데이터 기반 제조:이점, 과제 및 전략

데이터 기반 제조 전략을 통한 생산 효율성 최적화

다양한 데이터 캡처 기술이 존재하지만 제조업체는 여전히 이를 사용하기 위해 고군분투하고 있습니다. 데이터 기반 제조의 목표를 달성하기가 훨씬 더 어려워 보이는 것은 이러한 주요 과제 때문입니다.

그러나 생산 효율성을 최적화할 때 취할 수 있는 몇 가지 데이터 중심 접근 방식이 있습니다. 이러한 접근 방식에는 산업용 IoT를 사용하여 작업 현장 데이터를 캡처하고, 작업 현장 에지 컴퓨팅 장치를 배포하거나, 추가 분석을 위해 Excel 시트에 기계 통계를 수동으로 입력하는 것이 포함됩니다. 앞의 두 가지 옵션은 자동화된 프로세스가 있는 디지털 솔루션이고 후자는 수동입니다. 예상대로 디지털화가 승리하고 작업 현장 데이터를 캡처하여 작업에 적용하는 과정이 더욱 간소화됩니다.

이를 염두에 두고 데이터 중심 제조업체가 된다는 것이 무엇을 의미하는지, 데이터 중심 프로그램을 시작함으로써 경험할 수 있는 이점과 도전 과제, 분석 과정을 진행하면서 채택할 수 있는 유형의 전략에 대해 더 깊이 파고드는 것이 도움이 될 것입니다. 성숙함.

데이터 기반 제조란 무엇입니까?

작업 현장의 MachineMetrics 성능 대시보드

데이터 기반 제조는 추측, 일화적 증거 또는 "직감"과 달리 사실과 엄격한 제조 KPI 세트가 의사 결정을 안내하도록 하는 생산 접근 방식입니다.

이는 제조 현장 장비, 운영자, 공급망 등의 데이터를 활용하여 제조업체가 비용을 절감하고 운영 효율성을 높일 때 더 나은 결정을 내릴 수 있도록 하는 접근 방식입니다.

새로운 기술은 더 많은 제조업체에 운영 데이터를 수집하고 처리할 수 있는 기능을 제공하며, 이는 제조 데이터에서 실시간으로 통찰력을 추출할 수 있는 솔루션의 급증으로 이어지고 있습니다. 그러나 모든 분석이 동일하지는 않습니다.

작업에서 데이터를 성공적으로 활용하려면 먼저 사용자가 사용하기 쉬운 방식으로 효과적으로 처리되고 표시될 수 있는 정확한 데이터를 수집할 수 있어야 합니다.

예를 들어, 기계 성능 데이터를 클립보드에 수동으로 수집하는 경우 완료하는 데 많은 시간이 소요될 뿐만 아니라 인적 오류의 가능성도 높습니다. 반면에 PLC를 통해 기계에서 직접 데이터를 수집하면 매우 정확하고 편향되지 않은 데이터 스트림이 생성됩니다. 여기에서 두 솔루션 모두 "데이터 기반"으로 간주될 수 있지만 후자가 훨씬 더 우수하고 더 나은 의사 결정으로 이어질 것입니다.

제조에서 데이터 기반의 이점

높은 가시성: 데이터 기반 제조의 매력은 작업 현장과 본사의 리더가 조직 전체에서 수집되는 데이터를 기반으로 성과를 더 깊이 이해할 수 있다는 것입니다. 데이터는 개별 자산 성능뿐만 아니라 전체 운영에 대한 통찰력을 제공합니다. 이를 통해 의사 결정권자들은 성과가 좋지 않은 교대조, 반복적인 기계 가동 중지 또는 기타 생산 병목 현상과 같은 기회 영역을 정확히 찾아낼 수 있습니다.

AI 및 기계 학습: 제조업체는 대규모 데이터 세트를 통해 복잡한 문제를 해결하는 데 도움이 되는 기계 학습 알고리즘을 실행할 수 있습니다. 예를 들어, 우리 데이터 과학 팀은 비지도 머신 러닝을 활용하여 CNC 이상을 감지했습니다. 이와 같은 분석 노력을 통해 제조업체는 예측 유지 관리와 같은 고급 관행을 채택할 수 있습니다. 처리 기능이나 데이터에 대한 액세스 없이는 단순한 형태의 데이터 기반 의사 결정도 불가능합니다.

