如何通过预测性维护来提高机器的投资回报率

早在物联网（IoT）概念出现之前，Eliyahu M.Goldratt就写了一本关于制造业的最好的书。

Goldratt在其著名的著作《The Goal》中用一个简单的句子解释了每个制造商可以实现的最高目标是：

“通过增加净利润来赚钱，同时增加投资回报率，增加现金流。”

从制造流程中剔除变量之一（收入，利润，现金流），您的制造投资回报率就会失败。

其他的一切，包括机器、自动化和人力，对你的制造业的贡献最终都会映射到这个目标上。

但这对你的业务意味着什么？你的制造业投资回报率是高还是低，还是盈亏平衡？你怎么衡量呢？

在这篇文章中，我们将讨论一些直接有助于提高您的制造业投资回报率的因素，以及当您的流程处于次优状态时所发生的后果。

制造业投资回报率低

Aberdeen Group最近的一份报告发现，计划外机器停机的平均成本为每小时260,000美元。

如果你把每年的数字加起来，这个数字可以达到数十亿。

在任何发现其资产故障和意外维修成本相当高的制造工厂中环顾四周。我可以保证您会发现导致机器频繁停机的以下情况：

1）模棱两可的工作指令

2）设备维护不良

3）人为错误

4）懒散的改变（Lackadaisical changeovers）

5）提前停产

6）人员频繁休息

7）设置时间长（Long set-up time）

8）机上压力检查（On-machine press checks）

9）缺乏停机数据记录

然而，这些仅仅是原因。后果可能更加惨重。例如，计划外的机器停机时间可能会使您的生产效率降低几天，或者使您遭受以下挫折：

1）维修费用增加

2）延迟生产

3）总体设备效能(OEE)

更不用说这些挫折将不可避免地导致总拥有成本（TCO）增加和低产值。

但还有希望。

顶级制造工厂已开始使用预测性维护系统来改善OEE，并降低间接维护成本，以避免生产延误。

但是预测性维护到底是什么呢？

它是你插入你的制造技术堆栈的另一台机器吗?

并不是的。

预测性维护系统使用状态监视工具帮助制造企业跟踪处于空闲、正常和峰值性能状态的任何设备的性能。

可以将其视为由AI驱动的水晶球，供制造商预测未来。

从在不同条件下运行的机器中收集的数据可以帮助您计划将来的维护计划，并防止突然的机器故障或停机。

而且它不像你工厂里的其他机器一样需要照看。物联网驱动意味着（在很大程度上）智能和自给自足。

这也意味着它不会像你的人类员工那样每30分钟休息一次。

预测性维护的工作原理

预测性维护严重依赖于物联网。将IoT设备和传感器连接到制造设备后，它将开始记录机器的实时性能数据。

例如，以下是IoT传感器通过实时监视机器捕获的一些设备数据：

1）振动

2）温度

3）压力

4）化学成分

5）液体/固体水平

传感器收集到以上信息后，它将自动将数据推送到云平台，然后将其馈送到支持AI或ML的系统中。数据被分析处理，并根据当前和过去的数据模式预测未来的问题。

最后，数据到达维护专家，以便他们的团队可以针对未来的停机时间制定应急计划。

这对制造工厂意味着什么？

制造企业没有理由不使用预测性维护。另一方面，他们有很多理由这样做。

例如，使用预测性维护可以保证以下几点：

1）捕获准确的实时数据

2）预测机器停机时间

3）更高的透明度

4）减少/避免生产延迟

5）增加产量

6）降低维修成本

7）提高机器效率

8）提高操作员安全性

9）提升整体利润

多年来，企业一直在花费巨额资金修复机器故障或削减运营成本。

以车间经理和操作员为例。他们定期安排机器的维修和保养，认为这将有助于防止停机。

他们没有意识到的是，如果他们总是找错方向，那么再多的钱也无法让他们实现利润目标。

预防性维护可能并不完美，但这是一种比猜测运营停机时间更出色的解决方案。

更好地解决长期存在的问题

简单地说，实现基于IoT的预测维护策略将使您的操作效率处于autopilot状态。

它将为您的业务完成所有繁重的工作，识别停机模式、自动化所有团队/系统的实时数据，并为您解释数据。

你所要做的就是根据预测数据制定故障安全计划。这正是工业4.0的预测性维护的意义所在。

车间可以利用车间中的预测分析来监视那些人类难以监视和干预的区域的机器。

下面，让我们看一些示例，说明如何在不同的用例中应用预测性维护。

制造业

各个行业的制造商都使用基于状态的监控来收集实时机器数据，以评估它们的性能。该技术使这一过程无缝、无需人工干预，而且准确。

如果没有诸如预测性维护的物联网解决方案系统，企业几乎不可能雇用人员来以极快的速度收集此类数据集并对其进行分析。

化学工业

如果有哪个行业对最微小的部分的控制和记录保存要求非常严格，那一定是化工厂。

化工企业还需要不断监测和分析大量的数据。对他们来说，依赖任何不准确的数据处理都会导致致命的后果。

这意味着他们必须一致地收集大量数据流以确保最佳的设备性能。预测分析与机器学习的结合可以使化工厂获得所需的数字可靠性。

轮胎制造

我们生活在一个快速发展的世界，这个世界靠轮胎运转。鉴于制造轮胎的复杂性不断增加，以满足电动汽车和自动驾驶汽车不断增长的需求，轮胎的受欢迎程度不会在短期内放缓。

轮胎制造商或许正在重新发明车轮，但如果没有创新的挑战，他们就不会这样做。对于一个处于创新驱动位置的行业来说，跟上技术效率的速度是非常重要的。

轮胎制造是一个复杂的过程：它从混合和冷却橡胶开始，然后进行更复杂的过程，例如挤出，切割，轮胎成型，硫化和贴标签。 整个制造过程需要过程稳定性和能效。

预测维护和分析的使用可以帮助他们精确地自动化操作过程，提高操作效率。

管道制造

就像轮胎制造商一样，管道制造商会处理很多温度、形状和尺寸的变化。

但是这个行业的参与者也面临着独特的挑战。管道制造是一个竞争激烈的市场，因为与其他垂直行业相比，进入壁垒相对较低。

因此，对于管材制造企业来说，生产一流的产品对于自身发展竞争优势至关重要。

当每一个管道制造商都在为达到这一水平而奋斗的时候，幸运的是那些能够使用预测分析来领先于对手的制造商。

例如，使用预测性维护技术可以帮助管道制造商主动监控生产过程，并避免可能导致缺陷批次的问题。

提高制造投资回报率

如今，大多数制造业企业已经开始在其生产过程中实施基于IoT的预测解决方案。这些企业在提高产品质量和销量方面享有先行者的优势。

你如何衡量你的制造投资回报率？你想利用预测维护和物联网的尖端技术来提高你的生产效率吗？