Estado da indústria:para onde vamos?

Introdução:uma dissecção dos últimos meses

Ninguém poderia realmente prever os efeitos do coronavírus em nossa sociedade em grande escala no início deste ano. Isso é evidenciado na volatilidade histórica do mercado de ações (geralmente indicando níveis sem precedentes de incerteza), decisões políticas em rápida mudança (enquanto lutamos para responder às mudanças no ambiente técnico do dia) e um clima político cada vez mais agravado.

À medida que nos aproximamos do outono, com a reabertura e o fechamento de escolas e faculdades, bem como a temporada de gripe a caminho, a incerteza e a volatilidade certamente só aumentarão. As atualizações diárias que fornecemos sobre o estado real da indústria manufatureira se tornarão cada vez mais importantes, especialmente à medida que mais pessoas que definem políticas usam nossos dados em suas previsões e na orientação de suas decisões.

Temos recebido solicitações de muitas organizações, de empresas de manufatura, empresas de consultoria e contabilidade e até de instituições governamentais sobre mais detalhes sobre como nossos dados realmente se tornam. As inúmeras perguntas são compreensíveis, pois a MachineMetrics está envolvida em uma categoria totalmente nova de serviços de otimização de máquinas, que é uma implementação de nuvem pura e, portanto, oferece não apenas aos clientes as vantagens da nuvem, mas também nós a vantagem de uma medida agregada e anônima para a indústria. Nesta edição, passaremos por algumas diligências sobre como realmente obtemos nossos dados, além dos insights recentes que podemos obter deles.

Prólogo:como estamos obtendo esses dados?

Frequentemente recebemos perguntas como “Como você atualiza seu conjunto de dados quando novas máquinas são conectadas?” ou “Como o tamanho da sua amostra é grande o suficiente para obter essas métricas agregadas?” “Como você pode verificar se os dados de muitos milhares de máquinas são precisos?”

Essas são ótimas perguntas e podem causar perplexidade para aqueles que não vêm de ambos um fundo de fabricação e tecnologia. Vamos começar do básico.







Esta é uma típica oficina mecânica, localizada em algum lugar nos EUA. As máquinas não estão conectadas a nenhum tipo de serviço de otimização ou monitoramento de máquinas, e o gerente de chão de fábrica só sabe que estão com peças atrasadas no final do dia quando um operador diz que estão com falta. Eles então precisam adicionar turnos extras ou colocar a máquina em um overdrive de taxa de alimentação para recuperar o atraso, ou apenas frustrar seus clientes por falta de peças e falta/atraso de uma data de entrega. Não é ótimo, mas é como as coisas têm sido feitas nas últimas décadas.

É aqui que entramos e habilitamos uma solução da Indústria 4.0 fazendo com que essas máquinas sejam conectadas e seu desempenho visível em todos os momentos. Podemos nos conectar ao PLC (Controle Lógico Programável) dessas máquinas, que emite todos os tipos de informações importantes normalmente visíveis apenas para o operador que está bem na frente da máquina.

Como vamos fazer isso? O segredo está em nosso dispositivo Edge, que é basicamente um computador Windows/Linux IoT pré-carregado com vários adaptadores de máquina que pode traduzir, limpar e interpretar os sinais que saem do PLC. Cada fabricante de controle tem sua própria API que nos permite fazer isso, e grande parte de nossa propriedade intelectual está em decodificar essas APIs e traduzir os idiomas individuais em um idioma unificado. Abaixo está uma foto de um PLC de máquina, e as caixas verdes/pretas que você vê destacadas são nossa borda e dispositivo de E/S digital. Simplesmente nos conectamos à porta Ethernet no PLC para extrair as informações que o controle está emitindo e, em seguida, transmiti-las para a nuvem. Facilitamos o suficiente para que as pessoas possam instalar tudo sozinhas, sem precisar de nossa presença no local; a complexidade é essencialmente transferida do cliente para a tecnologia complexa dentro do dispositivo Edge.







O que nossos clientes ganham com isso? Belos painéis, que mostram a eles, ao vivo, como suas máquinas estão indo. O que uma máquina do chão de fábrica está fazendo? Está ligado ou desligado, quem está operando, e eles estão atrás ou à frente do objetivo de suas peças?







