APP下载

设备管理新模式
——数据驱动决策

2018-02-09藏义明

设备管理与维修 2018年2期
关键词:预测性效度信度

藏义明

(河南省惠普特工业科技有限公司,河南郑州 450000)

0 引言

我国制造业的产业升级的持续推进,工业制造系统向更高效、更经济的方向发展,制造业装备面临更自动化、智能化的发展趋势。而这个过程,并非一蹴而就,制造业需要在现有和未来的推进路径中,更应该关注于适用性、经济性的和前瞻性的协同。

系统的自由度决定了管理的复杂度,智能制造约束了制造系统的自由度,在降低管理复杂程度的同时,这要求制造系统具备高可靠性与维修性。非常有意思的是,在全球制造业转型解决方案中,可以看出设备管理的重要性。德国工业4.0的研究者认为,在面向未来的智能制造时代,预测性维修和员工的责任、意识和能力建设是重要的基础保障。美国工业互联网,更强调预测性维修的重要性,通过减少非计划停机为主要目标,从而构建更快速、更安全、更清洁且更经济的工业系统。

对于中国制造业的设备管理而言,这将是一个非常值得探讨和实践的课题,以数据驱动决策为主题,探讨设备管理新模式。

1 数据驱动决策对于中国制造业设备管理的重大意义

许多人将中国制造业粗放的设备管理方式,归结于企业决策者对设备管理缺乏足够的重视。实际上,无论是主动或者被动,绝大多数的企业是重视设备管理的,这体现在:当设备发生停产停机事故时,关注重心由生产转向设备维修;强调日常点检,尽管这并没有实质性的作用。

过去,一直依赖于经验或强调流程的做法来管理设备,即使TPM(Total Productive Maintenance,全员生产维护)引进我国已经有30多年,鲜有成功的案例。这是由于过度依赖经验和直觉,在操作和维护的执行层面缺乏目标导向,在决策层面缺乏有效的数据支持,在员工流失率偏高的实际情况下,知识和数据缺乏有效的互动和积累所致。

然而,制造业在以“智能制造”驱动转型的背景下,必须找到加速企业知识积累的方法,以持续提高设备可靠性和维修性,避免出现“越智能、越瘫痪”的窘态。

建立以信息物理系统(Cyber Physical Systems,CPS)的设备管理工业智能数据驱动决策,将有利于重新定义企业设备管理,做到基于对数据的分析,而不是仅仅依靠直觉和经验进行决策的实践。

2 建立目标导向的设备管理数据系统,重视数据效度与信度

2.1 效度和信度

所谓效度,是指一个数据或指标的生成,需贴合它所要衡量的事物,即指标的变化能够代表该事物的变化。所谓信度,是指一个数据或指标自身的可靠程度,包括准确性和稳定性取数逻辑是否正确?有没有计算错误?效度与信度反映了数据的质量,这是建立设备管理数据驱动决策的基础。

有效的设备管理旨在帮助提升制造效率(有效产出↑)、降低维修费用(运营费用↓)、降低备件库存(库存↓),如图1所示,这将有利于衡量设备管理的价值(数据效度),使得设备管理真正被决策者所重视。

图1 设备管理数据价值模型

2.2 可用度

以可用度(A)为核心指标的数据体系,如图2所示,不仅重新定义设备管理,还将确保设备管理数据的效度,这体现在5个方面。

图2 基于停机时分析应用的设备管理

(1)可用度(A)=MTBF(平均故障间隔时间)(/MTBF+MTTR(平均故障修复时间)),可用度是≤1的常数,这使得设备管理水平得到有效的衡量,可用于不同产线、不同车间、不同工厂之间可以相互比较;

(2)MTTR↓,系以停机时间为基准,记录维修响应和维修时间,反映了维修管理响应能力与维修技能水平。

(3)MTBF↑,首先系通过维修时间中验证和校准过程的记录,监控和反映维修质量水平,以延长设备使用寿命的效果达成。

(4)MTBF↑,事后维修属于被动式维修,由于功能丧失,将会延长维修时间或非计划停机时间,故事后维修通道的数量应尽可能减少。预防性维修虽属于主动性维修,但存在维修不足和维修过剩现象,且设备自身固有质量不足时,还会造成越修越坏的状态,除了必要项目如润滑等,以及复杂装备系统以外,应尽可能减少预防性维修通道数量。而预测性维修,强调点检发现、隐患排查、委外检测和基于物联网的自诊断发现,是基于劣化早期和隐患而确定的维修计划,对于确定计划维修和降低维修费用来说策略最优,故应增加预测性维修通道数量。

