当前位置:今日智造 > 智造快讯 > 新闻

【智能制造】制造工厂的未来 | 自适应数字化工厂三部曲

2017/11/24 8:17:42 人评论 次浏览 分类:新闻

数字化在全球制造业中已经到来。以往我们所了解的制造业的价值流及其周遭的工业系统,将变得不再相同。


价值流的数字化与物理设备与数字世界的匹配映射,使贯穿产品生命周期的工作方式成为可能——从设计到采购,通过供应链、生产现场直至所有重要的售后服务市场。科技本身如大数据、分析、云计算、物联网,正在重新定义每个人的角色和运行模式。


显而易见,工业的基本表现形式正处于变革之中,在接下来的数十年中,许多制造业主将发现他们自己正以崭新的、与过往一个世纪当中工业制造的形式截然不同的方式进行管理运营。


要想使这种转变成为可能,需要在前所未有的实用性、灵活性和连接性上建立企业软件。应用必须是以业务为中心、面向流程并对连续的变化有很强的适应性。他们现在必须包含所有形式的角色,包含人、系统和事物。他们必须同时支持已经建立和正在兴起的实践如动态案例管理、精益六西格玛、工业4.0 。


建立自适应数字化工厂,正是这样一种全新的考量,是对作用于制造业的驱动因素、方法论、科技和创新的综合应用。由于与设备、材料和能源相关的制造业占据世界经济总量的1/3 。遍布这些行业的数字化变革是这个时代最大规模的活动之一,而自适应数字化工厂将是最重要的实践。


数字化工厂的影响因素

数字化工厂必须充分利用其它数字化趋势如社交网络、移动端、数据分析、云计算。这四个数字化趋势是如何为制造业主们提供价值的。


社交网络对制造业的影响:社交网络对制造业主们具有积极甚至是挑战性的影响。消费者的社交帖子可能帮助或摧毁制造业主们。另一方面,社交合作使消费者与分销商、经销商,以及制造服务和生产团队联系在一起。


移动端对制造业的影响:移动端全渠道与全设备的相互作用允许制造业主们通过移动设备无缝地开始并完成端到端的自动化工作。全渠道是指通过不同的渠道进行消费者一致性体验。全设备是指利用联网设备进行连接、维护和优化体验。


分析对制造业的影响:数据分析为制造业主们提供必要的工具进行大量隐藏数据的挖掘。一旦确认,制造业主们能够根据产品、设备和制造材料工艺的关键信息进行生产。大数据的兴起趋势和实时分析使制造业主们能够优化他们的制造、维护和其他工艺。


云计算对制造业的影响:云计算允许整个制造价值链(从消费者到制造管理者到员工)接近产品生命周期的任何阶段。云计算服务通过网络、服务器、存储器传递互联网,同时为业务应用提供便利与请求式的使用。当联网设备的物联网的力量被添加到移动端、社交网络、云与数据分析后,传统制造业将获得自适应数字化工厂的转变。


物联网的数字化趋势

通过数字化设备如衣服、无人车和智能家居将人们联系起来的互联网变革通过大量的传感器和制动器获得进一步的扩展。对于制造业来说,随着联网资产与制造设备被数字化工厂不间断连接、监督和优化的到来,变革仍在继续。


事物本身基本没有价值。但是,当考虑到事物的健康和维护性,把握这些联网设备是怎么适应物联网的很重要。


思科用整体观描述物联网为万物互联:

△ 物:联网设备,每一事物通过互联网拥有独一无二的可访问地址。

△ 人:与物的合作中,端到端过程或动态案例的参与者。

△ 工艺:在最基本的水平,为业务目标协调多活动性或任务。工艺过程的参与者将包含人、物、企业应用软件、业务合作者。

△ 数据:物以一个比人或应用更快的速率产生数据,物联网数据需要实时地被分析和反馈。在这四个实体类型之间具有核心关系。


制造业主们已经在生产车间开始使用联网设备,现在可指望物联网通过网络获取唯一可访问的物理设备。他们不得不与增加制造者与消费者连接性的物共事并创造物。这些联网设备含有车载诊断软件,从而使制造商能够用来进行监控、控制和管理。


