IIoT和预测性维护

这是每个生产线经理nightmare-some机械分解,工厂停止生产。在工厂,如果只是一块半导体制造设备下降和服务几个小时,晶圆可以停止。这样的封锁是昂贵的,特别是如果工厂操作在一个24小时的时间表来满足需求。

的一个卖点工业物联网(IIoT)它可以捕获设备故障发生之前通过使用预测性维护。使IIoT技术有利于自动化工厂地板和简化数据收集从智能电表和其他产品使它有利于保持工厂设备运行。

预见性维护可以提供晶圆厂和其它工业设施的能力,知道当一个特定的机器可能下降,基于振动监测、能耗和其他手段来检测异常操作。能够保持领先设备关闭的矿山、钢厂、或工厂繁忙的企业可以节省金钱和时间。预测可以用于监控维护和更新设备。

虽然预测维修与预防性维护,他们是不一样的。运营商执行两种类型的维护设备之前失败了,但他们使用不同的数据集来确定何时以及何种形式的维修是必要的。预见性维护依赖设备的实际情况,使用实时数据来自传感器给运营商设备的当前状态的可视性。预防性维护使用制造商的维修时间表基于统计设备的平均或预期的生命周期。预见性维护使及时纠正——经常计划外维护的使用。

“维护项目已经存在了几十年。我相信的人,一直认为自己是预见性维护的一部分,甚至在物联网是一个东西,”布雷特说汉堡,主要监控解决方案的营销经理国家仪器。随着IIoT,“我们谈论很多自动化。”

4.0“随着工业制造业,企业能够利用新技术,如物联网、为了监视和实时获得更深的了解他们的业务,一个典型的制造工厂转变成一个智能工厂,”德勤咨询的一份报告中说,“预测性维护和智能工厂"简而言之,智能工厂是一个装备与技术,使机器对机器(M2M)和machine-to-human (M2H)沟通与分析和认知技术,以便及时正确的决策。”

图1:有效的维护策略。来源:德勤咨询。

云中的异常检测和自动化
“异常检测是预测维护的核心,”苏格兰人莫里森说,总经理在嵌入式平台的解决方案导师,西门子业务。人工智能(AI)和机器学习(ML) IIoT的技术通常涉及到这方面,和不同类型的异常检测使用各种人工智能或ML技术来发现异常。例如,声学,压力,温度和振动监测可以用于建立预见性维护。

“的一个主要的事情你需要担心是假阳性,”莫里森警告说。

“当我们认为物联网而言,我们认为智能传感器和致动器方面,我们通常称之为结束节点,以某种方式精心策划,”莫里森说。在传统环境中,某种类型的控制功能,如细胞控制器,运行在一个中央PLC(可编程序逻辑控制器),一个坚固的电脑位于工厂银行为工厂的恶劣的环境而设计的。IIoT架构可以远离这个模型,并把数据放到云。

“我们看到越来越多的聚合设备被部署到工业设置,”莫里森说。“一个目的是聚合的信息。集中,聚集,衬里,并让它对于某些类型的应用程序,访问任何可能。然后还上传,到云上,所以你可以让你的本地处理,或基于网关处理,处理在云中,或某种形式的混合。当我们想到IIoT,我们认为这种架构。”

在云中,数据聚合的传感器可以通过人工智能/毫升解释程序产生一个行动或建议(警报)运营商看数据。的行为甚至可以自动化。云计算和人工智能的概念改变了商业模式为服务。这是“作为服务的东西,”莫里森说。

与此同时,物联网可以自动收集、传递和处理的数据对这些维修项目,增加了汉堡。“这是真的是提高生产力,改善,除此之外,任何系统的整体运行时间你看。”

自动化的旅程
测量技术将数据从传感器在机器正在发展和改善。”有很多讨论边缘通信、云,”伯格说。”这是一个薄层沟通,为移动设备,还是重通信的移动大型数据有效载荷?有很多更多的工具,和技术可以集成到这些更大的系统,这将帮助自动化数据收集和沟通。整个软件分析,和多个公共汽车,。所有数据被移动和后端插入,很多机器学习、人工智力都在。从现在开始,帮助与生产力。然后,在未来的某个时候,你可以让它全面,熄灯自动化。”

