Transformasi Tim Manufaktur Digital dengan Wawasan Data Real-Time
Revolusi industri keempat telah memberikan kesempatan untuk mendapatkan sejumlah besar data real-time dari proses manufaktur, dan potensi untuk hampir setiap permukaan diubah menjadi sensor untuk pengumpulan data. Tetapi apakah kekayaan data ini memberikan pengetahuan yang dibutuhkan tim digital untuk mengoptimalkan aktivitas mereka?
Dalam film ini, Alexander Hill dan Rob Russell dari Senseye bergabung dengan Dr. Hannah Edmonds dari Manufacturing Technology Centre, Jim Davison dari Make UK, dan Peter Gagg dari MCP Consulting Group, untuk membahas data apa yang harus dikumpulkan produsen dan bagaimana, bagaimana kumpulan data yang ada dapat digunakan kembali untuk mendorong wawasan dan nilai yang lebih besar, dan bagaimana proses seperti pemeliharaan dapat dirancang ulang untuk memenuhi kebutuhan insinyur di lantai pabrik.
Transkrip
Alexander Hill, Senseye: Saya akan sangat senang mengatakan itu sederhana seperti 'Anda memiliki data dan teruslah'. Sayangnya, apa yang kami lihat adalah banyak organisasi memiliki terlalu banyak data. Jadi mencari tahu data mana yang benar dan apa yang perlu Anda pahami dari data itu adalah tantangan.
Dr. Hannah Edmonds, Manufacturing Technology Centre: Ada tantangan yang datang dengan memiliki kekayaan data, kita bisa mencapai tahap kejenuhan data - terlalu banyak hal yang baik.
Rob Russell, Senseye: Dari perspektif pemeliharaan prediktif, hal kunci adalah mengumpulkan data pemantauan kondisi yang dapat kita gunakan untuk menilai keadaan mesin. Tapi seberapa penting informasi sensor itu, sangat penting bahwa data dikumpulkan dengan konteks dan pada titik waktu yang sesuai.
Dr. Hannah Edmonds: Pemantauan kondisi dan analitik dapat memungkinkan pendekatan yang lebih proaktif terhadap pemeliharaan. Ini bukan hanya menunggu sampai terjadi kesalahan, tetapi mencoba mengidentifikasi kapan kondisi potongan peralatan sedang memburuk seiring waktu.
Kami dapat memasang instrumen pada peralatan, mengumpulkan data, kemudian memantau operasi mereka untuk mendapatkan wawasan produksi guna mencegah kegagalan ini - campur tangan sebelum masalah terjadi.
Peter Gagg, MCP Consulting Group: Pikiran pertama semua orang adalah bahwa data dari sensor adalah semua yang Anda butuhkan untuk memulai program pemeliharaan prediktif. Namun, ada banyak jenis data lain yang sudah ada dalam bisnis.
Data dari sistem manajemen bangunan, riwayat peralatan, data dari PLC, sistem eksekusi manufaktur, sistem OEE, dll. Serta getaran, suhu, tekanan, aliran, arus, dan tegangan yang biasa.
Ini benar-benar tentang menarik semuanya bersama-sama, mengidentifikasi parameter yang benar-benar perlu Anda gunakan dalam regime prediktif, dan melihat bagaimana mereka semua saling terhubung.
Jim Davison, Make UK: Ini semua tentang benar-benar memahami parameter kritis dalam proses, mesin atau produk Anda. Pahami apa input yang dapat mempengaruhi apakah suatu bagian baik atau buruk, atau apakah mesin dapat berjalan dengan kemampuan tipe namanya secara andal dan berulang.
Setelah Anda dapat memahami itu, dan mengetahui proses Anda, Anda dapat menangkap data yang penting dan dapat mempengaruhi parameter yang Anda cari. Kemudian tampilkan dengan cara yang berguna.
Alexander Hill: Dalam peralatan industri modern, sudah banyak data yang tersedia dan sudah ditangkap. Hal-hal seperti arus, suhu, tekanan, waktu siklus. Ini adalah hal-hal yang sebenarnya dapat digunakan untuk tujuan pemantauan kondisi tetapi seringkali tidak - mereka sebaliknya hanya digunakan untuk mengontrol proses.
Kami dapat mengambil pengukuran ini dan menggunakannya untuk memahami kesehatan mesin. Kami membangun model mesin secara otomatis, menggunakan data yang tersedia. Kemudian kami membantu pelanggan kami memahami apa yang perlu diperhatikan dari sudut mesin. Tanpa mengatakan 'lihat semua data mentah ini,' kami sebenarnya mengalihkannya, mengabstraksinya, dan memastikan mereka dapat memahami aset mana - dari ratusan dan ribuan - yang perlu diperhatikan.