自适应数字化工厂登堂入殿

自适应数字化工厂,首先是基于端到端的业务过程的联通,形成数字化的决策体系;然后通过扩充工业物联网的能力,保留与边缘设备的联系,借助于数据分析、云计算的力量,从而形成自适应数字工厂。


它具有以下几个典型特点:

1、优化工厂资产

在传统的制造业中,在生产车间的大部分资产是没有相互联系的。因此,实际上,对制造业主来说,这些资产的功能和状态是不可见的。通过IOT连接,所有的资产和机器能够联系、监督、控制和优化。


2、预防性维护

不论是在生产车间,还是已制成的设备中,数字化工厂的联网性机器能够被前瞻性地与指令性的维护。联网产品的维护、监督、控制与更新方面,这种指令性维护的方法是IOT模型的重要优势。


3、设备的全生命周期价值管理

物联网利用大数据分析优化制造机械的终身价值。而且,利用数字化和联网制造,使得既有设备的终身价值也得到了提高。


4、大数据预测建模

既有设备不断地产生大量的传感器数据。数字化工厂挖掘这些数据建立可能的模型,并识别预防性维护行为来避免潜在的事故或故障。


5、3D打印和物联网

支付得起的3D打印技术的到来将允许机构有效地生产联网产品,并通过制造业主们的相互连接吸引多个创新者。这使得数字化工厂制造商将生产车间与联网产品的寿命周期成功地连接在一起。


所有这些技术,为了在机构创造联系,并提高客户价值,工艺流程必须数字化与可操作化。生产车间包含复杂工艺,在需要处理与生产一个制造产品的工作流中,每个工艺可能包含多个里程碑、任务与业务单元。制造业的售后服务市场(例如维护与支持)也依赖并包含复杂工艺过程。建立一个优化的、自动化的、自适应的数字化工厂,每一个工艺超越了工厂的限制,为协调与管理这些相互联系的杰出资源提出了挑战。从而可以动态管理复杂的端到端解决方案,是解决数字化工厂面临的挑战的最优方法论。


以OT与IT融合为例,在自适应数字化工厂中,设备正变的越来越智能化与自动化,更适合监控、维护与持续改善。这些可能通过人或计算机控制的设备与全厂的IT应用程序相连接。为了在机构创造联系,并提高客户价值,工艺流程必须数字化与可操作化。


有一些新兴的用于OT-IT集成的参考体系结构与通信标准。其中之一是ISA-95标准,该标准是集成企业IT软件与制造生产车间的标准。下面的示意图标识了包含的阶段和各种系统。


图1:ISA95数据连接层次

来源:PEGA白皮书


模块化制造的终结:制造业的新模式

许多制造业主们必须谨记像如下的趋势将提升他们的业务:


微制造业:向更小的制造工厂的典型转换生产定制化的产品,典型的微工厂是个人车库或地下室;

社交制造业:连接多种、更小更灵活的制造业主们来生产大量的整合产品;

移动制造业:移动微制造也能够从一个地方搬至另一个地方。


互联网创新从未停止。在过去几年里,我们目睹了一个新兴的趋势是社交制造业。想象我们生活在多雨的江南小镇上,其中三所房子都有一台3D打印机(在线购买的每台价格不到1000美元),最后一所房子有一台缝纫机。第一所房子中用3D打印机生产一把圆形伞柄,第二家生产伞轴,第三家生产织物骨架,第四家缝纫伞的织物。通过一连串的工作,他们生产了一个在当地无价的、可以很容易被定制的产品。


由于每家关注在小的加工能力下用于特定需求的定制化产品,因此每家都是微制造的例子。如果我们想象房子是移动的,而且位于即时生产的中心,我们将有一个移动制造业。这个趋势使制造业主变的更加灵活,同时变得与不断变化的需求更加一致。制造业主更加接近消费者,将更具有创新性,将改变供应链的方式。


为了成功获得这种转变,制造业主必须拥有合适的工具,自适应数字工厂适逢其时。





车间里的创新 | 自适应数字化工厂三部曲(中)




