使用数据来推动预测性维护策略

在维护部门中，少熟悉的是熟悉的事情，但是食品和饮料制造的高管和植物地板人员正朝着全面的理解迈进，即需要资本投资以延长机器生命周期和生产正常运行时间。

是什么推动这种认识？有很多，但是一个是对有限劳动力的共同理解，需要更多的数字工具。德勤（Deloitte）和制造研究所的最新报告表明，到2033年，制造商可能需要多达380万新工人，如果当前的劳动差距持续存在，则近一半的职位可能会毫无疑问。另外，从事制造业的工人更少，当前高技能工人的平均年龄为56，近四分之一的劳动力将在未来十年退休。

另一个驱动力是机器学习（ML）技术，AI的子集以及制造业革命的基础。十多年来，食品制造商添加了振动传感器，收集的设备数据并将信息提供到数据分析平台中，同时还增加了计算机化的维护管理系统（CMM）。食品公司正在成功，但是高管们会继续致力于在机器学习和分析方面进行更大的资本投资，尤其是在难以衡量的资产管理投资时？

维护方面的劳动力压力

在过去的十年中，比赛一直是从反应性维护和预测性分析策略中转向，因此维护团队可以在传统停机时间内安排修复并优化正常运行时间。

``近年来，预测性维护和相关技术已经获得了更多的吸引力，但是由于大多数制造商仍然不了解这项新技术及其对日常运营的潜在积极影响，因此有一段漫长的道路。西门子公司Brightly Software的制造业高级行业营销经理Ronak Macwan说。

``在过去的五年中，维护技术人员，规划人员和经理在食品加工领域的作用发生了巨大变化，” Schneider Electric的全球营销交叉部门负责人Lucie Dahuron补充说。它们变得比仅仅在解决维护问题方面的反应更加主动。

在2022年，抢购三明治生产商E.A.Sween开始使用明亮的软件资产必需品CMMS平台，该平台将在工厂中管理和维护7,000多个零件。

埃里克·威拉姆斯（Erik Willams）说，我们正在使用非常困难的纸张驱动订单流程。Sween。我们的采购订单是纸，技术人员在我们的零件室使用签名表来订购所需的零件。追踪和追踪一切很复杂。

由于需求飙升，该公司的生产从2022年的每周五天增加到7天，预防性维护完成率稳步下降到约25％。借助新的CMMS平台，Williams确定小型预防性维护工作保持了较高的百分比，而许多大型预防性维护任务仍未完成。

威廉姆斯说：``我们拥有这些百万美元的设备，这些设备不得得到任何预防性维护或停机时间。”该软件向我们展示了我们的技术人员只是被淹没了。

数据还表明，在为期两周的时间里，需要技术人员进行120个小时的预防性维护，而他们只能工作80小时。

威廉姆斯说，我们能够使用该数据表明我们需要其他预防性维护人员，这给了我们杠杆作用以吸引这些人。”

Software S Macwan表示，数据分析正在以镜像E.A.的方式改变食品和饮料制造的维护过程。Sween的经验。

麦克旺说，历史数据通过提供有关每种资产和设备的详细信息，例如以前的维修历史，库存零件信息和当前的设备状况，在预防性维护策略中起着重要作用。”

该软件允许E.A.Sween设置短暂的维护窗口，自动分配工作，更新和快速重新分配，并在某些内容变化时自动重新分配，并且该软件会自动创建后续工作订单，以保持行动并维护设备。

除了灵活的维护时间表外，现代的CMMS平台还通过移动设备为机器数据和图像提供帮助的技术人员。

Dahuron说，移动和增强现实解决方案支持员工的日常任务，所有信息都可以在机器上获得。” Dahuron说。该软件通过其任务指导维护技术人员，并减少新员工的登机工作。

转向预测性维护策略

尽管一些制造商在运营中添加了更多的数字工具，但大型食品生产商和成分公司在提炼机器数据并转向预测性维护策略方面正在采取更大的飞跃。这些策略需要对数据治理和获取平台的资本支出（CAPEX）承诺。

麦克旺说：“食品和饮料制造商通常缺乏资产生命周期管理与资本计划过程之间的明确了解。”食品高管必须意识到，整体成功的关键是了解如何最大化设备的预期寿命，并利用当前和历史设备的数据进行资本计划过程。

Dahuron补充说，数据分析是分析大量数据并仅关注0.1％（相关的0.1％）的理想方法。”例如，阀门反馈时间的增加是阀生命周期的良好指标。使用正确的数据，您可以选择0.1％的反馈时间增加的阀门。

在最近的2024年AVEVA世界上，Ajinomoto在爱荷华州埃迪维尔（Eddyville）的工厂中取得了成功，并提高了预测性维护策略，并增加了正常运行时间和生产。

``很多时候，出现了一个问题，突然发生了一个过程不适或设备故障，然后导致过程不适，只是需要立即注意以减轻其中的一些问题。Ajinomoto健康与营养北美的化学过程工程师Michael Ross。

Ajinomoto使用AVEVA的PI历史学家进行数据收集，并连接到SAM Guard Software，这是一种机器学习解决方案，可连接，上下文和监视异常数据。

``团队在发生之前都会通知任何潜在的流程，我们就可以决定在计划的停机期内更改课程和安排维护，而不是花计划外的停机时间，这是昂贵的。”Ajinomoto健康与营养北美的高级生产协调员Meg Lashier。

Ajinomoto通过这种方法前进：

1. 第一步是让所有历史学家数据点在第三方软件中层次排序。
2. 然后，它根据其过程流量将数据与数据相关，并将不同的传感器分配给模型中的各种资产。
3. 从那里开始，Ajinomoto基于两年以上的过程数据来训练该模型。

但是，不良数据会破坏数据建模和预测维护策略。Lashier补充说：“在这样做的过程中，我们必须非常小心的一件事是消除任何形式的过程，或者我们所拥有的任何重大工厂关闭。”

通过建模数据，Ajinomoto通过分配灵敏度评级来确定资产和单个传感器的优先级。Lashier说：'Lashier说：'Lashier说：“我们希望被提醒的关键资产，即使在被认为是正常数据之外的小变化之外，我们也将被分配一个非常高的灵敏度范围。”与我们知道的资产相比，将更频繁地通知运营商。

在活动中，拉希尔（Lashier）提供了其流化床干衣机的示例，以及该软件如何向电动机的设定点问题发送警报。维护团队故障排除，但无法找到根本原因。最终，我们安排了时间在正常的清洁日，当时我们有时间去做。” Lashier说。最终，我们发现干衣机内部有一个大烂摊子。Ajinomoto意识到有焦糖化的产品具有结合和限制流，最终会备份，并对其余的生产产生级联影响。

在2025年，大型食品制造商可以寻求快速获胜以及大型资本支出投资，以帮助他们迈向预测性维护方法。