giriiş
Genel ekipman etkinliği (OEE), üretim verimliliğini ölçmek için standarttır. Üç faktörü kapsar: kalite, performans ve kullanılabilirlik. Bu nedenle, %100 OEE puanı, bir üretim sisteminin mümkün olduğu kadar hızlı ve durma süresi olmadan yalnızca iyi parçalar ürettiği anlamına gelir; diğer bir deyişle kusursuzca kullanılan bir üretim hattı.
OEE, performans ve kıyaslama aracılığıyla kayıpları tanımlayarak, verimliliği artırarak ve ekipman sorunlarını belirleyerek üretim sürecinin nasıl iyileştirileceği hakkında önemli bilgiler sağlar. Bu blog gönderisinde, ilk bakışta OEE kullanımı için geleneksel üretim örneği olmayan, havalimanlarında yaygın olarak bulunan bir sistem olan Bagaj Taşıma Sistemine (BHS) bakıyoruz. Ancak kaliteye, performansa ve kullanılabilirliğe katkıda bulunan unsurları doğru bir şekilde tanımlayarak BHS’nin operasyonlarını izlemek için OEE’yi kullanabiliriz. Uçtan uca bir çözüm olarak OEE hesaplamalarını toplamak, depolamak, dönüştürmek ve görüntülemek için AWS IoT SiteWise kullanıyoruz.
Kullanım durumu
Bu blog gönderisinde, orta doğu bölgesindeki büyük bir havaalanında bulunan bir BHS’yi keşfedeceğiz. Müşterinin, yerinde mevcut ekipmanı bu analiz için gerekli verileri sağlayabilecek bir çözümle entegre ederek sistemi proaktif bir şekilde izlemesi ve ayrıca daha sonraki işlemler için verileri buluta aktarma yetenekleri olması gerekiyordu. Bu uygulamanın başarısı, diğer müşteri sitelerinde birden çok dağıtım yapılmasını gerektirdiğinden, bu projenin hızlı bir şekilde yürütülmesi gerektiğini vurgulamak önemlidir.
Müşteri, iş ortağı entegratörü Northbay Solutions (Airis-Solutions.ai altında) ile çalıştı ve makine bağlantısı için AWS Çözüm Ortağı CloudRail ile çalışarak dağıtımı basitleştirip veri toplamayı hızlandırmanın yanı sıra AWS IoT hizmetleriyle veri alımını kolaylaştırdı.

CloudRail’in standart mimarisi, standartlaştırılmış OT/IT bağlantısı sağlar
Mimari ve bağlantı
Bir OEE hesaplaması için gerekli veri noktalarını elde etmek amacıyla Northbay Solutions, BHS’ye ek sensörler ekledi. Endüstriyel ortamlara benzer şekilde, karusele kurulan donanımın toz, su ve fiziksel şoklar gibi zorlu koşullara dayanması gerekir. Sonuç olarak Northbay Solutions, ilgili koruma sınıflarına (IP67/69K) sahip IFM Electronics’in profesyonel endüstriyel sınıf sensörlerini kullanır.
Yerel havaalanı bakım ekibi dört sensörü monte etti: motor izleme için iki titreşim sensörü, konveyör gözetimi için bir hız sensörü ve bagaj hacmini sayan bir fotoelektrik sensör. Fiziksel donanım kurulduktan sonra sensörleri sağlamak ve müşterinin AWS hesabında AWS IoT SiteWise ile iletişimi yapılandırmak için CloudRail.DMC (Aygıt Yönetim Bulutu) kullanıldı. Çözüm, 12.000’den fazla endüstriyel sınıf sensör için ilgili veri noktalarını otomatik olarak tanımlar ve bunları otomatik olarak bir JSON biçimine normalleştirir. Bu kolay provizyon ve net veri yapısı, BT personelinin endüstriyel varlıkları AWS IoT’ye bağlamasını kolaylaştırır. Veriler daha sonra raporlama, durum izleme, AI/ML ve 3D dijital ikizler gibi hizmetlerde kullanılabilir.
IoT projelerinde zamandan ve paradan tasarruf sağlayan hızlı bağlantıya ek olarak CloudRail’in filo yönetimi, binlerce ağ geçidine uzun vadeli uyumluluk ve güvenlik yamaları için özellik güncellemeleri sağlar.
