제조 분야의 예측 분석:사용 사례 및 이점

수십 년 동안 제조업체는 경쟁 우위를 확보하기 위한 방법으로 데이터를 사용해 왔습니다. 아마도 오늘날 가장 큰 변화는 데이터 수집 방식일 것입니다. 일부 회사에는 기술자가 공장 주변을 돌아다니며 게이지를 확인하고, 양식을 작성하고, 기계의 작동 및 유지보수 이력을 기록하도록 합니다. 의사 결정을 내리기 위해 데이터를 수집하고 사용하는 지루하고 오류가 발생하기 쉬우며 부정확한 모든 방법. 그러나 IoT 장치와 센서의 확산으로 연결된 장비와 운영은 제조업체가 데이터와 분석을 활용하는 방식을 변화시키고 있습니다.

기업은 수동 데이터 수집 및 문서화와 관련된 노동력을 줄이기 위해 디지털 소프트웨어 및 연결된 장치로 전환하기 시작했습니다. 수동 데이터 수집 방법과 비교하여 이러한 기술은 분석의 힘을 증폭하고 보다 정확한 모델로 이어지는 충실도를 높입니다. 다음은 제조 분야에서 예측 분석의 이점과 사용 사례를 제시합니다.

제조업에서 분석의 성숙도

제조 분석 여정이라고도 하는 제조업체는 예측 및 처방 전략을 위해 노력할 때 여러 단계를 거칩니다.

1단계:데이터

기술 분석을 위한 데이터 수집은 무슨 일이 일어났는지 답하기 위한 기준선을 설정합니다.

2단계:정보

이 데이터를 진단 분석으로 처리하여 문제가 발생한 이유에 대한 답을 얻으면 데이터가 정보로 효과적으로 전환됩니다. 이를 위해 제조 분석 솔루션을 사용할 수 있습니다.

3단계:이해

충분한 정보가 수집되면 프로세스에 대한 더 나은 이해를 얻을 수 있고 통계 모델은 예측 분석을 사용하여 미래에 발생할 수 있는 일을 예측할 수 있습니다.

4단계:지식

보다 정확한 모델이 생성됨에 따라 데이터가 지식으로 전환되고 처방적 분석이 수행해야 하는 작업에 대한 답변을 제공합니다.

모든 것을 연결하고 이러한 단계를 실행하고 싶을 수도 있지만 명확한 목표를 설정하고 성능 향상을 모니터링하기 위한 기준선을 설정하는 것이 중요합니다. 기술적 분석에서 규범적 분석으로 전환하는 데 필요한 데이터와 데이터의 양을 파악합니다. 이 여정을 시작할 때 수집된 모든 데이터에 대해 단일 플랫폼을 구축하는 것이 좋습니다. 또한 기기, 사람, 공급업체 등 모든 이해 관계자가 이 플랫폼에 적절하게 액세스할 수 있는지 확인하세요.

실시간 데이터 및 모니터링은 기준을 설정하고, N-값을 달성하고, 수동 또는 연결되지 않은 장치보다 빠르게 변경 사항에 대해 이해 관계자에게 경고하는 데 도움이 되는 충실도를 제공할 수 있습니다. 이러한 단계에는 시간이 걸리지만 각 단계에는 고유한 이점이 있습니다. 분석 사용의 가장 큰 이점 중 하나는 어떤 일이 일어날지 매우 정확하게 예측할 수 있다는 것입니다.

제조업체를 위한 예측 분석의 이점 및 사용 사례

연결된 실시간 장치는 더 많은 데이터 포인트를 수집할 수 있습니다. 이는 고장이 발생하기 전에 얼마나 많은 시간 또는 몇 개의 부품을 생산할 수 있는지 예측하는 데 도움이 될 수 있습니다. 기존의 유지보수 계획은 부품 교체 시기를 제안하거나 평균 추정치를 기반으로 유지보수를 수행할 때를 제안할 수 있지만 반드시 필요할 때는 아닙니다. 데이터 및 제조 분석을 통해 장애를 예측하면 계획되지 않은 가동 중지 시간이 줄어들고 불필요하고 값비싼 유지 관리 서비스를 제거할 수 있습니다.

예측 유지 관리 분석

사용 사례:가동 중지 시간, 도구 고장 및 유지 관리 요구 감소

이 한 용어에는 많은 이점이 있습니다. 예측 유지 보수. 첫째, 데이터 수집은 가정이 아닌 유지보수가 필요한 시점을 예측하는 데 도움이 될 수 있다는 것입니다. 이렇게 하면 장비 가동 시간이 증가하여 관리자가 필요한 유지 관리를 계획하거나 장애가 발생하기 전에 필요한 조정을 할 수 있습니다.

더 많은 데이터가 수집되고 상관 관계가 만들어지면 예측 분석이 점점 더 정확해집니다. 한 가지 예에서 장비의 전류가 증가함에 따라 공구 고장이 발생하는 것으로 나타났습니다. 암페어 추적은 어려웠지만 장비의 소프트웨어 대시보드에서 기능을 켜면 스핀들 부하 데이터를 제공할 수 있었습니다.