Sendo uma empresa de produtos, o principal trabalho da MachineMetrics Data Science é usar esse enorme conjunto de dados para prever quando as máquinas falharão e interrompê-las antes que causem danos ou perdas aos nossos clientes. Isso tem o efeito de tornar nosso produto melhor, o que significa que pode ser mais fácil de vender, o que significa que obtemos ainda mais dados para otimizar as máquinas que temos sob nosso guarda-chuva. Um ciclo virtuoso. Por exemplo, pode ser extremamente útil analisar o que está causando a falha de uma máquina em um cliente e aproveitar esses dados para ajudar esse cliente e outros clientes com máquinas semelhantes e problemas semelhantes.

No entanto, um dos efeitos colaterais maravilhosos de todos esses dados é que também podemos agregar essas informações juntas e veja as tendências gerais do setor. Este não era o objetivo principal de nossa empresa em primeiro lugar, mas porque temos diligentemente aprimorado nosso produto e habilitado máquinas auto-instaladas nos últimos cinco anos, temos uma amostra significativa e representativa do espaço de fabricação dos EUA agora . Uma das chaves para fazer isso foi tornar o produto fácil de usar e auto-instalar, para que não precisemos ir ao local para a maioria de nossas integrações e treinamentos. Isso nos permite escalar exponencialmente e não linearmente; não precisamos contratar mais integradores ou treinadores para acompanhar a demanda.

Abaixo está a tabela em que nossa equipe de Data Science trabalha para gerar essa análise, limpa de informações específicas do cliente. Você pode ver que para cada hora de cada dia e para cada máquina, recebemos automaticamente de nossa frota de dispositivos Edge:

[Imagem em tamanho real]

1. in_cycle_ms:quanto tempo a máquina está em ciclo (executando um programa de código G ou se for uma máquina sem PLC, quanto tempo o fuso está consumindo uma corrente significativa).
2. spindle_rotating_ms:desse tempo, quanto o próprio fuso está girando ? Durante os programas de código G, às vezes, pausas e pausas são incorporadas. Essa métrica exclui esses períodos.
3. cutting_ms:de isso tempo, quanto tempo é realmente gasto cortando , ou seja, em contato metal com metal?
4. parts_produced:Durante esse período, quantas peças o PLC nos disse que foram produzidas? Isso geralmente é um produto de quantas rotações do programa G-code que vimos mais um multiplicador de peças (ou no caso de uma máquina mais antiga, o produto de quantos padrões ⚡️ de corrente distintos havia que indicavam uma peça sendo feita).

Também coletamos alguns itens de entrada manual dos operadores da máquina, que podem nos informar, qual das peças produzidas:

1. parts_rejected:quantas peças foram rejeitadas por qualquer motivo.
2. parts_scrap:das peças rejeitadas, quantas foram enviadas para sucata.
3. parts_nonconform:das peças rejeitadas, quantas não estavam em conformidade com os padrões de controle de qualidade.

Você pode ver que temos cerca de ~66 milhões de horas-máquina de dados de produção registrados neste momento, que acreditamos ser um dos maiores e mais completos da indústria de manufatura.

Temos uma diversidade de clientes em tamanho, região e indústria. Estamos ligeiramente sub-representados em comparação com a fabricação como um todo para o setor automotivo e super-representados na fabricação de dispositivos médicos. Também estamos um pouco sobre-representados no Nordeste, pois é onde nossa equipe de engenharia e sede estão localizadas. Segue abaixo uma distribuição de nossa base de clientes, bem como algumas empresas representativas. O analista astuto, que deseja uma medida extremamente precisa para entradas de modelos ou para fins preditivos, pode construir uma medida de utilização ponderada novamente com base em nossos dados brutos. À medida que nossos dados se tornam mais amplamente utilizados, eles passam por um maior escrutínio por sua robustez, suposições e fontes. Nesta edição da atualização Estado da Indústria, sentimos que era importante cobrir todas as três áreas.

[Imagem em tamanho real]

Então, qual é a situação do setor agora?

Depois de tudo isso... vamos começar com as atualizações de utilização que temos postado no LinkedIn todos os dias, com algumas tendências sobrepostas. Basicamente, vemos quatro regimes acontecendo ao longo do ano até agora, que são:

1. Um aumento de 7% antes do coronavírus atingir os EUA e os estados fecharem
2. Uma redução de 16% de março a meados de abril, quando as paralisações estavam no auge
3. Um aumento de 8% da Páscoa até o Dia da Independência, quando as paralisações começaram a ser relaxadas e
4. Uma redução de 2% em nosso modo atual de "esperar para ver" durante o verão e o outono de 2020

Embora essas tendências gerais possam não ser uma surpresa para nenhum de nós, colocar um indicador quantitativo exato sobre elas é nossa nova contribuição. Nunca antes nenhuma organização foi capaz de apresentar um indicador de alta frequência preciso e representativo do setor para o desempenho de fabricação.

