基于大數據分析模式的信息化設備管理研究

逯 江，王宇翔，張 金

（河南中煙工業有限責任公司安陽卷煙廠，河南 安陽 455000）

目前，煙草行業設備日趨呈現出高速化、精密化、大型化、自動化等特點，科技水平日新月異，與此同時，“卷煙上水平”對設備保障能力和設備管理綜合協調能力提出了更高要求，針對以上情況，煙草企業亟需對設備的管理方法做出提升和優化，才能滿足新時代的發展需求。

1 安陽卷煙廠卷包車間設備管理現狀

安陽卷煙廠卷包車間的設備管理工作在近些年不斷的探索和實踐中已經初步形成了以點檢定修為核心的預防性維修管理模式，利用搭建起來的EAM系統、點檢系統和數采系統等平臺，實現了信息化進程。但是，面對數量龐大、種類繁多的數據信息，還未找到科學有效的方法對其充分研究和利用，暴露出在一些指導結論的方向性和準確性上有所欠缺。針對這一情況，卷包車間著手進一步提升理念，優化管理，建立和實踐出一套體系化、可控制、高效率的具有鮮明安煙特色的設備精益管理模式。

2 研究方法

2.1 總體框架

卷包車間設備管理工作的信息化平臺主要有EAM系統、點檢系統和數采系統，這三大系統是進行信息化管理的硬件支撐，所有數據的輸入和輸出也正是來源于此，因此，要緊緊圍繞信息化系統，做到采集數據、分析數據和運用數據，進而實現數據指導、數據驗證和數據考核，其總體框架如圖1所示。

從圖1中可以看出所有采集到的數據全部流入到車間云數據庫當中，在云數據庫當中分為四大層級，分別為技術云層、計劃云層、執行云層和制度云層。

圖1 信息化設備管理模式總體框架

2.2 數據采集階段（車間信息化平臺數據）

數據采集是關系到新的管理模式能否成功的基礎性工作，也是所有流程環節執行的第一步，如何從EAM系統、點檢系統和數采系統（簡稱三大系統）提煉出真實有效的數據就顯得尤為重要。通過對三大系統的特性進行分析，最終確定了分別要采集到的重要數據，如圖2所示。

圖2 數據收集系統圖

3 項目特色

3.1 設備狀態分析

設備狀態分析主要涉及三大指標數據：設備運行數據、質量數據和消耗數據。為了保證在對所選數據展開分析時能夠得出最為科學準確的結論，我們在此處引入層次分析法（The Analytic Hierarchy Process，簡稱AHP）先對各指標權重情況進行劃分[1]。

第一步：成立專家組，確定判斷打分方案。

專家組成員包括設備員、工藝員、材料員等，通過專家組對各項評價指標間關于設備狀態的相對重要程度，給出兩兩比較判斷，從而構成判斷矩陣，再由這個判斷矩陣計算出各元素排序的權重。對完整的k（1≦k≦L）個判斷矩陣。應用乘積方根法或其他方法，分別求出排序權重向量…，m）后，再將wi加權平均，即所得權重系數wi（i=1，2，…，m）[2]。

第二步：建立層次結構圖，確定權重份額。

按照調查和生產中的實際問題，建立影響設備維修的指標體系，如下所示：

目標層A 設備維修評價

準則層B 維修復雜程度B1 消耗B2 產品質量B3 OEE B4

隨后構造判斷矩陣，并進行層次單排序及其一致性檢驗。對準則層4個方面的內容進行細化打分，再運用公式，得出設備狀態量化值。

（1）設備維修的復雜程度（i）：設備的自動化程度不同，決定了它維修精確度、難度也不同。按難易程度分為10個等級，分別計數為“1”，“2”，“3”……“10”。

（2）消耗（c）：設備的使用壽命和機型不同，對能源和材料的消耗也不同，因我廠的機臺都基本相同，使用年限也相差不多，故各個機臺的消耗相差無幾，為計算方便統一計數為1。

（3）與產品質量的關聯度（q）：是指設備與產品質量的關聯度大小，就是設備發生故障對產品質量的影響程度，按影響程度分為10個等級，分別計數為“1”，“2”，“3”……“10”。

（4）OEE（o）：設備的綜合效率直接反映當班的產量，故對設備的維修評價具有關鍵性的影響。

根據以上參數對設備性質的影響，可以建立如下的經驗模型：

其中：k為公式的修正系數，記為1000；W1為設備維修復雜程度的權重；W2為消耗的權重；W3為與產品質量的關聯度的權重；W4為設備綜合效率的權重。

將每個機臺中的各值帶入上述經驗模型，通過比較m值的大小來合理安排維修計劃，設定m值越小越需要及時處理。通過以上公式合理計算出，下周需要輪保的計劃，然后結合實際情況，由設備技術人員作出合理的計劃安排。

3.2 備件分析

備件分析是以備件壽命周期分析為核心，重點對備件的使用周期情況進行科學的研究，進而達到指導維修工作的目的。該分析工作主要針對典型機型當中的PASSIM，PROTOS和G.D設備，選取其中發生故障率高，影響產品質量，對單箱維修費用占比較大的備件，收集相關數據信息（數據來源主要為EAM系統當中的備件領用數據，設備運行數據和維修實施數據等），運用六西格瑪工具，引入可靠性研究理論，對所選備件展開深入細致的分析和研究。

4 系統設計

4.1 體系架構

整個系統是在對卷包設備基礎數據抽取的基礎上，再對數據格式做相應轉換，通過Web方式以柱狀圖等可視化圖形向用戶直觀展現設備運行狀態、機臺產量對比、消耗數據等信息，并將每個機臺中的各值帶入公式中計算經驗模型m值，通過m值得大小排序預測各個機臺下一期的輪保日期。

