Voir la traduction automatique
Ceci est une traduction automatique. Pour voir le texte original en anglais cliquez ici
#Actualités du secteur
{{{sourceTextContent.title}}}
Entraînement des réalisations d'IIoT avec des changements de culture
{{{sourceTextContent.subTitle}}}
Les réalisations d'IIoT dans les ensembles industriels donnent la priorité souvent à des problèmes techniques. Un foyer également important est acceptation et culture d'entreprise de personnel.
{{{sourceTextContent.description}}}
le personnel d'usine de rocess a besoin de perspective et d'analyses dans les capitaux principaux — chaudières, appareils de chauffage, brûleurs, réfrigérateurs, fours, échangeurs de chaleur, fours, pompes et valves, etc. — utilisés dans leurs équipements. Beaucoup d'articles décrivent les technologies conçues pour fournir ces analyses — ces plates-formes, applis et dispositifs de production automatisée qui aident collectivement la forme l'Internet industriel des choses (IIoT). Bien que le choix d'options améliore l'accès aux analyses de processus, ce peut être un monde embrouillant des technologies et des stratégies.
D'ailleurs, un aspect clé souvent est négligé — un qui est l'aspect le plus influent simple dans n'importe quelle organisation. Collectivement, l'élément humain — travailleurs, gestion et la culture d'entreprise chez lesquels ils fonctionnent — est un conducteur primaire pour l'amélioration continue. Cet article discutera comment le personnel d'usine peut être autorisé et motivé pour mettre en application et embrasser l'analytics avancé de données et d'autres technologies liées IIoT.
La technologie est juste une partie de l'équation
Il est plus facile (et peut-être plus amusant) de se concentrer sur la vague des innovations actuelles — ce qu'elles peuvent faire — plutôt que regardant comment mettre en application ces technologies avec le personnel d'usine existant. Certainement, la révolution dans des capteurs, la création de données, la collecte de données sans fil et les solutions basées sur nuage de stockage de données a permis d'accéder à de nouvelles analyses et à résultats améliorés. Les coûts pour les parties du système de noyau sont tombés à une fraction de ce qu'ils étaient il y a de 10 ou 20 ans. En conséquence, ils sont encore plus dominants.
Des avances également ont été faites dans l'acceptation et la propagation de nouveaux modèles d'analytics pour créer la valeur à partir des données rassemblées. Par exemple, considérez à quelle rapidité l'industrie transitioning d'une approche de maintenance préventive programmée ou à l'analytics prévisionnel pour des capitaux de valeur élevée. L'analytics prévisionnel est juste un des types d'analytics familiers à la plupart des sociétés (le schéma 1). Il y a beaucoup plus.
Beaucoup d'articles d'IIoT décrivent des stratégies et des initiatives pour aider des usines à ajouter des technologies et des analyses d'IIoT. Industrie 4,0, IIoT, fabrication futée et transformation numérique : Aucune matière le terme, les articles ne décrivent des organismes de manières peut améliorer leurs résultats de fonctionnement. (Dans la chauffage de processus, plusieurs articles récents réalisent un excellent travail d'accentuer ces points. Par quelques exemples, tour au « séchage avec IIoT et gestion des données basée sur nuage, » en octobre 2018, P. 27, ou « des technologies d'IIoT conduisent l'entretien d'usine, » en novembre 2018, P. 24, ou les trouvent sur www.process-heating.com.) Par ces derniers et d'autres articles, des occasions et les stratégies concernant les innovations d'IIoT disponibles aux usines de fabrication sont adressées.
Mais, dans un environnement avec tellement le changement et l'innovation, ce qui n'a pas changé est l'élément humain. C'est peut-être l'aspect le plus critique du succès en mettant en application ces nouvelles technologies. Comme le conseiller en gestion célèbre Peter Drucker a dit, la « culture mange la stratégie pour le petit déjeuner. » Les plans ne survivent pas toujours au contact avec la réalité — particulièrement s'ils ne prennent pas en considération la culture d'entreprise.
Pour relever ce défi, les organismes doivent répondre à trois questions fondamentales au sujet de leurs employés et de leurs priorités d'affaires pour équilibrer l'innovation de technologie avec des objectifs.
Que la société espère-t-elle accomplir en mettant en application des technologies d'IIoT ?
Où la société prévoit les experts en matière de compétence d'IIoT résident : à l'usine, au vendeur, ou dans les deux emplacements ?
Comment l'organisation regarde-t-elle ses capitaux ? Comment préparée la société à compter sur une approche donnée-centrale est-elle à améliorer des analyses de production ?
Regardons consécutivement chacune de ces questions.
