mungkin milik siapa yang memiliki pengetahuan model digital dan analitik yang paling akurat dan luas.

Dorong Strategi Prediktif dengan Platform IoT MachineMetrics

Jelajahi Platform