整個系統的體系架構如圖3所示，重點給出了卷包設備信息數據處理流程，從中可看出，整個數據處理服務可分為兩大部分：前端的設備信息結構化數據查詢、檢索、數據導入和智能化處理以及后端的數據采集和管理。

圖3 系統體系架構圖

4.2 系統總體設計

卷包設備云分析系統主要由數據層、業務邏輯層和應用層構成。其具體結構如圖4所示。

圖4 系統總體設計圖

數據層是整個系統數據可視化操作生成圖表的數據來源，從業務邏輯層發出的指令到達數據層，數據層按照接收的指令對數據庫中的對應數據操作，主要功能是用來存儲設備數據，并對存儲的數據進行讀寫等相關操作。

業務邏輯層用來處理整個系統的業務邏輯，在訪問數據層并進行相應可視化處理后，可以從數據層中獲取到所有數據，并對這些數據進行格式化處理后再反饋給應用層[3]。

應用層的作用是把從邏輯層獲取到的數據信息展示在Web頁面中。

4.3 系統功能模塊組成

圖5給出了整個系統的功能模塊圖，從系統功能上看，主要有六大模塊：上傳數據、數據處理、數據管理、異常數據庫、報表生成和輪保預測。

圖5 功能模塊圖

4.4 系統應用展示

分別上傳卷煙機、包裝機的上期和本期OEE指標分析數據，通過數據篩選并分類整理后，存入信息數據庫中。如圖6所示。

圖6 卷煙機OEE指標分析數據

后臺自動對信息數據庫中的OEE指標數據進行查詢并加工處理后，生成相應OEE指標分析報表。如圖7、圖8所示。

由圖7、圖8分析可得：卷煙機上期OEE指標值平均值為61.23%，本期OEE指標值平均值為65.48%，本期數據較上期增幅為6.94%，兩期均低于平均值的機臺為1#卷煙機、6#卷煙機、11#卷煙機。

圖7 卷接OEE指標值柱狀圖

圖8 包裝OEE指標值柱狀圖

包裝機上期OEE指標值平均值為45.54%，本期OEE指標值平均值為61.1%，本期數據較上期增幅為34.17%，兩期均低于平均值的機臺為1#包裝機、3#包裝機、4#包裝機、5#包裝機、6#包裝機、7#包裝機、8#包裝機、11#包裝機。

分別上傳卷煙機、包裝機的上期和本期產量數據，通過數據篩選并分類整理后，存入信息數據庫中。如圖9所示。

圖9 卷接產量數據

后臺自動對信息數據庫中的產量數據進行查詢并加工處理后，生成兩期產量對比分析圖表。如圖10、圖11所示。

由圖10、圖11分析可得：卷煙機上期好煙數平均值為15 216.012萬支，本期好煙數平均值為15 285.466 5萬支，本期數據較上期增幅為0.46%，兩期均低于平均值的機臺為1#卷煙機、6#卷煙機、8#卷煙機、11#卷煙機。

圖10 卷接產量柱狀圖

圖11 包裝產量柱狀圖

包裝機上期主機產量平均值為14 632.144 5萬支，本期主機產量平均值為14 890.326 3萬支，本期數據較上期增幅為1.76%,兩期均低于平均值的機臺為1#包裝機。

分別上傳卷煙機、包裝機的上期和本期消耗數據，通過數據篩選并分類整理后，存入信息數據庫中。如圖12所示。

圖12 卷接消耗數據

后臺自動對信息數據庫中的消耗數據進行查詢并加工處理后，生成兩期消耗數據對比分析圖表。如圖13、圖14所示。

圖13 盤紙消耗柱狀圖

由圖13、圖14分析可得：卷煙機上期消耗盤紙平均值為6 149 979.51 m，本期消耗盤紙平均值為8 990 982.18 m，本期數據較上期增幅為46.2%，兩期均低于平均值的機臺為1#卷煙機、4#卷煙機、6#卷煙機、11#卷煙機。

圖14 嘴棒消耗柱狀圖

卷煙機上期消耗嘴棒平均值為25 599 347支，本期消耗嘴棒平均值為37 479 522支，本期數據較上期增幅為46.41%，兩期均低于平均值的機臺為1#卷煙機、4#卷煙機、11#卷煙機。

包裝機上期消耗條盒平均值為565 100張，本期消耗條盒平均值為761 609張，本期數據較上期增幅為34.77%，兩期均低于平均值的機臺為1#包裝機、4#包裝機、6#包裝機、7#包裝機、8#包裝機、11#包裝機。

5 結束語

新的管理模式自2020年7月開始探索以來，取得了顯著的效果，具體表現在其保障了金葉制造工作的有序進行，產品質量的穩定可靠，而且對設備的精益化管理作出了積極的貢獻。（1）有效作業率穩中有升。從統計出的結果來看，2020年安陽廠卷包車間的有效作業率為95.74%，到2021年之后，特別是在新模式研究探索的下半年里，車間的有效作業率始終維持在98.50%的高位，最終將全年的有效作業率提升到了98.26%的歷史高點。（2）精益管理實現新提升。經過近一段時間的研究，新模式已經逐漸發揮了其數據化變革后達到預知性維修的作用，促進精益化管理實現了新的提升。運用數據分析，不僅準確預測到了設備的狀態變化，故障隱患的發生概率，還對備件的使用情況進行了數據化武裝，利用數據獲得的壽命周期結論，科學安排更換時間和采購計劃，使得備件管理工作更加有的放矢，極大地提高了企業的精益生產管理和精益裝備管理水平。