연구원들은 증가된 스핀들 부하와 변환기 전류 사이에 80% 이상의 상관관계가 있음을 증명할 수 있었습니다. 보다 쉽고 비용 효율적인 스핀들 부하를 모니터링함으로써 부하가 증가한 시점부터 공구 고장까지 얼마나 많은 부품을 만들 수 있는지 예측할 수 있었습니다. 이 예에서 부품 고장 범위는 1에서 68입니다. 증가된 하중의 양에 따라 이 범위를 더 줄일 수 있습니다. 데이터의 상관 관계를 파악하고 패턴을 파악하면 분석을 통해 품질과 의사 결정에 이르는 범위가 확장됩니다.

스핀들 속도를 측정하여 임박한 공구 고장을 식별합니다. 이와 같은 데이터를 사용하여 자동으로 장애를 감지하고 방지하는 기능을 제공하는 알고리즘을 구축할 수 있습니다.

품질 분석

사용 사례:품질 문제에 대한 경고, 스크랩 최소화

성능을 추적하면 프로세스가 허용 범위를 벗어나거나 품질 문제가 발생할 수 있는 경우 이를 알릴 수 있습니다. 프로세스를 조기에 중지하거나 조정할 수 있으면 재료 낭비 또는 재작업을 크게 줄이거나 없앨 수 있습니다. 한 예에서 공압 실린더는 시간이 지남에 따라 표류합니다. 작업자들이 이를 알아차리고 조정할 때쯤에는 약 1,000개가 만들어졌고 생산 시간이 단축되었습니다. 유지보수 및 품질 문제를 조기에 예측하면 가격이 불안정하거나 시장 변동이 있는 재료와 관련된 애플리케이션에 가치를 추가할 수 있습니다.

수요 분석 예측

사용 사례:KPI 및 ERP 식별 및 활용

개별 프로세스 및 전체 리드 타임을 추적하면 재료 및 생산 요구 사항에 대한 통찰력을 얻을 수 있습니다. 연결된 능력이 확장됨에 따라 ERP와 같은 소프트웨어 도구의 능력, 가치 및 정확성을 높이는 KPI가 식별됩니다. 또한 자재 가격이 정치, 자연 재해 등의 영향을 크게 받을 수 있는 애플리케이션에서 데이터를 사용하여 소비율 및 배송을 예측하면 공급망 관리를 간소화하는 데 큰 이점을 얻을 수 있습니다. 수량, 일정 및 시장 수요를 예측하면 새로운 장비, 제품 또는 프로세스에 대한 경제성과 비용을 관리하는 데 도움이 됩니다.

인력 분석

사용 사례:교육 및 인력 수요 예측

변동하는 시장에서 예측 수요 분석을 사용하여 인력 및 인재 확보를 보다 효과적으로 관리할 수도 있습니다. 가장 큰 문제 중 하나는 제조 기술 격차입니다. 프로세스에서 공장, 지구로 데이터를 확장하면 제조업체는 미래에 어떤 기술과 노동이 필요할지 예측할 수 있습니다. 이를 통해 기업은 교육자와 보다 효율적으로 협력하고, 더 일찍 일자리를 게시하거나, 노동 요구 사항을 충족하기 위해 현재 인력의 기술을 향상 또는 재숙련할 수 있습니다.

제조 산업에서 예측 분석의 미래

미래의 사용 사례:도구의 원격 유지 관리

기술과 분석을 사용하면 데이터가 지식으로 바뀝니다. 연결이 확장됨에 따라 원격 및 모바일 자산 추적 및 모니터링이 증가하는 추세가 있습니다. 충실도가 높은 데이터를 제공하는 기능은 원격 및 모바일 진단 분석을 향상시킬 것입니다. 이러한 경향은 현장 기술자의 필요성을 줄여줄 것입니다. 높은 신뢰도의 원격 진단을 통해 현장 기술자의 필요성을 더욱 줄이기 위해 현장에 있는 운영자에게 유지 보수 권장 사항이나 정보를 제공할 수도 있습니다.

미래의 사용 사례:위험 및 보험 평가

장비를 추적하고 모니터링하는 기능이 향상됨에 따라 분석을 통해 구독, 보험 정책 또는 보증이 증가할 수 있습니다. 연결된 장치는 더 유연한 장비로 이어질 수 있습니다. 예를 들어, 구독을 통해 OEM은 기능, 데이터 추적 및 소프트웨어를 원격으로 추가하거나 제거할 수 있습니다. 수요가 변함에 따라 구독 및 기능도 변경됩니다.

또한 진단 분석은 보험 정책 및 보증이 적용되는 범위 또는 범위를 변경할 수 있습니다. 제조 분석 및 연결된 기술은 운영자, 장비 또는 설계 오류를 증명하거나 반증할 수 있습니다. 수학은 설명하고 이해하고 경쟁하는 효과적인 방법이었습니다. 제조 분야의 미래 성공은 디지털 모델 및 분석에 대한 가장 정확하고 광범위한 지식을 보유한 사람이 될 수 있습니다.

MachineMetrics IoT 플랫폼으로 예측 전략 추진

플랫폼 탐색