原创《大数据助力设备管理模式》
本文是设备管理方面硕士毕业论文范文跟设备管理和助力和创新相关毕业论文提纲范文。
在汽车制造设备管理过程中,通过大数据分析对设备进行预防性维护保养和实时状态监测,可以尽早发现并排除设备可能出现的故障,从而达到停机时间少、运转效率高的理想目标,大幅提升车间生产效率.
随着信息技术飞速发展,物联网、大数据被深度应用于工业生产制造过程中,海量的信息通过各路传感器上传到数据网络,这些看似无序的数据,背后存在千丝万缕的逻辑关系.企业如何对数据进行挖掘,运用相关数据做出正确战略决策,是当前产业界关注的重要课题.
企业对设备相关的大数据进行分析与挖掘,就是要发现内在问题点及相互间的联系,提早做好设备预防工作,从而避免故障停机影响生产.在欧美,设备数据被视作重要的数据信息,特别是提出“工业40”概念的德国,其工业设备普遍带有数据传输、信息处理功能.
中国正处于制造业转型升级的关键进程,信息化、智能化是重要发展方向,未来的工业将建立在以互联网、传感器技术为基础的物联网信息平台上,把生产信息、设备信息进行科学地整合和处理,变得更加自动化、透明化,从而达到智能化、无人化.
随着工业互联网应用不断推进,智能制造正在各个行业加速落地,由此也带来了各种问题.首先,设备的自动化程度将更高,设备零部件也更趋于精密、复杂,仅仅依靠人类感官已经无法快速找到故障发生点；其次,很多关键设备无备用件,发生故障时造成的损失及影响度越来越大；另外,设备维修成本随着设备的老化及设备台数的增加逐年上升.对汽车制造行业而言,产量受制于设备完好程度,生产成本也与之有关,从而对企业的经营状况造成深远的影响.如何降低设备故障率、减少故障时间和维修时间、降低备件成本、提高维修人员工作效率、延长设备使用寿命等是目前急需解决的问题.
因此,借助大数据解决行业发展面临的问题,以信息化带动工业化成为当下的主要任务.
现状调查
在工业制造领域,因设备原因导致的浪费可以分为两类：一是直接浪费,另一类是间接浪费.直接浪费指生产过程中设备停机所造成的各类损失；而间接浪费指各类看不见、摸不着的损耗,如因维修人员个人业务素质所导致的停机时间过长等.在欧美,设备的风险评估、可靠性分析、寿命管理、预知性维修等技术发展较快,已形成较为成熟的成套维修优化和管理技eMaintenance,全员生产维修)为主要方式的维修管理；国内对设备生命周期的分析管理和研究较少,目前还没有成熟方法.物联网与大数据的出现实现了数据与设备的贯穿交互,因此设备的维护改善可通过大数据找到方向,从而为设备管理带来真正的革命.
从德国“工业40”和中国制造强国战略规划,可以发现大数据颠覆了传统的设备生命周期管理方法.在传统的设备维修数据采集中,因果分析、逻辑推理是最重要的研究方法,通过这种方法得出的结论往往需要通过实践进行验证,有些甚至会被推翻.而问题的根本仍在于人们能够获取的信息有限,只能凭借经验、常识对抽样数据进行判断、分析,借以推测设备存在的问题.
大数据时代的分析方式既不必、也不应再拘泥于对因果关系的探究,相反,其完全有条件实现向关联、非关联等相关因素的转变.随着海量数据不断涌现,企业数据采集、存储、处理能力日益提高,充分利用互联网、云计算等现代化手段对海量数据进行搜索、比较、分析、归纳,会发现原本似乎毫不相干的事物之间其实存在各类关联,这是传统的因果分析、逻辑推理分析所无法企及的.
设备的状态监测也是大数据应用的重要组成部分.传感器技术提升及制造成本的降低,使设备状态监测得以实现.温度、湿度、压力等数据通过传感器检测后,传输到个性化系统中,管理人员可以直观看到设备状态.而以PHOENIXCONTACT、BALLUFF为代表的大型传感器公司,在发展传感器技术的同时,也在有意识地开发适合其传感器的工业4.0系统.
