산업기술
산업 제조
자동화된 제조 장비(원하는 경우 CNC 기계)와 이 장비를 작동하는 사람들은 모든 제조 작업의 핵심이며 제조업체의 가장 큰 자본 비용 중 하나입니다. 이 기계는 수십만 달러의 가치가 있으며 다른 어떤 산업보다 더 많은 데이터를 생성하지만 로봇 및 자동화의 모든 혁신에도 불구하고 효율성을 개선하기 위해 이 데이터를 캡처하거나 분석하지 않고 있습니다.
이러한 머신은 밀리초마다 수백 개의 데이터 포인트를 생성하며 데이터 구조는 머신마다 다릅니다. 따라서 서로 다른 모든 시스템에서 데이터를 표준화하는 것이 매우 중요합니다. 하지만 특정 장비의 경우에는 이 작업을 수행하기 어렵습니다.
OPC-UA 또는 MTConnect를 통해 표준화하는 것만큼 간단하지 않습니다. 그 이유는 이러한 프로토콜을 지원하는 기계는 극히 일부에 불과하기 때문입니다. 우리는 DIY 솔루션을 활용하여 데이터를 수집하고 자산에서 표준 모델로 변환하고 데이터 포인트를 하나씩 수동으로 기계별로 코딩하기 위해 수년 동안 시도한 고객이 있습니다. 이로 인해 초기 가치를 얻기 전에 수년간의 맞춤형 개발 및 통합이 필요한 경우가 많으며, 이는 제조업체의 리소스 할당 오류입니다.
데이터를 기반으로 하는 통찰력과 조치는 제조업체가 비즈니스를 성장시키고 경쟁적으로 차별화할 수 있는 기반을 제공합니다. 오늘날 제조업체는 비즈니스 프로세스를 최적화하고 자동화하기 위해 데이터와 디지털 스레드를 활용하는 여정의 여러 단계에 있습니다.
MachineMetrics에서는 공장 운영 데이터가 불충분하고 신뢰할 수 없다는 것을 초기에 발견한 많은 제조업체와 협력합니다. 장비 활용과 같은 주요 지표의 경우, 기계 자산에서 변환되거나 상황에 맞는 데이터를 캡처하기 위한 자동화 시스템이 없는 제조업체는 종종 자신이 만족스러운 수준에서 수행하고 있다고 잘못된 믿음을 갖고 있습니다. 실제로 우리의 평균 제조 고객은 28%의 활용도에서 시작하여 인식되는 것보다 훨씬 낮습니다. OEE, 가동 중지 시간 및 기타 주요 지표에 대해서도 유사한 불만족스러운 통계가 발견되었습니다.
수준 이하이지만 부풀려진 성능 인식의 근본 원인은 수동으로 캡처한 데이터에서 비롯됩니다. 수동 데이터 캡처로 인해 데이터가 정확하지 않거나 조작되거나 누락되는 경우가 많습니다. 지속적인 개선과 혁신을 시도하면 깨지고 휘어지는 흔들리는 기초입니다.
반면에 기계 자산에서 자동으로 캡처되고 변환된 정확한 실시간 데이터는 통찰력을 캡처하고 가치를 창출하기 위한 견고한 기반을 만듭니다. 물론 이것은 말보다 쉽습니다.
제조업체는 데이터의 가치를 이해하고 있으며, 효율적인 데이터 수집과 의사 결정 시 데이터 사용이 모두 부족한 가장 큰 이유는 다음 두 가지입니다.
선반, 밀스, 플라스틱 사출 성형, 스탬핑, 레이저 절단기, 로봇 공학 등 다양한 유형의 장비가 있을 뿐만 아니라 해당 시스템에서 데이터를 수집하는 데 사용할 수 있는 메커니즘에 따라 데이터 포인트가 매우 다양할 수 있습니다. 이러한 개별 시스템에서 해당 데이터를 분석하기 위한 효과적인 도구를 제공하려면 데이터를 공통 데이터 모델로 변환해야 합니다. 각 기계 제어 장치에는 데이터 수집을 위한 고유한 메커니즘이 있을 뿐만 아니라 해당 제어 장치에서 실행되는 소프트웨어 버전뿐만 아니라 해당 제어 장치를 사용하는 기계의 제품군, 제조업체 및 모델에 따라 데이터 포인트도 다를 수 있습니다.
