2021-08-31
3.3k
數位優化讓製造企業可以隨時因應內外部變動,保持最優化運作,建立競爭力,加速企業數位化轉型∘ 數位優化走向數位轉型的路徑與手法流程是什麼?過程中的九個里程碑,和其應用各是哪些呢?
前面智慧製造和智慧機械雙引擎,加速數位轉型、什麼是智慧機械?智慧機械的3大訴求有哪些?和掌控機台全方位行為,落實製造業數位轉型之路三篇文章中,除了分享製造業工廠的數位化、數位優化與數位轉型的架構與價值外;也說明如何從智慧製造與智慧機械雙引擎上下合力,來提升製造業新競爭力。
這其中的核心關鍵技術,必須從全方位掌控機台全生活週期的數據,即以IT+OT深度融合的創新應用,來強化數位優化。
本文將進一步分享,以IT+OT深度融合,如何利用智慧製造的架構,幫助製造業工廠,從『數位化』後的『數位優化』,走向『數位轉型』的路徑與手法流程。下圖一顯示,由左而右是推進路徑,①②③④⑤⑥⑦⑧⑨則是標示各里程碑的應用。
然而,製造業工廠極度複雜,千人千面,不可能一概而論,所以這路徑是經過簡化。實務上,工廠推進智慧製造時,不太可能全產線/全機台與全職能都一併同步推進,況且這樣的投資報酬率反而不高,還是得依照優先順序,透過切產線、切職能與切階段的逐步實施,個別推進後,再互相帶動。下文將針對圖一展開說明逐步推進的可行走法。
如同掌控機台全方位行為,落實製造業數位轉型之路所述,製造業企業利用智慧製造技術架構,做到進行數位轉型,第一步就是要先『數位化』∘請參考圖一中的①所示 (以下簡稱為①,下文的其它標示都是雷同),IT端大多會導入ERP/MES等系統,以SOP也就是『表單+流程』來管理公司,畢竟『管理靠制度、制度靠表單、表單靠電腦』∘透過IT系統的導入,讓企業從『數位化』走向『數位優化』,如②所示∘
但在OT端就比較吃力了,傳統的機台設備常缺乏感測器、有些感測器則是類比錶頭,因此如③,OT透過安裝感測器,並將類比錶頭改成數位等等,才能讓OT端做到數位化階段的電腦化∘
但這還不夠,若數據只存放於機台控制器,或僅能顯示在各類錶頭的小螢幕,並不算完成OT數位化∘這些數據須透過物聯網做到機台的機聯網,也就是工業互聯,例如:以機聯網連接機台控制器、或物聯網連接感測器或錶頭,將所有的數據串接、處理、儲存與應用,這才算是完成OT端的數位化∘
『數位化』後的第一步,就是透過數據的可視,協作製造業現場,以『感知現在』引導做對的事情、對的決策∘
以OT端來說,最簡單的方式,就是將感測器的數據直接顯示,如④所示∘但問題是製造業現場人員,多數對這種感測器的原始數據『無感』,大概就僅能拿來確認是否超過上下限等等,對於現場的協助效益度不高∘
例如:安裝振動感測器,可以進行馬達與軸承的健康做診斷∘但若直接把這種昂貴感測器的高頻數據,在現場的人機介面中直接顯示,說真的,除了少數特別受過相關訓練者之外,絕大多數現場人員都會無感∘
此時得透過工業機理/工業技術原理-白盒子拆解的模式,將感測器所想偵測的部件或製程工藝,以相對應的物理/化學定律做轉換,例如:將感測器的原始數據,轉換成健康指標數據,如⑤∘又例如:振動感測器數據可以採用FFT(快速傅立葉轉換)在頻率軸向來確認N次諧波的特徵,估算出馬達的健康指標∘
很多部件都有其加工時的特性曲線,透過相對應的工業機理/工業技術原理,可以分析出在時間軸向的特性曲線的偏移量,從而估算出健康指標數據∘而這些經過工業機理/工業技術原理,來處理過的OT數據的可視化,對製造業現場的協作才會真正有效∘
對製造業現場來說,快速找到問題的根本原因後治本解決,才能降低浪費∘
然而經常發生問題,就像案件發生一樣,嫌犯肯定跑掉,若想盡快抓到嫌犯(根本原因),就須透過歷史數據『穿透過去』來重建現場,才能找到問題的根本原因,盡快解決,避免損失擴大∘
透過OT+IT融合的歷史數據,以黑盒子模式,採用諸如統計的迴歸分析、大數據分析、甚至AI模型,來建立OT數據與設備異常或品質不良的關係模型,如⑥,提供製造業現場有效找到問題根本原因的方法,快速且治本的解決問題∘
透過快速解決問題,可以阻止損失的持續擴大。然而製造現場若常常處於救火狀態,容易造成生產效率低,且產生額外的浪費∘
換句話說,如⑤的健康指標固然有幫助,卻有其侷限性∘例如:機台的健康程度為34% (0%代表故障、100%是完全健康),看似很先進與智慧,但目前絕大多數公司都無法善用∘
34%的設備健康指標預估,代表設備並沒有壞掉,但看起來又像是快要壞掉∘這設備確實還可以生產,甚至於還在正常生產中;但若要繼續派工生產,卻又讓人憂心忡忡,深怕隨時會發生故障。
所以,當製造現場拿到34%這樣的預測數據,到底是要安排設備維修,還是繼續生產?就頗令人頭痛∘這些花費巨資所得到的智慧結晶,卻帶給製造現場主管苦惱,沒辦法發揮數據價值∘
因此,得再次進行IT+OT融合,透過OT數據,例如:健康指標的變動(降低率);與相對應的IT數據,例如:當時所生產的品號與工藝等;以黑盒子模式的大數據分析或AI模型,建立健康指標與品號/工藝之間的關係模型;以『預測未來』的方式,預知該機台相對於各品號與各工藝的剩餘可用產量或時數,如⑧∘
例如:健康指標34%的設備,可以生產A品號1萬片,但若生產B品號,只能生產8千片等∘而IT端,則透過APS(先進排程系統)等系統,協助進行排產與排程優化,如⑦∘
這二者的預測化,包括IT端─從工單面向的排程優化,與OT端─從機台面相的可用產量預測,二者經過互相參照,就可以讓製造業現場,從容應對未來的變化∘雖然不可能零風險,但至少可以掌控因為設備衰退/老化的損失風險∘
當IT端與OT端的各項要素,都逐漸走到預測化後,IT+OT就可以再次進行深度融合,例如:將自動排程演算法、與機台設備之各品號/各工序的剩餘壽命模型結合,再加上維修所需備品數量、維修人力狀況,甚至各設備停機維修對在線工單的衝擊、違約成本等,將這些數據與模型深度融合,再經由管理機制,自動規劃出最適切的排產/排程/派工安排,如⑨∘
讓製造企業隨時因應內外部變動,保持最優化運作,謀求最大競爭力,以此達到企業數位優化,進而加速企業數位化轉型∘這次所分享的手法路徑,不是唯一的標準流程∘
針對實際輔導的客戶案例,透過切產線、切職能與切階段的逐步實施,效果十分顯著;雖然無法一步到位,但手法確實可以被複製,讓IT+OT深度融合,有效強化企業數位優化,並走向數位轉型,以此與產業先進們分享與交流∘
Frank開講
78 Followers
Frank開講
78 Followers
我們使用本身的Cookie和第三方的Cookie進行分析,並根據您的瀏覽習慣和個人資料向您展示與您的偏好相關的廣告。如欲瞭解更多資訊,您可以查閱我們的隱私權政策。