Exploiter les données machine pour une fabrication plus intelligente et plus efficiente

Utiliser les données machine pour piloter l'optimisation du terrain d'usine

L'équipement de fabrication automatisé (machines CNC si vous préférez), et les personnes qui opèrent cet équipement, sont le cœur battant de toute opération manufacturière et représentent l'une des plus grandes dépenses en capital pour les fabricants. Ces machines valent des centaines de milliers de dollars et produisent plus de données que n'importe quelle autre industrie, pourtant ces données ne sont ni capturées ni analysées pour améliorer l'efficience malgré toutes les innovations en robotique et automatisation.

Ces machines produisent des centaines de points de données chaque milliseconde, et la structure de données est différente pour chaque machine. Cela rend incroyablement important de standardiser les données à travers toutes les différentes machines. Cependant, c'est difficile à faire pour certains équipements.

Ce n'est pas aussi simple que de standardiser via OPC-UA ou MTConnect, car seule une fraction des machines supporte ces protocoles. Nous avons des clients qui ont passé des ANNÉES à tenter de tirer parti de solutions DIY pour collecter et transformer les données en modèles standards depuis leurs actifs, codant manuellement point de données par point de données, machine par machine. Cela résulte souvent en années de développement et intégration sur mesure avant d'obtenir une valeur initiale, une terrible mauvaise allocation de ressources pour les fabricants.

Les insights et actions pilotés par les données fournissent le socle pour que les fabricants fassent croître leur business et se différencient compétitivement. Aujourd'hui, les fabricants se trouvent à différents stades d'un parcours pour exploiter la data et le fil numérique pour optimiser et automatiser leurs processus business.

Chez MachineMetrics, nous engageons de nombreux fabricants qui découvrent tôt dans leur parcours que les données de leurs opérations d'usine sont insuffisantes et peu fiables. Pour des métriques clés comme l'utilisation équipement, les fabricants qui n'ont pas de systèmes automatisés pour capturer des données transformées, ou contextualisées, depuis leurs actifs machine, sont souvent sous la fausse croyance qu'ils performent à un niveau satisfaisant. En réalité, notre client manufacturier moyen démarre avec une utilisation de 28 %, significativement plus bas que ce qui est perçu. Des statistiques tout aussi insatisfaisantes se trouvent aussi pour le TRS, les arrêts, et autres métriques clés.

Le revers de la collecte manuelle de données

La cause sous-jacente de la perception de performance médiocre mais gonflée origine avec des données capturées manuellement. La capture manuelle de données résulte souvent en données inexactes, manipulées, ou manquantes. C'est une fondation branlante qui craque et s'effondre quand on tente de piloter l'amélioration continue et l'innovation.

De l'autre côté, des données précises temps réel automatiquement capturées et transformées depuis les actifs machine créent une base solide pour capturer des insights et piloter la valeur. Bien sûr, c'est plus facile à dire qu'à faire.

Défis de la collecte de données machine

Les fabricants comprennent la valeur de la data, et une grande raison du manque de collecte de données efficace et d'utilisation de la data dans la prise de décision est double :

• Les fabricants sont réticents à la technologie ou continuent d'utiliser des pratiques dépassées, ce qui résulte en collecte manuelle de données et ses conséquences associées.
• Les fabricants luttent avec les nombreuses barrières à la construction d'une culture et infrastructure technologique qui supporte avec succès la collecte automatisée de données temps réel. Nous couvrons ces défis ci-dessous :

Variété des données

Non seulement il y a de nombreux types distincts d'équipement — Tours, Fraiseuses, Moulage par injection plastique, Estampage, Découpe laser, Robotique, etc — mais selon les mécanismes disponibles pour acquérir les données de ces systèmes, les points de données peuvent être très divers. Pour fournir des outils efficaces pour analyser ces données à travers ces systèmes distincts, les données doivent être transformées en un modèle de données commun. Non seulement chaque commande machine a son propre mécanisme pour rassembler les données, mais les points de données peuvent aussi différer par la Famille, Marque, et Modèle de la machine utilisant cette commande ainsi que la version du logiciel tournant sur cette commande.

Volume des données

L'équipement de fabrication, et l'équipement de fabrication discrète en particulier, est très complexe. Une machine est un grand système de composants qui travaillent en coordination résultant en centaines de points de données distincts qui changent constamment. Selon l'application, il peut y avoir des situations où il est requis de capturer des données à des taux de 100 Hz ou 100 kHz. Les plateformes consommant cette information doivent analyser la data à plusieurs niveaux dans le système pour éviter d'envoyer et stocker des données inutiles quand seul le résultat agrégé ou calculé suffit. Ces systèmes doivent être capables d'effectuer du traitement complexe là où c'est le plus approprié — tanto à l'edge que dans le cloud.