(5)创新改善通道↑,基于备件库存数据、备件消耗数据、维修通道数据、运维费用数据,结合A(IArtificial Intelligence,人工智能)技术,展开数据的智能分析,以此识别改善制约因素,优化运维绩效,持续提升运维能力。

2.3 确保数据的可靠性(信度)

如何确保数据的可靠性(信度),是数据驱动决策的另一个重要因素,这包括3点。

(1)可用度取值逻辑,MTBF/MTTR决定了可用度,取值均以分钟计算,以月度/季度/半年/年度为统计节点。结合统计范围,是以影响产线停产停机的事后故障作为统计范围,部门和工厂的可用度则由所属产线的平均值获得。可用度作为统计值,不能用于内部考核,以防止作假;

(2)未进入可用度统计范畴的事后故障,同样进入到事后维修通道数量,以识别不同维修通道的占比统计范围。对于单台设备而言,需要将所有的故障统计(含预防性、预测性和事后维修),统计其可用度,其主要用途是用于外部服务商,装备制造商的产品与服务能力。

(3)不同的数据指标应相互关联和验证,如通过备件消耗数量及费用这类不可篡改的数据,验证可用度的统计、预测性维修通道质量的真实性和有效性,以实现数据输入的智能化防错。

3 加速知识互动与积累是设备管理数据驱动决策的关键

设备管理水平的差距,本质上是知识积累程度的差异,我国工业制造业缺乏有效的基于数据的决策管控机制,严重制约了企业的智能制造转型的进程。再通过有效数字化,解决数据效度和信度的条件下,加速知识互动与积累,就显得尤为关键,这体现在3方面。

(1)由于数据驱动决策的实现,设备管理指标与企业目标高度关联,设备管理价值被有效的衡量,这意味着从决策层、管理层、操作层、维修层及采购层,遵循同一套数据系统,形成人人关注指标,人人为目标负责的新的管理氛围;

(2)设备管理数据形成智能决策报告提供给决策者,结合TOC(Technical Order Compliance,符合技术)约束生产理论:一方面智能分析出影响设备管理及盈利目标的关键制约条件,促进其组织持续盈利能力的目标实现;另一方面基于数据决策的驱动,实现预测性维修通道、创新改善通道数量和质量提升,使得知识积累与结果和过程高度统一。

(3)设备管理的核心是维修技能的积累和传承,基于数字化条件下的设备病历数据系统:不仅是对这些宝贵经验的有效记录和存档,防止员工流失造成的知识流失;通过算法优化,还将实现同类设备的知识匹配,实现知识重用,发挥知识价值最大化。

4 总结

数据驱动变革,价值引领B2B(Business To Business,企业对企业)工业维修生态变革。制造企业在购买B2B商品之前,就想知道这些产品和服务对他们的价值增值活动能有多大的帮助,或是对其生产过程会不会因此而更加经济、更加高效。因此数据驱动决策的意义,不仅在于加速制造业企业内部知识的互动和积累。更重要的是,通过大数据与AI技术,将有效加速内外部知识的互动,实现基于价值数据下制约因素与外部资源,如维修、备品配件、装备制造商、管理与技术咨询服务商等资源的智能匹配。随着多数制造业需求识别,最终实现数据驱动B2B工业维修生态变革,建立更智能、更快速、更安全、更清洁且更经济的工业生态体系。

猜你喜欢

预测性效度信度
《广东地区儿童中医体质辨识量表》的信度和效度研究
美国空军将大规模应用飞机预测性维修技术
慈善募捐规制中的国家与社会:兼论《慈善法》的效度和限度
科技成果评价的信度分析及模型优化
耳鸣残疾问卷中文版的信度和效度检验及其临床应用
被看重感指数在中国大学生中的构念效度
外语形成性评估的效度验证框架
中文版脑性瘫痪儿童生活质量问卷的信度
网络舆情诱因信息及预测性研判探析
词汇量测试对语言水平的预测性的实证研究