制造业大数据分析的五大应用介绍
发布日期:
2021-09-14

近年来,发展智能工厂成为全球制造业的显学,随着人力短缺、工资上涨、产品交期越来越短、市场需求变动大等问题出现,制造业正面临新一波转型挑战,如何在控制生产成本的同时,还能提高生产力与效率,则是转型的主要目的,也因此,从德国、美国到台湾各个制造大国,无不积极推动工业4.0,希望能协助制造业者解决经营困境、提升竞争力,而大数据分析与优化则成为发展工业4.0的基础。

制造业大数据分析五大应用

深耕制造业多年的天拓四方数网星,在大数据分析上提供的不只是产品,还有结合产业知识与丰富经验的顾问服务,帮助制造企业做出正确有效率的大数据分析。

目前市面上有很多大数据分析的解决方案,但大多只能做到资料视觉化,也就是以图表呈现分析结果,而数网星可以根据制造业所面临的问题,决定要做哪一种分析,例如预测或模拟,甚至整合财务或产销端资讯,找出解决问题的方法,这在智能制造过程中是非常重要的事,因为企业往往拥有大数据,却不知道该如何分析。

高科技制造业者面临到的问题主要有三种,第一、未预期的物料问题或设备故障直接冲击产能,以致耗损大量成本;第二、因制程稳定性问题造成产品良率下降,不但影响获利更影响客户满意度;第三、制程世代转换越来越快,如何加快量产速度,成为获利的关键因素。因此,IBM根据制造业所面临到的问题与产品生命周期,归纳出制造业大数据分析五大应用模式。

第一、物料品质监控。原物料品质不稳定其实有迹可循,然而传统SPC监控要等到发生问题时才会做出警示,此时不仅己经影响产品品质,更不容易找出原因,而数网星则是主动分析趋势变化,发现潜在问题即早做出预警,以便能及早解决(如:更换物料)维持产品品质。

第二、设备异常监控与预测。传统SPC监控虽然也涵盖设备参数,但有时设备仍然会发生问题,工程师也不知道设备发生问题该怎么处理更有效,数网星运用设备感测资料及维修日志,找出发生设备异常的模式,监控并预测未来故障机率,好让工程师可以即时执行更适决策。

第三、零件生命周期预测。零件或耗材有其生命周期,制造业者多半根据供应商建议进行定期更换,却忽略了生产及环境条件对耗损速度的影响,导致以下两种情况经常发生,一是在太早更换零件,造成不必要的开销,二是太晚更换零件,导致品质受影响。数网星根据生产及设备状态资料、零件资讯,精准预测零件生命周期,在需要更换的更佳时机提出建议,帮助制造业者达到品质成本双赢。

第四、制程监控提前警报。制造业的制程参数相当多且彼此会互相影响,若是因为制程参数偏移而影响产品品质,工程师只能单一站点逐步追查,相当耗费时间,而数网星的做法是建立产品品质预测模型,找到更佳的制程黄金区间,一旦发现制程参数偏移到区间外,便即时发出警报,让工程师可以即时进行调整或其他决策。

第五、良率保固分析。对制造业者来说,产品良率过低或是出售后于保固期间内发生问题,不仅会增加成本,更直接影响企业形象与客户满意度。因此数网星结合生产设备、产品良率及维修保固相关资料,建立预测模型,以预测良率并降低保固成本。

天拓四方数网星对制造业的效益不只在于预测潜在风险,还能提出更佳决策建议,建立更佳化生产流程,从而降低营运成本、创造更大化获利。