Профілю компанії Situation та Company

Заснований в невеликому місті 1970-х років виробник почав працювати як сімейно-бігової роботи, що виробляє бавовняні суміші для місцевих швейних машин. За п'ять десятиліть він виріс в багатонаціональний постачальник високопродуктивних тканин, використовуваних модними будиночками і промисловими клієнтами, такими як автомобільні виробники для сидіння і виробники захисних передач. Компанія працює на трьох заводах в двох країнах, з комбінованим щорічним виходом 35 млн метрів тканини.

Портфоліо продукту включає в себе фламанду, тканини, які працюють з вологою, і розкішні вовняні суміші. Клієнти включають в себе етикетки верхнього рівня моди і основні промислові покупці, які вимагають стабільної якості і щільної доставки. Будь-який переривання виробництва створює затримки кешування, витрати на перезавантаження, і потенційні контрактні штрафи. Незважаючи на міцну репутацію бренду, виробник бореться з обладнанням для старіння і реактивними підходами, які ерозійні маржини.

Кореневих Причини вагітні

До трансформації компанія зіткнулася з заплутаним вебом оперативних задач. Найголовніше були:

Непередбачувані машини Невибагливі

Багато верстатів і оздоблювальних машин було понад 20 років. Без оперативного моніторингу, поломки відбулися без попередження. Нездатність шпинделя на швидкісній машині для плетіння може захопити всю виробничу лінію протягом шести-ти годин, а механіки діагностують і замінюють частини. У один кварталі непланований час нараховано на 12% від загального наявного часу виробництва.

Графіки виробництва рігових виробів

Планувальники виробництва створили щотижневі графіки з використанням списків, що припустимо, машини будуть працювати безперервно. Графік не мав буферів для технічного обслуговування або якісного ремесла. Коли машина зійшов, планувальники вручну переплановані замовлення, часто відштовхують термінові роботи на наступний тиждень. Цей створював задньог і примусові оператори, щоб запустити менш критичні замовлення з послідовності, часу налаштування.

Координаційні заготовки між технічними та виробничими

Команди з технічного обслуговування працюють самостійно з планування виробництва. Вони виконали профілактичне обслуговування на фіксованих днів, незалежно від того, чи потрібна машина для замовлення щітки. Зовні, коли машина зламала під час роботи з високою якістю, виробництво не мав повноваження на запит відстроченого технічного обслуговування; вони просто зупинилися і чекали. Ця тертя вартість середня 50 годин перекриття часу свічки на місяць.

Доставка та полотен

На сьогоднішній день компанія «Рудь» отримала від 18% замовлень у найгіршому кварталі. Замовники почали випускати повернення коштів та загрожують переїхати на конкурентів. Тарифи на доставку компанії, що в той же час знизилися на 75%.

Вибір правого рішення

Після оцінки декількох варіантів виробник вибрала в себе хмарну платформу, яка поєднує з аналізу даних з ріжучою алгоритми машинного навчання. Система не була простою планкою для планування, але рішення двигуна, яка може бути найдовший дані датчика Інтернету речей, журнали технічного обслуговування, пріоритети замовлення та календарі перемикання. Ключові критерії вибору включають:

  • Можливість інтегрувати з існуючим ERP (SAP Business One) без великого користувацького кодування.
  • передбачувані послуги модулі, які можуть зафіксувати потенційні збої перед тим, як вони відбувалися.
  • Динаміка динамічних можливостей, які можуть реагувати на порушення протягом декількох хвилин.
  • Зручні панелі для власників рослин, управління змінами та обслуговування.

Звіт про дослідження галузі на смарт-виробник допоміг команді оправити інвестиції, демонструючи, що подібні впровадження знизили непланований час до 40%.

Реалізація Дорожньої карти

У ролях фіксуються фазові підходи до мінімізації збою:

Фаза 1: Встановлення датчиків та збору даних

За три місяці виробник встановив вібраційні датчики, температурні зонди, енергетичні монітори на 80% критичних машин. Датчики подаються дані кожні п'ять секунд в хмарну платформу. Ця фаза також включає в себе тренувальні оператори для прапора незвичайних звуків або коливань, створення гібридних даних, встановлених машин і людських спостережень.

Фаза 2: Навчання моделі та калібрування

Інженери машинного навчання працювали з сервісними командами для маркування історичних подій з ладу. Алгоритм навчаються візерунки, такі як коливання пробок перед провалами підшипників, температура піднімається з урахуванням перевантаження мотора, а також зниження енергоефективності сигналізації поясу. До кінця чотирьох тижнів модель може прогнозувати збої з точністю 85% до 72 годин заздалегідь.

Фаза 3: Інтеграція з ERP та планування виробництва

Двигун, підключений до SAP Business One, тягаючий порядок за датами, пріоритетами клієнтів та сирої доступності. Він також проштовхується назад, прогнозовані вікна технічного обслуговування та оптимізовані послідовності виробництва. Система використовується алгоритм на основі на основі обмежень, що збалансовані кілька завдань: максимізувати пропускну здатність, мінімізувати час зміни та повагу вимогам технічного обслуговування.