Se connecter directement au contrôle d'une CNC fournit un grand volume de données machine en une variété de points de données divers.

Vitesse des données

Alors que certains systèmes peuvent fournir de la valeur avec faible fidélité et haute latence, certains cas d'usage IoT requièrent des données bien plus temps réel pour être efficaces. La technologie Edge est requise pour traiter de hauts volumes de données, prendre des décisions en millisecondes ou moins, et agir pour potentiellement prévenir des dommages à la machine ou à la pièce. Même les tableaux de bord qui fournissent de la visibilité sur la performance d'un job peuvent gagner une valeur tremende de faibles latences — attirant l'attention immédiate sur un processus qui prend du retard ou échoue.

La fabrication discrète introduit encore plus de complexité. Cela commence avec la variabilité des machines dans les usines de fabrication discrète. Il y a de nombreux fabricants de machines différents, et aucune usine n'a qu'une seule marque de machine. Les nombreuses machines différentes ont aussi différents systèmes de contrôle et protocoles de communication. Elles sont de différents millésimes, allant du neuf avec contrôles modernes à 20-30 ans avec capacité de contrôle limitée. Se connecter à, et collecter des données depuis, les divers actifs d'usine est une entreprise significative, considérant que la plupart de ces machines n'ont jamais été conçues pour fournir des données pour le genre de solutions d'analytics holistiques usine ou entreprise que les entreprises sont focalisées sur activer aujourd'hui.

Sources de données d'usinage

La beauté d'une opération connectée est que les fabricants peuvent collecter et utiliser des données de nombreuses sources. Tant que les données sont contextualisées et pertinentes, cela peut aider les managers à avoir une visibilité plus profonde sur le statut et la performance du terrain d'usine, même en comblant les gaps et ajoutant du contexte aux données existantes.

Machines-outils

En tant que source la plus précieuse de données de production, la machine-outil fournit un flux de données contextualisé par MachineMetrics et utilisé pour les tableaux de bord de production temps réel, reporting, et notifications. Les parties prenantes peuvent être notifiées instantanément des événements d'arrêt machine et voir quand la production est en retard par rapport au planning avec accès aux données machine incluant statuts machine, alarmes, dérogations, charges, vitesses, et avances.

Systèmes connectés

Pour combler les gaps dans les données de production et ajouter des couches additionnelles de contexte, il peut être utile de partager les données entre les différents systèmes dans un environnement manufacturier, comme ERP, MES, GMAO, FAO, etc.

MachineMetrics a des interfaces de programmation d'applications (API) qui peuvent tirer de l'information de sources externes. Cette combinaison de données machine et opérationnelles peut être exploitée ensemble pour générer des insights ou piloter de l'automatisation. Par exemple, des données machine indiquant une défaillance peuvent déclencher automatiquement un ordre de travail dans une GMAO.

Opérateurs

L'Interface Opérateur MachineMetrics, qui vit sur chaque machine, fournit un outil de communication pour les opérateurs afin d'ajouter du contexte aux données machine. C'est une couche essentielle de données car elle aide à expliquer le « pourquoi » derrière les arrêts machine, alarmes, rebuts, etc.

Avec des tablettes sur chaque machine, les opérateurs peuvent fournir un contexte précieux aux données machine, documentant raisons d'arrêts et rebuts.

L'approche MachineMetrics pour automatiser la collecte de données machine

En fabrication, l'edge est nécessaire pour capturer les données des machines et transformer ces données en un modèle de données commun pour que l'analytics puisse être effectuée. Il doit pouvoir supporter divers protocoles PLC pour permettre la connectivité à travers la variété d'actifs sur le terrain d'usine. Il devrait aussi supporter la capture de données depuis capteurs pour actifs plus simples ou quand une méthode de connectivité standard n'est pas disponible depuis le PLC. MachineMetrics a développé et supporte la plupart des protocoles industriels standards avec leurs nuances variées, ainsi que la construction de connecteurs personnalisés pour de nombreuses commandes CNC différentes.

