随着制造业数字化和连接性的不断提高,制造业数据的数量、速度和多样性呈指数级增长。制造商正在寻找利用这些海量数据集的可能性,以便在生产环境中获取和应用新的知识和技能,或“先进的制造智能”。因此,制造分析已经成为一个概念性和技术要求很高的领域,它将大数据、分布式计算、统计和机器学习结合在一起,以产生有价值的见解,并检测生产数据中的趋势、模式和异常。显然,目标是及时和可操作的数据——问题是:如何实现?

首先,确定一个特定的目标或问题。例如,如果半导体生产中的产品质量改进是目标,则必须在一段时间内整合工具状态和产品质量测量。然后,确定感兴趣的数据源。也许车间的传感器读数应视为灰尘和温度波动可能对产品质量产生负面影响。另一个潜在的相关因素可能是各个加工步骤的排队时间,这可能会影响产品质量,可能需要进行整合。一旦目标明确并且确定了感兴趣的数据源,就可以开始整合这些数据流的谨慎过程。从那里,机器学习、模型选择、评估和操作可以开始。由此产生的数据分析可以快速揭示影响质量、产量或任何其他关键性能度量的问题的根本原因。

精细的数据集成:先进制造业分析成功的关键因素

数据集成本身可能是一项具有挑战性的任务。在许多情况下,相关数据的选择和适当的丰富不仅是一个技术问题,而且需要对需要优化的制造步骤的物理化学、电气或机械性能的详细和深入的知识。更复杂的是,数据集很难立即组合在一起,所以严格的分析方法(以及在组合这些数据时开发数据完整性测试协议)对于提供有意义的见解至关重要。好消息吗?过程工程师、数据工程师和科学家之间的合作使解决这一具有挑战性的问题成为可能,并为许多应用程序简化生产奠定了基础。

亚博网络异常行业4.0预测分析

图1所示。来自不同来源的数据通常会累积起来,并变得孤立,使得汇总和分析变得困难。

通常,由于缺乏设备集成、缺乏状态监测、不完整的产品质量监测或材料跟踪方面的缺陷,关键数据源不可用。通过纠正这些连接性方面的缺陷,可以收集数据,并为分析和报告提供丰富可靠的来源,从而推动整个组织的持续改进、优化和效率。

商业智能工具

制造企业通常求助于现成的商业智能(BI)解决方案来获得数据洞察。虽然BI解决方案对于处理低容量、结构化数据集的企业来说是非常强大的工具,但当涉及到与大多数高科技制造环境相关的复杂性时,它们就显得不足了。

高度自动化的工厂每天很容易产生tb级的数据。与大量和多样化的数据相关联的复杂性,每一个工具和过程往往是独角兽,数据结构和格式高度多样化和不同。此外,BI解决方案通常不是为制造过程中更复杂的技术、物理和化学数据特征而设计的,而在当今的工业4.0设施中,这些数据需要监控和优化。亚博网络异常这些情况需要更复杂的解决方案,因为需要实时监视和聚合大量数据。

用例

亚博网络异常行业4.0预测分析

在制品管理

在离散制造中,一个常见的挑战是物质积累在工厂中缓慢传播。这可以通过使用制造分析以多种方式解决。首先,需要检测和跟踪这些累积,以确定潜在的根本原因。其次,通过调整调度和材料流入,这些瓶颈可以潜在地避免。最后,通过预测工具层面的材料负荷(WIP),可以在瓶颈发生之前预测并解决它们。

亚博网络异常行业4.0预测分析

OEE监测

机器只有在使用时才挣钱。通过总体设备效率(OEE)等指标来识别和监控机器使用情况,有助于减少计划外的工具停机时间,并揭示生产中的效率差距。通常,需要考虑更先进的技术不只是工具还包括操作人员、在制品和过程,以便对低效的根本原因进行有价值的洞察。通过对胡的综合整体观M一个,Machine,M物质和M方法可以在任何级别识别根本原因。这种方法定义了一个明确的分析过程,以表明效率和资源瓶颈,以减少周期时间,从而提高盈利能力。

亚博网络异常行业4.0预测分析

减少废物

材料损失或废料是昂贵的,必须尽可能避免。有许多因素会影响废品率。仔细计划和实施的系统集成确保有效地识别和解决潜在的根本原因。借助传感器监控产品质量,配合协作设备和系统之间的主动沟通,加速识别与设备磨损、环境因素和/或低效工具使用相关的根本原因。

我们提供的

提供工厂流程的可见性

通常,制造商有各种各样的数据源、多个生产站点和不同的系统,这些系统与特定问题一起运行,这些问题可以通过仔细分析其数据来回答。不幸的是,大多数制造商缺乏将这些数据汇集在一起进行分析的能力。SYSTEMA的方法包括收集和聚合n来自FDC、设备日志、消息总线、物料跟踪系统、SPC、传感器、MES系统等源的以前孤立的数据,通过数学和统计分析可以实现上下文丰富。结果可以为管理员、流程所有者和管理层提供关于实际ha的丰富视图在他们的生产现场出现。

