虽然存在多样化的数据捕获技术，但制造商仍然努力使用它们。这是由于这种主要挑战，数据驱动的制造业的目标似乎更不可认同。
但是，在优化生产效率时，您可以采用一些数据驱动方法。这些方法包括利用工业物联网来捕获车间数据，部署车间边缘计算设备，或手动将机器统计信息输入Excel床单中，以进一步分析。前两种选项是具有自动化过程的数字解决方案，而后者是手动。正如要预期的那样，数字化赢得并使捕获车间数据并将其工作，更精简的过程。
考虑到这一点，它将深入了解成为数据驱动的制造商意味着什么，这将是一个有什么利益和挑战，您可以从启动数据集中的计划，以及您在分析中的进展时可以采用的有形策略到期。
这MachineMetrics性能指示板在车间里。
数据驱动制造是一种生产方法，允许事实和一套严格的制造业kpi引导决策，而不是猜测、轶事证据或“直觉”。
这是一种方法，利用车间设备，运营商，供应链等来源的数据，使制造商能够更好地做出更好的决策，以降低成本并提高运营效率。
新兴技术使更多的制造商能够从他们的业务中收集和处理数据，这导致了数据的激增能够实时从制造数据中提取见解的解决方案。但是，并非所有分析都是一样的。
为了在操作中成功利用数据，首先需要能够收集可以有效处理和显示的准确数据，以这种方式可以容易地消耗。
例如，如果您要在剪贴板上手工收集机器性能数据，那么不仅要花费大量的时间来完成它，而且还很有可能出现人为错误。另一方面，通过PLC直接从机器上收集数据产生高度准确和无偏的数据流。这里的两种解决方案都可以被认为是“数据驱动的”，但后者要优越得多，将导致更好的决策。
更高的能见度：数据驱动制造的吸引力在于，车间和公司办公室的领导者可以基于整个组织收集的数据对绩效有更深的理解。数据不仅能洞察单个资产的表现，还能洞察整体运营。这有助于决策者找出机会所在的领域，无论是表现不佳的班次、机器重复停机，还是其他生产瓶颈。
AI和机器学习：通过大数据集，制造商能够运行机器学习算法，帮助解决复杂问题。例如，我们的数据科学团队利用无监督机器学习检测CNC异常。这是根据这样的分析努力，制造商可以采用先进的实践，如预测性维护。如果没有处理能力或访问数据，即使是简单的基于数据的决策形式也是不可能的。
自动化:数据驱动策略可以支持两类自动化。首先是数据的自动收集。如果一个操作适当地配备了收集数据的设备和处理数据的软件，数据收集的过程就不再需要人工了。
自动化的第二个组成部分是利用数据进行自动化决策。随着制造商在分析过程中的进步，他们从描述性分析转向预测性分析。这意味着他们首先使用数据来了解已经发生了什么或正在发生什么，但最终会成熟到了解可能发生什么，并有机会自主采取行动。
节约成本:数据补充精益制造，因为它给制造商提供了简化生产过程并最大限度地减少浪费所需的信息。如果没有硬数据，难以准确测量生产改进，并确保更改导致成本节省。
例如，Carolina精密制造，小直径近距离CNC Swiss转向零件制造商，通过推出IOT平台来确保完全数据可见性，在一年内保存150万美元。在案例研究中它解释了他们如何能够提高生产效率，优化机器利用率和驱动操作员问责制。
SILED数据源和遗留系统：许多系统和设备并不是为了相互交流而建造的。这可能是由于不同部门、遗留设备之间存在独立的操作系统，或者只是缺乏文档和沟通。这里的问题是很难跨不同的系统聚合数据，这意味着您将从收集的数据中获得较少的价值。一个连接多级系统的物联网平台将遗留设备上线有助于解决这个问题。
安全威胁：工业物联网安全问题的出现主要有两个原因。首先，随着越来越多的设备连接在一起，就更有可能产生漏洞。其次，以前没有在机器级别上解决安全问题，这意味着没有开发标准或协议。然而,有降低风险的解决方案。
数据存储：数据驱动制造商启用的更连接的设备和系统，将收集更多的数据。在表面上，如果用户可以从收集的数据中展望洞察力，这是一个很强的好处。然而，越来越多的数据流需要一个要收集和处理的地方，这可能是一个困难的挑战。如果用户是存储有关地区的数据，这是特别成本密集的，这对云计算产生了强有力的情况。
优化机器生产能力的第一步是了解其能力和周围的工作条件。这些工作条件可以包括知识可用库存和材料到机器的速度。要获取这些知识，将需要集成数据捕获解决方案，例如人机接口设备。收集的数据和可视化KPI的能力为商店地板内决策者和员工的工业流程提供了很大的洞察力。
这些见解可以用于开发流程优化策略，以确保生产持续在最佳水平。数据驱动的流程优化方法也可以识别限制生产力的因素。
一个例子是使用机械计量学来驱动离散制造设施中的工艺优化。在本例中，每天从机器中收集数据，并将其与优化的kpi进行分类和比较，以发现特定设备未能达到目标及其原因。有针对性地洞察影响机器生产率的挑战，然后作为纠正限制其最佳运行的问题的基础。
商店楼层内的机器预计将不断维持，以确保最佳地运作，这就是为什么每个制造商都有维护策略来处理部分失败。在许多设施中，维护的反应或失败的方法仍然被部署为用于保持更长时间运行的机器的策略。统计数据显示，这一战略阻碍了生产率大约20%如果机器在实际生产周期中分解，也可以导致计划过时的停机时间。
数据驱动策略通过监控描述机器和组件的健康状态的每个性能指数来带来先发制人的方法来实现机器维护。通过这种方法，将消除无计划的停机时间，从而优化生产效率。
这是一个例子是使用Machinimetrics异常检测引擎跟踪组件和机器性能。通过API，发动机分析机器数据，为车间内的不同机器开发定制的维护策略。分析的数据通知制造商关于需要频繁更换和洞察如何在生产周期围绕生产周期开发更换时间表的零件。这确保了制造商的备件库存始终更新，并且在指定的时间表内执行维护。
定义或创建一个数据驱动的策略来优化制造过程，包括以下几个阶段:
为了让您的数据为您工作，将您的企业的制造机器连接到MachineMetrics平台将启动生产优化之旅。MachineMetrics通用连接功能支持具有数字和模拟I/O的机器，这使得从您的车间内的遗留机器收集数据成为可能。因此，消除了为您的生产设施开发数据驱动策略而收集可用数据所需的挑战。通过对特性的分析，可以进一步了解企业级行业分析平台的价值主张MachineMetrics物联网平台。
准备授权你的车间？
了解更多.svg)
评论