Protocoles standards supportés :

• OPC-UA
• MTConnect
• Modbus TCP
• Ethernet/IP

Connecteurs de commande machine personnalisés construits :

• FANUC FOCAS
• Heidenhain iTNC530 et iTNC640
• Citizen M700
• Mitsubishi M70/M80
• Brother Speedio
• HAAS Série
• Matsuura CNC (alarmes custom ajoutées au connecteur FANUC FOCAS)

Pour les machines legacy, se connecter via un capteur simple suffit à déterminer l'activité de la machine et reporter sur l'utilisation. Un capteur de courant analogique est souvent utilisé, et il y a support pour divers dispositifs d'acquisition Numérique et Analogique, incluant le Labjack. Cela a permis d'autres cas d'usage requérant la capture de température, vibration, pression, et la capacité de se connecter aux relais dans la machine.

Les connexions PLC/Commande et Capteur peuvent être maintenues via l'interface en ligne, et les données peuvent être filtrées, traitées, et transformées avec un langage de script simple conçu spécifiquement pour la data IoT.

Les données peuvent être streamées à Basse Fréquence (sur changement d'événement, ou 1 échantillon par seconde), ou à Haute Fréquence (1000 échantillons par seconde) pour certaines Commandes et capteurs. Le support pour la data haute fréquence a requis que MachineMetrics construise sa propre technologie edge pour supporter ce haut niveau de traitement et streaming de données.

Pour scaler l'edge à travers des milliers de machines, et pouvoir maintenir, mettre à niveau, et supporter le logiciel edge à distance, la plateforme Edge MachineMetrics permet la gestion de dispositifs à distance construite pour configurer, mettre à niveau, et gérer à distance les dispositifs edge collectant des données sur nos sites clients. Techniciens support et clients eux-mêmes peuvent dépanner, lancer diagnostics, configurer réseau, et tester leur pare-feu en utilisant ces outils intégrés. Une interface en ligne de commande (CLI) a été custom-built pour offrir diagnostics et support supplémentaires. Ce CLI peut être utilisé pour mettre à niveau les dispositifs, mais les clients auront bientôt l'option de mettre à niveau le logiciel edge eux-mêmes.

La plateforme Edge MachineMetrics fournit une solution scalable pour fabricants qui peut être auto-installée pour collecter facilement des données de n'importe quel équipement et activer des insights machine actionnables en quelques minutes.

Collecte de données machine comme fondation pour la fabrication intelligente

La collecte de données machine CNC commence par connecter vos machines via une variété de méthodes, incluant solutions filaires et sans fil.

Une fois les données collectables, elles sont contextualisées et standardisées pour être utilisées dans les tableaux de bord et notifications temps réel, ainsi que les rapports historiques pour analyse plus profonde. Mais ce n'est que le début.

Les données machine représentent la fondation du fil numérique, donnant du pouvoir à un nombre illimité de cas d'usage pour optimiser et automatiser les processus business, permettant aux fabricants de faire croître leur business et se différencier compétitivement.

Cependant, la valeur fournie par les données machine ne peut être utilisée efficacement que si elles sont automatiquement capturées et transformées.

Ce que nous avons vu avec des clients abordant cela avec des solutions papier et autres manuelles est que les données de production sont bien moins efficaces, car elles sont retardées, inexactes, non contextualisées, et ne scalent pas au-delà de cas d'usage simplifiés. Ou pire, elles sont truffées de gaps ou inexistantes.

De l'autre côté, des données précises temps réel automatiquement capturées et transformées depuis les actifs machine créent une base solide pour capturer des insights et piloter la valeur.

La performance peut être baselinée à travers machines, lignes, et usines similaires avec confiance sachant que la data sous-jacente est précise. La performance d'actifs machine peut même être mesurée et comparée à des actifs similaires à travers un secteur particulier en dehors de l'entreprise.

Au final, il n'y a qu'une version de la vérité et la machine ne ment pas. Avec une capture et transformation de données précises, combinées avec visibilité et actionnabilité via notification et déclencheurs de workflow, une amélioration de 15 à 20 % de la performance d'utilisation peut être réalisée en quelques mois.

Nous pouvons suivre ce fil numérique pour voir où du contexte additionnel est ajouté et comment cette data est utilisée dans d'autres processus et systèmes pour piloter des efficiences à l'échelle.

Données opérationnelles

La source de votre production inclut à la fois l'équipement et les personnes sur le terrain d'usine. Les données des machines sont collectées automatiquement, mais nous n'avons pas encore discuté l'impact des données opérateur.

Avec des tablettes placées sur chaque machine, les opérateurs peuvent ajouter du contexte aux données machine, ce qui fournit une compréhension plus profonde de la performance de l'équipement.