本文选编自 PEGA的数字工厂报告,有较大调整,此处为三部曲的中篇。


1.数字工厂的战略决策

制造业的数字化工厂的战略决策,可以采用观察、定位、决策和行动环(OODA)。


OODA模型代表观察、定位、决策与行动。该模型同样以Boyd循环知名,Boyd循环是以USAF频道退休的James Byod名字命名的,他的方法是在战争中对敌人要取得战略性的优势。OODA模型与制造业的PDCA(Plan-Do-Check-Act)循环是相互关联的。OODA模型和PDCA循环都关注如何做决策。简单点来说,他们强调了观察数据与事件、决定的方法,过滤掉噪音,在新信息到来时重新定位,以及在连续的相互作用的环状模型中采取行动的必要性。


数字化工厂中OODA模型中的行为流是包含人、机器、来自物的数据的工艺流程。在一个受低营业利润挑战的艰难的市场中,比竞争思考与行动更快的能力创造,是一个突出的优势。事实上,改善了的供应链管理与更低的操作成本是制造业与高科技工业发展的关键驱动。


让我们看看OODA模型是怎么应用在数字化工厂的。


☆ 观察:观察要么与经验一致,要么与数字化工厂中知识工作者的直觉一致,要么与发现过程的数据收集(越来越多的物的数据)一致。数据来源包括物、工艺过程和企业应用软件。


☆定位:定位来自于特定环境下的知识与洞察力,例如,数字化专家的知识、行业自身规则,亦或通过数据分析得出的模型(如预测分析)。


☆决策:在观察与定位过程中,将呈现出一系列优先化的决策选择。用户或系统需要挑选行动的方针,在大部分案例中,该行动可能成为优先选择或一系列潜在行动中的最优选择。


☆行动:在数字化工厂的特定环境下,这些是在实施过程与决策应用中才采取的行动,用户将按照优先顺序排列决策列表,优化行动顺序。


事实上,在大多数工业物联网使用案例中,客户关注点如下:检测正在发生的事情,无论是来自机器与设备的数据流,还是复杂或异常事件的发生;自动识别、诊断与推荐最高效的行动来解决问题(或在第一时间防范于未然)。


随着时间的推移,系统必须能够检测与解决问题,以期最终形成自主学习与自动持续迭代的OODA模型。


2.自适应数字化工厂建立大数据结构

毫无疑问,我们将从设备、网络、人、链接与机器等上收集来的数据定义为大数据。在仅仅几年里,我们将接触到结构化、非结构化与半结构化的数据。拥有大量的数据,仅将大数据定义为存储库是不明智的。这也将是失去这些数据所提供的隐藏的洞察力与知识的最佳方式。


管理大数据的一个最有效的方法是通过用例建立用例存储库。通过用例分析方法,我们能够理解与认识数据、数据的命名、数据的功能、数据的转换需求。另外,分析产生积极成果的用例触发新的问题并诞生新的用例。


将用例的积累、相关思考与结果行为结合起来将促成建立一个有效的大数据平台。这个大数据平台形成了一个智能的、有序的、结构化的方法论,该方法论允许分散化的分析团队利用先前的工作用例。


使用用例方法论的另一个重要的科技优势是——它促进基础设施的发展规模。在刚开始,没有必要利用重要资源来形成巨大的基础设施。而且,平台起初从小开始,随着需要的增加而扩大。

图1:制造业各部门数据利用图


在制造业中,数据是由每台机器、机器间的相互作用、机器间的传感器、检测仪表、控制系统、操作者、工程师等产生的。现如今,只有一部分数据被分析利用。


随着产品越来越智能,他们产生有价值的数据。无论是系统,还是智能装备,均能受益于这些数据,制造业必须获取工具来利用这些未开发的知识。


考虑到不久的将来:为了建立用例,一条简单的生产线将能够很快地沟通、传输数据并保存至云端。一个可能的用例将减少产线时间,这是在制造业中具有明显优势的行为。在该例子中,关于生产效率的数据可能每一秒被捕获一次,并被传送到像云端环境一样的软件服务存储库。利用复杂的统计工具对数据进行分析,并采取具体行动来改变基于从分析获取的知识的价值需要。反过来,这个用例可能为同样的问题提供了新的见解,将新的数据引入了新的分析、产生新的操作并交付新的业务价值。