제조 장비, 특히 개별 제조 장비는 매우 복잡합니다. 기계는 지속적으로 변경되는 수백 개의 개별 데이터 포인트를 생성하는 조정 작업을 수행하는 대규모 구성 요소 시스템입니다. 애플리케이션에 따라 100Hz 또는 100KHz의 속도로 데이터를 캡처해야 하는 상황이 있을 수 있습니다. 이 정보를 사용하는 플랫폼은 집계 또는 계산된 결과만으로 충분할 때 불필요한 데이터를 보내고 저장하지 않도록 시스템 내의 여러 수준에서 데이터를 분석해야 합니다. 이러한 시스템은 에지와 클라우드 모두에서 가장 적절한 위치에서 복잡한 처리를 수행할 수 있어야 합니다.
CNC 제어 장치에 직접 연결하면 다양한 다양한 데이터 포인트에 대량의 머신 데이터가 제공됩니다.
일부 시스템은 낮은 충실도와 높은 대기 시간으로 가치를 제공할 수 있지만 특정 IoT 사용 사례에서는 훨씬 더 많은 실시간 데이터가 필요합니다. 에지 기술은 많은 양의 데이터를 처리하고, 밀리초 이하로 결정을 내리고, 잠재적으로 기계 또는 공작물의 손상을 방지하는 조치를 취하는 데 필요합니다. 작업 성과에 대한 가시성을 제공하는 대시보드도 짧은 대기 시간으로 엄청난 가치를 얻을 수 있으므로 뒤처지거나 실패하는 프로세스에 즉각적인 주의를 기울일 수 있습니다.
개별 제조는 훨씬 더 복잡합니다. 이것은 개별 제조 공장에서 기계의 가변성으로 시작됩니다. 다양한 기계 제조업체가 있으며 한 공장에 한 브랜드의 기계만 있는 것은 아닙니다. 많은 다른 기계에는 다른 제어 시스템과 통신 프로토콜도 있습니다. 그것들은 현대적인 컨트롤이 있는 새 것부터 제한된 컨트롤 기능을 가진 20-30년 된 것까지 다양한 빈티지입니다. 다양한 플랜트 자산에 연결하고 데이터를 수집하는 것 또한 중요한 작업입니다. 이러한 기계의 대부분은 오늘날 기업이 구현하는 데 중점을 두고 있는 전체론적, 공장 또는 전사적 분석 솔루션 종류에 대한 데이터를 제공하도록 설계되지 않았기 때문입니다. .
연결된 작업의 장점은 제조업체가 다양한 소스에서 데이터를 수집하고 사용할 수 있다는 것입니다. 데이터가 맥락화되고 관련성이 있는 한, 이는 관리자가 작업 현장의 상태와 성과에 대한 더 깊은 가시성을 얻는 데 도움이 될 뿐만 아니라 격차를 메우고 기존 데이터에 맥락을 추가하는 데에도 도움이 됩니다.
생산 데이터의 가장 가치 있는 소스인 공작 기계는 MachineMetrics에 의해 컨텍스트화되고 실시간 생산 대시보드, 보고 및 알림에 사용되는 데이터 스트림을 제공합니다. 이해 관계자는 기계 가동 중지 이벤트에 대해 즉시 알림을 받고 기계 상태, 경보, 오버라이드, 부하, 속도 및 피드를 포함하는 기계 데이터에 액세스하여 생산이 일정보다 늦어지는 때를 확인할 수 있습니다.
생산 데이터의 격차를 메우고 컨텍스트에 대한 추가 레이어를 추가하려면 ERP, MES, CMMS, CAM 등과 같은 제조 환경 내의 서로 다른 시스템 간에 데이터를 공유하는 것이 도움이 될 수 있습니다.
MachineMetrics에는 외부 소스에서 정보를 가져올 수 있는 API(응용 프로그래밍 인터페이스)가 있습니다. 기계 및 운영 데이터의 이러한 조합을 함께 활용하여 통찰력을 생성하거나 자동화를 추진할 수 있습니다. 예를 들어, 오류를 나타내는 머신 데이터는 CMMS에서 작업 주문을 자동으로 트리거할 수 있습니다.
각 기계에 있는 MachineMetrics 운영자 인터페이스는 운영자가 기계 데이터에 컨텍스트를 추가할 수 있는 통신 도구를 제공합니다. 이것은 기계 가동 중지 시간, 알람, 부품 스크랩 등의 "이유"를 설명하는 데 도움이 되는 필수 데이터 계층입니다.