자동화: 데이터 기반 전략이 지원할 수 있는 자동화에는 두 가지 범주가 있습니다. 첫 번째는 자동화된 데이터 수집입니다. 데이터를 수집하는 장치와 이를 처리하는 소프트웨어가 제대로 갖추어지면 데이터 수집 프로세스에 더 이상 수동 작업이 필요하지 않습니다.

자동화의 두 번째 구성 요소는 자동화된 의사 결정을 위한 데이터 사용입니다. 제조업체는 분석 여정을 진행하면서 기술 분석에서 예측 분석으로 이동합니다. 즉, 먼저 데이터를 사용하여 발생한 일 또는 현재 일어나고 있는 일을 이해하지만, 결국에는 어떤 일이 발생할 수 있는지 이해하고 자율적으로 조치를 취할 수 있는 기회를 갖게 됩니다.

비용 절감: 데이터는 제조업체에게 생산 프로세스를 간소화하고 낭비를 최소화하는 데 필요한 정보를 제공하므로 린 제조를 보완합니다. 하드 데이터가 없으면 생산 개선 사항을 정확하게 측정하고 변경 사항으로 인해 비용이 절감되는지 확인하기 어렵습니다.

예를 들어, 작은 직경의 정밀 공차 CNC Swiss에서 부품 제조업체로 전환한 Carolina Precision Manufacturing은 전체 데이터 가시성을 보장하기 위해 IoT 플랫폼을 출시함으로써 1년 만에 150만 달러를 절약했습니다. 사례 연구에서는 어떻게 생산 효율성을 높이고 기계 활용도를 최적화하며 작업자의 책임을 강화할 수 있었는지 설명합니다.

데이터 기반 제조의 과제

사일로화된 데이터 소스 및 기존 시스템: 많은 시스템과 장비가 서로 대화할 목적으로 구축되지 않았습니다. 이는 부서 간 별도의 운영 체제, 기존 장비 또는 단순히 문서 및 통신 부족의 결과일 수 있습니다. 여기서 문제는 서로 다른 시스템에서 데이터를 집계하는 것이 어려울 수 있다는 것입니다. 즉, 수집된 데이터에서 더 적은 가치를 얻을 수 있습니다. 여러 수준의 시스템을 연결하고 기존 장비를 온라인으로 전환하는 IoT 플랫폼은 이 문제를 해결하는 데 도움이 됩니다.

보안 위협: 산업용 IoT 보안 문제는 두 가지 주요 원인으로 인해 발생했습니다. 첫째, 더 많은 장치가 연결될수록 침해에 대한 취약성을 생성할 가능성이 커집니다. 둘째, 보안은 이전에 시스템 수준에서 해결되지 않았으므로 개발된 표준이나 프로토콜이 없습니다. 그러나 위험을 완화하기 위한 솔루션이 있습니다.

데이터 저장: 데이터 기반 제조업체가 활성화하는 연결된 장치 및 시스템이 많을수록 더 많은 데이터가 수집됩니다. 표면적으로는 사용자가 수집 중인 데이터에서 통찰력을 얻을 수 있는 경우 강력한 이점이 있습니다. 그러나 증가하는 데이터 스트림은 수집 및 처리할 장소가 필요하며 이는 어려운 과제가 될 수 있습니다. 이는 사용자가 데이터를 온프레미스에 저장하는 경우 특히 비용 집약적이므로 클라우드 컴퓨팅을 사용해야 하는 경우가 많습니다.

데이터 기반 제조 전략

데이터 기반 프로세스 최적화 전략

기계의 생산 능력을 최적화하는 첫 번째 단계는 기계의 기능과 주변 작업 조건을 이해하는 것입니다. 이러한 작업 조건에는 사용 가능한 재고 및 재료가 기계에 도달하는 속도에 대한 지식이 포함될 수 있습니다. 이러한 지식을 얻으려면 인간-기계 인터페이스 장치와 같은 데이터 캡처 솔루션의 통합이 필요합니다. 수집된 데이터와 KPI를 시각화하는 기능은 의사 결정권자와 작업 현장의 직원 모두에게 산업 프로세스에 대한 훌륭한 통찰력을 제공합니다.

그런 다음 이러한 통찰력은 생산이 최적의 수준에서 계속되도록 보장하는 프로세스 최적화 전략을 개발하는 데 사용할 수 있습니다. 프로세스 최적화에 대한 데이터 기반 접근 방식을 통해 생산성을 제한하는 요인도 식별할 수 있습니다.