3.数据转换框架:战略性地使用有价值的数据

自通过工业革命引入机械加工过程以来,制造业取得了长久的发展,并且从计算机化制造工艺的几十年中取得效率。但是,随着我们步入数字化信息革命时代,这为制造业带来了更大的利益。有价值的数据正在增加,制造业必须利用这些数据达到下一个竞争水平。


一目了然,制造业将不可避免地向数字化生产过程转化。图2描述了促进该转换的一种方式。

图2:制造业向数字化生产过程转化


☆识别:首先,我们必须识别用例,并决定我们是否想优化某个特定过程、管理或货币化。


☆使能:必须设计事物产生数据,这样才能产生信息与见解。数据可能是使用的系统所固有的,或者为了产生数据而实施某个过程。赋能的例子是不同类型的传感器,包含RFID、WIFI、移动设备、机器人等。


☆捕获:设备产生未被编译的数据, 这种数据无法被理解。为了捕获数据,应用软件被安装在这些设备上来产生结果。在该阶段,应用软件捕获设备产生的原始数据。


☆转换:为了分析捕获的数据,数据通常需要被转换,这样数据要么与其他数据源相关,加入到其他数据中,要么加载到特定数据库中。这个阶段执行抽取、转换与必要的加载,这样数据被用于分析。


☆储存:随着数据成指数形式增长,数据被用户存储。这个转换库考虑到数据类型(结构化、非结构化、半结构化)、容量、轻松存取性、安全性、恢复性与其他。


☆分析:分析阶段考虑了外部和内部微观/宏观经济因素与数据获取的知识,同时为了采取行动应用统计或数学模型获得见解。


☆行动:已经获得见解,就要采取行动并定义新的用例了。


4.供应链数字化:通过动态数据挖掘提高端到端性能

供应链能力的进展展现了制造业是怎么成为数字化连接的。通过监测、连接、端到端自动动态案例的数字化供应链已经为优化供应链过程提供了很多新的机会。


随着用于社交制造业的3D打印的兴起,优化供应链管理至关重要。为了以高的服务水平进行生产,公司要依靠材料的及时供应或3D部件。供应链中任何一环被打断,将会有负面的影响。


从经济角度来看,成本中断可能导致存货过多、减产、浪费,最终,端到端供应链的可见性。由于这个原因,对公司来说供应链的中断代表重要的风险。为了将该风险最小化,公司必须识别中断的来源。并且通过预测缓解工厂问题。


供应链的数字化是创新且不可避免的。用于优化供应链执行的预测模型、传感器事件与业务规则都是通过动态案例管理自动执行并操作的。数字化跨越了延伸的制造业的数字企业,举几个例子来说,包含了原始设备制造商、部分供应商、物流与运输。


5.生产车间里的创新

在生产车间能引入什么创新?引入机器学习策略提供预测分析!


机器学习软件利用计算机统计学来学习,然后将预测结果独立反馈到模型中。事实上,许多在线搜索引擎使用自主学习的方法也是一种人工智能。


如今的大部分可靠的搜索引擎模型包含潜在的人类行为分布模型,就是来自于近些年来从互联网收集的数据。例如,你已经对谷歌或亚马逊进行的分析研究。他们的算法预测了你搜索事物的频率。


我们能够将来自于这些有效的搜索引擎模型的机器学习策略应用到制造业的生产车间中去。

人机为什么需要结合?因为机器非常擅长执行基于参数化配置的重复性任务,但机器不擅长自动匹配到特定环境。而人类,恰好非常擅长匹配到特定环境。

为了提高机器的适应性,我们必须采用一种机器将能够匹配某些特定环境的方式将人类模型化。自动学习(自适应)工厂将利用机器学习,结合来自操作者与工程师的反馈,以及机器间的信息。目的是在特定环境中自动预测与预知行为。


因此,需要在每台机器上有操作者或工程师来进行调查研究,但是利用机器学习,结合用户反馈(操作者或工程师)能够通过指示首先调查研究哪台机器来优化这个过程。基于参数、各种图表与先前的工程师/操作者输入数据能够预测失控属于哪个模型。


