通过数据驱动分析优化设备

作者：Jessica Wachtel / 用例
2023年8月2日

我们希望机器处于良好的工作状态，生产出优质的产品。这不是新闻。但值得报道的是，常规维护仍然可能导致比必要的更多停机时间。并非所有维护计划都是相同的。保持资本设备运行并非存在于偶然的真空之中。在不可避免的事故之外，决策过程中有很多力量。

总体设备效率（OEE）是衡量设备性能的指标，以数值百分比的形式显示。这个分数考虑了多个因素，如性能速度、可用性、输出质量和其他特性。分数越高，意味着设备工作状态越好。OEE的力量显而易见：雇佣熟练的操作员，按预期使用设备，对产品进行勤勉的质量保证（QA）程序，以检测不可见的机械问题，并维护设备。

现在维护设备意味着几件不同的事情。基于估计的常规计划维护，曾经是保持机器运行的主要方式，现在已不再足够。数据驱动的预测性维护计划优化了资本设备，并带来了更好的投资回报。预测性维护使用机器和产品数据来确定何时进行维护，但在问题或故障发生之前。

从预防性维护转向预测性维护

从预防性维护转向预测性维护有许多好处。AnalyticsPlus是一家总部位于芝加哥的领先高级分析和预测建模公司，在医疗保健和其他行业拥有强大的专业知识。该公司建立了一个平台，帮助组织进行基于InfluxDB的预测分析和建模。AnalyticsPlus的一些例子展示了转向预测模型的价值。

第一个例子关注的是一家德国焊接和铆接车间，该车间生产汽车零部件。最初，他们对生产的汽车零部件进行随机抽样质量保证调查。然而，公司希望将其质量保证计划扩展到所有制造的汽车零部件。这意味着从手动过程转向使用分析和模型进行预测失败的数据驱动过程。这些模型和高级分析背后的数据来自机器传感器。机器过程数据是一种称为时间序列数据的数据类型，包括电流、温度、拉力、瓦特和压力等指标的读数。

车间使用AnalyticsPlus平台和机器数据来分析所有零部件，寻找质量较差的零部件。当数据揭示这些项目时，工厂团队立即对机器进行必要的调整，以恢复所有设备的工作状态或采取其他必要措施。成为数据驱动型组织加快了QA过程，从每天手动测试一辆汽车到对每辆汽车的20,000个焊接点进行在线预测性测试。数据表明，车间最初过度生产了20%的焊接点，这影响了公司的底线成本、生产时间和车辆重量。

机器学习（ML）和人工智能（AI）预测建模是帮助组织成为数据驱动型组织的工具之一。这些尖端技术与时间序列数据分析密不可分。一家美国发动机盖制造厂在从随机抽样QA转向数据驱动的预防性维护计划期间，依赖数据科学和AI/ML。

与德国的商店类似，这家工厂利用机器传感器的工艺数据来驱动模型和分析。他们不是使用质量保证(QA)来检测机械问题，而是使用数据科学家团队来确定具有高故障预测性的部件。原始数据来自五条装配线和25台数控机床。模型将这些数据汇总以预测所有线路的故障。在实施新的流程后，该工厂将其质量保证(QA)从手动检查1%的发动机部件提高到自动在线测试100%的部件。

物联网技术

成为数据驱动的方式不止一种。这两个例子都使用了AnalyticsPlus的物联网边缘计算平台，该平台建立在InfluxDB之上。物联网边缘计算平台是一个易于使用的点选式边缘计算平台，可帮助工厂实时解锁机器数据的力量。从这些数据中生成价值是过渡到预测性维护的关键。

InfluxDB 是一款专为时间序列数据设计的数据库，提供边缘和云服务。在预防性维护方面，这非常有价值，对物联网边缘计算平台也很重要，因为工厂可以将数据保留在本地，并将汇总版本发送到云端进行长期或集中分析。InfluxDB 是平台实时分析和控制的基础。该平台使用开源插件式Telegraf作为数据收集代理。拥有超过300个插件，包括MQTT、Modbus和OPC-UA，Telegraf消除了机器和物联网边缘计算平台之间的兼容性问题。

加入时间序列数据革命

这仅仅是时间序列数据给工业组织带来的好处以及它如何提高OEE的冰山一角。要了解更多关于物联网边缘计算平台的信息，请阅读完整的案例研究。

了解更多关于InfluxDB云无服务器、InfluxDB云专用的信息，或免费开始使用云账户。不确定从InfluxDB开始的地方？联系我们的销售团队。