Considérez l'élément humain
La première question pour répondre à des soucis les incitations et les aspects d'intérêt personnel de l'innovation dans un environnement d'usine. Que la société espère-t-elle accomplir en mettant en application des technologies d'IIoT ?
Si le but de la gestion pour l'investissement de technologie est de remplacer le personnel, alors la réaction de ceux chargées de mettre en application la solution sera vraisemblablement négative, n'importe comment l'initiative est présentée aux employés.
Un exemple est un foyer excessif sur l'intelligence artificielle et l'apprentissage automatique comme manière de remplacer l'expertise et l'expérience des ingénieurs d'usine par des algorithmes. Ceci vole face à une expérience réelle. Les réalisations réelles démontrent uniformément que l'analytics avancé ne peut pas être appliqué effectivement sans interaction actuelle entre les ingénieurs et d'autres experts de processus avec le logiciel de libre service.
Une approche plus positive se concentrerait donc sur la façon dont l'innovation peut aider le personnel existant en accélérant leurs efforts. Dans quelques industries, le mot « Co-bot » est employé pour les machines qui aident et accélèrent au lieu du robot de terme, qui suggère le remplacement en gros des travailleurs existants.
Dans l'environnement d'analytics, ceci a un équivalent de logiciel : offres d'analytics de libre service qui accélèrent la capacité des ingénieurs de trouver des analyses dans de grands, distribués ensembles de données (le schéma 2). En se concentrant sur la façon dont divers types d'analytics — prévisionnel, diagnostique (cause première) et descriptif (rapportant) — peut améliorer la productivité des ingénieurs et l'usine, il est facile pour des membres du personnel de voir comment l'innovation est un positif net pour des employés et des organismes.
Développant une stratégie commerciale et une application de l'Analytics
La deuxième question regarde le niveau d'affaires et demande : Quelles affaires sont l'usine dedans ? Dans chacun des deux les articles ont cité précédemment, il y a des références à la connexion entre les capitaux d'usine et les prestataires de service ou les vendeurs qui ont fourni l'équipement. Dans un environnement relié d'IIoT, cette connexion peut être employée pour que l'analytics prévisionnel améliore des capitaux à temps de bon fonctionnement et l'expérience de service, et pour l'optimisation de l'opération d'équipement.
Mais, ceci ne répond pas à la question de quelles affaires l'usine est engagé dedans. L'expertise de capitaux est-elle une compétence de noyau pour l'usine en réalisant des résultats de production ? Ou, est elle quelque chose qui pourrait — ou devriez — légitime être associé au vendeur de capitaux ? Où les experts résident : à l'usine, au vendeur, ou dans les deux emplacements ?
Tout cela nous mène à la troisième question : Comment l'organisation regarde-t-elle ses capitaux ? Doivent-ils les voir dans le cadre du processus ? Comment préparée la société à compter sur une approche donnée-centrale est-elle à améliorer des analyses de production ?
Dans un environnement où les sociétés achètent l'écoulement au lieu des valves, ou la pression au lieu des pompes, il y a un nouveau modèle bidimensionnel où les capitaux et l'appui sont orthogonaux au processus. Le résultat est que les organismes devront décider où leur expertise devrait être focalisée, et où elle vaut de payer l'expertise externe qui peut être fournie par un environnement constamment relié. Et, naturellement, les besoins un de penser à la façon dont ce type d'externalisation affectera la culture d'entreprise (et le résultat).
Pour voir comment ces questions de stratégie commerciale pourraient être répondues, considérez l'approche suivante à l'analytics.
Dans n'importe quelle organisation, on doit mesurer le niveau de l'enthousiasme pour une approche donnée-centrale à améliorer les analyses et, car un titre de livre la met, le soutien de production de la « concurrence sur l'analytics. » N'importe qui avec une expérience déroulant un projet d'analytics identifiera les défis quand les analyses agissent l'un sur l'autre avec — et parfois conflit avec — la sensation d'intestin d'un cadre supérieur. Ceci ne signifie pas que les résultats des analytics sont toujours exacts. Omettant les variables ou les considérations principales pour des priorités plus importantes sont des erreurs communes tôt dans le processus.