能够获取新知识的工程师或操作者将反过来提供反馈,这样机器学习算法将再次评估模型来使将来做出更精确的预测。


6.生产车间体现的制造业未来

通过基于数据的“最优下一步行动”预测提升工艺流程。


如果我们预想制造业的将来,我们能容易地设想一个中心化的云平台,该平台收集机器数据如统计过程控制信息(统计模型能够突出在工艺过程或机器中什么时候会有潜在的问题)以及预测调查研究哪个机器处于失控过程。


这样为将来提供了预测缺陷与残次产品的“最优下一步行动”。不必依靠大量的操作者或工程师就可以对机器全生命周期的价值进行优化。

将最优下一步行动预测(约定俗成)与那些不仅来自于生产车间,而且来自生产产品(外部)的信息结合可能有以下优势:

△ 从设备获取数据,这些数据可能在其有用的生命结束时使用。

△ 使外部数据输入融入系统组件功能相关的算法中。

△ 创建一个新的外部反馈系统来确定潜在的无法预见的失控过程。


最终,使用最优下一步的行动预测创建一个制定性的过程,该过程要比仅仅依赖于工程师或操作者的反馈信息要有效率得多。


想象一下,将这些信息供给了修理机器的机器人或自修复机器。出于可持续性的原因,提供在生产车间里组件寿命信息的传感器在产品中提供传感器的返回信息。


进一步扩展这一愿景,在使用外部数据来预防维护与可持续性的动机下,由于生产车间变得更有效率,所以很容易预见供应链也会变得高效。在这个超信息的环境中,供应链可以成为一个“按需应变”的模型——一个类似于商品市场的供应链市场。


或者再想象一下,当生产车间预测资源需求,以最快的速度识别出最佳投标人时,它会出价。出价投标是基于生产、机器寿命、产品寿命、部件寿命和可持续性要求。整个生产车间正同步与准自动的进行工作。


这是制造业的未来,现在已经触手可及。





构建全新数字化工厂 | 自适应数字化工厂三部曲(下)




本文选编自 PEGA的数字工厂报告,有较大调整,此处为三部曲的下篇。


自适应数字化工厂与基于数据分析的持续优化,能够创造更大的价值。由于工厂的信息有多种来源,如供应商、制造单元、智能装备、产品、产线操作工人、消费者,以及持续运行的系统。此时就需要一个系统将这些信息进行有机整合,并对上述来源的数据进行分析,基于分析进行预测与自主学习。

图1:自适应数字工厂的资产管理

信息来源:PEGA报告


正如前文所述,一个集成、协调的,能够通过自反馈实现“资产”优化的执行系统,可以使得自适应数字化工厂成为可能的平台。而这些“资产”包括流程判断、预测和自主学习或机器学习模型,也包括来自系统记录的数据。


然而,许多问题需要解决,以确保这样的系统得以实现。


1.数字化工厂的安全问题

自适应数字化工厂在生产车间建立最优连接以及与供应商、物、资产的外部连接。自适应过程发挥了模型与资产不断改善的优势,但是这需要认真考虑连接的隐私与安全问题。


首先是安全威胁问题。在任何网络中,安全漏洞都是常见且必须要给予重视的问题。黑客尤其热衷于窃取信息,侵入环境添加恶意软件来控制网络。在大数据、物联网广泛应用的未来工厂中,每个人都必须警惕上述以及传统威胁对自适应数字工厂所产生的影响。


黑客案例

◇ 黑客旨在远程控制联网设备——要么是生产车间的机器,要么是制造的联网产品;

◇ 黑客接近并操纵消费者敏感或私人数据,对决策、业务流程或动态案例进行恶意操纵;

◇ 黑客在敏感数据中植入恶意错误。机器学习和自适应预测模型依靠正确的数据进行积极真实的预测。事实上,任何引入模型的恶意数据都将产生错误预测,潜在的消极甚至危险的后果。


毫无疑问,在大数据、物联网广泛应用的未来工厂中,安全需要规划在首要位置。考虑到自适应数字化工厂的执行,我们必须强调所有阶段的隐私与安全问题——从底层的边缘设备到与联网产品相互作用的消费者。


下面的每个过程需要认真考虑安全问题:


