设备管理误区.docx

企业虽然花费巨资引进了非常先进的设备，但设备管理维护、人员知识结构仍停留在较低水平：数据采集基本靠笔，处理基本靠人，分析基本靠猜(经验)。可以说是买来了工业4.0的设备，却延续着工业2.0的管理。从设备资产效益产出角度看，我们现在的设备综合效率的提升空间巨大。据统计，我国大部分离散制造业的OEE在40%左右，距离发达国家至少还有30%-40%的提升空间。同时，很多企业对设备维护和保养的精细化管理不够重视，造成异常停机和备件浪费等隐性损失。在当前疫情冲击、全球化局势不确定性进一步增加的形势下，提升设备管理水平可以为企业的生存发展，提升竞争力带来宝贵的机会。如何构建面向新型设备的管理能力，是当前我国制造业面临的一个问题和挑战。为此，我们总结了制造业企业存在的几大误区，并给出了对应的策略建议，希望可以帮助企业少走一些弯路。1重硬轻软大部分企业新建工厂或者新购买的设备，只重视硬件的验收交接，忽视了软件系统的运行、维护、服务标准，没有明确要求设备厂商提供数据采集接口和定义设备数据所有权。根据相关数据统计，目前我国企业生产设备的数字化率平均为47%，关键工艺的数控化率51%，关键设备联网率41%。嵌入式软件、人机界面、数据监测模型、管理平台都是智能设备的重要组成部分，也都应当是设备管理的范畴。结合笔者进行工业互联网相关项目的经验来看，设备数据采集受制于工业现场协议众多、原厂不开放不支持、设备数据不确权等原因，设备数采仍然是生产现场数字化推进中最大的痛点之一。比如我国许多SMT产线，贴片机本身精度很高、节拍很快、良率也都在99%以上了，单纯靠手工调试，很难再提升了。许多工厂期望能将贴片机的数据实时数采和分析，解决自动叫料、接料问题，改善抛料问题。但目前动辄数万的数采费用，让许多工厂望而却步。因此，工厂在设备采购环节就提前考虑，将相关要求加入商务条款，可以为以后设备制程详细数据的采集和工艺、品质的分析优化做好准备。2生产为重，不坏不修、不停不管在大部分工厂，特别是离散制造业，都是生产是老大，设备只是保障部门，只要设备还能运转，就不会停产，这导致设备维护改善的时间和资金投入严重不足，设备部也陷入四处救火、穷于应付的被动恶性循环。究其原因，是因为企业没有从工厂端到端视角看设备停机的损失。在设备故障出现初期征兆的时候进行维护，远比造成停机后再维修造成的损失和投入成本要小得多。设备管理经历了四个发展历程：从1.0的纠正性维护(CM)，到2.0预防性维护(PM)、3.0的可靠性维护(RCM)、4.0的预测性维护(PHM)，本质上是以设备健康管理（EHM：EquitmentHealth Mangment）为中心，从“治已病”到“防未病”的进化过程。通过EHM，设备健康状态不再是简单地划分为正常、异常。我们可以通过新技术、新工具，分析积累的基础数据，评估出设备的亚健康状态，提前维护，大大减少设备维护成本。例如，给设备维护工程师配备带有振动传感器的智能点检仪，就像给医生配了“智能听诊器”一样，通过数秒的监测振动，结合内置的频谱分析模型，就可以准确、快速的判断出设备健康状态、故障征兆原因，对设备工程师故障诊断起到重要辅助作用。这样，设备管理人员的职责从原来的坏了再修，转向如何保障设备健康运行的专业维保维护工作，进入良性循环。3设备问题就是设备部的事情虽然设备管理已经推行了多年，但许多管理者观念和行动上，还是认为设备出了问题，就是设备部的事情，导致生产部门对设备的故障不关心，对影响产量、质量的设备维护不重视。设备维护工程师也往往因为地位低、薪酬低，自嘲为看门狗和替罪羊：节假日，别人可以休息，他们却不能离开，因为这正是维修设备的好时机；凡是出了问题，无论是设备停机，生产停产，还是质量事故，都会与设备相关，设备人员几乎永远是背锅侠。设备部成了优秀人才最不愿意去的地方。这种恶性循环现象需要生产管理者身体力行，树立正确的设备管理理念，构建生产为主体的全员自主维保体系。只有生产部门管理者重视起来了，生产设备操作者才会改变对设备漠不关心的态度，才能有效进行设备保养。这个光靠设备部是玩不转的。工厂可以通过引入数字化的设备健康管理解决方案，构建全员自主维护保养的体系和运转机制。