BHS çözümünün mimarisi aşağıdaki gibi görünür:
Sensör verileri CloudRail tarafından toplanır ve biçimlendirilir, bu da AWS API çağrıları kullanılarak AWS IoT SiteWise tarafından kullanılabilir hale gelir. Bu entegrasyon CloudRail ile basitleştirilmiştir ve doğrudan CloudRail.DMC (Aygıt Yönetimi Bulutu) aracılığıyla yapılandırılabilir (Bu blogun bir sonraki bölümünde göreceğimiz gibi, Döngü için Model ve Varlık Modeli’nin önce AWS IoT SiteWise’ta oluşturulması gerekir) . Mimari, tahmine dayalı bakım gerçekleştirmek üzere Amazon Lookout for Equipment ile entegrasyon için ham verileri depolayan bir S3 klasörü aracılığıyla sensör verilerini diğer AWS hizmetlerine sunmak için ek bileşenler içerir, ancak bu blog gönderisinin kapsamı dışındadır. Bir BHS için kestirimci bakım çözümünün nasıl entegre edileceği hakkında daha fazla bilgi için lütfen bu bağlantıyı ziyaret edin.
BHS sensör verilerini AWS IoT SiteWise’ta bulundurarak nasıl bir model tanımlayabileceğimizi, ondan bir varlık oluşturabileceğimizi ve buluta gelen tüm sensör verilerini nasıl izleyebileceğimizi tartışacağız. Bu verilerin AWS IoT SiteWise’ta kullanıma sunulması, OEE bileşenlerini ölçebilen metrikleri ve veri dönüşümlerini (dönüşümleri) tanımlamamıza olanak tanır: Kullanılabilirlik, Performans ve Kalite. Son olarak, BHS’nin üretkenliğini gösteren bir pano oluşturmak için AWS IoT SiteWise’ı kullanacağız. Bu pano, BHS’mizin tüm yönleri hakkında gerçek zamanlı içgörü sağlayabilir ve daha fazla optimizasyon için yararlı bilgiler verebilir.
Veri modeli tanımı
AWS IoT SiteWise’a veri göndermeden önce bir model oluşturmanız ve özelliklerini tanımlamanız gerekir. Daha önce de belirtildiği gibi, aşağıdaki ölçümlerle (ekipmandan veri akışları) tek bir modelde gruplanacak dört sensörümüz var:
Ölçümlere ek olarak, varlık modeline birkaç özellik (statik veri) ekleyeceğiz. Nitelikler, titreşim sensörlerinin maksimum sıcaklığı ve BHS’nin hızı için kabul edilen değerler gibi OEE hesaplamalarında ihtiyaç duyduğumuz farklı değerleri temsil eder.
OEE’yi hesaplama
Standart OEE formülü:
Bileşen |
formül |
---|---|
Kullanılabilirlik |
Çalışma_süresi/(Çalışma_süresi + Çalışma_süresi) |
Verim |
((Başarılar + Başarısızlıklar) / Run_Time) / Ideal_Run_Rate |
Kalite |
Başarılar / (Başarılar + Başarısızlıklar) |
OEE |
Kullanılabilirlik * Kalite * Performans |
Nerede:
- Run_time (saniye): belirli bir zaman aralığında sorunsuz çalışan makinenin toplam süresi.
- Arıza_süresi (saniye): makinenin planlanmış bir faaliyet, bir arıza ve/veya belirli bir zaman aralığında boşta kalma nedeniyle çalışmamasının toplamı olan makinenin toplam durma süresi.
- Başarı: Belirtilen zaman aralığında başarıyla doldurulan birimlerin sayısı.
- Arızalar: Belirtilen zaman aralığında başarısızlıkla doldurulan birimlerin sayısı.
- Ideal_Run_Rate: İdeal çalışma hızının (saniye cinsinden) yüzdesi olarak belirtilen zaman aralığında makinenin performansı. Bizim durumumuzda ideal çalışma hızı 300 torba/saattir. Bu değer sisteme bağlıdır ve üreticiden veya saha gözlem performansına dayalı olarak alınmalıdır.
Bu parametreleri tanımladıktan sonraki adım, AWS IoT SiteWise’a gelen sensör verilerinden OEE formülünü oluşturan öğeleri belirlemektir.
Kullanılabilirlik
Kullanılabilirlik = Çalışma_süresi/(Çalışma_süresi + Arıza_süresi)
Çalışma_süresi ve Duruş_süresini hesaplamak için, makine durumlarını ve mevcut durumu belirleyen değişkenleri tanımlamanız gerekir. AWS IoT SiteWise’ta, bir mülkün veri noktalarını bir formdan diğerine eşleyen matematiksel ifadeler olan dönüşümlere sahibiz. BHS’de 4 sensörümüz olduğu göz önüne alındığında, çok karmaşık hale gelebilen ve 10’lu veya 100’lü değişkenleri içerebilen sensörlerden hangi ölçümleri (sıcaklık, titreşim vb.) hesaplamaya dahil etmek istediğimizi tanımlamamız gerekir. Ancak, karuselin doğru çalışması için ana göstergelerin, iki titreşim sensöründen gelen sıcaklık ve titreşim şiddeti (sırasıyla Santigrat ve m/s^2 cinsinden) ve hız sensöründen gelen karuselin hızı olduğunu tanımlıyoruz. (Hanım).