在很大程度上,这是进化而不是革命。“从我的角度来看,当你谈论预测性维护,你看维护和可靠性的旅程,或维护金字塔,这些概念已经存在了相当长一段时间,”伯格说。“如果今天他们重做,人们会看一看他们和IIoT技术将添加更多的层。从一个自动化的过程和分析的角度来看,有一些人,有公司,有实用程序正在使用这些先进的工具,帮助他们现有的维护程序更有效。”

面临的挑战是试图找到模式在传感器数据记录可以显示一个故障在它发生之前。可能包括全自动的机器学习,这是定制的特定的设备,或在工厂拥有的资产。它还可以根据特定的行芯片在哪里制造在亚利桑那州,但检测算法是在马来西亚的硬件上运行。

“这可能是天气,它可能是人类的运营商所涉及,但是该软件将自动检测微妙的细微差别和将帮助预测当这些机器需要服务和可维护性,”他补充道。

替代人工智能在数字twins-models预见性维护是使用设备的监控。这样的模型可以插入一个进化神经网络,和一个生产单元或装配线可以创建为一个数字版本。一个高保真数码双胞胎可能比一个基于ai黑盒子。

半导体制造
半导体制造设备,代价是如此之高,额外的努力花在确保不破坏被认为是资源有效利用的东西。预见性维护与投资回报证明其有效性,说汉堡,尤其是在生产中防止灾难性事件时,可以毁掉一个财政季度的结果。

这符合Falkonry思维,为工业操作机器学习软件即服务的提供者。公司提供“数据科学家在一个盒子里,”克里克水域,公司的客户成功的高级副总裁。Falkonry的投资者基础设置项目,北极星伙伴,智能实验室开始,Zetta合资企业的合作伙伴。

Falkonry涉及汽车、化工、电子、半导体、采矿和金属、石油和天然气,电力和能源。公司的技术检测模式多元时间序列数据和预测关键事件。

软件是“现成的,操作机器学习,”沃特斯说。“随着我们今天使用高性能计算和软件,我们可以应用复杂的机器学习复杂的数据集。坐在黑暗中数据在数据存储,使用我们的技术,我们的客户能够看到发生了什么他们的流程通过Falkonry经过数据,发现随着时间的推移发生模式,”他说。

在半导体制造技术有用,研究晶圆的工具和研究他们的校准。Falkonry软件识别颜色和模式的数据,显示“机器内部发生了什么,”沃特斯说。Falkonry发现实时的价值观,评估质量的条件下,对可能出现的故障并提供早期预警,通过学习和应用软件的学习,他补充道。

预见性维护涉及到积极的维修计划,根据水域。质量监测是重要的过程。例如,焊接必须检查。他们的质量取决于焊接时间和焊接时间。“一个良好的焊缝有一个模式,一个糟糕的焊缝有一个模式,”他说。用这种方法和技术,没有必要检查所有焊缝,坏焊将捡起。

Falkonry的客户包括电影资源,矿业公司;电子数据处理,在葡萄牙一家能源公司;川崎汽车;和钢铁,钢铁制造商在拉丁美洲和北美洲。

结论
IIoT证明其有效性通过预见性维护,可防止昂贵的故障在工厂、晶圆厂,和其他设施。该技术生产有助于保持在一个稳定的基础上,利益底线。

“运营成本的驱动因素,“导师的莫里森说。“这不是可有可无的。这是一个必备。工业企业的目标是80%或更多的世界级的作战效能,和超过90%是可以实现的。”

有关的故事
IIoT安全威胁不断上升
值数据的上升和日益增长的复杂性或紧迫感。
数据泄漏和IIoT
工业设备连接到互联网在正常运行时间和效率提供了很大的改进,但它增加了安全问题。
IIoT增长,但这样做的风险
事工业物联网在一起,但安全是一个巨大的且不断增长的问题。