ATS 製造データ分析でオペレーショナルエクセレンスを実現

リサーチとベストプラクティス

製造データ分析:データを運用上の洞察に変える

機械やシステムからセンサーやソフトウェアに至るまで、あらゆる製造資産がデータを生成します。最近の調査によると、世界中の産業企業はすでに年間 1.9 ZB を超えるデータを作成しており、2030 年までに 4.4 ZB を生成する予定です。

課題は、ビッグデータを実用化することです。ダンとブラッドストリートの調査で指摘されているように、既存のデータを使用して十分な情報に基づいたビジネス上の意思決定ができると回答した製造業者はわずか 36% です。

製造データ分析は、生データと実用的な洞察の間のギャップを埋めるのに役立ちます。分析フレームワークは、当面の運用上の問題を特定し、新たな傾向を追跡し、生産ラインのパフォーマンスを最適化するための推奨事項を提供します。分析は、オペレーショナルエクセレンスを実現し、進化する産業市場全体で競争力を維持するために不可欠です。

製造データ分析は、データを使用して製造パフォーマンスを評価、予測、最適化する実践です。分析は本番プロセスに限定されません。また、メンテナンス、品質管理、サプライチェーン、テクノロジー運用にも適用されます。

実際、分析は、企業が組織全体で資産がどのように機能し、相互作用するかをより深く理解するのに役立ちます。高度に専門化されたコンポーネントの品質管理の失敗が急激に増加していることに気付いたメーカーを考えてみましょう。過去 6 か月間で、品質検査に不合格となったコンポーネントの数は 5 倍に増加しました。問題の大まかな分析では、一貫した障害点は示されていません。問題はランダムで関連性がないように見えます。

しかし、より詳細なデータ分析により、組立ラインシステムの断続的な障害が根本原因であることが示唆されています。さらなる調査により、この障害は時間の経過とともに徐々に悪化していることがわかりました。この情報があれば、チームは問題を解決し、やり直しの必要性を減らすために的を絞ったアクションを実行できます。

製造データ分析の種類

製造データ分析には、記述的、診断的、予測的、処方的という 4 つの一般的なタイプがあります。これらの分析タイプを組み合わせて使用すると、企業は何が起こっているのか、なぜ起こっているのか、次に何が起こる可能性があるのか、どのような行動をとるべきなのかを理解することができます。

記述分析 : 記述的分析は、企業が何が起こっているかを理解するのに役立ちます。それらは現在または歴史的な出来事の説明です。以下に例を示します。梱包機で予期せぬダウンタイムが発生しています。記述的分析は操作を評価し、説明を提供します。平均して 2 日ごとにマシンは無効な入力を受信し、技術者によって再起動されるまで故障が発生します。ほとんどのメーカーは記述的分析にアクセスできますが、多くのメーカーはそこで止まります。これにより、事実上、目隠し飛行が可能になります。彼らは何が起こっているのかは知っていますが、その理由は分からず、次に何が起こるのかも分からず、問題を解決する方法も分かりません。

診断分析: 診断分析では、イベントが発生している理由を解明するためにさらに深く掘り下げられます。当社の梱包機の場合、診断分析により、特定の状況下でこの障害を引き起こすプログラマブルロジックコントローラー（PLC）の命令に問題があることが判明しました。

予測分析 : 予測分析は、潜在的な結果とその発生の可能性を評価します。そのためには、現在データと過去データの両方にアクセスする必要があり、これにより製造分析ソフトウェアが複数の要素を同時に評価できるようになります。予測分析を実施すると、同じ種類の障害が継続し、時間の経過とともにより頻繁になる可能性が高いことがわかります。さらに、梱包機を継続的に再起動すると、残りの耐用年数（RUL）に悪影響を及ぼします。

規範的な分析: 規範的な分析は、取るべき行動を特定するのに役立ちます。彼らは問題を解決するための治療方針を処方します。上の例では、これは PLC の再プログラミングである可能性があり、デバイスが古いかサポート終了している場合の交換である可能性があります。

製造分析における主要なデータソース

効果的な分析は、機器、メンテナンス、生産システムにわたる複数のソースからのデータに依存します。単一ソースデータからはマシンの動作やシステムパフォーマンスに関する洞察が得られますが、得られる価値は限られています。これは、単一のデータソースの範囲が狭いためです。電気サブシステムから収集されたデータは、電源接続や電圧の変化に何が起こっているかをチームに正確に伝えることができますが、問題の原因がシステム自体の外側にある場合、問題は解決しません。

