數據分析在製造業的應用場景

工具狀態監測 (TCM)和剩餘使用壽命 (RUL) 分析

金屬切割操作中的刀具磨損直接影響成品表面的品質和精度。各種類型的感測器可以監控工具的性能,測量產生的熱量、速度、壓力和其他因素,這些因素單獨或以各種組合表示工具即將結束使用壽命。在最佳時間(即當工具的性能仍符合規格,但在其退化開始造成損壞、降低輸出品質或增加報廢率之前)更換刀具是非常必要的。

機器學習和流處理技術是TCM和RUL分析的最佳選擇。感測器產生的大量資料,加上人工對成品的檢查,可用於訓練機器學習演算法,以確定"最佳時機",並在工具接近更換時間時主動提醒操作員。流處理演算法還可以處理由任何數量的生產機器生成的所有感測器資料,對歷史資料進行即時比較,並提高機器學習演算法的準確性。

保修風險狀況分析

大多數製造商必須處理與各種產品和部件有關的大量保修索賠。對於消費品製造商來說,每年索賠的數量金額在銷售額中占比很大,有的甚至達到億元級別。重要的是要確定優先順序並瞭解哪些問題值得給予高度優先回應,並在聲明中發現需要立即關注的新出現的品質或設計問題的模式。

保修風險分析,有時被稱為品質問題優先順序,是任何正在進行的品質改進過程的一個重要部分。保修索賠數據,一旦清理和排序,是反饋回路中最有價值的部分之一,可以説明公司提高產品的可靠性和客戶滿意度。

生產系統中的異常檢測

使用感測器資料識別機器元件中的異常行為或狀態,可以防止因小故障造成重大操作問題。在涉及大量傳感器輸入的情況下,由於設備中資料流程的資料量之大和速度之快,挑戰也隨之增大。此外,對資料進行有意義的分析是一項重要的任務,因為只有在真正必要的時候才應該為了仔細檢查機器而減慢或關閉生產。由於這些原因,簡單的基於閾值的警報通常不合適,因為會產生太多的誤報。但是,更高級的方法可以很容易地實現,並且可以在不減少設備整體效率的情況下標記出潛在的嚴重問題。

機器故障預測分析

機器學習技術利用安裝在生產設備上的感測器以及plc、SCADA和其他來源的歷史和即時資料,可以在導致故障之前準確地標識出整台機器及關鍵元件的潛在故障。失敗在本質上可能是二元的: 也就是說,要麼發生故障,要麼沒有發生故障。故障也可以是多類的,可以分為幾個不同的類別,包括速度下降、輸送量或品質。顯然, 機器 (或系統)越複雜,機器學習模型越有助於防止影響生產率的故障。

問題根源分析

根本原因分析 (RCA) 對於任何製造產品的持續成功至關重要。儘早檢測設計缺陷、原材料問題、製造問題和品質控制缺陷,可促進產品持續改進,提高可靠性和性能,使公司能夠保持產品品牌的美譽度。

RCA 使研發人員、採購代理、品質控制檢查員和保修團隊能夠找到問題產生的根本原因,這些問題只有在產品掌握在客戶手中後才變得明顯。除了上述優勢外,正確管理 RCA 流程還將減少保修索賠的數量和成本,提高整個公司的盈利能力,並提高客戶滿意度。

網聯車輛性能監控

車聯網是利用傳感技術感知車輛的狀態資訊,並借助無線通訊網路與現代智慧資訊處理技術實現交通的智慧化管理,以及交通資訊服務的智慧決策和車輛的智慧化控制。

車聯網監控方案的業務範圍：

● 即時掌握車輛運行狀態,針對不同車輛進行即時故障統計和回饋,大幅提高了品質改進效率;

● 通過監控新能源車輛行駛狀態,即時瞭解車輛性能,特別是電池溫度,剩餘電量等狀態,及時回饋給運行商或駕駛員

● 針對計程車隊、物流車隊、特殊運輸車輛(冷鏈物流,危險品運輸等),可即時瞭解包括車輛、駕駛員狀態之外的運輸物品狀態,讓管理團隊和駕駛員及時瞭解資訊;

● 汽車分時租賃,共用汽車運營商可以即時獲取車輛所在的位置,減少停工期,以及準確地監控車輛狀態。

專家系統

專家系統是試圖模仿人類專家的電腦程式,通常發生在一個狹窄的專業領域。此類高級資料分析工具可以增強甚至取代熟練工程師在製造環境中的工作。例如,確定鈑金衝壓的最佳工藝和工作順序的過程很複雜,通常需要具有多年經驗的製造工程師的專家知識。然而,通過應用機器學習技術,一個專家系統可以以高度的準確性確定一個給定的鈑金部件的最佳工藝配置,以減少浪費,提高品質,並提高輸送量。

北美福特汽車公司就利用 Altair Knowledge Studio 的機器學習工具,利用決策樹模型,優化了衝壓工藝,使得材料浪費率從 40% 降低到 26% ,同時提高了產品首次通過率。

想了解更多，歡迎聯絡我們。

安捷新科技股份有限公司 AgileSim Technology Corp.

電話 : (02)2518-9060
郵件 : info@agilesim.com.tw