Производители часто не знают, как заставить данные работать. Комплексное использование данных в сотрудничестве с партнерской системой может оказаться для промышленников выгоднее, чем работа по упрощенному сценарию. Внедрив передовые технологии Индустрии 4.0 и предоставив менеджменту более точные данные об оборудовании, производители смогут кардинально изменить свою отрасль
Сбор данных и их использование у промышленных компаний часто не связаны между собой, это мешает им извлекать ценность из данных. Хотя компании собирают огромные массивы данных, промышленный сектор заметно отстает в том, что касается автоматизации обработки данных. Имея множество взаимосвязанных активов, промышленники осознают важность сбора операционных данных, однако простое накопление первичных данных не дает им то, к чему они стремятся — автоматизацию в области принятия решений.
Промышленность продолжает страдать как от старения рабочей силы, владеющей преемственными знаниями, так и от сложности поиска новых работников c технологическими навыками
Беда в том, что первичные необработанные данные практически бесполезны. Они могут пригодиться для решения разве что самых простых задач. Эти «примитивные» задачи, подходящие для менее цифровизированных предприятий, также впрочем чрезвычайно важны и закладывают фундамент для быстрого и продолжительного создания стоимости.
Но сначала нужно понять, почему производителям так сложно получить подходящие для использования данные?
В первую очередь пользоваться промышленными данными мешает недостаточная квалификация персонала, утверждается в докладе Всемирного экономического форума о трансформации промышленного сектора с помощью данных. По мнению Грэма Иммермана, директора по маркетингу MachineMetrics, сегодня производство страдает не только от проблем старения кадров и условной преемственности знаний, но и от нехватки новых специалистов, обладающих необходимыми умениями и навыками. Кроме того, для производственных компаний характерна горизонтальная и вертикальная изолированность данных: данные хранятся на изолированных машинах, зависят от ПО, привязываются к конкретным отделам или вовсе неактуальны из-за того, что их собирают вручную.
Технологическое оборудование – это сложная система со множеством постоянно изменяющихся параметров. Чтобы создать эффективные инструменты для анализа данных, собираемых специализированными системами по оборудованию, необходимо не только уйти от изолированности данных, но также преобразовать собираемую информацию в типовую модель данных, которую можно было бы анализировать.
Устаревшее оборудование затрудняет сбор точной и пригодной к использованию информации. Более того, обычно такое оборудование сопровождается устаревшей инфраструктурой и отсутствием облачных технологий, а по мере подключения новых активов и систем инфраструктура неизбежно рушится.
Если производители пытаются справиться с задачей по эффективному сбору и использованию данных, то им следует стремиться к сценариям использования с увеличивающейся ценностью. Это сценарии продвинутого использования данных благодаря более зрелой информационной инфраструктуре, которая сможет обеспечить сбор, трансформацию и доступность данных.
Кроме того, простыми точечными решениями или внутренними ресурсами здесь обойтись не удастся — этот подход должны поддержать поставщики решений в составе производственной экосистемы. Такая партнерская экосистема включает производителей оборудования, поставщиков услуг, а также интеграторов технологических решений и систем. Каждый из партнеров в этой экосистеме вкладывает собственные уникальные перспективы и возможности, что в итоге позволяет реализовать куда более сложные сценарии с заметно более высокой ценностью.
Следующий простой пример показывает, как использовать данные производителям, которые только ступили на путь информатизации.
Первым шагом на пути к решению проблем может стать точное выявление производственных проблем и донесение этой информации менеджменту в доступной форме. Назовем это первым этапом получения пользы от данных.
Решив проблему сбора первичных точных данных от оборудования в режиме реального времени, предприятия могут видеть свою производительность. Даже если они решат ограничиться мониторингом этих входных данных, то все равно выиграют.
Рассмотрим пример SilencerCo, производителя глушителей для огнестрельного оружия. Руководители компании хотели получать оперативные данные от станков, рассчитывая, что это поможет скорректировать исходные ожидания и принимать более информированные решения. Данные, получаемые в реальном времени от оборудования и операторов, не только выводятся непосредственно на производственном участке, но также доступны удаленно. В итоге, руководство может своевременно принимать необходимые меры, а операторы уверены, что ситуация под контролем.
Обеспечение постоянной визуализации данных помогло SilencerCo получить ответы на важные, хоть и несложные вопросы. Кроме того, с помощью анализа данных руководству компании удалось выявить причину серьезного простоя. В результате благодаря доступности и прозрачности данных на 8% повысилось использование производственного оборудования, на 200% выросла доля качественной продукции, а продолжительность внеплановых простоев сократилась на 11 500 часов.
Теперь рассмотрим пример BC Machining, производителя из Северной Каролины, предлагающего клиентам из разных промышленных отраслей услуги по обработке алюминиевых изделий. Здесь речь пойдет о более продвинутом использовании данных, однако задачи были теми же: обеспечить более осознанное и быстрое (возможно, даже автономное) принятие решений.
У BC Machining уже имелась система сбора и визуализации данных для выявления проблем на производстве, однако руководство компании хотело получать больше выгоды от использования данных. Однако, на тот момент компания еще не перешла к первому этапу зрелости данных, который подразумевает наличие инфраструктуры для поддержки и успешного применения данных.
В погоне за прибылью эта компания использует свое оборудование на 200%, и рассматривала стоимость замены поврежденных деталей и потери времени как неизбежную плату за экономический успех.
В этом случае потребовалось сложное решение, способное опрашивать оборудование с более высокой частотой (до 1 кГц). С помощью информации, полученной из новых точек измерения, BC Machining разработала алгоритм для прогнозирования отказа оборудования. Кроме того, информация о проблеме передавалась в систему управления соответствующих станков для их автоматического отключения.
По итогам использования, в частности, средств предиктивной аналитики, компания почти на 100% уменьшила количество деталей под замену, а также исключила необходимость сортировки утильсырья операторами. Как следствие, доля качественного продукта на производственном участке заметно выросла, а ежегодная экономия для одного станка составляет $72 000.
Индустрия 4.0 обещает полную трансформацию производственного сектора за счет инновационных технологий, но прежде чем приступить к работе с данными производителям нужно научиться получать точную информацию от оборудования и обеспечивать ее визуализацию и доступность для менеджмента. Только так они смогут уже сегодня использовать новые технологии в своих интересах, тем самым работая на перспективу успешного сотрудничества с партнерской экосистемой.