[Imagem em tamanho real]

Indústrias e divisões geográficas

Isso tem grandes consequências para avaliar com precisão o estado da indústria. Não surpreendentemente, isso muitas vezes se manifesta em nosso setor e divisões geográficas. Passaremos esta seção focando em solicitações que tivemos para mergulhar profundamente em determinados setores e regiões geográficas.

Vamos começar com os detalhamentos no nível do setor, voltando à era pré-COVID este ano. Como você pode ver abaixo, o setor automotivo entra em colapso no final de março, quando as fábricas são obrigadas a fechar e a demanda do consumidor entra em colapso. A fabricação de dispositivos médicos, no entanto, permanece estável.

[Imagem em tamanho real]

Vamos remover as alterações de nível diário contínuo para obter uma visão mais clara das tendências gerais. Vamos ficar com essas linhas de tendência, que são construídas a partir de um ajuste LOESS para a média móvel de 7 dias com um intervalo de 0,75 (economistas e analistas, me chamem se quiserem mais detalhes).

[Imagem em tamanho real]

Em seguida, dividimos isso em três capítulos e reajustamos a curva LOESS por capítulo.

[Imagem em tamanho real]

Capítulo 1:A utilização sobe as escadas... o elevador desce

Vamos ampliar o período de meados de fevereiro a meados de abril. No início de fevereiro, todas as cinco principais indústrias que acompanhamos estavam zunindo, prestes a estabelecer novos máximos de 18 meses. O setor automotivo parecia especialmente forte, pois a alta demanda do consumidor e o aumento do sentimento de compra fizeram com que muitos fabricantes OEM e Tier 1 aumentassem os níveis de produção e, portanto, a utilização da máquina. Outras indústrias estavam se mantendo estáveis ​​ou aumentando ligeiramente.

Então, os desligamentos do COVID ocorrem e vemos um caso clássico de “subir as escadas e descer os elevadores”. Vemos esse padrão em muitos outros domínios, como o mercado de ações. É preciso muita estabilidade e outras coisas para dar certo para que as coisas subam lentamente, mas apenas um grande evento para que as coisas caiam, e muito rapidamente. Juntamente com um desligamento obrigatório, o colapso da demanda do consumidor eliminou a fabricação automotiva, com níveis de utilização caindo 40% em meados de abril. Alguns de nossos clientes tentaram refazer as ferramentas para fabricar ventiladores e outros equipamentos médicos durante esse período, mas não foi o suficiente para equilibrar as paralisações. Em 15 de abril, atingimos o ponto mais baixo de utilização que vimos em 3 anos de rastreamento do desempenho da máquina (excluindo feriados).

[Imagem em tamanho real]

Capítulo 2:uma recuperação irregular

De meados de abril até o final de junho, entramos em um regime de recuperação desigual. À medida que o vírus ficou mais sob controle e os bloqueios diminuíram, as empresas reiniciaram parte de sua produção. A fabricação de dispositivos médicos, sem surpresa, ampliou sua liderança, pois havia uma corrida por ventiladores e outros equipamentos médicos. Outras indústrias, como Aeroespacial e Defesa, Fabricação de Equipamentos Industriais e Fabricação por Contrato oscilam para cima e para baixo durante esse período, buscando uma recuperação rápida, mas parecendo nunca alcançá-la. O setor automotivo continuou seu declínio, a demanda permaneceu deprimida, pois as pessoas eram forçadas a ficar em casa ou não queriam sair e fazer compras.

[Imagem em tamanho real]

Capítulo 3:Não é exatamente um rali

De 1º de julho à nossa semana atual, vemos uma ligeira recuperação e, em seguida, um desempenho praticamente estável nas últimas semanas. Os clientes automotivos começaram a relatar operações regulares para nós, e vemos isso também em sua maior utilização. Lidar e desenvolver estratégias para viver na era do coronavírus pode ser o principal motivo disso, além de as pessoas se aventurarem mais e terem um pouco mais de confiança na economia. Os gastos do consumidor em geral aumentaram, o que certamente terá um efeito na cadeia de suprimentos. A fabricação médica também aumentou.

