当前位置:网站首页> 体育知识 > 需要那些步骤(未来的维护策略——实施“数据分析”的5个步骤)

需要那些步骤(未来的维护策略——实施“数据分析”的5个步骤)

更新时间:2022-10-13 04:30:15

需要那些步骤(未来的维护策略——实施“数据分析”的5个步骤)

需要那些步骤(未来的维护策略——实施“数据分析”的5个步骤)

图片来源 :福禄克



作者 | Tina Hull


通过使用在运行维护期间收集的大数据来规划和集成分析,有助于企业提高可靠性。


自从开始记录机器上的读数以来,工业企业已经使用了数据分析、趋势分析、图表和其它可视化技术。尽管数据分析技术变化不大,但没有多少维护经理能够完全了解它是什么,如何影响运营以及将如何塑造工业4.0。


运维中的数据分析是什么?


数据分析是对原始数据的分析,以做出明智的决策。几十年来,技术就是这样。现在,变化的是数据采集量,以及“谁”或“什么”在进行分析。


传统上,技术人员收集数据,而管理人员或专家分析这些输入并得出结论。随着先进技术和软件的更新换代,这两项活动比以前更加数字化。


现在,数据分析不仅对维护很重要,它还是未来发展的关键。未来的维护策略,将使用规范性分析(prescriptive analytics),利用软件收集和分析数据,并为无法正常运营的系统提供维护建议。在“规范性维护”方面,先进的人工智能(AI)和机器学习(ML)软件将帮助确定采取什么行动以及何时采取行动。


目前,可用于实际应用的AI维护软件还很少。很多公司都在竞相实现这一目标。然而,在大多数工业车间,这依旧是一个梦想。运营通常以手动读取数据为基础,只有少数高级用户使用无线传感器,并期待自动化程度更高的未来。


需要那些步骤(未来的维护策略——实施“数据分析”的5个步骤)

▎维护策略正朝着规范性分析方向发展,软件不仅能收集和分析数据,还能提供建议。



手动与自动数据分析


手动数据分析需要大量的处理数据和查看曲线工作。许多工业运营部门提供数据分析服务,减轻了管理者的麻烦——数据筛选、来源验证并确定哪些数据需要专家分析。


无论您是拥有手动数据分析的内部专业知识,还是更愿意使用复杂的自动分析,都必须有状态监测传感器和控制装置生成的大量数据。


面向制造业的大数据


大数据一般是指大型或复杂的数据集。在维护领域,它包括工业测量、运营数据和无线传感器读数。然而,收集和存储所有这些数据并不是重点。这些信息必须被提取和利用才能发挥作用。


数据分析是从大数据中释放信息的关键。专家分析师可以从一系列看似不可理解的值和代码中获取价值。随着工业4.0 继续革新维护和维修操作,这种分析将转变为智能软件功能。


虽然对许多人来说,AI 数据分析依旧是未来的趋势,但当前的维护软件系统,正在利用更多的数据来协助维护团队,并增加易于自动化实施的任务。


工业技术和数据分析


工业数据源包括运营控制数据,如监控和数据采集(SCADA)、可编程逻辑控制器(PLC)系统、楼宇管理系统、集成或第三方传感器、具有连接工具的技术人员等。随着IIoT 传感器在资产上的应用日益广泛,大数据的来源比以往任何时候都多。热成像工具也可用于读取多个资产的读数。振动传感器进行连续的状态监测,并能检测到电机轴错位等问题。技术人员使用手持工具抽查获得的数据,可以立即发送到云。软件可以将数据源融合到一个全面的图像中进行推断。


分析工业数据


一家商业奶酪制造商最近庆祝其投资数百万美元的扩建工程的完工,产能增加了25%。大量新设备即将投入使用,管理层明白为了正常运营,必须对资产进行监控。


该公司的制造设施工艺工程师表示,团队清楚他们需要保持工厂的正常运营。他们还想立即知道设备的任何问题。


他们使用无线振动传感器将恒定读数上传到云端,并使用分析软件对最常见的故障进行振动监测。这些数据为维护团队提供稳定的见解,如资产状况状态、事件信息、警告等。


需要那些步骤(未来的维护策略——实施“数据分析”的5个步骤)

▎当今的无线传感器正在为未来打下基础。未来,状态监测数据将输入到AI 驱动的软件。



实施数据分析的5个步骤


通往未来增强型数据分析的道路并不是唯一的。一些公司已经将以可靠性为中心的维护紧密融入到运营中。还有一些企业则正在开始他们的可靠性之旅。在深入研究工业4.0 之前,需要了解基本知识。然而,无论目前企业处于何种状态,都可以从这些步骤中受益。


步骤1完成资产关键性分析

通过此分析指导团队,按照重要性对资产健康和维护进行优先排序。团队根据每个资产在组织内的使用情况,而不一定是根据其在工业中的标准用途,以及失败时对业务的影响来对其进行评级。


资产关键性分析还可以告知团队,哪些资产是状态监测和筛选的主要候选资产,并提供分析来源。


步骤2规划试点项目

与大多数技术部署或工艺变更一样,最好用小部分资产进行试点。在资产关键性分析中,确定对日常运营至关重要的设备。对这些更关键的资产进行状态监控,生成数据分析所需的组件(手动或自动)。


步骤3启动计划

启动计划并不是一蹴而就的;而是在部署期间持续进行完善,以确保其满足维护和运营需要。如果工艺或自动化不能正常工作,请优化并收集更多数据。很多企业后来放弃了试点项目,因为试点项目并没有给他们想要的东西。相反,要像海军陆战队一样思考——快速应变、适应和克服挑战。


步骤4与领导层一起审查结果

启动试点项目并不是重点。有了数据在手,用户可以进一步向领导证明扩展计划的意义。他们还可根据多年的业务管理和工艺变更经验来提出建议。用数据向他们证明,该项目是可靠的,可以进行扩展。


步骤5扩展数据分析计划

一旦领导批准了项目,请回到资产关键性分析上,以确定在何处扩大状态监控。可以在设施内、设施之间,甚至不同国家之间扩展监控。优化现有装置以获得更好的数据也很有帮助。


扩展数据分析计划,还意味着测试工业数据的新来源。它有助于将传感器、手持工具、集成SCADA 和PLC 系统的设备以及其它资源整合在一起,从而改进过程中的分析。尽管振动监测是新项目的良好起点,但热成像、油液分析和其它基于状态的维修资源也很有帮助。


上述原则有助于实现高质量的数据分析,并为未来的技术和软件奠定基础。它们也是以可靠性为中心的维护计划的一部分。解决方案应与云集成,并将工业4.0 投入运营。现在是为即将到来的AI / ML 时代奠定数据分析基础的时候了。那些已经实现数据分析目标的企业,将为拥有整合新兴技术所需的一切做好准备。


关键概念:

■ 数据分析是对原始数据进行分析,以做出明智的决策。

■ 利用大数据进行高级数据分析,可以帮助生产制造商做出更好的决策并改善运营。

■ 资产关键性分析可以帮助公司确定从哪里改进分析,并据此构建计划。


思考一下:

数据分析和大数据如何改进您的设施?