작업자는 각 기계에 태블릿을 사용하여 기계 데이터에 중요한 컨텍스트를 제공하여 가동 중지 시간 및 부품 폐기에 대한 이유를 문서화할 수 있습니다.
제조에서 에지는 기계에서 데이터를 캡처하고 분석을 수행할 수 있도록 해당 데이터를 공통 데이터 모델로 변환하는 데 필요합니다. 공장 현장의 다양한 자산에 걸쳐 연결을 가능하게 하려면 다양한 PLC 프로토콜을 지원할 수 있어야 합니다. 또한 단순한 자산을 위해 또는 PLC에서 표준 연결 방법을 사용할 수 없는 경우 센서에서 데이터 캡처를 지원해야 합니다. MachineMetrics는 다양한 뉘앙스를 가진 대부분의 표준 산업 프로토콜을 개발 및 지원하고 다양한 CNC 기계 제어에 대한 맞춤형 커넥터를 구축합니다.
지원되는 표준 프로토콜은 다음과 같습니다.
제작된 맞춤형 기계 제어 커넥터에는 다음이 포함됩니다.
레거시 기계의 경우 간단한 센서를 통해 연결하면 기계의 활동을 확인하고 활용도를 보고하기에 충분합니다. 아날로그 전류 센서가 자주 사용되며 Labjack을 포함한 다양한 디지털 및 아날로그 수집 장치에 대한 지원이 있습니다. 이를 통해 온도, 진동, 압력 및 기계의 릴레이에 연결하는 기능을 캡처해야 하는 다른 사용 사례가 가능해졌습니다.
PLC/제어 및 센서 연결은 모두 온라인 인터페이스를 통해 유지 관리할 수 있으며 IoT 데이터용으로 특별히 설계된 간단한 스크립팅 언어로 데이터를 필터링, 처리 및 변환할 수 있습니다.
데이터는 낮은 주파수(이벤트 변경 시 또는 초당 1샘플)로 스트리밍되거나 특정 컨트롤 및 센서에 대해 높은 주파수(초당 1000샘플)로 스트리밍될 수 있습니다. 고주파 데이터를 지원하기 위해 MachineMetrics는 이러한 높은 수준의 데이터 처리 및 스트리밍을 지원하는 자체 에지 기술을 구축해야 했습니다.
수천 대의 시스템에 걸쳐 에지를 확장하고 에지 소프트웨어를 원격으로 유지, 업그레이드 및 지원할 수 있도록 MachineMetrics Edge 플랫폼은 고객 전반에 걸쳐 데이터를 수집하는 에지 장치를 원격으로 구성, 업그레이드 및 관리하도록 구축된 원격 장치 관리를 가능하게 합니다. 사이트. 지원 기술자와 고객은 이러한 기본 제공 도구를 사용하여 문제를 해결하고, 진단을 실행하고, 네트워킹을 구성하고, 방화벽을 테스트할 수 있습니다. 추가 진단 및 지원을 제공하기 위해 CLI(공용 언어 인터페이스)가 맞춤 제작되었습니다. 이 CLI를 사용하여 장치를 업그레이드할 수 있지만 곧 고객에게 에지 소프트웨어를 직접 업그레이드할 수 있는 옵션이 제공됩니다.
MachineMetrics Edge Platform은 제조업체를 위한 확장 가능한 솔루션을 제공합니다. 장비를 구축하고 몇 분 만에 실행 가능한 머신 인사이트를 구현합니다.
CNC 기계 데이터 수집은 유선 및 무선 솔루션을 포함한 다양한 방법을 통해 기계를 연결하는 것으로 시작됩니다.
데이터를 수집할 수 있게 되면 상황에 맞게 표준화되어 실시간 대시보드 및 알림뿐만 아니라 심층 분석을 위한 이력 보고서에 사용됩니다. 그러나 이것은 시작에 불과합니다.
머신 데이터는 디지털 스레드의 기초를 나타내며, 비즈니스 프로세스를 최적화 및 자동화하기 위한 무제한의 사용 사례를 제공하여 제조업체가 비즈니스를 성장시키고 경쟁적으로 차별화할 수 있도록 합니다.
