制造业中手动和自动化数据采集的比较- 大数跨境

首页

制造业中手动和自动化数据采集的比较

TEEPTRAK蒂普泰柯

2023-01-03

导读：直到今天，大多数工厂收集生产数据还是传统手工记录。但是，笔记越来越多，查阅生产信息也会变得越来越困难。制造业是以效率为导向的，那么传统手工记录是一个面向未来的收集和分析数据的方式吗？

直到今天，大多数工厂收集生产数据还是传统手工记录。但是，笔记越来越多，查阅生产信息也会变得越来越困难。制造业是以效率为导向的，那么传统手工记录是一个面向未来的收集和分析数据的方式吗？

数据自动化采集软件的重要性

竞争优势源于准确、实时的信息。但只有自动化的数据收集才能使工人及时干预计划外的生产停工，使管理者有意识地决定要改进什么。通过Teeptrak，制造商填补了这一关键的情报空白，为高效的、基于知识的工厂环境奠定了基础。

数据自动化是理解复杂数据的核心

对于工厂，数据的重要性和人力、财力、设备一样，数据是制造商为实现更高的生产力而需要的关键资产。不仅如此，它还无处不在，尤其是在当今的信息时代。

从早期的工匠到工业革命中的大规模生产，有价值的数据质量和数量都在急剧增加。我们习惯于收集有关工人的表现、供应、生产率以及机器需要维修或更换的数字。近来，信息系统和计算机使工业企业能够以更全面的方式存储、交换和分析这些数据。然而，这些信息仍然是人工处理。

一些工厂从笔和纸转向Excel表和视频记录，但这还远远不够。现在，IIoT和基于云的解决方案为企业家提供了更多机会，以提高数据的准确性、可用性和洞察力。潜在的损失对利润和OEE性能产生负面影响，而当管理者对造成这些损失的原因没有一个准确的概念时，这些损失就会堆积起来。这就是为什么Teeptrak提倡在工业生产中从手工收集数据转向自动化的、更有效的系统和工作方法。

手工数据收集的弊端

我们的研究和现场经验表明，不完整的数据收集仍然极大地困扰着这个行业。这是实现更高的生产力和改善OEE的最常见的障碍之一，主要是源于手工收集数据的方法。这不仅影响了数据的准确性，也影响了管理决策和工厂内工人之间的有效任务分配。

在实践中的操作者和管理者都意识到手动使用计算机工具和适当的自动化数据收集之间的巨大差异。

手工数据收集导致的核心程序性缺陷

当你让工人手动更新Excel表格或使用笔和纸时，核心程序缺陷就在一步之遥:

生产停工、故障或更小的问题可能没有被发现，因为没有被发现或被认为不相关。主观性导致了评估错误，进而影响了数据收集过程。
人工收集数据需要时间，工人们不得不把大部分的工作时间用于这种低生产率的职能。不仅容易出错，而且当机器可以做到的时候，他们为什么要从事低效和乏味的工作呢？
实时信息完全缺失，对随机停工的快速反应也是如此。在大多数工厂，由于事件发生和评估之间的间隔，及时发现和解决这些问题目前是不可能的。
因此，收集的数据是不一致的、无效的、不完整的和不准确的。此外，OEE的评估和改进是基于影响实现更高生产力的信息。

一个实际案例说明了所有这些缺点。当我们的一个客户从手动转为自动事件记录时，两条生产线的停工、减速和其他事件的报告数量从每年5000件增加到200000件。

这意味着，生产过程往往是一个大黑箱，充满了可能还没有被彻底说明和分析的信息。此外，它清楚地显示了不准确的机械数据如何导致维修成本的增加，因为问题没有得到及时处理。

工业4.0从自动化数据收集开始--案例和指标

Teeptrak通过将不可靠的因素排除在外，挖掘了工业生产中的这些核心问题。机器传感器监测设备活动，工人可以充分部署他们的时间和技能来完成更多的任务。通过显著提高数据质量，Teeptrak为基于知识的决策和更高的生产效率铺平了道路。

数据质量的6个方面

当自动化数据收集到位后，数据质量在智能制造的所有六个基本维度上都得到了改善:

相关性--数据与公司需求的匹配程度
准确性--得出的数值是否精确和可靠
及时性--参考期和信息之间的时间跨度有多大
可及性--操作人员获得和使用信息的容易程度
可解释性--对手头数据的理解是否容易
透明度--支持数据准确性的客观证据

当数据收集是手工操作时，准确性和及时性总是不在考虑之列。此外，微小的停顿可能会被忽视，但它们仍然会累积成相关的损失。上面提到的例子是关于这个问题的一个完美的测试案例。转向自动数据收集后，记录的事件数量比以前的数字增加了40倍。显而易见，一个隐蔽的工厂就在公司的眼前运作，由于大量未被发现的损失而遏制了利润。

由此产生的问题是，公司采取了OEE的方法，但他们是根据不正确、不可靠的信息来进行的。尽量减少人在数据收集中的作用可能会提高信息的准确性，尽可能解放操作人员的工作时间，并改善数据分析。