为何维护工作中应用IoT非常重要?

Image

针对工厂设备故障等的维护工作通常会出现劳动力短缺或技能需要由人实现的情况,容易导致“经验和技能依赖”,即依赖维护人员的经验和技能。考虑到未来数年提高工厂竞争力和生产率的现实需要,业务“标准化”已成为重要的关键词,即,使更多人能够从事维护工作,而不是依赖少数负责人的“经验和技能”。被称为“工厂管理专家”的JEMCO日本经营顾问古谷贤一进行了说明。笔者就摆脱维护工作中依赖“经验和技能”的方法及应用IoT的方法,采访了古谷。

维护工作为何出现使众人无从下手的“本位主义”倾向?

――古谷先生,您主要在制造业领域为许多企业提供咨询服务。从上游经营问题到现场业务,我想你所观察的面应该是很广泛的,而将改进、设备检修等“维护工作”视为重点的情况是否比较多?

我觉得有很多。但一开始就咨询“改进维护工作”的情况却很少见。相反,很多时候是在工厂为提高竞争力和生产率而追求“理想目标”的过程中,得出了“需要维护”的结论。在反复思考工厂的未来和本质的过程中,应当对维护工作中存在的问题有所察觉。

特别是今后,多品种少量生产或按需单件生产的方式将逐渐增多。如果制造工艺复杂,会促使设备升级并变得更复杂。因此,是否能通过设备维护确保运行稳定是影响竞争力的关键所在。考虑到未来较长时期内的工厂目标,需要在整个公司内重新思考维护工作的定位。

通常而言,维护是最难切入的领域,也是容易被搁置的领域。因此,不良状态容易积滞,即使进行改革,也需要投入大量人力。

――维护工作难以切入或被搁置的原因是什么?

对于很多工厂而言,重要的是维持每天的生产和作业,因此需要优先考虑与其相关的业务。即使是需要每天维护的工作,会被认为是:“维护业务是在出现问题时才进行的业务”,所以就变成“没什么事的话,现在也就不需要维护了”。这样一来,维护工作会被搁置,很多工厂不再配置大量人力,只安排固定人员负责整个工厂的维护工作。

维护人员需要具备丰富的知识、经验和技能,必须了解厂内所有设备的结构和特性,并迅速解决故障。但如果只安排固定人员进行维护,他们所掌握的知识和技能将无法实现共享。其结果,就使维护人员的工作逐渐“本位主义”。这就是所谓维护工作的“经验和技能依赖”状态。

――具体来说,“经验和技能依赖”会引发什么问题?

例如,大规模更换工厂设备的情况不常发生,因此很多工厂会长时间使用老旧机器。

这些工厂的设备图纸或说明书丢失的情况也比较常见,需要更换部件时,可能无法获得原装配件。因此每当遇到故障时,维护人员会自行添置部件或进行修理。如此一来,除了维护人员以外,其他人都不清楚机器最初的规格,运行机器也完全依靠维护人员的经验和技能,从而使“本位主义”现象进一步加剧。这种情况非常令人头疼。

如果频繁发生因设备故障导致生产经常性停止的“小停机”,有时会将设备恢复至初始状态。倘若此时没有图纸,且只有固定的维护人员了解机器原来的状态,将使问题变得非常棘手。假如维护人员已经退职或不在现场,会变得雪上加霜。

――就是说,除了维护人员以外,其他人都无从下手,引起了黑匣子现象吧?

正如刚才所说,可以对维护工作投入大量人才和资源的企业并不多。这种情况下,如果不能实现维护诀窍的共享,将给工厂的运营带来弊端。只有维护人员才能完成的工作将增加,满负荷工作成为常态,始终忙于故障机器的维修作业。极力将故障这一负面状态清零,无法对生产率产生正面作用。

如需提高工厂的生产率,应提升开工率。为此,必须防止故障发生,进行必要的维护。

――不是“减轻负面作用”,而是防患未然,“不产生负面作用”,这一点很重要。

是的。维护可以分为3种类型。故障发生后进行事后处理的“事后维护”。定期执行规定的维护作业,预防故障发生的“预防性维护”。以及,在发生故障前及时察觉、积极进行预防的“预测性维护”。不是事后维护,而做到预防性维护和预测性维护,这是最好的情况。如果维护工作的本位主义成为常态,将始终停留在事后维护阶段,难以提高设备开工率,从而陷入恶性循环。

摆脱经验和技能依赖的方法论IoT

智慧工厂

――如何摆脱经验和技能依赖,使更多的人能参与维护工作、共享诀窍,并对维护工作进行标准化改造?