하지만 머신 데이터에서 제공하는 값은 자동으로 캡처되어 변환되어야만 효과적으로 사용할 수 있습니다.
종이 기반 및 기타 수동 솔루션을 사용하여 이에 접근하는 고객에게서 우리가 본 것은 생산 데이터가 지연되고, 부정확하고, 맥락이 없고, 단순한 사용 사례 이상으로 확장되지 않기 때문에 훨씬 덜 효과적이라는 것입니다. 또는 더 나쁘게는 공백으로 채워지거나 존재하지 않습니다.
반면에 기계 자산에서 자동으로 캡처되고 변환된 정확한 실시간 데이터는 통찰력을 포착하고 가치를 창출할 수 있는 견고한 기반을 만듭니다.
기본 데이터가 정확하다는 확신을 가지고 유사한 기계, 라인 및 플랜트 전반에 걸쳐 성능 기준을 설정할 수 있습니다. 기계 자산 성능을 측정하고 회사 외부의 특정 산업 전반에 걸쳐 유사한 자산과 비교할 수도 있습니다.
결국 진실은 하나뿐이고 기계는 거짓말을 하지 않는다. 알림 및 워크플로 트리거를 통한 가시성 및 실행 가능성과 결합된 정확한 데이터 캡처 및 변환을 통해 몇 개월 만에 활용 성능을 15~20% 개선할 수 있습니다.
이 디지털 스레드를 따라 추가 컨텍스트가 추가된 위치와 이 데이터가 다른 프로세스 및 시스템 내에서 어떻게 사용되어 대규모 효율성을 달성하는지 확인할 수 있습니다.
생산 소스에는 작업 현장의 장비와 인력이 모두 포함됩니다. 기계의 데이터는 자동으로 수집되지만 운영자 데이터의 영향에 대해서는 아직 논의하지 않았습니다.
작업자는 각 기계에 태블릿을 배치하여 기계 데이터에 컨텍스트를 추가할 수 있으므로 장비 성능을 더 깊이 이해할 수 있습니다.
예를 들어 운영자는 주어진 다운타임 이벤트의 원인을 문서화할 수 있으므로 다운타임을 분석하는 플랜트 관리자는 플랜트에서 경험한 다운타임의 정확한 보기뿐만 아니라 그 이유의 주요 원인도 파악할 수 있습니다. 스크랩 부품도 마찬가지입니다.
태블릿 인터페이스에서 다운타임 이유를 "재앙적인 도구 오류"로 분류하는 운영자의 예
이를 통해 경영진은 문제를 더 잘 이해할 수 있으므로 가장 심각한 가동 중지 시간 및 폐기 사유를 관리하기 위해 보다 효율적인 프로세스를 개발할 수 있습니다.
또한 운영자의 컨텍스트와 쌍을 이루는 이 머신 데이터는 운영자와 유지보수 팀 구성원에게 다운타임 이벤트를 경고하는 특정 다운타임을 기반으로 알림을 활성화할 수 있으므로 가능한 한 빨리 문제를 해결할 수 있습니다.
디지털 스레드는 디지털 공장의 여러 구성 요소를 함께 연결합니다. 스레드를 따라가면서 머신 데이터가 제조업체에서 사용하는 다른 시스템에 영향을 미치기 시작합니다.
머신 데이터가 자동으로 수집되면 ERP, MES 또는 CMMS와 같은 시스템에 통합되어 프로세스를 보다 효과적으로 관리하거나 결합된 데이터를 기반으로 더 나은 운영 결정을 내릴 수 있습니다.
이것의 중요성을 보여주는 몇 가지 예:
전사적 자원 관리 시스템
제조업체는 일반적으로 작업 표준 및 주기 시간에 대한 정보가 저장되는 ERP에서 작업 및 일정을 관리합니다. 그러나 작업 표준 및 주기 시간이 정확하지 않을 가능성이 높아 작업의 예상 실행 시간에 큰 영향을 미치고 가격이 왜곡됩니다. 일반적으로 상점에서는 특정 제품을 가공하는 데 걸리는 시간을 기준으로 가격을 책정하기 때문입니다.
제조업체가 실시간 기계 데이터를 수집하는 경우 ERP에서 주기 시간을 업데이트하여 보다 정확한 표준을 개발하고 가격이 예상 작업 실행 시간과 일치하도록 할 수 있습니다. 이를 통해 제조 리더는 해당 매장이 무엇을 감당할 수 있는지, 얼마나 많은 수익을 창출할 수 있는지 더 잘 이해할 수 있습니다.
