Skip to main content

人員與技術延長機器運行時間

根據 Gartner 指出,預測性維護可節省開銷,在某些案例中,甚至可將成本降低最多百分之 40。舉例來說,有一間製造商最佳化了他們的製造廠,讓他們不需在接到新客戶合約時購買額外的機器,從而節省了 600 萬歐元。

但是,需要大量的資訊才能進行分析。工業營運中不會缺少資料,但收集、正常化、整合,以及分析這些資料,才是巨大的挑戰。

而相同地,程序與技術一樣重要。成功與否取決於營運痛點、財務損失,以及其他挑戰。必須定義並認同明確的目標,以決定可取得最高效能/價格比與最佳 ROI 的使用案例。

運用預測式分析進行預防性維護

在一間航空產業用戶不停發生停電問題時,他們便尋求 Capgemini 的協助。他們發現是機器的軸心問題導致停機,但更換軸心並無法解決此情況。他們花費了兩個月反覆試驗,才發現電力問題是狀況的根源。

營運團隊採取了動作,以避免未來發生軸心問題,同時改善其他設備的效能與可用性。為此,公司部署了 Capgemini 的 Predictive Asset Maintenance with Edge Compute 解決方案。

「當我們遇到這樣的專案時,我們會由諮詢階段開始,識別可最快節省花費或增加收益的問題與使用案例,」Capgemini 的 XIoT 全球解決方案主管 Philippe Ravix 說: 「我們會查看各個廠區,瞭解部署哪一種『數位關鍵工具』能快速致勝,並加速取得 ROI。」

此解決方案能讓企業降低維護成本,並提升工作人員的生產力。

此系統會針對機器的問題,以及可能在兩週、兩個月,或兩年後發生的故障,對使用者發出警示。這代表可在正確時間點維護設備以節省成本,而不會過早或太晚進行。

透過自訂的分析能力,加上應用程式、管理,以及現場服務人員之間近乎即時的互動,便可偵測穩定運作過程中出現的偏差。透過內建的機器學習能力微調設定可避免誤報,並使解決方案持續演進,以改善效能與資產使用壽命。

「預防性維護的最終步驟,就是預測機器將會故障的時間。透過運用機器狀態、維護操作、故障特性及其他因素的歷史紀錄建立數據分析模型,我們使用的方法便以此模型為基礎。」Ravix 表示。

透過部署預測性資產維護,讓此航空企業的營運由完全預防性維護轉變為條件式維修,為他們節省資源、時間與金錢。

資料品質加上專案方法

為了確保成功,Capgemini 每個新專案的第一步,都是與從設備營運者到廠區管理員等主要利益相關協同合作規劃。成功的部署牽涉到許多面向。遠遠不只收集、分析,以及回報資料。還需要在正確的時機取得正確的資訊,並傳送至正確的人員,加上必要的工具和訓練,才能讓此資料具有價值。

「您需要擁有一套方法,才能跨整個企業管理這種數位轉型,包括從工廠內的工作人員到辦公室裡的管理員。」Ravix 表示。

預防性維護等工廠自動化應用,只有在能讓人們的工作變得更加簡單時,才能發揮效率。這是 Capgemini 如此注重廠房和現場工作人員的主要原因。

「在過去,維護操作人員經常擔心這樣的數位轉型將會增加他們的工作量,」Ravix 說: 「導入此解決方案便不會導致這種情況發生。事實上,這種專案的很大一部份內容是訓練,因為大部分的工作人員並不熟悉數位技術。一旦系統可順暢運作,且工作人員經過妥善訓練,這就成為妥善的工具,可讓他們的工作更輕鬆,也更容易獲致成功。」

最後,因為技術人員與營運人員能獲得更加準確即時的資訊,他們便可提供更高等級的專業與價值。

在邊緣與雲端進行分析

Predictive Asset Maintenance with Edge Compute 系統結合四種內建模組,如圖 1 所示:

  • 連線能力 – 透過儲存在時間序列資料庫中的 PLC、感應器,以及歷史資料 API 收集機器資料,提供近乎即時的監控效能。
  • 資料流 – 透過機器監控,並在超過臨界值或進行不相容操作時發出警報,以觸發第一層預測性維護。
  • 資料平台 – 結合計算引擎、專用資料庫,以及機器學習,提供進階監控與認知式監管能力。
  • 虛擬化 – 可自訂和個人化的儀表板,適合桌上型電腦、平板電腦,或智慧型手機。
圖 1. Predictive Asset Maintenance with Edge Compute 解決方案架構。

「我們的方法是建立一個模型,根據其參數定義機器的正常運作情況,而不著眼在故障方面,」Ravix 說: 「然後,我們比較機器目前的行為與參考狀態,便可偵測潛在的偏差。在發生異常時,我們可以找出偏差源頭的參數。」

定期復原機器資料,並在傳送至雲端前,在 XIoT 邊緣閘道進行分析。這能降低頻寬要求,且因為具有本地儲存設備,可在網路故障時備份資料。

系統會持續監控此資料,並運用預測性維護技術,透過簡訊或電子郵件將警報傳送至管理與現場人員。透過額外的認知功能,甚至可以找出特定機器的哪一個部份會在哪一段時間範圍內故障。

無論在邊緣或雲端,Capgemini 預測性維護基礎架構的核心皆為 Intel® 技術。在 Azure 或 AWS 等雲端平台上部署深度學習演算法需要快速的運算能力,」Ravix 說: 「Intel 提供了能滿足效能需求的平台。」

「最後,我們運用 Intel 技術所開發和部署的市場就緒解決方案提高獲得成果的速度,帶來了大規模的優勢,」Ravix 表示: 「因此,我們便可提供最適合讓客戶成功進行數位轉型專案的平台。」

作者簡介

Georganne Benesch is an Editorial Director for insight.tech. Before this she was an independent writer, authoring blogs, web content, solution guides, white papers and more. Prior to her freelance career Georganne held product management and marketing positions at companies such as Cisco, Proxim and Netopia. She earned a B.A. at University of California at Santa Cruz.

Profile Photo of Georganne Benesch