饮料装瓶行业中缺少数据的混合泵分析
数量用例混合泵。(图片来源:Quantis LLC)
从数据中产生的指标和结果使得做出符合公司利益的明智决策成为可能，从而增加了对这项技术的信心。在维护方面，通过数据的提供和可用性可以实现很多目标。对于从哪些机器部件读取数据有意义，人们往往缺乏想法。在昂贵的备件受到高度磨损的情况下，公司应该以获取数据为目标，以避免成本密集的系统停机时间，并优化维护间隔。作为一项规则，相应的备件将在维护周期中进行维护或更换，尽管这可能还没有必要。如果维护经理关注所有值得收集数据的备件，那么IIoT的任务就是找到将它们与相关kpi映射的方法。理想情况下，考虑哪些kpi是分析所必需的，并从机器中读取相应的数据。在现实中，人们经常遇到没有或没有有效数据可用的问题。没有数据，就无法生成kpi，从而无法对备件进行分析。应用混合泵的用例表明，尽管缺乏数据，但备件分析是可能的。
到目前为止，作为定期维护的一部分，灌装厂搅拌器中的泵都进行了大修或更换。维修经理想要分析对泵有磨损影响的负载。然而，这些KPI生成的数据，如速度、电流、摩擦或扭矩，无法由供应商提供。
做了什么
为了在缺失值的情况下对泵进行单独分析并检测范数偏差，Quantis使用其Pocket Factory IIoT平台密切监控泵的有效运行时间。为每个泵创建仪表板，计算并映射每个状态的运行时间。对空闲期、正常运行期和高负荷期进行加权。在高流量和频繁的启动和关闭期间，以及清洗介质(如酸和碱)时，泵受到更大的压力。在这里，磨损的重量也更高。
由制造商指定的运行小时持续时间的基准被存储为端点。这样就有可能看到增加泵的运行小时持续时间是否可行和明智。通过算法分析数据和机器学习，可以计算出预期故障概率增加的日期。此外，该算法学会分析泵的某些使用行为，例如周末，或某些月份的较高使用率，这反过来又会影响单个泵的使用寿命。以这种方式加权的工作时间被加起来并清晰地显示在仪表板上。在达到计算的磨损日期之前，系统会发出通知。
结果
数据收集周期至少为1个月。该算法显示了所有现有泵的磨损计算日期。该算法以自学习的方式识别泵的使用行为。由于泵还在维修周期内，因此还没有通知泵的磨损情况。生产车间内的每个泵都暴露在不同的负荷下，因此磨损的速度也不同。仪表板上不同的磨损数据反映了这一点。
结论
用例表明，即使缺少数据，对备件的分析也是可能的。通过对生产过程的精确了解，可以掌握这些挑战，从而将维护领域的效率提高到一个新的水平。