Фаза 4: Управління змінами та навчання

Можливо, найрозумніший крок був переспрямований культуру від реактивної до проактивності. Shift веде семінари з інтерпретації панелі інструментів та пересихання систем при необхідності. Співробітники служби навчилися довіряти передбачуваним оповіщенням, навіть коли машина з'явилася, щоб запустити нормально. Компанія також представила бонус продуктивності, прив'язаний до поліпшення OEE, вирівнюючи стимули.

Трансформаційні результати

Упродовж шести місяців повного розгортання виробник повідомив про наступні кількісні результати:

MetricBeforeAfterChange
Unplanned downtime (% of total time)12%9%−25%
Overall Equipment Effectiveness (OEE)62%74%+19%
On-time delivery75%92%+17 percentage points
Average maintenance response time45 min12 min−73%

За межами чисел компанія отримала новий рівень оперативної агності. Наприклад, коли раптова влада загрожувала пошкодження декількох ломів, система автоматично перерахувала графік, випереджаючи замовлення на неафіловані машини і оповіщення технічного обслуговування для перевірки ураженого обладнання перед початком. В інциденті виникло лише 90-хвилинна затримка замість повного змикання.

Звіт про IndustryWeek стаття про прогнозні умови обслуговування, які подібні підходи можуть скоротити час на 30% і більше, що відповідає цьому досвіду виробника.

Основні уроки

Перетворення врожаю інсайтів, які можуть застосовуватися інші виробники:

Старт Малий, потім масштаб

Початковий валковий валик покривається тільки одна рослина. Після того, як система доведе її значення, особливо прогностичне обслуговування оповіщення — інші два рослини, які вимагають негайного розгортання. Цей поетапний підхід дозволив команді рефтінувати алгоритми та навчальні матеріали перед розширенням.

Якість даних Матти більше тонн Кількість

Деякі датчики виробляються непристойні дані, які плутають моделі. Команда добре навчалася чистити і етикетувати історичні дані. Вони також виявили, що 20% датчиків (на самих непротонічних машинах) генерують 80% передбачуваної вартості. Зосереджуючись на тих машинах, перших прискорених ROI.

Налаштуйте команди підлог

Коли оператори та працівники технічного обслуговування можуть бачити однакову панель, вони почали колаборувати природно. Оператори оповідають про те, що коли вібраційний шаблон машин виглядав аномально, навіть перед алгоритмом його зазначили. Система стала спільним інструментом, а не накладенням управління.

Планування винятку

Не існує алгоритму, який може обробляти кожен випадок. Виробник зберіг можливість перенаправлення для аварійних замовлень або катастрофічних збій. Ключ був упевний, що перенаречена не стала за замовчуванням. Регулярні відгуки про використання перенади допомогли команді постійно покращувати модель.

Майбутнє Outlook

Випробувано в успіху, виробник тепер досліджує додаткові випадки використання. Одна ініціатива Прогностування якості ] - виходячи з даних датчика для прогнозування дефектів тканини перед тим, як вони відбуваються, що дозволяє в режимі реального часу регулювання натяжності або температури. Ще один ] Енергетична оптимізація, що випливають високоенергетичні процеси в період позашляхового тарифу.

Просунута платформа для монтажу дверей також відкрита до виробництва світильників в одній рослині, де нічні зміни тепер проходять з мінімальним наглядом людини. Система контролює машини, передає робочі візи для обробки матеріалів, і оповідає віддалені оператори тільки при виникненні проблеми. Ранні результати показують 15% подальше скорочення витрат на праці без впливу на пропускну здатність.

У статті IoT у виробництві текстилю висвітлює, як цей вид інтеграції стає стандартом для лідерів галузі.

Компанія також оцінює зв’язок системи планування та надання послуг з її постачальниками. Якщо постачальник пряжі має затримку, система може автоматично регулювати план виробництва та оповіщення клієнтів про переробні дати доставки. Цей рівень видимості може посилити зв’язки клієнтів та зменшити вартість доставки.

Висновок

Цей випадок показує, що передові планування, що працює в режимі реального часу, дані та машинне навчання, можуть різко зменшити час у виробництві текстилю. Виробник вирізати непланований на 25%, підвищити OEE майже 20%, а також покращувати своєчасну доставку від 75% до 92%. Ключові слова не просто встановлюючи технології, але змінюючи, як обслуговування та виробничі команди співпрацювали, підкреслювали культуру, яка довіряє інсайтам.

Для будь-якого виробника, що використовується для старіння, жорстких графіків, і для того, щоб задовольнити потреби клієнтів, шлях вперед чіткий: вкладати в інтелектуальне планування і передбачуване обслуговування. Технологія окупається для себе швидко і створює фундамент для безперервного вдосконалення. Як розумне виробництво розвивається, ті, хто приймає рано, будуть насолоджуватися останнім конкурентним перевагою.

Додаткове читання передбачувані дослідження по технічному обслуговуванню в текстильній промисловості] забезпечує додаткові приклади подібного ROI.