Fermer

décembre 2, 2019

Utilisation de l'analyse prédictive dans une usine intelligente


Vous voulez donc une usine intelligente?

Quelque chose qui génère plus de valeur en combinant des processus métier et des machines physiques. Mettez à jour vos processus de fabrication de l'automatisation existante vers un flux de données entièrement connecté. La solution traduit un problème commercial spécifique en un problème de données qui peut être résolu avec l'analyse prédictive.

De nombreux systèmes de fabrication fonctionnent à une capacité inférieure à la capacité maximale ( de Blanchard ). L'usine intelligente utilise des capteurs connectés à l'Internet des objets (IoT) pour aider les systèmes à prendre de meilleures décisions ( Burke et al. ). Le fait d'observer des capteurs en temps réel (R / T) à l'aide d'un module d'analyse prédictive permet de déterminer le meilleur moment pour réparer, ajuster ou remplacer les machines ( Li et al. ).

L’état hérité est une machine coûteuse qui nécessite des temps d’arrêt pour les inspections et la maintenance générale. Peu importe si c'est le meilleur moment pour le faire. Parfois, cette machine échoue au moment où elle est la plus nécessaire. Et, entretien signifie coût de la main-d'œuvre et des matériaux ( Blanchard ). Cela réagit en planifiant une maintenance régulière. Ou, au mieux, s'attaquer de manière proactive aux défauts. Cependant, la prochaine étape pour s’améliorer consiste à prévoir les défaillances de la machine .

La maintenance prédictive (PdM) consiste à résoudre les problèmes avant que la défaillance ne se produise par la comparaison analytique des seuils connus de la machine et des mesures Vibralign ).

Voici la bonne nouvelle. Même s’il est démontré que la PdM est très prometteuse, elle est encore rare ( Zenisek et al. ; Yamato et al. ). C’est donc ce qui crée l’avantage concurrentiel. Le marché de la PdM devrait continuer à croître à un rythme élevé ( Columbus ) pour atteindre 12,7 milliards de dollars d’ici à 2025 ( Smith ).

La dépense de PdM inclut les dépenses d’investissement initiales et le personnel de formation ( Vibralign ). Cependant, la surveillance des machines devient moins chère avec de nouveaux capteurs et logiciels d'analyse ( Mariappan et al. ; Sciban ). Le logiciel le plus récent est grandement simplifié. Ainsi, le fardeau de formation associé peut être réduit.

Par où commencer

Commencez toujours par ce que vous voulez atteindre ( CRISP-DM ). Par exemple, quelque chose de simple est la «durée de vie utile restante». RUL est le temps disponible jusqu'à ce qu'un ensemble de mesures de capteurs atteigne collectivement un seuil donné ( Yamato et al. ). Par conséquent, PdM a besoin de connaître les modèles d'erreur dans les données qui se produisent lors de l'échec ( Ravi et al. ). Deuxièmement, classer les sous-systèmes. L'accent peut être mis sur les sous-systèmes de valeur supérieure ( de Thoppil et al. ).

Il suffit donc de mettre les modélisateurs de données avec les techniciens de la machine. Oui, avoir une réunion. Ils définiront les modèles d'erreur et le rang du sous-système. Ils identifieront les données de formation modèles. Ensuite, construisez des modèles. Ceci est une tâche portable. Oui, obtenez de bonnes informations sans investissement en capital. Le modèle PdM peut même inclure les coûts pour vous aider à obtenir un retour sur investissement.

Organisez une réunion de travail. Construire un modèle. Courez-le côte à côte pendant un moment. Vérifiez-le! La transformation numérique n'a pas besoin d'être difficile.




Source link