Table of Contents
状況と会社情報
1970年代に小さな町に設立されたメーカーは、地元の衣料メーカー向けのコットンブレンドを製造する家族経営として始まりました。5年以上にわたり、自動車用シートメーカーや保護具メーカーなどのファッションハウスや工業顧客によって使用される高性能な生地の多国籍サプライヤーに成長しました。同社は、製造工場を2か国に3工場を運営し、年間35万mの布地を組み合わせて生産しています。
その製品ポートフォリオには、難燃性織物、湿気によらない性能織物、および高級ウールブレンドが含まれています。 クライアントには、一貫した品質と堅牢な配送窓を要求するトップティアファッションラベルと主要な産業バイヤーが含まれます。 あらゆる生産割込みは、包装遅延、過時間コスト、および潜在的な契約罰則を作成します。 強力なブランドの評判にもかかわらず、メーカーは、エージング機器と腐敗したマージンを撲滅する反応メンテナンスのアプローチに苦労しました。
ダウンタイムの原因
変革の前に、会社は、運用上の問題の具体的なWebに直面しました。 最も重要なことは、
予測不可能な機械失敗
ロット数と仕上げ機械が20年以上経過しました。リアルタイム監視なしでは、警告なしに故障が発生しました。高速溶接機のスピンドル故障は、機械が診断および交換された部品を6〜8時間にわたって全生産ラインを半分にすることができます。 1四半期には、利用可能な総生産時間の12%を占める計画されていないダウンタイム。
堅い生産のスケジュール
生産プランナーは、スプレッドシートを使用して毎週スケジュールを作成しました。マシンが継続的に実行されると仮定します。スケジュールは、メンテナンスや品質再作業のためのバッファがなかった。マシンがダウンしたときに、プランナーは手動で注文をキャンセルし、多くの場合、次の週に緊急ジョブをプッシュする計画を立てます。これにより、バックログと強制的な演算子が、シーケンスの少ない重要な注文を実行し、セットアップ時間を無駄にしました。
メンテナンスと生産のコーディネートギャップ
生産計画の独立して運営されたメンテナンスチームは、そのマシンが急な順序のために必要だったかどうかに関係なく、固定日に予防メンテナンスを実施しました。逆に、機械が高優先操業中に壊れたとき、生産は、欠陥のあるメンテナンスを要求する権限を持っていません。彼らは単に停止し、待っていました。この摩擦は、毎月50時間の過度のアイドル時間の平均を費やします。
配達遅れおよび罰
レートデリバリーは最悪の四半期に18%の注文に達しました。顧客は、チャージバックを発行し、競合他社に事業を移動することを脅迫しました。同社の納期は、販売ポイントが1回、75%に落ちていました。
適切なソリューションの選択
いくつかのオプションを評価すると、メーカーは[]を組み合わせたクラウドベースの高度なスケジューリングプラットフォームを選択しました。リアルタイムデータ分析]と機械学習アルゴリズム[。このシステムは、単純なスケジューリングボードではなく、IoTセンサーデータ、メンテナンスログ、注文優先順位、シフトカレンダーを摂取できる決定エンジンでした。 主な基準選択::::::::
- 豊富なカスタムコーディングなしで既存のERP(SAP Business One)と統合する能力。
- の予測メンテナンス[]のサポート。 潜在的な故障をフラグを立てるモジュール。
- 数分で破壊に反応できる動的再スケジュール機能。
- プラントマネージャー、シフトバイザー、メンテナンスリード用のユーザーフレンドリーなダッシュボード。
業界調査レポートをスマート製造で、チームが投資を正当化し、同様の実装が最大40%オフダウンタイムを削減したことを示すのを助けました。
導入事例 ロードマップ
ロールアウトは、中断を最小限に抑えるためにフェーズドアプローチを追った:
フェーズ1:センサーのインストールとデータ収集
3ヶ月以上、メーカーは、重要な機械の80%に振動センサー、温度プローブ、エネルギーモニターを設置しました。センサーは5秒ごとにデータをクラウドプラットフォームに供給しました。このフェーズでは、異常な音や振動をフラグするトレーニングオペレーターも含まれ、機械と人間の観察のハイブリッドデータセットを作成します。
フェーズ2:モデルトレーニングと校正
マシンラーニングエンジニアは、メンテナンスチームと協力して、歴史上の故障イベントをラベル付けました。ベアリング障害、温度上昇、モーター過負荷を示すエネルギー効率の低下、ベルト摩耗の低減など、振動スイックなどのアルゴリズムが学習しました。4週間の終わりまでに、最大72時間までの85%の精度で故障を予測できます。
フェーズ3:ERPと生産計画との統合
スケジュールエンジンは、SAP Business Oneに接続し、注文期限、顧客の優先順位、および原材料の可用性を引き出します。 また、バック予測されたメンテナンスウィンドウと最適化された生産シーケンスを押しました。 このシステムは、複数の目的のバランスをとった[constraintベースのアルゴリズム[[]を使用していました。 スループットを最大化し、変更時間を最小限にし、メンテナンス要件を尊重します。
フェーズ4:経営とトレーニングの変更
おそらく、最も困難なステップは、再アクティブから積極的に文化をシフトしていた。シフトリードは、必要に応じてダッシュボードとオーバーライドシステム提案を解釈するためのワークショップに参加しました。メンテナンススタッフは、機械が正常に実行された場合でも、予測アラートを信頼するために学んだ。同社はまた、OEE改善に縛られたパフォーマンスボーナスを導入し、インセンティブを揃えました。