Par exemple, l'analytics de données peut montrer quels types d'entretien devraient être retardés pour atteindre des buts de production. L'analytics pourrait suggérer que le du côté incliné d'un tel entretien reporté soit limité, mais soit il exact ? Il dépend de la façon dont complètement les analytics expliquent une interaction actuelle entre les ingénieurs et d'autres experts de processus avec le logiciel de libre service. C'est analogue à prendre une voiture dedans pour le service et être a indiqué une réparation chère — indépendant pour de ce que la voiture a été apportée dedans — est nécessaire. Un mécanicien de novice ne pourrait pas avoir l'expertise pour savoir ce qui peut être reporté et pendant combien de temps. Ainsi, les rapports de mécanicien de novice toutes les réparations comme également important et urgent. En revanche, un mécanicien expert qui repère un problème avec une voiture peut employer sa connaissance pour prévoir si le propriétaire doit la fixer maintenant (en raison de la sécurité ou des performances fonctionnelles) ou si la réparation peut attendre, et pendant combien de temps. Un tel conseil peut permettre au propriétaire de voiture d'épargner le temps et l'argent en remettant une dépense et en programmant à plus tard le futur travail de réparation quand il est plus commode.
L'analytics automatisé peut ou peut ne pas pouvoir repérer une question d'entretien. L'un ou l'autre de manière, analytics ne peut pas prendre des décisions intelligentes concernant des compromis entre exécuter l'entretien exigé maintenant ou plus tard. Ces types d'analyses sont peut-être les plus précieux, cependant, parce qu'ils combinent l'analyse rapide avec l'expertise et la fixation des priorités en temps réel.
Les clés à accomplir ces analyses et à réaliser le large achat dans et la participation sont :
Inclusion de tous les dépositaires dès l'abord et sur une base actuelle.
Engagement ferme à améliorer des résultats basés sur une définition partagée de succès et d'indicateurs de jeu clé relatifs.
Au fil du temps, ceci aura comme conséquence la confiance accrue avec l'analytics que l'organisation emploie pour la prise de décision et montrera le besoin d'assistance spécialisée.
Avec la clarté sur les réponses à ces questions, les organismes peuvent enjamber les quatre dimensions nécessaires exigées pour réaliser la représentation améliorée :
Innovations de technologie.
Analytics.
Stratégie d'industrie.
Le personnel et les questions organisationnelles liés à définir et à accepter le changement.
Dans les exemples d'application suivants, un effort d'ingénierie de libre service pour l'analytics prévisionnel a été employé pour réaliser des résultats améliorés d'affaires en enjambant ces quatre dimensions.
Les centrales emploient l'entretien prévisionnel pour améliorer la représentation
Utilisant un modèle créé avec le logiciel analytique, une représentation en baisse identifiée de centrale dans des capitaux spécifiques. Après analyse des données, l'équipe a pesé le compromis cette diminution de performance de capitaux contre la valeur marchande du rendement de l'installation pour décider quand exécuter l'entretien. Une telle approche prend l'idée de la maintenance préventive à un autre niveau. Plutôt qu'optimisez pour un paramètre de processus ou tout autre métrique, la centrale a employé la rentabilité en temps réel comme résultats prioritaire. En effet, la rentabilité en temps réel est devenue la de point de consigne pour une boucle d'avertissement. Ce type d'optimisation de capitaux s'applique à un large éventail d'équipement.
Dans une autre application, les opérateurs de centrale ont connu leurs appareils de chauffage d'eau d'alimentation tendus pour encrasser et perdre l'efficacité d'une façon prévisible. En raison de l'instrumentation insuffisante, cependant, ils n'étaient jamais réussis dans leurs efforts de mesurer le processus ainsi l'entretien pourrait être optimisé. Comme partie d'une solution d'analytics-commande, la centrale a ajouté les instruments exigés avec la collecte et le stockage de données correspondants. L'analyse de données concernant le taux de la chaleur de la chaudière a fourni les informations nécessaires pour déterminer quel effet un effort de nettoyage a eu sur l'efficacité, jusqu'au degré de déterminer sa valeur spécifique (le schéma 3). Les opérateurs optimisent maintenant la fréquence de nettoyage basée sur le coût/relations d'avantage.
C'est la fabrication de direction va : pas aux capitaux ou niveau à corde mais au niveau de résultats du retour sur l'investissement accru (ROI). Un foyer sur le ROI de niveau de résultats comme le conducteur pour fabriquer prend beaucoup de formes. Il peut signifier que retardant l'entretien prévisionnel qui est connu pour être exigé ainsi l'usine peut continuer la production. Dans d'autres cas, il peut signifier prendre les capitaux off-line immédiatement pour exécuter des réparations. Il tout dépend de l'analyse de ROI, conduite par le logiciel avancé d'analytics.
En conclusion, le personnel d'usine de fabrication doit constamment suivre le contexte et la couverture des occasions disponibles à elles par des innovations dans la technologie, les analytics et les stratégies industrielles. Il peut assurer des succès en considérant l'impact de ces innovations sur les priorités de personnes, de culture et d'affaires de leurs organismes.