複数のソースを使用することで、メーカーは主要な傾向を追跡、分析、管理する能力を向上させることができます。一般的なソースには次のものがあります。

機器とセンサーのデータ: 機器自体がデータのソースです。コンピュータ保守管理システム (CMMS) およびエンタープライズ資産管理 (EAM) ソリューションに接続された PLC は、マシンの状態とパフォーマンスに関するほぼリアルタイムの更新を提供します。一方、温度、振動、圧力、摩擦を測定するように設計された接続された IIoT センサーは、企業が潜在的な問題を発生前に発見するのに役立ちます。

メンテナンスと信頼性のデータ: メンテナンス記録や信頼性評価などの履歴データは、現在の運用のコンテキストを提供します。たとえば、定期的にメンテナンスされていないマシンは、警告なしに故障する可能性が高くなります。

生産とスループットのデータ: ワークロードデータは追加の洞察を提供します。清掃やメンテナンスのための計画的な休憩なしで機器が継続的に稼働すると、故障率が増加します。これは、企業が故障メンテナンスに対してより事後的なアプローチを採用するようになった、生産目標やスループットの期待値の増加に関連している可能性があります。

品質検査とテストデータ: 機械が故障しないからといって、それが意図したとおりに動作しているとは限りません。製品の品質とテストデータは、機器の出力に関する重要な情報を提供します。たとえば、定期的なテストで資産が生産目標を満たしているが、コンポーネント 10 個中 1 個が品質管理検査に不合格であることが示されている場合、完全な検査のためにマシンを一時的にオフラインにする価値があるかもしれません。

在庫とサプライチェーンのデータ: より大規模なトレンドも分析の作成に影響を及ぼします。サプライチェーンの問題により企業が必要な資材を入手できない場合、高性能の機械であっても生産目標を達成できなくなります。また、MRO 資産管理戦略が制限されている（または存在しない）場合、機器の修理には、必須コンポーネントの調達、発送、受け取りに追加の時間がかかる可能性があります。

製造分析により運用パフォーマンスがどのように向上するか

アナリティクスは、企業が点と点を結びつけるのに役立ちます。つまり、X が発生した場合、Y が発生する可能性が高く、Z が発生する可能性もあります。要因 A、B、および C は、イベントの確率と再現性に影響します。このパターン認識には、次のような複数の利点があります。

効率とスループットの向上

ダウンタイムと変動性の削減

リソースの使用率が向上し、オペレーションがより予測可能になる

より迅速で、より多くの情報に基づいた意思決定

メンテナンスと信頼性におけるデータ分析の役割

稼働時間の増加により、本番環境のパフォーマンスが直接サポートされます。一方、ダウンタイムが削減されるということは、事後的なメンテナンスに費やされる労力とリソースが削減されることを意味します。高度なデータ分析により、両方が可能になります。タイムリーで正確なデータがあれば、企業は次のことが可能になります。

パターンと傾向を特定する: パターンと傾向は、すでに起こったことを可視化し、企業が次に何が起こるかを予測するのに役立ちます。この情報があれば、メンテナンスチームは計画外のダウンタイムを削減するための措置を講じることができます。

予測メンテナンスと状態ベースのメンテナンスのサポート: リアルタイムの状態分析により、状態ベースのメンテナンスが可能になります。たとえば、急激な温度上昇が検出された場合、チームは問題を解決するために機器を積極的にオフラインにすることができます。より緩やかな変化が特定された場合、チームは定期的にスケジュールされた修理中に問題に対処するための予測メンテナンス計画を作成できます。

メンテナンス作業に優先順位を付ける: データは、チームがメンテナンス活動に優先順位を付けるのに役立ちます。軽微な問題は月次または四半期ごとの修理中に対処できますが、ミッションクリティカルな問題は必要な部品が手元にあればすぐに解決できます。

資産ライフサイクル管理の改善: 機器の RUL は、作業負荷、環境条件、部品の故障によって異なります。データ分析は、RULを低下させる可能性のある問題を特定し、それらを解決して残りの耐用年数を延長し、結果的に資産ライフサイクル管理を改善するのに役立ちます。

事後メンテナンスの削減: 事後対応のメンテナンスには費用と時間がかかります。なぜ？機械が停止するまで始まらないからです。障害が発生すると、チームは根本原因障害分析（RCFA）と修復のプロセスを開始します。これには数日から数週間かかる場合があり、マシンがオフラインのままになり、本番環境のパフォーマンスが低下します。

ビッグデータ分析は、一般的な障害を予測して防止し、事後的なメンテナンスを削減するのに役立ちます。簡単に言うと、データは、問題が本番パフォーマンスに影響を与える前に企業が行動できるようにする、予防的かつ予防的なメンテナンス戦略の基盤を形成します。これらの戦略は、生産ラインを最適化し、反応性支出を削減し、機器の寿命を延ばすために不可欠です。

