螺旋管厂家生产线的整体效率-天津市朋展钢管有限公司

螺旋管厂家生产线的整体效率

浏览：140 发表时间：2020-05-28 15:59:26

螺旋管厂家除了利用数据分析对质量问题进行管控，相似的分析方法还被运用到了产线的弹性设计、维护排程优化和生产系统的协同优化等方面。在案例分析篇中我们会用案例的形式对其在解决各类问题的应用上进行详细介绍和分析第二个方向：从数据中挖掘隐性问题的线索，通过对隐性问题的预测分析，在其发展成为昰性问题之前进行解决生产系统中存在着不可见因素的影响，比如设备性能的衰退、精度的缺失、易耗件的磨损和資源的浪费等。而可见的影晌因素往往是不可见因素积累到一定程度所引起的，比如设备的衰退最终导致停机、精度的缺失最终导致质量偏差等。就如同冰山一样，可见的问题仅仅是冰山一角，而隐性的问题则是隐藏在冰山下面的恶魔（见图1-5）。因此对这些不可见因素进行预测和管理是避免可见因素影响的关键。对生产系统隐患的预测性分析需要在预测设备性能趋势的基础上预判出设备可能存在的隐患类型，也即随着设夆性能未来的进一步衰退所造成的对质量的影响、对成本的増加、最终导致的故障模式和对整个生产线整体效率（ overall equipment efficiency,OEE）和协同性的影晌。一般来讲，设备或者工艺中存在的故障类型是多种多样的，每一个故障类型都能对应特定的衰退模式以及应对策略。有些故障可能会影响设备正常运行和生产安全，需要停机维护；而有的故暲可能对设备运行不构成影响，则可等待下次定期检修时一起解决，这就为我们的决策提供了优化的空间。如果生产系统的运行人员能够确知未来将要发生的隐患，则可对情况产生预判从而更为快速有效地进行修复。

螺旋管厂家预测制造系统的核心技术是一个包含智能软件来进行预测建模功能的智能计算工具。对设夆性能的预测分析和对故障时间的估算，将减少这些不确定性的影响，并为用户提供了预先缓和措施和解决对策，以防止生产运营中生产力/效率的损失利用大数据对制造系统中隐性问题的发生过程进行建模和预测，实际上是选择了数据驱动（data- driven）的手段，其他的方式还包括物理建模、可靠性模型和混合模型等。接下来我们将利用数据驱动方法的原理从比较浅显易懂的角度迸行阐述。在阐述之前，我们首先要对特征"这个重要概念进行解释特征从数据当中抽象提取出的、与判断某一事物的状态或属性有较强关联的、可被量化的指标。例如在人脸识别的过程中，首先要提取出脸部主要器官的位置、形状等相对具体的特征，再对这些特征进行匹配，从而实现身份的识别。

螺旋管厂家在生产系统隐性问题的预测方面，提取有效的健康特征也是至关重要的。常用的特征包括时域信号的统计特征、波形信号的频域特征、能量谱特征、特定工况下的信号读数等，然而仅仅依靠几个特征是不够的，即便是同一个信号，依然可以提取出多个特征，就好像在医院体检时抽一管血再分析里面的不同成分指标，就可以判断存在各种病情的隐患。这些特征之间存在着一定的相关性，其变化情况也有若干种不同的组合，将这些组合背后所代表的意义用先进的数据分析方法破解出来，就是我们进行建模和预测的过程。如图1-6所示，横轴与纵轴分别代表两个不同的特征，在一个坐标系中这些特征的分布就划分了若干区域，这其中既有健康状态的分布区域，也有不同故障模式下的分布区域。当我们将这些区域分别建模时，在制造系统的运行过程中这个分布可能会慢慢偏移，这时与正常状态和某一类异常状态可能有所重叠，那么其与正常状态的相似程度就代表它的健康值，螺旋管厂家与故障状态的相似程度就代表了其故障风险，我们可以将这个相似程度进行量化（比如o~1）。