예를 들면 MachineMetrics를 사용하여 개별 제조 시설 내에서 프로세스 최적화를 추진하는 것입니다. 이 예에서 데이터는 기계에서 매일 수집되고 분류되고 최적화된 KPI와 비교되어 목표를 충족하지 못하는 특정 장비와 그 이유를 찾습니다. 그런 다음 기계의 생산성에 영향을 미치는 문제에 대한 목표 통찰력은 최적의 기능을 제한하는 문제를 수정하기 위한 기초 역할을 합니다.

데이터 기반 예측 유지 관리 전략

작업 현장의 기계는 최적의 기능을 보장하기 위해 지속적으로 유지 관리되어야 하므로 모든 제조업체는 부품 고장을 처리하기 위한 유지 관리 전략을 가지고 있습니다. 많은 시설에서 유지 보수에 대한 사후 대응 또는 실패 후 접근 방식은 기계를 더 오랜 기간 동안 작동 상태로 유지하기 위한 전략으로 여전히 배포되고 있습니다. 통계에 따르면 이 전략은 생산성을 약 20% 저해하고 실제 생산 주기 중에 기계가 고장날 경우 계획되지 않은 가동 중지 시간으로 이어질 수도 있습니다.

데이터 기반 전략은 기계 및 그 안의 구성 요소의 상태를 설명하는 모든 성능 지표의 모니터링을 통해 기계 유지 관리에 대한 선제적 접근 방식을 제공합니다. 이 접근 방식을 사용하면 계획되지 않은 가동 중지 시간이 제거되어 생산 효율성이 최적화됩니다.

구성 요소 및 기계 성능을 추적하기 위해 MachineMetrics Anomaly Detection Engine을 사용하는 것이 그 예입니다. API를 통해 엔진은 기계 데이터를 분석하여 작업 현장 내 다양한 ​​기계에 대한 맞춤형 유지보수 전략을 개발합니다. 분석된 데이터는 빈번한 교체가 필요한 부품에 대해 제조업체에 알리고 생산 주기에 대한 교체 일정을 개발하는 방법에 대한 통찰력을 제공합니다. 이렇게 하면 제조업체의 예비 부품 재고가 항상 업데이트되고 지정된 일정 내에 유지 관리가 실행됩니다.

데이터 기반 제조 최적화의 3단계

제조 프로세스를 최적화하기 위한 데이터 기반 전략 정의 또는 생성에는 다음 단계가 포함됩니다.

1. 데이터 캡처 및 모니터링: 실시간으로 데이터를 수집하는 기능은 데이터를 작동시키는 기반을 제공합니다. MachineMetrics는 개별 제조 장비 및 IoT 장치에서 작동 속도, 장비 온도 및 에너지 소비율과 같은 데이터를 수집하는 플러그 앤 플레이 솔루션입니다.
2. 데이터 분류 및 시각화: 수집된 데이터를 처리하고 분석하여 통찰력을 얻어야 합니다. MachineMetrics는 AWS 클라우드를 활용하여 최적화된 워크플로를 통해 작업 현장 데이터를 시각화하고 보고하는 즉시 사용 가능한 애플리케이션을 제공합니다.
3. 비즈니스 인텔리전스 및 조치: 의사 결정 및 전략 수립 프로세스를 용이하게 하기 위해 보고서 및 워크플로가 제공됩니다. 머신 데이터가 수집 및 분석되면 생산 효율성을 최적화하고 구현하기 위한 실행 가능한 전략을 개발하는 것이 가능해집니다.

제조 분석 여정

데이터가 제대로 작동하도록 하려면 기업의 제조 기계를 MachineMetrics Platform 킥에 연결하면 생산 최적화를 위한 여정이 시작됩니다. MachineMetrics의 범용 연결 기능은 디지털 및 아날로그 I/O가 모두 있는 장비를 지원하므로 작업 현장의 레거시 장비에서 데이터를 수집할 수 있습니다. 따라서 제조 시설을 위한 데이터 기반 전략을 개발하는 데 필요한 사용 가능한 데이터를 수집하는 문제를 제거합니다. MachineMetrics IoT 플랫폼의 기능을 분석하여 엔터프라이즈급 산업 분석 플랫폼의 가치 제안에 대해 자세히 알아볼 수 있습니다.