有效自动化应用程序的最佳实践，第1部分:通过数据收集实现自动化的有效性

两位系统集成思想领袖就有效的自动化通信提出了建议。第1部分详细介绍了通过数据收集实现的有效自动化。链接到其他部分。

通过《媒体 2023年3月15日

提供:CFE媒体和技术

自动化应用洞察

系统集成商可以通过提供过去项目的专业知识来展示不同的视角，在改进自动化应用方面发挥关键作用。
最好的方法是根据收集到的数据开发一个全面的自动化响应，并使用该数据来帮助告知下一步的行动。
系统集成商确实面临着挑战，因为他们通常是最后一个到达现场的，必须赶上来了解情况，并找到适合独特应用程序的解决方案。

无论考虑或应用何种自动化技术，通用规则都适用;一个重要的部分包括为自动化项目收集正确的信息。无论是新手还是经验丰富的专家，在应用自动化时请注意这一建议。自动化可以做很多事情，但不要超出自动化的能力。自动化不能解决过于复杂的操作。首先获得正确的设计，然后应用正确的自动化。现实世界的例子将有助于填补智能制造的技能差距。为清晰起见，本文经过了编辑。

控制工程内容经理马克·霍斯克主持了网络直播有效自动化应用程序的最佳实践2022年8月16日的课程将以网络直播的形式存档一年，旨在回答以下关于优化自动化应用程序的问题:

评估考虑自动化的一个或多个过程。
确定在自动化之前是否需要重新设计。
考虑自动化可以影响和增强过程设计的关键方式。
确定自动化实现的步骤。
检查有效自动化应用程序的经验教训和最佳实践。

应用制造技术公司的先进制造工程师Chris Clayton和E Tech集团公司Banks Integration的首席自动化工程师Kevin Tom通过他们的经验和案例研究示例提供了关于自动化有效性的见解。为清晰起见，本文经过了编辑。

在有效自动化应用方面的专家

克里斯·克莱顿是应用制造技术公司的高级制造工程师。他擅长自动化咨询、3D仿真和动画以及销售建议支持。他曾为AMT多个行业的客户工作，包括航空航天和汽车。他还帮助客户完成从人工加工到自动化的复杂过渡，产品范围从明胶和布丁到消防车和谷物拖车。

凯文·汤姆(Kevin Tom)是E科技集团旗下Banks Integration公司的首席自动化工程师。他擅长过程控制系统的设计、实现、测试和验证。他主要在高度监管的生命科学行业工作，专注于细节，坚持良好的生产实践。他拥有加州大学戴维斯分校的生物化学工程学位。

我是马克·霍斯克，控制工程，自1994年起涵盖自动化控制和仪器仪表。我有新闻学学士学位，1982年开始写作和编辑，1987年开始写科技方面的文章。

自动化是一个数据驱动的过程

克里斯·克莱顿:我是AMT的一名高级制造工程师，我的主要职责之一是为考虑自动化的客户提供咨询。这些公司通常主要是运行手动流程，现在刚刚涉足自动化世界，所以作为我工作的一部分，我经常被问到一个流程是否适合自动化，从我的角度来看，回答这个问题的唯一合乎逻辑的地方是数据。我最喜欢的一段话是w·爱德华兹·戴明说的，他是一位美国工程师。早在20世纪50年代，他就对日本制造业产生了深远的影响。这句话的原话是:“没有数据，你只是一个有观点的人。”

任何在团队或团队项目中工作过的人都知道，每个人都对完成工作的最佳方式有自己的意见或建议。

那么问题来了:谁的意见最好?有没有可能有一个系统来帮助我们得到最好的答案?我们如何将一个客观的测量工具应用于一组主观的意见?

最终，推荐自动化解决方案应该是一个数据驱动的过程。如果我们从一个坚实的数据基础开始，执行决策过程，在整个评估期间考虑这些数据，它通常会非常清楚自动化是否是一项明智的投资。我们在这里讨论的是什么样的数据?说实话，在我看来，越多越好。

现在，我只是半开玩笑，但我帮助过很多不同行业的客户，航空航天，水培和谷物拖车。我不是这些行业的专家;我们的客户和我们的顾客。所以，评估过程的一部分就是我喜欢说的从消防水龙带喝水。它通常涉及到学习更多关于生产过程的知识，比我想象的要多，真正的目标是尽可能多地了解客户的流程和产品，以便确定自动化的最佳潜在应用。

开发全面的自动化响应

这通常需要参观设施，几天时间完全围绕数据收集进行。这意味着收集几天的视频，与从生产经理到维护技术人员、操作员和工程师的每个人交谈。我们把销售、IT、安全团队都拉进来，我们亲自动手，亲自接触产品，亲自完成整个过程。我们的主要目标是尽可能全面地了解客户的观点，以便在未来为我们的建议提供更好的支持。

我们在数据收集阶段做得越彻底，之后的惊喜就越少，客户或客户对这个过程就越有信心。我们主要关注的数据领域，显然这通常是在制造领域，所以产品是我们在那里寻找的头号数据。他们在做什么?历史生产数据，零件组合，零件图纸，3D模型，尺寸和重量是什么?

我们在寻找任何东西，因为我们不知道什么东西以后一定是重要的。接下来我们要研究的是过程。客户目前的零件生产情况如何?这涉及到任何东西，从工艺流程图，工作指令，文书工作和流经流程的数据，下一个领域是设备。制造零件的工具是什么?

