Donner aux équipes de fabrication numérique les connaissances

Le quatrième La révolution industrielle a offert la possibilité d'obtenir d'énormes quantités de données en temps réel à partir des processus de fabrication et la possibilité de transformer presque toutes les surfaces en capteur pour la collecte de données. Mais cette richesse de données apporte-t-elle les connaissances dont les équipes digitales ont besoin pour optimiser leurs activités ?

Dans ce film, Alexander Hill et Rob Russell de Senseye sont rejoints par le Dr Hannah Edmonds du Manufacturing Technology Centre, Jim Davison de Make UK et Peter Gagg du MCP Consulting Group, pour discuter des données que les fabricants devraient collecter et comment, comment les ensembles de données existants peuvent être réorientés pour générer de nouvelles informations et une plus grande valeur, et comment des processus tels que la maintenance peuvent être repensés pour répondre aux besoins des ingénieurs dans l'atelier.

Transcription

Alexander Hill, Senseye :J'adorerais dire que c'est aussi simple que « vous avez les données et c'est parti ». Malheureusement, ce que nous constatons, c'est que beaucoup d'organisations ont trop de données. Le défi consiste donc à découvrir quelles sont les données correctes et ce que vous devez comprendre à partir de ces données.

Dr. Hannah Edmonds, Manufacturing Technology Centre :Il y a un défi qui vient avec une richesse de données, nous pouvons arriver à un stade de saturation des données - trop de bonnes choses.

Rob Russell, Senseye :Du point de vue de la maintenance prédictive, l'essentiel est de collecter des données de surveillance de l'état à partir desquelles nous pouvons évaluer l'état des machines. Mais aussi importantes que soient ces informations de capteur, il est vraiment important que les données soient collectées avec le contexte et à un moment approprié.

Dr. Hannah Edmonds :La surveillance et l'analyse des conditions peuvent permettre une approche plus proactive de la maintenance. Il ne s'agit pas seulement d'attendre qu'une erreur se produise, mais d'essayer d'identifier quand l'état des équipements se détériore avec le temps.

Nous pouvons instrumenter l'équipement, collecter les données, puis surveiller leurs opérations pour obtenir des informations sur la production afin d'éviter cette défaillance - intervenir en amont du problème.

Peter Gagg, MCP Consulting Group :La première pensée de tout le monde est que les données des capteurs sont tout ce dont vous avez besoin pour démarrer un programme de maintenance prédictive. Cependant, de nombreux autres types de données existent déjà dans une entreprise.

Données des systèmes de gestion du bâtiment, de l'historique des équipements, des données des automates programmables, des systèmes d'exécution de la fabrication, des systèmes OEE, etc. Avec les vibrations, la température, la pression, le débit, le courant et la tension habituels.

Il s'agit vraiment de tout rassembler, d'identifier les paramètres que vous devez vraiment utiliser dans le cadre du régime prédictif et d'examiner comment ils sont tous interconnectés.

Jim Davison, Make UK :Il s'agit de bien comprendre les paramètres critiques de votre processus, de votre machinerie ou de votre produit. Comprenez quelles sont les entrées qui peuvent avoir un impact sur le fait qu'une pièce soit bonne ou mauvaise, ou qu'une machine puisse fonctionner aux capacités de la plaque signalétique de manière fiable et répétée.

Une fois que vous pouvez comprendre cela et connaître votre processus, vous pouvez capturer les données importantes et influencer les paramètres que vous recherchez. Ensuite, affichez-le d'une manière utile.

Alexander Hill :Dans les équipements industriels modernes, de nombreuses données sont déjà disponibles et déjà capturées. Des choses comme le courant, la température, la pression, les temps de cycle. Ce sont des choses qui peuvent réellement être utilisées à des fins de surveillance de l'état, mais qui ne le sont souvent pas - elles ne sont plutôt utilisées que pour contrôler le processus.

Nous pouvons prendre ces mesures et les utiliser pour comprendre l'état de la machine. Nous construisons des modèles des machines automatiquement, en utilisant les données disponibles. Ensuite, nous aidons nos clients à comprendre ce à quoi ils doivent prêter attention du point de vue de la machine. Sans dire "regardez toutes ces données brutes", nous les enlevons, les résumons et nous assurons qu'ils peuvent comprendre à quels actifs - parmi des centaines et des milliers - ils doivent prêter attention.