☆ 边缘设备:在生产车间的联网产品与智能机器需要能够保护来自未授权的访问。


☆ 生产车间:我们必须解决日益增长的自动控制器和自适应数字化工厂系统间的缺陷之间的矛盾。随着可操作机器人、信息技术和企业应用程序的连接,潜在的隐私与安全违规行为将增加。


☆ 云数据和控制中心:自适应数字化工厂越来越依靠云端存储产品与传感器数据,也越来越依靠各种用于联网产品的控制元件。各种云端安全标准以及从公共云平台到混合云平台、私人云平台的防护确实存在,这些标准与防护应该被评估。


☆ 大数据:我们必须着重关注贯穿产品整个生命周期的隐私与安全数据。个人数据实体和综合数据的授权访问、身份验证以及自动风险消减的政策必须同时颁布。


☆ 远程控制:制造商或服务商通过软件自动更新与维护控制来远程控制联网产品。不论什么情况下,未授权访问的检查必须嵌入到联网产品的远程相互作用中。


2.主数据和主策略管理

组成自适应数字化工厂的产品、部件和供应商可能遭遇糟糕的数据质量和不一致性,这可能导致缺陷甚至风险的决定。在现代制造业中,主数据管理至关重要。但并不是所有的主数据管理方法都能有效地保证一致性。


有两种主要的主数据管理方式:


一种是自下而上的IT方法。通常,组织试图通过“大爆炸”主数据项目、工具,甚至是优秀的MDM中心来解决MDM问题。技术和数据的一致性是令人敬畏且重要的,包括数据清除、处理丢失数据、数据一致性、数据提取转换加载和数据集成。


还有一种是,自上而下的数字化业务转型方法。这是一个更加优化的方法。就是把主数据管理当做连续改善举措中的一部分。特别地,可以通过端到端动态案例管理方案连接、触及并操作主数据。这种自上而下的方法优先考虑转型项目而非主数据管理改进,并寻求业务价值与风险之间的平衡。


在自适应数字化工厂中,主数据问题的解决方案被“远大构想而从小事起步”的思想驱使。获得快速成功,构建或获取必须的主数据,然后扩展额外的包含主数据管理的转换方法。


该方法的核心是网络通信层,该层包裹着旧系统,同时使旧系统现代化,通过快速迭代提供自适应案例管理的解决方案,该方案对数字化业务转型至关重要。


3.设备导向的保障

一切过程都要实现互联设备的端到端保障。更具体地讲,需要处理端到端的过程包含物、原始设备制造商、服务技术、潜在供应商、消费者、当然,还有分销商或经销商。


自适应数字化工厂,可以使得制造业主们将获得以下能力:


☆ 物联网诊断:万物将有一个随行CPU和执行器或将能够连接到一个设备上。


☆ 运行设备软件的自动更新:已制造设备(要么是边缘设备,要么是网关)通常有复杂的软件,该软件能通过制造商远程更新。


☆ 从边缘设备自动感知和测量数据:制造商拥有从设备收集数据或提取数据进行特定测量和分析的能力。


☆ 对于维护的自动控制:设备能够被远程控制或通过决策软件控制。


☆ 物联网供应链和零件退货:必须取代缺陷设备的边缘设备能在供应链的任何环节被监控。在这个方案中,一个必须被取代的缺陷器件能被监控以证实该器件退回至供应商或原始制造商。


☆ 物联网修复或零件验证:一旦维修或替换完成,制造商会证实该次维修和对制造业管理政策和程序的承诺。


4.预防性维护与数字化指令性维护

正如我们所描述的,自适应数字化工厂进行顺利超越了反应性召回和维修,并且提高甚至超越精益和六西格玛方法论。


精益制造商一直赞同全面生产维护的理念,该理念具有改善设备综合效率的目标。通过全面生产维护,诸如迅速转换的技术被用来增加生产率同时降低停机时间。

在自适应数字化工厂,工艺过程数字化和决策管理被用来避免设备失效的后果。该想法是在设备失效前通过替代或维修废旧部分来阻止失效。在当前的环境下,通过物联网和大数据,实现现代化维修。

预防性维护的到来代表了自动化和智能化维护的数字化革命的重要里程碑。通过预防性维护,对于信息或来自万物的事件的大数据分析被分析表明能够用作维护。来自于追踪操作条件,怎样使用设备,设备是怎么出现故障的,传感器的数据是可以利用的。如此能够减少浪费,同时创造一个更精益的机构。