データ分析と製造 4.0

データ分析は、製造 4.0 の取り組みにおいても基礎的な役割を果たします。インダストリー 4.0 の取り組みを説明する製造業特有の方法としてよく使用されるマニュファクチャリング 4.0 は、資産、プロセス、システムを接続して、大規模なデジタル変革を可能にする相互接続された相互運用可能な生産フレームワークを生み出します。

このデジタル変革は、企業が進化する顧客の期待、変化するサプライチェーン要件、常時接続のワークフローを効果的に管理するために必要です。データ分析がこの変革を支えます。

まず、データ分析により、組織は IIoT センサーを他の接続された資産に接続できるようになります。これにより、運用の全体的なビューが提供され、機器のオペレーターやメンテナンスチームが問題を迅速に特定して報告できるようになります。これと同じように、分析によりリアルタイムのパフォーマンス監視が可能になります。このモニタリングはデバイスごとにカスタマイズできるため、チームは平均故障間隔（MTBF）や平均修復時間（MTTR）などの特定の指標や KPI を追跡できます。

データ分析は、人工知能（AI）および機械学習アプリケーションの導入もサポートします。まず、企業はデータ分析を使用して AI の出力を評価および検証できます。インテリジェントツールはパターンの発見には優れていますが、その出力には運用データに対する検証が必要です。

分析は、企業が AI に最適な機能を特定するのにも役立ちます。インテリジェントツールの性質上、メーカーは参入障壁は低いものの、提供されるビジネス分野の価値が限られた新しいプログラムやプラットフォームに過剰な支出をしやすくなります。分析を使用すると、チームは潜在的な AI ユースケースを特定して評価できます。

最後に、データ分析は、クローズドループの最適化と継続的な改善の準備を整えます。製造における多くのプロセスは、自然に閉じたループになっています。たとえば、生産ラインの資産がどのように相互作用するかを理解することは価値がありますが、パフォーマンスの向上は、機器の効率、信頼性、精度の閉ループ分析から始まります。分析は、企業が小規模な閉ループプロセスの全体像を把握するのに役立ちます。

一方、複数の閉ループプロセスからのデータを組み合わせることで、リアルタイムデータと長期戦略を組み合わせる継続的改善ロードマップの開発の準備が整います。

製造データ分析を始める

多くの企業にとって、製造データ分析を始めるのは大変なことだと感じるかもしれません。非常に多くの資産から大量のデータが得られるため、実用的な分析情報を追い求めるのは時間とお金の無駄のように感じることがあります。

5 つのベストプラクティスは、プロセスの合理化に役立ちます。

1. 明確なビジネス上の質問から始めます: まず質問してから実行してください。故障率の高い重要な機器を特定し、「なぜ X の故障が発生するのですか?」、「Y の問題はいつ始まったのですか?」など、データに基づいた回答が必要な明確な質問を作成します。または「Z を解決するための最善の行動は何ですか?」

<オル>

2. 影響の大きいユースケースに重点を置く: すべてのマシンが生産にとって同じように重要であるわけではありません。バックアップ梱包機に障害が発生すると、スループットが低下する可能性がありますが、業務に支障をきたすことはありません。一方、主要な組立機器が突然停止すると、即時的な影響と下流のボトルネックの両方が発生します。企業は、影響の大きいユースケースに焦点を当てることで、費用のかかるダウンタイムのリスクを軽減できます。

<オル>

3. パイロットプロジェクトを使用して価値を証明する: 価値を証明するには、小規模から始めてください。分析する重要なマシンを選択し、主要なデータソースを特定します。数値を計算し、提案を実行し、結果を追跡します。成功した場合はスケールアップします。そうでない場合は、もう一度試してください。

<オル>

4. 機能を段階的に構築します: 製造プロセスは本来相互に依存しているため、あまりにも多くのことを迅速に実行しようとすると、複雑さが生じ、データの可視性が低下する可能性があります。幅広く検討するのではなく、深く考えてください。最初に主要な機器に焦点を当て、生産ライン全体への拡張に慎重なアプローチを採用することで、段階的に機能を構築します。

<オル>

５．分析を運用目標に合わせて調整する: データ分析は、運用目標に沿った場合に最大の価値を提供します。高品質の出力が最優先事項である場合は、速度を重視しないでください。代わりに、品質管理の観点からデータを評価し、速度やコストよりも品質関連の KPI を重視します。

<オル>