使用数据驱动分析优化设备

作者：Jessica Wachtel / 用例
2023 年 8 月 2 日

我们希望机器运行良好，生产出质量卓越的产品。这不是新闻。但值得关注的是，例行维护仍然可能导致不必要的停机时间。并非所有维护程序都是相同的。保持资本设备运转并非偶然。除了不可避免的灾难之外，决策过程具有很大的力量。

整体设备效率 (OEE) 是衡量设备性能的指标，以数值百分比值显示。此分数考虑了多个因素，例如性能速度、可用性、输出质量和其他特性。分数越高，表示设备工作状态越好。OEE 的力量显而易见：雇用熟练的操作员，按预期使用设备，对产品执行认真的质量保证 (QA) 程序以检测未见的机械问题，并维护设备。

现在维护设备意味着一些不同的事情。曾经是保持机械运转的主要方式的基于估计的例行计划维护已不再足够。数据驱动的预测性维护程序优化了资本设备，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需要维护，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很多好处。AnalyticsPlus 是一家领先的位于芝加哥的先进分析和预测建模公司，在医疗保健和其他行业拥有强大的领域知识。该公司构建了一个平台，以帮助组织进行依赖 InfluxDB 的预测分析和建模。来自 AnalyticsPlus 的几个示例证明了转向预测模型的价值。

第一个示例侧重于一家生产汽车零件的德国焊接和铆接车间。最初，他们对他们生产的汽车零件的随机抽样进行了质量保证调查。但是，该公司希望扩展其质量保证计划，以包括所有制造的汽车零件。这意味着从手动流程过渡到使用分析和模型来预测潜在故障的数据驱动流程。为这些模型和高级分析提供支持的数据来自机器传感器。机器过程数据（一种称为时间序列数据的数据类型）包括电流、温度、拉力、瓦特和压力等读数。

该车间使用 AnalyticsPlus 平台和机器数据来分析他们所有的零件，寻找质量较差的零件。当数据显示这些项目时，工厂团队立即做出响应，对机器进行必要的调整，以使一切恢复正常运转或采取其他必要措施。成为数据驱动型组织将质量保证流程从每天手动测试一辆汽车加速到对所有汽车的所有 20,000 个焊点进行在线预测性测试。数据显示，该车间最初过度生产了 20% 的焊点，这影响了公司的盈亏底线成本、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一系列工具的一部分。这些尖端技术与时间序列数据分析齐头并进。一家位于美国的发动机缸盖制造厂在其从随机抽样质量保证过渡到数据驱动的预防性维护计划期间，依赖于数据科学和 AI/ML。

与德国车间类似，这家工厂使用其机器传感器的过程数据来为模型和分析提供支持。他们没有使用质量保证来确定机器中的问题，而是使用数据科学家团队来确定具有高故障预测性的零件。原始数据来自五条装配线和 25 台 CNC 机床。模型聚合数据以预测所有生产线的故障。随着新流程的到位，该工厂将其质量保证从手动检查 1% 的发动机零件提高到对 100% 的发动机零件进行自动化在线测试。

物联网技术

成为数据驱动型组织的方式不止一种。这两个示例都使用了 AnalyticsPlus 的 IoT Edge Computing Platform，该平台构建在 InfluxDB 之上。IoT Edge Computing Platform 是一个易于使用的点击式边缘计算平台，可帮助工厂实时释放其机器数据的力量。从这些数据中产生价值是从预防性维护过渡到预测性维护的关键。

InfluxDB 是一个专门构建的时间序列数据库，具有边缘和云产品。这在预防性维护方面很有价值，对于 IoT Edge Computing Platform 也很重要，因为工厂可以将他们的数据保存在他们需要的地方（现场），并将聚合版本发送到云端以进行长期和/或集中分析。InfluxDB 是该平台实时分析和控制的基础。该平台使用基于开源插件的 Telegraf 作为数据收集代理。Telegraf 拥有 300 多个插件，包括 MQTT、Modbus 和 OPC-UA，消除了机器和 IoT Edge Computing Platform 之间的兼容性问题。

加入时间序列数据革命

当谈到时间序列数据为工业组织带来的好处以及它如何改进 OEE 时，这只是冰山一角。要了解有关 IoT Edge Computing Platform 的更多信息，请阅读完整案例研究。

详细了解 InfluxDB Cloud Serverless、InfluxDB Cloud Dedicated，或免费云帐户开始使用。不确定从哪里开始使用 InfluxDB？联系我们的销售团队的某个人。