[Imagem em tamanho real]

Post-script 1:Evidências de turnos escalonados, por região

Subscrevemos os seguintes agrupamentos formais para risco COVID - e podemos ver uma diferença decisiva na distribuição de utilização por hora para cada geografia. Renormalizamos a utilização para estar entre 0 e 1 para que possamos ver as diferenças de distribuição mais intensamente (observe a mudança no título e nos valores do eixo Y). Por meio dessa análise, podemos ver que diferentes estados tratam o distanciamento social, por meio de turnos escalonados em suas fábricas, com mais seriedade do que outros. NY/NJ/CT, em particular, vê uma diferença gritante na propagação da utilização por hora após março, com uma utilização muito maior do que o normal durante as primeiras horas da noite. Isso ocorre porque a mão de obra está sendo deslocada do horário principal das 10h às 16h para ser dividida de forma mais uniforme, conforme evidenciado pela “curva mais plana” na curva de distribuição horária para NY/NJ/CT. Os outros estados mostram uma nítida falta de movimento em sua distribuição, antes e depois do COVID. É fascinante como os efeitos de diferentes subculturas nos Estados Unidos e seu tratamento do coronavírus se irradiam até o nível do chão de fábrica. Nós meio que sabíamos disso antes, mas colocar algum rigor sobre o quanto isso é verdade é bastante notável.

Agrupamentos de risco COVID

· Grupo 1:NY/NJ/CT

· Grupo 2:AL, AR, AZ, CA, FL, GA, IA, ID, LA, MS, NC, NV, OK, SC, SD, TN, TX e UT

· Grupo 3:DC + Outros (CO, IL, IN, KS, KY, MA, MD, ME, MI, MN, MO, NE, NH, OH, OR, PA, VA, VT, WA, WI, WY)

Grupo 1 [GIF em tamanho real]

Grupo 2 [GIF em tamanho real]

Grupo 3 [GIF em tamanho real]

Post-script 2:Consequências das decisões políticas imediatamente visíveis e quantificáveis

Quando olhamos para o período de meados de março e trazemos os valores normalizados de nível diário de utilização, podemos ver alguns efeitos muito claros da política do governo sobre as paralisações por coronavírus. Abaixo, dividimos nossos dados em nossas três regiões geográficas novamente. Mesmo uma rápida olhada indica que essas três regiões se comportam de maneira muito diferente na época em que o coronavírus atinge os EUA pela primeira vez.

[Imagem em tamanho real]

Especificamente, observamos uma redução de aproximadamente 50% na utilização relativa no dia seguinte governadores em NY/NJ/CT emitem uma ordem de desligamento total. Especulamos que isso significa que cerca de 50% das lojas que rastreamos foram consideradas empresas essenciais que conseguiram permanecer abertas. Outros estados não veem essa queda. A atividade de fim de semana, que normalmente é um oitavo da atividade normal, desaparece totalmente em NY/NJ/CT no fim de semana após o desligamento.

[Imagem em tamanho real]

Ao remover as barras de nível de cada dia, a diferença se torna ainda mais gritante. Vemos esses tipos de tendências sempre que uma forte intervenção legislativa é introduzida. Suspeitamos que avaliar os efeitos disso será cada vez mais importante à medida que entramos no último terço do ano.

[Imagem em tamanho real]

Epílogo

À medida que entramos no outono, esperamos que a temporada de gripe, os alunos voltando para casa de campi fechados e outros eventos incomuns possam ter um forte efeito na disseminação do coronavírus e, por sua vez, na utilização da indústria. Neste ponto, demonstramos que nossa medida é extremamente responsiva a mudanças de política, especialmente aquelas que afetarão a utilização na direção descendente. A saúde de nossa indústria, enquanto em um regime de “esperar para ver” agora, inevitavelmente será altamente afetada por nossas escolhas políticas neste outono. Esperamos que os fabricantes, analistas e economistas de nosso setor possam usar esses dados para informar melhor as escolhas que fazem à medida que avançamos em setembro. Dados são poder, e podemos usar esses dados para ajudar nossa indústria e nossa nação a serem mais fortes. Os dados nos ajudam a tomar decisões sutis e racionais, apoiadas por rigor e pensamento, em vez de impulsos emocionais que acabam nos prejudicando ainda mais. Está em todas as nossas mãos garantir que tomemos as melhores decisões possíveis durante esses dias tumultuados, pois são tempos críticos em que vivemos.



Continuaremos monitorando essas métricas e relatando em intervalos regulares.