Doğru işlem için hangi değerlerin kabul edilebilir olduğunu tanımlamak için önceden tanımlanmış Varlık Modelinden öznitelikleri kullanacağız. Nitelikler, formülün okunmasını kolaylaştıran bir sabit görevi görür ve aynı zamanda birden fazla değişiklik yapmak için her bir varlığa gitmeden varlık modeli düzeyinde değerleri değiştirmemize olanak tanır.
Son olarak, belirli bir süre boyunca kullanılabilirlik parametrelerini hesaplamak için, modelin özelliklerinden verileri toplamamıza izin veren metrikler ekleriz.
Kalite
Kalite = Başarılar / (Başarılar + Başarısızlıklar)
OEE Kalitesi için neyin başarı ve başarısızlık olduğunu tanımlamamız gerekir. Bizim durumumuzda, üretim birimimiz sayılı bir torbadır, peki bir torbanın ne zaman başarılı bir şekilde sayıldığını ve ne zaman sayılmadığını nasıl tanımlarız? Görüntü tanıma gibi harici sistemlerin kullanımıyla bu kalite sürecini geliştirmenin birden çok yolu olabilir, ancak işleri basitleştirmek için yalnızca 4 sensörden elde edilen ölçümleri ve verileri kullanalım. Öncelikle fotoelektrik sensörün sağladığı mesafeye bakılarak torbaların sayıldığını belirtelim. Bir nesne bandı geçerken, ölçülen mesafe taban mesafesinden daha düşüktür ve bu nedenle bir nesne algılanır. Bu, geçen torbaları hesaplamanın çok basit bir yoludur, ancak aynı zamanda ölçümün doğruluğunu etkileyebilecek birden fazla koşula eğilimlidir.
Başarılar = sum(Bag_Count) – sum(Dubious_Bag_Count)
Başarısızlıklar = toplam(Dubious_Bag_Count)
Kalite = Başarılar / (Başarılar + Başarısızlıklar)
Tüm hesaplamalarda aynı metrik aralığını kullanmayı unutmayın.
Verim
Performans = ((Başarılar + Başarısızlıklar) / Run_Time) / Ideal_Run_Rate
Halihazırda Kalite hesaplamamızdan Başarılar ve Başarısızlıklar ve Kullanılabilirlikten Run_Time var. Bu nedenle, sadece Ideal_Run_Rate’i tanımlamamız gerekiyor. Daha önce belirtildiği gibi, sistemimiz ideal olarak 300 torba/saat hızında çalışır, bu da 0,0833333 torba/saniyeye eşdeğerdir.
Bu değeri yakalamak için varlık modeli düzeyinde tanımlanan Ideal_Run_Rate özniteliğini kullanırız.
OEE Değeri:
Kullanılabilirlik, Kalite ve Performansa sahip olarak OEE için son metriğimizi tanımlamaya devam ediyoruz.
OEE = Kullanılabilirlik * Kalite * Performans
AWS IoT SiteWise’ta OEE’yi Görselleştirme
OEE verilerini AWS IoT SiteWise’a dahil ettikten sonra, verilerin tutarlı görünümlerini sağlamak ve kullanıcılar için gerekli erişimi tanımlamak için AWS IoT SiteWise portalları aracılığıyla panolar oluşturabiliriz. Daha fazla ayrıntı için lütfen AWS belgelerine bakın.
OEE Panosu
Çözüm
Bu blog gönderisinde, bir BHS’den gelen sensör verilerini sistemimizden anlayışlı bilgiler çıkarmak için nasıl kullanabileceğimizi ve bu verileri Genel Ekipman Verimliliği (OEE) hesaplamasının yardımıyla fiziksel sistemimizin bütünsel bir görünümünü elde etmek için nasıl kullanabileceğimizi araştırdık.
CloudRail bağlantı çözümünü kullanarak BHS’ye monte edilen sensörleri AWS IoT SiteWise gibi AWS hizmetlerine dakikalar içinde entegre edebildik. Bu entegrasyonun yerinde olması, sistemin sensörlerinden gelen verileri depolamamıza, dönüştürmemize ve görselleştirmemize ve sistemin Performansı, Kullanılabilirliği ve Kalitesi hakkında gerçek zamanlı bilgiler sağlayan panolar üretmemize olanak tanır.
AWS IoT hizmetleri ve İş Ortağı çözümleri hakkında daha fazla bilgi edinmek için lütfen bu bağlantıyı ziyaret edin.
Yazarlar Hakkında
Source: aws.amazon.com