首先,需要彻底梳理作业流程。经验和技能也可称为“隐性知识”,需要在很大程度上依靠个人的知识和经验。即,无法用语言明确表达,只由维护人员意会的知识。

需要将这种隐性知识,转化为其他人可以掌握的“显性知识”。例如,制作流程手册实现文本化、通过照片或笔记详尽记录维护过程等,方法多样,不一而足。重要的是,应了解维护工作流程的哪一步存在隐性知识,哪个环节发生了经验和技能依赖。

――将维护工作转化为语言,找出隐性知识是所有工作的基础。

是的。但是这项工作并不简单。用普通的方法很难将维护诀窍转化为语言。维护人员确信其他人可以理解而记录的内容,在外行人开来难以理解,或者维护人员本身不清楚什么是隐性知识的情况很多。

接到流程手册制作等咨询问题时,我会明确建议记述任何人都能看懂的基础而浅显的内容。仔细梳理作业流程,使得任何人按照记载内容执行后都能达到相同的效果。低质量手册或说明书中未记载的内容往往是“经验和技能”,设法通过文字或照片实现“可视化”,这一点非常重要。

――这是一项非常需要耐心的工作。

在摆脱经验和技能依赖方面,我关注的一个问题便是IoT技术的应用。我认为IoT不仅可以避免维护工作的本位主义,还能实现预测性维护,从而大幅提升维护工作的水平。

例如,为机器安装传感器以获取振动数据。与过去发生故障时的数据比较,如果出现类似振动则发出警报。当然,现实中不可能只有数据分析等单一情况,这只是IoT化的简单示例,是预测性维护的理想情况。

从预防故障的角度来看,预防性维护也是有效的,但无论机器状态如何都需要定期进行检查,因此有时可能会增加维护人员的工作量。如果可以安排维护的人才较少,可能会产生负面作用,这一点也需要考虑。

――预测故障、防患未然的“预测性维护”是最有效的方式,而对其提供支持的便是IoT。

IoT可以将依赖维护人员经验和技能的部分,通过数据形式加以可视化,并提高维护工作的质量。当然,培育高水平维护人员始终是重要工作,但受到日本社会少子老龄化的影响,劳动力不足已成既定事实,培育所需的时间也很长。作为补充性方案,理想的状态是同时推进IoT应用和人才培育。

维护工作的本位主义导致经验和技能依赖。我们意识到,若要提高工厂的竞争力,应当将经验和技能中的隐性知识转变为显性知识,从而实现高水平维护。而其关键就是IoT的应用。下篇将围绕维护工作中的IoT具体引进方法进行深度采访。

尽早开始收集数据是维护工作IoT化获得成功的关键

――上篇谈到应用IoT开展维护工作的可能性。目前,引进IoT的企业或工厂是否增多?

IoT应用在维护领域也属于前沿技术,引进的工厂逐渐增多。为维护工作提供支持的IoT工具数量也在增加。例如,为工厂设备的驱动部分、电机等安装传感器以监测振动的工具。有些系统不仅直接测量振动,还会进行频率分解等数据处理,当检测到异常时电脑会发出警报。这些措施是为实现上篇所说的“预测性维护”。

此外还有更为初级的IoT。例如,设备之间以通信互联,当一个设备发生故障时,下一工序的设备也将自动停止。这属于发生故障后进行的“事后维护”,由于及时察觉到故障,因此对后续工序的影响将被控制在最小限度。如果发现故障的时间延迟10秒,可能使接下来的工序的机器也发生故障。

此外,对于用机械臂抓取元件的机器来说还有这种机制:如果因某种原因未能成功抓取元件,生产线将自动停止。如果不应在流水线内的元件出现在流水线中,可能使流水线上的下一道工序的设备损坏,此时可以进行“预防性维护”,防止发生类似事故或故障,这种例子也比较多。

――通过应用IoT,能否对需要依赖维护人员经验和技能的工作进行标准化?

是的。尤其是监控设备数据等的预防性维护和预测性维护,具有很高的可行性。从未引进IoT的企业或工厂在引进时,应遵循小规模起始和灵活引进的原则。

还应考虑因仓促引进IoT而导致进展不利的情况。因此,比较好的做法是,首先进行部分引入,或设定示范生产线和示范设备,以限定的形式引进IoT。当然,前提是制定工厂的整体目标,首先进行部分应用,做到小规模起始,待掌握诀窍后,再扩大引进范围。

――小规模起始可以节省时间,做到快速引进。

引进速度非常重要。应用IoT进行维护时,如果不收集和存储更多数据,将很难发挥效果。如果将IoT应用到通知设备停止的事后维护工作中,可以立即发挥作用,但进行预防性维护或预测性维护时,必须分析所获取的数据,并进行技术评估。

