自工业革命以来,原材料和能源一直是每一种制成品的基础。借助工业 4.0,数据变得比以往任何时候都更加重要,不仅能够最大限度地减少运营成本和提高效率,而且能够从原材料和能源中榨取产品并获利。
几十年前,工厂率先使用监控和数据采集 (SCADA) 和可编程逻辑控制器 (PLC) 等技术。尽管这些传统的物联网应用现在和现在都很有价值,但它们主要涉及控制机器人和其他设备、监控生产和识别泵过热等问题。
工业 4.0 在此基础上构建,实现更多、更深入的业务洞察。例如,准时制造的趋势意味着供应商面临前所未有的压力,需要最大限度地减少停机时间并最大限度地提高产量。新一代”智能”传感器和仪器(如高温计)不仅可以测量正在处理的产品,还可以测量有关自身的其他关键参数,并确保它们在理想范围内。此数据有助于保持跨班次、生产线和工厂之间的产品一致性。
如果温度趋势过高或过低,这也是生产过程中上游可能出现问题的一个迹象。在故障的早期阶段,温度变化可能非常微妙,员工不会注意到。机械臂由于轴承故障而逐渐减速,这同样是一样——只是还没有达到其生产速度受到影响的程度。正确使用后,集成传感器提供的数据可以在故障发生之前开始检测故障。
这些见解使制造商能够调整生产,但仍能按时完成。例如,如果产品温度变化仍在范围内,制造商现在可以在产品达到需要维护的点时将生产转移到另一条生产线。如果有足够的提前警告,制造商还可以将停机时间安排在周末。
这些数据还可在更换设备时获得见解。例如,Cisco Kinetic 等工具可以引入和分析数据,以便制造商知道哪些品牌和型号的设备和组件的故障率和维护成本更高或更低。现在,它知道要买哪些,哪些要避免。因此,它对维护等运营费用的控制更加严格。
更多的物联网传感器可产生更多见解和更多优势。以产品温度趋向于范围外的例子为例。设备和未完成产品的上游传感器提供了工业机械师可用于快速查明问题的其他数据。每小时,他们不必花一个小时来跟踪一个问题,他们可以花一个小时来修复它。每个技工的生产率越高,每个工厂对员工的需求就越少。所有这些节省都流向了底线。
勤俭节约细水长流
IoT 数据还帮助制造商实现能源效率、污染和产品产量的目标。就绿地工厂而言,能源效率目标通常包括获得 LEED 认证。
原材料通常受到严格监管,包括根据使用量发放的昂贵许可证。以欧洲领先的光纤电缆生产先进原材料制造商为例,其生产需要具有潜在危险的材料。它们的生产受到可安全储存现场前体材料数量的限制。随着其产品需求的增加,最大允许的前体材料成为限制因素;他们增加产量的唯一选择是提高工艺本身的效率
物联网数据使该公司能够从现有的气体分配中拧出更多米的电缆。它开始使用热力计来严格控制温度,这是衡量其过程有效性和效率的关键指标。这些见解使公司能够以最大限度地提高产品质量和产量的方式优化其工艺,从而减少其前体材料的使用,以实现相同的产量和产品质量。
这些和其他行业 4.0 应用的业务优势是制造商投资物联网的主要原因,但它们并不是唯一的。数字化转型举措成本的迅速下降是变革的另一个驱动因素。基于云的数据存储和计算成本不仅降低了,同时,可用于分析、理解和将这些数据转换为可操作信息的工具也在增加。现成的解决方案(如 Microsoft BI)非常适合分析大量收集的数据,并且不需要一小群博士数据科学家来运行。存储和分析数 TB 的数据的成本从数千美元骤降至 5 美元。曾经无望的渴望现在实用和负担得起。但是,即使这些工具更实惠和更容易获得,诀窍仍然是如何增加学习到一个过程,以推动一个具体的行动。
但是,这与说数字化转型和购买软件和传感器一样简单。制造商通常会寻求专家指导,以确定在何处部署 IoT 设备、连接旧工厂设备以及选择正确的网络技术,将所有内容安全可靠地编织在一起。
如何处理所有这些数据
许多制造商还希望了解如何理解 IoT 提供的大量数据,例如确定哪些数据值得立即发出警报,哪些数据可以存储以供分析。垂直市场体验特别有用,因为例如,IoT 合作伙伴可以建议要监视的生产过程的特定部分、要跟踪的指标以及指示的数据趋势。当今的制造流程非常复杂,因此很难快速、轻松地了解操作其所有设备的复杂性,而且在许多情况下,可以从供应商自身获得专业知识。关键供应商将已有多年了解其独特产品,并可以帮助定义关键参数,以确保在给定应用中实现最佳性能。
另一个例子是测量泵的油粘度,以确定何时需要更换,而不是仅仅依靠供应商建议但过于频繁的维护计划。当粘度、振动和其他属性表明需要维护时,机器学习可以通过教授人工智能发挥作用。AI 和 ML 也是几年前过于不成熟和昂贵的技术示例。
与几乎所有其他类型的业务一样,制造商将数字化转型视为最大限度地提高效率、生产力、盈利能力和竞争力的必要过程。物联网、人工智能和机器学习为这些数字化转型奠定了基础。
转型之路
最后,我想结束这篇文章,谈谈与数字化转型相关的进化步骤。第一步是确认某些故障(例如传感器不再正常工作)。第二步是能够理解此传感器/进程失败的原因。这些是 IoT 转型和未来工厂中最简单的步骤。许多公司现在处于这个水平至少,生产商不希望由于故障而影响/损坏其最终产品或设备。但更好的是,他们希望提前通知安排必要的计划维护(如您上面所述)。
这种演变中最后和最具变革性的一步是从预测性迁移到规定性,这意味着您可以在数据中看到某些内容即将失败,但生产者能够调整和调整流程,以便准确控制何时可能会产生停机时间。这需要大量的知识和对流程的洞察,通常是通过聚合大量数据并准确了解哪些参数会影响流程。在这个阶段,所有的乐器和传感器开始作为交响乐。
最后一步也是一个主要的过渡点,当公司拥有如此多的信息并了解其流程时,可以开始更精确地调整和控制其流程,以实现所需的产品均匀性、质量、制造成本,吞吐量。此学习可以部署在单个站点上,但在整个企业中,在多个站点中部署功能更强大。对于公司来说,在不同的制造地点实现相同的产品一致性是非常困难的,因为工厂、地理位置、个人和供应很容易受到影响。此 IoT 革命可以是协调这些全球运营,并推动整个组织的产品和制造同步和改进。