Par exemple, les opérateurs peuvent documenter la raison d'un événement d'arrêt donné, pour que les managers d'usine analysant les arrêts n'aient pas seulement une vue précise de combien d'arrêts leur usine a subis, mais aussi les principales raisons pourquoi. Il en va de même pour les rebuts.

Exemple d'un opérateur catégorisant une raison d'arrêt comme « rupture d'outil catastrophique » sur une interface tablette.

Cela donne au management une meilleure compréhension du problème pour que des processus plus efficients puissent être développés pour gérer les raisons d'arrêt et de rebut les plus flagrantes.

De plus, ces données machine, associées au contexte des opérateurs, peuvent activer des notifications basées sur des arrêts spécifiques qui alertent opérateurs et membres de l'équipe maintenance d'événements d'arrêt, pour qu'ils puissent résoudre le problème aussi vite que possible.

Machines, personnes, et systèmes

Le fil numérique coud ensemble multiples composants de l'usine numérique. En suivant le fil, les données machine commencent à impacter d'autres systèmes utilisés par les fabricants.

Quand les données machine sont collectées automatiquement, elles peuvent être intégrées dans des systèmes, comme un ERP, MES, ou GMAO, pour gérer les processus plus efficacement ou prendre de meilleures décisions opérationnelles basées sur les données combinées.

Quelques exemples pour illustrer l'importance de cela :

Systèmes de Planification des Ressources d'Entreprise (ERP)

Les fabricants gèrent généralement jobs et planification dans les ERP, où l'info sera stockée sur standards de job et temps de cycle. Cependant, il y a une forte probabilité que les standards de job et temps de cycle soient inexacts, ce qui affecte grandement les temps de run attendus des jobs, ainsi que fausse la tarification, les ateliers tarifiant généralement basé sur le temps pour usiner un produit donné.

Si un fabricant collecte des données machine temps réel, les temps de cycle peuvent être mis à jour dans l'ERP pour développer des standards plus précis et assurer que la tarification est en ligne avec les temps de run de job attendus. Cela donne aux leaders manufacturiers une meilleure compréhension de ce que l'atelier peut prendre en charge et combien de profit ils sont attendus de générer.

Systèmes de Gestion de Maintenance Assistée par Ordinateur (GMAO / CMMS)

Un autre exemple d'exploitation des données machine et opérationnelles dans d'autres systèmes est l'amélioration et l'automatisation de la maintenance avec une GMAO.

Il existe de nombreuses stratégies pour maintenir l'équipement, mais la plupart des fabricants continuent de compter sur la maintenance réactive ou la maintenance calendaire (avec un planning recommandé par le constructeur machine).

La maintenance réactive tend à résulter en quantités significatives d'arrêts. Et la maintenance calendaire (stratégie préventive) tend à être chère due aux travaux de maintenance inutiles.

La « zone Goldilocks » entre la maintenance préventive calendaire chère et la maintenance réactive qui mène à de gros arrêts et gros coûts de réparation.

En enfilant les données et insights d'actifs machine dans la GMAO, les fabricants peuvent transformer une stratégie de maintenance de réactive et calendaire vers basée sur l'usage ou l'état. Sans un fil numérique originaires à l'actif machine, la valeur qu'un fabricant peut s'attendre à atteindre d'un investissement GMAO est significativement diminuée.

Avec les données machine disponibles, les plannings de maintenance peuvent être optimisés pour s'aligner avec les données d'usage et d'état streamant depuis les machines et ces données peuvent même être utilisées pour déclencher des workflows qui génèrent automatiquement des ordres de travail dans la GMAO et notifient la bonne personne de la condition machine, événement d'arrêt, alarme, défaillance imminente, etc. pour qu'ils puissent corriger le problème aussi vite que possible, ou même avant qu'une défaillance ne survienne.

Le fil numérique des données machine : débloquer l'Industrie 4.0

Alors que les fabricants activent des solutions qui peuvent mieux capturer et transformer leurs données de production, non seulement ils pourront piloter de meilleures décisions factuelles, mais ils pourront exploiter la data pour développer de meilleurs processus et piloter de l'automatisation sur le terrain d'usine.

Les données machine ouvrent un monde entier de cas d'usage, en faisant la fondation des données de production et donnant aux fabricants un avantage concurrentiel profond.

Nous serions ravis de discuter comment la plateforme Industrial IoT MachineMetrics peut vous aider peu importe votre stade de parcours, que ce soit surveiller votre équipement pour identifier les arrêts plus vite, ou exploiter les données haute fréquence pour prédire et prévenir les pannes machine.

Contactez-nous pour toute question, ou planifiez une démo aujourd'hui.