変革結果
導入が6か月以内に、メーカーは、次の定量的結果を発表しました。
| Metric | Before | After | Change |
|---|---|---|---|
| Unplanned downtime (% of total time) | 12% | 9% | −25% |
| Overall Equipment Effectiveness (OEE) | 62% | 74% | +19% |
| On-time delivery | 75% | 92% | +17 percentage points |
| Average maintenance response time | 45 min | 12 min | −73% |
数を超えて、同社は、運用敏捷性の新しいレベルを獲得しました。例えば、突然の電力サージが複数の織機を損傷するのを脅かした場合には、システムは自動的にスケジュールを再計算し、注文を予期しない機械に再ルーティングし、それを開始する前に影響を受ける機器を検査するメンテナンスを警告します。このインシデントは、フルシフトシャットダウンの代わりに90分の遅延だけを引き起こしました。
[IndustryWeekの記事は、同様のアプローチがこのメーカーの経験と一致して、ダウンタイムを30%以上削減することができる予測メンテナンスノートに関する記事です。
学びのレッスン
他のメーカーが適用できる変革の成果が得られるインサイト:
小さいから、そしてスケールを始めて下さい
初期のロールアウトは1つのプラントのみをカバーしました。システムがその価値を証明したら、特に予測メンテナンスアラートは、他の2つのプラントが即時展開を要求しました。このフェーズドアプローチは、チームが拡張する前にアルゴリズムとトレーニング材料を精製することを可能にします。
量よりデータ質の無光沢
一部のセンサーは、モデルを混乱させたノイズデータが生成されました。 チームは、履歴データを徹底的に清掃し、ラベル付けすることを学びました。 また、予測値の80%を生成したセンサー(最も故障したマシン)の20%が発見されました。 これらのマシンに焦点を当てて、最初にROIを加速しました。
フロアチームをエンパワー
オペレータとメンテナンススタッフが同じダッシュボードを見ると、自然にコラボレーションし始めた。 オペレータは、機械の振動パターンが異常に見えるときに、アルゴリズムがフラグを立てる前にメンテナンスに警告します。 システムは、管理の反対ではなく、共有ツールになりました。
例外の計画
アルゴリズムは、すべてのエッジケースを処理することができません。 製造業者は、緊急の注文や壊滅的な失敗のための手動オーバーライドオプションを保持しました。 鍵は、オーバーライドがデフォルトになっていなかったことを確認しました。 オーバーライド使用の定期的なレビューは、チームは継続的にモデルを改善するのに役立ちます。
未来展望
成功によって供給される、製造業者は付加的な使用例を探検しています。 1つのイニシアチブは[]の質の予測]です-それらが起こる前に生地の欠陥を予測するためにセンサーデータを使用して、リアルタイムの調節を張力か温度にすることができます。 もう一つのことは[]のエネルギー最適化]です、オフピークの税率の期間の間の高エネルギープロセスをスケジュールします。
高度なスケジューリングプラットフォームは、夜間シフトが最小限のヒューマン・アシスタントで実行される1つの工場で[]のライトアウト製造]]にドアを開けました。 システムは、マシンを監視し、材料の取り扱いのためのロボットカートをディスパッチし、問題が発生したときにのみリモート・オペレーターに警告します。 初期結果は、スループットに影響を与えることなく、労働コストの15%のさらなる削減を示しています。
繊維製造のIoTに関する記事は、この統合が業界リーダーの規格になっているかを強調しています。
また、サプライチェーンパートナーとのスケジューリングシステムと連携して評価しています。糸サプライヤーが遅延した場合は、生産計画を自動的に調整し、納期を見直し、顧客への通知を促すことができます。この可視性のレベルは、クライアントの関係を強化し、コストを削減することができます。
コンテンツ
このケーススタディでは、リアルタイムのデータと機械学習によって供給される高度なスケジューリングが、織物製造におけるダウンタイムを大幅に削減できることを実証しています。メーカーは、25%の計画外のダウンタイムをカットし、OEEを20%近くでブーストし、75%から92%までのオンタイムデリバリーを改善しました。このキーは、技術のインストールだけでなく、メンテナンスや生産チームがコラボレーションした方法を変更し、信頼できるデータ主導の洞察によって達成されました。
老化装置、堅いスケジュールおよび拡大の顧客要求と苦労する製造業者のために、道は明確です:理性的なスケジューリングおよび予測的な維持に投資して下さい。技術はそれ自身にすぐに支払われ、連続的な改善のための基礎を作成します。スマートな製造業が進化すると同時に、早期採用する人々は永続的な競争上の優位性を楽しみます。
更に、織物業界における予測保守事例を読んで、同様のROIの事例をさらにご紹介します。