研究分析
利用大数据分析完成生产设备的数据挖掘,在数据挖掘后构建改善小组展开后续工作.在构建改善小组时,首先要理解和定义一些适用于生产设备分析的报表,这些数据反映了设备在生产过程中的状态.数据挖掘的目的是找到更多类似数据,以提高未来改善活动的针对性.
构建工厂设备大数据系统,首先需要架构规划,从现场设备到设备大脑PLC（ProgrammableLogicController,可编程控制器）,再到数据采集上位系统SCADA(SupervisoryControlAndDataAcquisition,数据采集与监视控制系统）,最终集成至工厂生产的主心骨MES(ManufacturingExecutionSystem,制造执行系统),大数据需要一步步建立起来.首先,应根据设备大数据的具体需求,制定工厂设备的信息流规划布局图,作为各个信息规划的依据；其次,在厂房内,必须考虑设备的网络通讯,故需网格化布局工业以太网；另外,引进或改造设备时,要充分考虑网络通讯需求,保证每台设备都具备网络通讯功能和硬件；最后,对于某些无法直接从设备本身获取的关键参数,需配置相应传感器,通过以太网协议传输至信息平台,在设计阶段就预留充足数据接口,做到基础数据采集自动化.
实施内容
结合企业MES制造执行系统推进计划及智慧工厂建设理念,对生产系统进行优化、改善.公司首先对现有工厂设备进行情况梳理,运用互联网、传感器技术对对老旧设备进行改造,将生产、设备信息数据化,并增加装配流水线的工序防错,提升生产合格率,提高企业核心竞争力.
经过设备改造升级,系统完成了注塑机、注塑车间集中供料、注塑水流量、涂装线、镀铝机等大型设备的状态监测与远程数据传输；装配线的智能化改造和工艺参数信息追溯亦全面铺开,完成了多条装配线的专机改造；动力设备（水、电、气等）的集中监控管理系统等设备改造项目逐渐步入收尾阶段.除了设备运行过程中的大数据分析之外,对于维修数据、保养数据的分析也是设备大数据的重要组成部分.
研究三大类、近二十项数据分析报表：维修类报表包括故障代码TOP5、设备故障TOP5、MTTR（设备平均维修时间）、MTBF（设备平均故障间隔时间）、保养计划完成率、平均响应时间、按灯次数／异常时间、按灯次数／异常时间占比、按灯平均次数；人工类报表包括人工工时报表、加班工时报表；成本金额类报表包括仓库备件消耗数量与金额报表、维修金额报表、基于机台的维修金额报表、不同品牌设备维修成本报表.
通过大数据整理运用,设备部门定期对各类报表进行收集,由数据分析小组将各数据报表交至各维修科室进行分析改善,并跟踪改善效果,以此对设备整个生命周期的维修保养、最后的数据形成与统计分析,形成一套完整的闭环.依据庞大的数据分析,各维修科室的改善小组可以针对性地对设备、模具提出相应改造方案,或增加定期保养,抑或形成OPL（OnePointLesson,要点培训）维修经验,最终实现大数据的有效运用.
验证效果
大数据应用助力设备部门实现了预测性维修保养及相关设备改造,通过数据挖掘和分析驱动设备价值.通过MES3.0系统的深化应用,对设备全生命周期进行统计分析,实现了良好的效果.
通过设备运行过程中的数据采集与分析,可以了解到每个关键参数的当前状态及趋势表现,若发现异常,可及时排查.以流量数据分析为例：通过对数据的有效运用和分析,注塑产品合格率提高了1%；模温机设备的保养周期得到延长,由1个月1次延长至3个月1次,节省保养费用近12000元／年；减少了模具水道堵塞现象,降低了停机时间,延长了模具使用寿命.
而针对设备维修保养等数据,可总结相关效果,形成设备分析报表.
通过上述可以发现：设备管理需要结合大数据分析,不断向数据化、信息化方向转变,不断创新管理模式.在设备管理中,通过互联网及传感器技术将生产体系数据化、透过大数据分析整合各类生产资源,可以实现设备优化改善,提升设备利用价值,为设备管理带来真正的革命.
设备管理论文参考资料：
此文总结：这是关于对不知道怎么写设备管理和助力和创新论文范文课题研究的大学硕士、设备管理本科毕业论文设备管理论文开题报告范文和文献综述及职称论文的作为参考文献资料。