亚博网络异常行业4.0预测分析

图2.通过实时聚合和丰富数据,可以进入当前生产状态的洞察。然后将此数据的长期存储仓储以实现进一步的分析能力,例如预测,过程优化和根本原因分析。

删除操作和报告之间的延迟

最小化数据延迟和摩擦可确保通过各种频道和通知,在几秒钟内以秒,控制中心和管理提供可操作的智能。

成功的实时工厂监控的关键不仅仅是当前状态的演示,而是将当前状态联系到历史背景。历史数据分析提供了背景,并揭示了诸如意外的过程时间,罕见材料累积或材料传输问题的偏差。

启用自动的、数据驱动的决策

机器学习使固有但隐藏的工厂动态的捕获和建模能够实现预测性维护,根本原因分析和负载预测等解决方案。使用深度学习方法,可以提供数据驱动的洞察,这是优化您独特的工厂流程的核心。有许多示例,其中人工智能(AI)在调度,材料路由和过程控制中取代了人类能力。

发现产品质量问题的根本原因

有大量的变量可以在不同程度上影响产品质量。在产品质量的突然变化或高变异性的情况下,找到根本原因可能是一个挑战。这些变量中的许多可能是相关的,但对人眼来说,通常很难区分相关性和因果关系。先进的制造智能工具将随机波动与物质流动的根本原因或瓶颈等真实影响区分开来,从而提高产量和质量,同时大幅减少人为干预的需要。

启用工厂流程的新视图

通过从不同的角度了解优化潜力,可以更好地理解工艺、物流和复杂制造设备。为了使我们的客户能够将数据用作增产和根本原因分析的加速器,我们支持范围广泛的可视化和报告解决方案,包括商业工具(如Tableau)、开源解决方案(如Grafana、Kibana或Shining)或云分析工具(如Azure Power BI)。如果开箱即用的解决方案存在不足,我们还提供定制仪表板解决方案,以满足个人业务需求。

我们的产品能够实现从工厂级别到特定工具或工作项目的无缝钻取。这使得运营、IT和流程工程部门的员工能够根据需要直接、有效和迅速地处理复杂的数据问题。

利益

为工厂中的所有数据源使用集成实时界面,节省时间

使管理员、操作员和管理人员能够深入了解您的工厂流程

使用交互式车间界面增加透明度

用异常检测和事件分类有效地解决问题

使用自动数据聚合和KPI仪表板实时监控工厂健康

了解具有丰富上下文信息的日志事件

制造商如何评价我们

“生产流程的持续优化是Vishay在电子设备领域取得成功的关键因素。为了进一步改进这些流程,Vishay与SYSTEMA在自动化和分析领域合作。
SYSTEMA以一种理想的方式补充了威世的制造和工程团队的深厚专业知识。与SYSTEMA合作的过程质量改进超出预期。我们感谢SYSTEMA的团队精神和支持。”

andreas gondorf博士,Vishay Siliconix Itzehoe GmbH高级过程控制员工工程师

系统的方法

Systema无法提供软件许可。我们是解决方案顾问,他们在追求数字转型策略时与客户建议并建议我们的客户。我们首先获得对客户的业务的全面了解。在现场讲习班期间,我们与客户共同努力,以识别,收集和优先考虑要求,制定KPI,并与利益相关者(管理,生产,IT,企业管理等)对齐视力和目标。从那里,我们通常努力首次开发并提供概念证明,作为进一步迭代和开发成为测试和未来部署的最终解决方案的基础。我们的团队拥有广泛的全球业务,我们准备支持您的举措,大而小,以有效地实现了数字转型在制造业方面的益处。

以数据为中心的项目依赖于近距离和经常 - 敏捷的反馈循环,包括工厂中的所有相关玩家。SYSTEMA’s true strength is in coupling our extensive manufacturing IT experience with our ability to work closely with equipment operators, process engineers, operations, factory IT and management to understand the unique dynamics of each manufacturing environment and identify the most business-critical questions and use-cases that will drive success.

根据客户的目标和项目要求,我们的数据团队不断地应对挑战并评估成果。SYSTEMA在高科技制造环境数字化转型方面的广泛技能和经验使我们能够适当地为项目配备人员,无论是通过MES、材料跟踪系统、工具或车间传感器、ERP或SPC系统收集数据。我们开发我们的分析产品和解决方案,这样它们可以与您现有的分析堆栈接口。我们还提供架构指导,以使用最新技术和公认的最佳实践从头开始构建新的制造解决方案。