IoT维护工具和引进该工具的工厂都在增加,但是诸如“在何处安装传感器更有效?”、“获取哪些数据可以预测故障?”、或“获取数据后不清楚如何分析”等已制定详细技术资料的部分还不多。目前,还没有人知道应用IoT进行维护的“最佳解决方案”。

因此,当前的重要工作是,收集尽可能多的数据,在公司内部讨论稳妥的进行方式。为了确保事实库论证的正确性,也需要储备更多的数据资料。

――小规模起始对收集更多数据起到了良好作用。

是的。我认为,设备不会频繁发生严重故障。因此,为了准确掌握操作与故障的关系,应该尽早收集数据,这一点很重要。

正如刚才所说,“为哪种设备安装什么传感器”、“获取哪些数据可以预测故障”等问题的最佳答案还不明晰。因此,能够尽快确立这些关键技术的企业或工厂,将在竞争中处于优势地位。可以说,对公司未来的发展而言,小规模起始是有效手段。届时,还有一项重要内容就是分析所收集的数据。

今后的维护是在现场主义基础上附加数据主义吗?

智慧工厂3

――在以往的维护工作中,数据分析也许并不多见。

可以说IoT是维护工作的一大特点。IoT会将过去以经验和技能为依据的现场主义维护工作转变为以数据为依据的现场主义。这种变化将大幅提高维护工作的质量。以往的维护工作是由限定的人员在现场进行作业,但现在还需引入详细分析数据的数据科学家,从而构建新的维护工作形态。

为此,安排能够正确分析所收集数据的人才,以及如何使其与现场维护人员建立合作关系将变得非常重要。为了实现这种内部合作,要求高层管理者重新认识维护工作的重要性,并在整个公司范围内重新定义其价值。

――与引进IoT一样,分析已获取数据的工作也很重要。

通过IoT存储大量数据后,如果不善加利用,也是一种资源浪费。例如,仅仅依靠已获取的电机振动数据,可能无法了解故障前后的振动区别。对于看一眼即可分辨的明显差异,由维护人员目视确认就能察觉。

监测振动的同时,进行频率分解或细致划分各种要素。这关系到能在多大程度上判别出“这种动作是故障前兆”,所以需要具备足够的数据分析能力。当然,将熟知现场的维护人员的知识和技能进行反馈也是不可或缺的一环。

换句话说,IoT是“硬件”,而如何分析所获取的数据、构建何种技能等“软件”部分也极为重要。引进不是终点,而将每日维护工作中的诀窍和发现与收集的数据进行比对,得出实际的“分析”结果才是真正的开始。通过小规模起始方式尽早引进,并存储更多数据的建议,也与这部分工作内容密切相关。

――最后一个问题,在引进IoT的过程中,在人力资源方面如何培养维护人员?

当然,还需要同时做好维护人员的技术传承。IoT与人员之间不是非此即彼的关系。今后劳动人口将持续减少,而目前受新冠肺炎疫情影响,正在实施远程办公。维护工作也不例外。老员工与新手共同在现场作业并传授技能的传统方式也许将被远程指导和培训所替代。

“隐性知识”的传授本就不易,要想培养合格的维护人员更会花费很长时间。远程指导存在局限,类似精细作业或细微差别等,如果不在现场教学可能很难理解。维护人员的技术传承将比过去更难,培养人才必须投入更多资源。

获取数据进行分析很重要,之后的实际维护需要人来完成。因此,培养现场实操的维护人员,依然是今后的重要课题。

为此,如上篇所述,应当认真梳理维护工作的每个环节,将隐性知识转变为显性知识。这是引进IoT和培养维护人员的共同基础,也是基本工作。在研究IoT引进事宜时,也是判断“需要将IoT应用到筛选工作的哪一部分”、“获取哪些数据有效”的方法。培养人才时,通过将每项工作转化为语言,能以容易理解的方式传授技能。

无论是引进IoT还是培养维护人员,若想成功,首先需要考虑基本因素,这一点仍很重要。

古谷贤一

古谷贤一

株式会社JEMCO日本经营 本部长顾问。以制造现场咨询为主业,涉及经营管理、人才培养、质量改善服务、制造创新服务等各种业务。为许多海外工厂提供解决方案。为制造现场提供符合其特点的精细化咨询服务,获得大量客户的高度评价。为研讨会、演讲、杂志撰写多篇文章。

文章来源:murata官网

相关文章

最新内容

关注微信公众号,抢先看到最新精选资讯

关注2020欧洲杯夺冠热门
微信号,每天收到精选设计资讯