전산화된 유지보수 관리 시스템
다른 시스템에서 기계 및 운영 데이터를 활용하는 또 다른 예는 CMMS로 유지 관리를 개선하고 자동화하는 것입니다.
장비 유지 관리와 관련하여 많은 전략이 존재하지만 대부분의 제조업체는 사후 유지 관리 또는 일정 기반 유지 관리(기계 제조업체에서 제공하는 권장 일정 포함)에 계속 의존하고 있습니다.
사후 유지 보수는 상당한 가동 중지 시간을 초래하는 경향이 있습니다. 그리고 달력 기반 유지보수(예방적 유지보수 전략)는 불필요한 유지보수 작업으로 인해 비용이 많이 드는 경향이 있습니다.
많은 가동 중지 시간과 수리 비용이 많이 듭니다.
기계 자산 데이터와 통찰력을 CMMS에 스레딩함으로써 제조업체는 사후 대응 및 일정 기반에서 사용 또는 조건 기반으로 유지 관리 전략을 변환할 수 있습니다. 기계 자산에서 비롯된 디지털 스레드가 없으면 제조업체가 CMMS 투자를 통해 달성할 수 있는 가치가 크게 감소합니다.
사용 가능한 기계 데이터를 통해 유지 관리 일정을 최적화하여 기계에서 스트리밍되는 사용 및 상태 데이터에 맞출 수 있으며 이 데이터를 사용하여 CMMS에서 작업 주문을 자동으로 생성하고 올바른 사람에게 기계 상태를 알리는 워크플로를 트리거할 수도 있습니다. , 다운타임 이벤트, 알람, 임박한 장애 등을 통해 가능한 한 빨리 또는 장애가 발생하기 전에 문제를 해결할 수 있습니다.
제조업체가 생산 데이터를 더 잘 캡처하고 변환할 수 있는 솔루션을 사용하면 사실에 기반한 더 나은 결정을 내릴 수 있을 뿐만 아니라 데이터를 활용하여 더 나은 프로세스를 개발하고 작업 현장에서 자동화를 주도할 수 있습니다.
머신 데이터는 사용 사례의 전 세계를 열어 생산 데이터의 기초가 되고 제조업체가 강력한 경쟁 우위를 가질 수 있도록 합니다.
장비를 모니터링하여 다운타임을 더 빠르게 식별하거나 고주파 데이터를 활용하여 기계 고장을 예측하고 예방하는 등 현재 진행 중인 여정의 단계에 상관없이 MachineMetrics Industrial IoT Platform이 어떻게 도움이 될 수 있는지 논의하게 되어 기쁩니다.
질문이 있으시면 지금 바로 연락하거나 데모를 예약하세요.
산업기술
디지털 세계는 2년마다 두 배로 증가하고 있으며, 2013년 4조 4천억 기가바이트에서 2020년 44조로 증가할 것으로 예상됩니다. EMC Digital Universe에 따르면 이 디지털 세계에 보관된 데이터의 약 85%를 기업이 책임지고 있습니다. 제조 공장은 이러한 데이터 생산에 기여하는 기업의 한 유형에 불과하며, 기계 상태를 모니터링하기 위해 프로세스 데이터를 수집합니다. 자동화 부품 공급업체인 EU Automation의 미국 관리자인 Claudia Jarret에 따르면 플랜트 엔지니어는 이 데이터를 최대한 활용하고
새로운 기술의 이점을 활용하여 가공 세계는 새로운 제조 문제를 해결하기 위해 끊임없이 진화하고 있습니다. 기계 공장은 더 빠른 생산과 더 엄격한 공차를 위한 글로벌 경쟁에 직면해 있으며, 또한 빡빡한 노동 시장에서 신뢰할 수 있는 직원을 확보하고 유지하기 위해 고군분투하고 있습니다. 업계의 현재 동향은 이러한 문제를 해결하는 것을 목표로 합니다. 이러한 발전은 고급 소프트웨어와 자동화를 통해 실현되고 있습니다. 인공 지능(AI) 기술로 구동되는 새로운 소프트웨어의 구현을 통해 기계 공장은 부품을 보다 빠르고 고품질로 설계하