通过导入设备健康管理解决方案，实现了设备的二级标准保养体系：工位操作工的日常自主点检维保、设备工程师的专业点检维保，通过NFC、移动化APP、照片水印、图像比对等技术，杜绝原来的假点检、假巡检问题。同时通过扫码报修、数据规则自动报修、维护工单自主抢单、维修效果用户评价、绩效积分竞比等功能和机制，帮助工厂实现TPM的自运转。帮助工厂降低异常停机时间。4将设备维护当作成本中心许多管理者认为设备零故障是不可实现的，企业在遇到困难需要削减成本时，很多情况是拿设备维修费用开刀，甚至提出让维修预算每年递减百分之几的目标。从传统财务角度看，设备维修资金一般被定义为成本和费用。其实早在30年前，德国召开欧洲维修团体联盟国际会议时，就提出“维修为了未来的投资“的主题。作为投资，就需要有清晰的投入产出。维修的投入是设备日常维护所投入的人工费、各类防护费、备件费，以及设备管理系统的投资。产出是什么呢？是避免由于设备维护不足、设备管理不善，带来的设备停机、精度或者质量缺陷带来的损失。如果对这些损失的价值误判，则容易扼杀设备维护技术和管理体系的改善性投入。曾经有个单位设备部要上马设备健康管理解决方案项目，实现设备的数据采集和监控，同时通过移动化的巡点检，实现设备的报修和维护过程，形成设备的故障树记录。但是在核算投入产出的时候，却屡屡被财务挑战，过不了关。他们理解降低设备停机1小时的价值，仅仅是这1小时涉及到的员工的人工成本。这样算下来，价值产出太低，许多设备改善项目没法上马。这样的项目价值核算标准直接打压了工厂精益革新的积极性。设备停机一小时的损失，要从工厂视角端到端的去衡量整体，这里面其实包括了产能损失的机会成本，即1小时的产品产值损失，才是这个工厂真正的损失。这样算下来，工厂许多可以改善停机、改善浪费、现场精益类的小改小革的项目，都可以进行开展，能激发起基层员工的创新积极性，也确实能给工厂带来实实在在的效益。在实际操作中还存在一个问题，就是备件的更换，很大程度上掌握在维修工手上，存在着许多“人为掌握”更换的因素。维修人员大都靠经验判别备件损坏程度，对怀疑有故障的零部件，通常为了减少麻烦，即使还可以用也会更换成新的，导致产生过度维护的隐性浪费。这块隐形的损失，如果通过构建更精准的备件寿命管理，可以转变成“利润”。设备维护工作由过去强调为生产服务，追求较高的设备完好率指标转变到以企业的经济效益为中心，要求设备管理工作重视维修费用的管理与控制，找到以最少的维修费用达到最高的设备可利用率的平衡点。企业高层管理者应当从“投资”的角度认识维修和设备管理，实现转变设备管理理念。5想依赖“预测性维护”解决问题“预测性维护”一直是工业互联网的热门话题，声称通过IoT和AI实现了预测性维护的公司繁多，许多工厂也期望将自己对设备故障的不确定性，交给 “预测性维护”来解决。但据笔者观察，目前大部分此类项目预测的准确率很低，仍是概念和实验性的居多，在可解释性,可验证性、可复制性上都还存在有问题。预测性维护的落地比预想中困难，是因为企图单纯依赖数据提取可解释的工业机理逻辑，难度远超想象。主要有两个原因：一是因为许多企业的基础数据还缺乏积累，比如设备基本的巡点检、维护保养、故障分析记录，都还是散落在各种纸张、Excel中，设备缺乏数字化档案，基本维护保养数据、备件更换记录、故障和修理数据，包括设备的故障特征数据还没有结构化的积累，就不可能实现模型的训练和验证；二是许多厂商企图单纯依赖数据分析路径而忽略了设备工程师现有专业知识和经验的融入，光靠数学和AI算法容易走入统计陷阱，只是得到了相关性，不容易得出可解释、可预测的因果性模型。所以我们建议工厂一是要重视设备数字化档案、基础维护、维修工单、故障树等这些基本数字化能力的建设。二是针对重点的高价值、停机高损失设备，将经验模型和数据模型结合建模，而且模型的输出，目的是起到辅助人员维护维修的作用，最后还是需要交给人来综合判断。许多设备维护维修技术体系，也确实是从过去维护体系发展来的。构建新型的设备管理能力，需要工厂管理者认识到设备是构建工厂核心竞争力的基础，积极变革设备管理和作业方式，向数字化、智能化发展。