Качество на данните от производствения цех: Скритият данък върху всяко решение, свързано с OEE и CMMS

Ключови изводи

• Качество на данните на производствения цех = дали входните данни за OEE, CMMS и отчети са точни, навременни, пълни и последователни.
• Замърсените данни не се подобряват, когато ги анализирате. Решенията стават по-лоши.
• Пет правила: улавяйте на източника, автоматизирайте където е възможно, валидирайте при въвеждане, извършвайте периодично съгласуване, показвайте разминаванията.
• Повечето предприятия имат значително замърсени данни и не го осъзнават, защото показателите се докладват без валидиране.
• Единствената най-ефективна мярка за качеството на данните е автоматизирането на улавянето от PLC вместо ръчно въвеждане.

Кратък отговор: Качество на данните на производствения цех е дали входните данни за OEE, CMMS и отчети са точни, навременни, пълни и последователни. Замърсените данни произвеждат грешна аналитика и грешни решения. Пет правила: улавяйте на източника, автоматизирайте където е възможно, валидирайте при въвеждане, извършвайте периодично съгласуване, показвайте разминаванията. Повечето предприятия имат замърсени данни, за които не знаят, защото докладват показателите без да валидират входните данни. Вижте също Одит на качеството на данните в производството.

Как изглеждат замърсените данни

• Бройки цикли, въведени от оператори, които се закръгляват или групират в края на смяната вместо да се записват в реално време.
• Причини за престой, приписвани часове след събитието, когато операторът вече не помни.
• Бройки брак, които смесват брака при стартиране със стабилния брак, защото никой не е направил разграничение.
• Работни поръчки, затваряни с примерни/плейсхолдерски часове труд.
• Записи за поддръжка, обратно датирани, за да паснат на отчетните цикли.

Всеки елемент генерира замърсен вход, който замърсява аналитиката надолу по веригата.

Защо замърсените данни са скрити

Три причини, поради които предприятията не виждат проблема със замърсените данни:

• Показателите се докладват сякаш са чисти. Никой не вижда шума.
• Замърсените данни все още дават число. Никой не се оплаква.
• Задълбочаването в данните, за да се открие мръсотията, е неприятно и смущаващо.

Проблемът продължава, докато не се случи нещо сериозно (провал при одит, грешно решение, доставчик разкрие мръсотията) — до тогава коригирането става скъпо.

Петте правила за качество на данните на производствения цех

1. Улавяйте на източника. Данните трябва да се създават там, където се случва събитието, а не да се въвеждат по-късно. Паметта на оператора се влошава за минути. Засичането от PLC и сензори е златният стандарт; системите за машинно зрение работят за някои събития; въвеждането от оператор е приемливо само когато нищо друго не е възможно И то се прави в момента на събитието.

2. Автоматизирайте където е възможно. Всяко ръчно въвеждане на данни е възможност за грешка и закъснение. Брой цикли от PLC. Престой от състоянието на машината. Качество от вграден контрол на качеството. Въвеждането от оператор – само за контекст, който машините не могат да уловят (кодове за причини, наблюдения).

3. Валидирайте при въвеждане. Задължителни полета, допустими диапазони, проверки за съвместимост. Брой бракувани 1 500 на линия, произвела 800 единици, не трябва да се приема. Престой от 25 часа при 24-часова смяна не трябва да се приема.

4. Извършвайте периодично съпоставяне. PLC отчита 600 цикъла, въвеждането от оператор казва 580. Разрешете разликата. Постоянните разлики означават, че потокът от данни е нарушен; разследвайте.

5. Разкрийте разминаванията. Не ги крийте в изчисленията. Покажете ги на таблото. Направете качеството на данните видимо, за да може да бъде поправено.

Най-ефективната единична стъпка

За повечето предприятия: автоматизирайте улавянето на броя цикли от PLC. Броят цикли, въведен от оператори, обикновено е с 5–15% грешка; броят от PLC обикновено е под 1% грешка. Подобрението само в точността на OEE Performance оправдава работата.

Чести модели на замърсяване

1. Въвеждане на партиди в края на смяната. Операторът въвежда всички данни от смяната в последните 10 минути. Времената са приблизителни; причините са догатки.

2. Стандартизирани кодове за причина „неизвестно“. Операторите по подразбиране избират „друго“ или „неизвестно“, защото правилният код е труден за намиране. Парето става безсмислено.

3. Копиране/поставяне от предишната смяна. Вписвания „същото като вчера“, които всъщност не са верни.

4. Закръгляване до кръгли числа. Броя цикли, завършващи на 0 или 5, когато реалните броя са случайни. Признак за ръчно въвеждане.

5. Липсващи данни, тихомълком попълнени с нули. Часове престой 0, когато никой не е записал нищо, се различават от смени с потвърден нулев престой.

Как да изчистите данните

1. Одитирайте проба. Сравнете докладваните данни със същинските данни (логове от PLC, видео, наблюдение на място) за 5–10 смени.
2. Идентифицирайте моделите на замърсяване. Кои потоци от данни са ненадеждни.
3. Автоматизирайте най-проблемните потоци. Обикновено първо броя цикли и причините за престой.
4. Обучете операторите за останалите ръчни потоци. Какво да въвеждат, кога, с примери.
5. Настройте правила за валидиране. Блокирайте очевидно лошите данни при въвеждане.
6. Проследявайте тенденциите в качеството на данните. Измервайте дялът на валидните записи; докладвайте и подобрявайте.

Как модерна OEE платформа подпомага качеството на данните

Модерна OEE платформа валидира при въвеждане, изважда наяве разминавания, показва качеството на данните като проследяем показател и поддържа автоматизирано улавяне от PLC, системи за зрение и други инструменти.

OEE модулът на Fabrico се доставя с автоматизирано улавяне от PLC, интеграция със системи за зрение, валидация при въвеждане, периодични справки за съгласуване и табло за качество на данните, което разкрива замърсяванията вместо да ги крие.

Вижте как Fabrico улавя това автоматично — разгледайте OEE за производство или заявете демонстрация.

Свързани материали

• Одит на качеството на данните в производството
• Контролен списък IIoT за производствения цех
• Дизайн на Wi‑Fi за производствения цех
• Качество чрез проектиране срещу качество чрез инспекция

Често задавани въпроси

Колко неточни са обикновено данните, въведени от оператори?

5–15% процент на грешки при броя цикли; кодовете за причини са много по-високи. Засичането от PLC обикновено е под 1% грешка.

Мога ли да се доверя на данните без да ги одитирам?

Не при вземане на производствени решения. Одитирайте проба, за да валидирате потока от данни.

Трябва ли да блокирам лошите данни при въвеждане или да ги приема и почиствам по-късно?

Блокирайте при въвеждане, където е възможно. Почистването по-късно обикновено означава, че замърсените данни вече захранват аналитиката.

Как да спечеля подкрепата на операторите за по-чисти данни?

Покажете им как замърсените данни им вредят — грешните кодове за причини водят до грешни подобрения, което означава повече от същите проблеми, за които се оплакват.

Еднократно ли е изпълнението на мерките за качество на данните или е постоянно?

Постоянно. Оборудването се променя, процесите се променят, операторите се променят. Поддръжката на качеството на данните е непрекъсната.