我们设想一个场景,一个大型农场设备制造商使用新技术来帮助农民提高农作物产量。制造商有机会使用来自联网设备的前所未有的大量的性能数据。制造商的目的是使用数据分析来预测设备在将来什么时候需要维修。物联网收集关于设备及其状态的数据,当达到阈值或发生异常时引发警报,为下次采取措施提供参考。


而另外一种是数字化指令性维护。通过利用维护过程及决策的端到端的数字化,通过指令性维护实现维护的变革性优化。当和物联网配合时,指令性维护才完整。它包含以下内容:全面的生产维护、自主学习和自适应维护,以及基于历史数据进行预见性分析的模型。一个非常棒的方法是不间断地监测和学习来自物联网数据的行为,同时适应维护的先后顺序。遥控设备能追踪机器的位置、燃料消耗和利用率。分析数据来进行最初的诊断并阻止问题的发生。最终提高运行时间,同时增加机器和操作者的生产率。


这种维护方式,可以实现价值流的自动化:自动化的价值流整合端到端的联网设备(物联网)、供应商、制造商、消费者。这个价值流通过自动化和数字化的工艺过程(该过程是完全可视化并可控制的端对端工艺过程)将用户的设备和维护的整个生命周期绑在一起。


5.联网生态系统的影响

尽管互联网上的网联设备自问世以来就一直存在,但直到最近,物联网才对工业尤其是制造业产生了重大影响。从联网的家居、汽车、城市到工业,如健康、保险、制造业、公共事业,网联与智能设备正在改变整个生态系统。作为物联网不同分支,消费者物联网和工业物联网经常被相互对比。


家居物联是前者的典型代表,而服务于过程或离散制造业的物联,则是工业物联网的代表。物可以是小型设备,如智能手表或监控监测设施,这些设施可以通过智能手机联网(越来越多的智能手机自身就提供复杂的监控功能),也可以是大型机器如涡轮发动机、风电设备、油气开采设备、机器人等越来越智能化、半自主化,甚至完全自主化的设备。


事实上,物联网对工业生态系统的影响非常大,美国知名咨询公司Frost & Sullivan将物理设备整合到软件工业网络的软件系统中,视为提高创新、提升工业机器维护和操作过程的方法。这是一个新型联网生态系统,包含物理机器、设备、互联网和各种算法(工艺、操作和分析)——这是优化资产管理和商业成果的关键元素的简短清单。


6.制造业的数字化转型

正如我们所看到的,数字化意味着网络连接、社会协同、物联网、大数据分析、云计算和移动领域极具颠覆性的大趋势。数字技术的转型方面正在为数字创新铺平道路,这个创新将改变制造业的面貌。


随着数字化速度的加快,产品和服务的变化与迭代速度也在加快。物联网正在改变整个端到端的制造价值流,向传统的企业管理运营模式、商业模式等提出了空前的挑战。


企业不能低估将网络世界与物理联网设备相结合所产生的影响。这些设备产生大量的信息,这些信息必须被挖掘、分析,并对其采取具有针对性的行动。随着联网设备的普及,IT与OT正在融合,物理世界与虚拟世界正在融合,传统的制造模式将越发变得不再适用。


嵌入式传感器、软件、控制器等正在创建制造业与售后服务中的数字革命。在网络、边缘计算、云技术、能效管理等方面的突破正在持续降低数据处理与存储的成本。


物正生成比人们或应用程序更多的数据。将这些数据转化为洞见和明智的决策是有效分析的关键。如果一个公司应用数字化技术,通过人类、企业应用程序、供应链合作伙伴以及越来越智能的事物或设备整合执行任务,那么智能的、面向未来的决策将可以从数据分析中派生出来。


将工业物联网与数字化技术相融合的自适应数字工厂,正以一种创新的模式,试图谱写数字化未来。

免责声明:本文系网络转载,版权归原作者所有,如涉及版权,请联系我们删除!
分享到:
微信公众号:todayim2025
关注今日智造公众号,了解精彩内容
E-mail:todayim@sina.com

共有条评论 网友评论

验证码: 看不清楚?