如果你看一下一般的行业，有很多定制机械和工具。我们正在寻找规格表、图纸和模型。客户或客户更喜欢与哪些原始设备制造商合作?

这个过程必须发生在物理空间中。了解我们的沙盒很重要。设施和布局信息是什么?我们的空间有限制吗?客户是否愿意开拓新领域?这是一块绿地吗?我们是拆除和更换设备还是移动设备?我们在这一类别中收到的大量信息是必要的，以便查明潜在的设施修改。我们是否需要浇筑新的混凝土板来处理较重的机械或设备?柱子在哪里?

另一个主要类别是劳动力。当前使用了多少运算符?轮班安排是怎样的?工厂所在地区的劳动力储备是什么样的?是工会还是非工会?分娩时的目标是什么?我们是否试图用非熟练劳动力取代熟练劳动力?我们是在试图弥补劳动力短缺的缺口吗?从商业角度来看，理想的劳动环境是什么样的?

图1:当涉及到评估考虑自动化的过程时，一切都从数据开始。这包括商业考虑、劳动力、正在生产的产品等等。提供:CFE媒体与技术，应用制造技术，E科技集团

数据收集和五个D

这通常以高层目标或目标设置的形式出现，我们从整体业务的角度来看待它。首先，自动化项目的主要目标是什么?客户是否希望提高吞吐量?他们是想提高质量，减少劳动力吗?他们的资产回报率(ROA)、投资回报率(ROI)和回报要求是什么?是两年还是三年的回报?在购买自动化设备时，重要的一点是我们的资本支出限制是什么?

这个数据收集阶段的目标实际上是梳理出对客户来说重要的东西，我们希望所有的利益相关者就目标、目标和kpi达成一致，以便衡量自动化是否成功。

当我们在工厂时，可以很容易地发现一些潜在的自动化候选。通常，这些被称为低挂的果实，有时它被称为三个D，四个D，五个D，你所看到的任何流程或任务都属于这些类别中的一个或多个，通常都可以为自动化提供很好的案例。我们说的是无聊，肮脏，危险，困难和昂贵。

枯燥的过程是重复或无聊的过程。任何在流水线上工作过的人，可能都在一遍又一遍地做着同样的任务，一个不敬业的操作员经常会犯错误，质量也会受到影响。
任务脏吗?生产过程或环境有害吗?我们在这里讨论的东西，焊接和喷漆。其中许多任务已经被自动化成功取代。
危险的任务。如果这项任务可能会对操作员造成伤害。重物、尖锐部件和含有有害气体的环境。这些都是自动化或自动化潜在应用的好地方。
困难。操作人员很难执行该流程吗?我们说的是小部件或重部件，笨拙的部件，很难组装的东西。狭小的空间、过多的步行或所需的能量再次成为自动化的重要应用。
亲爱的。这个过程或部件是关键的还是昂贵的?使用机器人或其他自动化技术，严格的公差通常可以更容易地重复，而且由于人为错误而导致的拙劣部件的成本也是很多公司都在避免的，因此投资自动化似乎对这个特定的D是有意义的。

自动化数据收集的下一步步骤

现在，我们已经收集了所有的数据。当我们在现场时，我们确定了自动化应用的潜在低挂果实。我们现在该怎么办?现在该开始分析我们收到的所有数据了。

根据数据的质量，您没有的缺失的数据片段，这肯定会花费大量的时间和精力。这也需要一些直觉和经验来知道你在寻找什么，所以在这个阶段，我们用我们的产品数据来划分产品组合。我们把事情放到产品或过程家族中。我们要确定速率，尺寸和重量。实际上，我们在这里试图做的是了解产品是如何制造的，以及它是否可以用自动化来制造或加工?

与此同时，我们正在收集所有的要求和参数，这些要求和参数将支持我们在这个过程中进一步的自动化决策，所以这里有一个简单的例子，你需要知道产品的尺寸或重量，以便知道什么样的输送机或机器人可以处理该产品。

这是一个非常简单的例子，但我们正在尝试创建一个框架，使我们能够在以后做出客观的决定和建议，因此我们正在确定一些sku可能是有问题的部件，它们可能更难制造，它们可能与客户正在生产的其他产品有很大不同。这些都将在头脑风暴和概念设计的下一步中谈到自动化解决方案。

我们正在创建流程流程图，识别当前流程中的低效率，这样它们就不会进入自动化。这个数据分析阶段的所有步骤都应该以定义需求、设置参数和为评估过程中的下一步创建决策框架为目标。在这一点上，我们通常可以看看我们的产品组合。我们应该有这些数据，我们可以提出一个我喜欢称之为现实检验的问题。

如何决定什么时候使用自动化是值得的

我们有我们自己版本的帕累托原则，这是一个经验法则，通常只有在80%的客户产品组合可以被捕获和自动化时才有意义。如果少于这个数量，则需要一个更健康的业务案例，通常剩下的20%或更少的部分可以采用某种手动或半自动解决方案，这些解决方案可能可以处理更低的吞吐量或速率。

传统上，这意味着混乱的产品组合或高变化的低产量的产品组合，我们很难证明自动化的情况。所需自动化的复杂性将使大多数客户失去价格。然而，实际情况往往要比这简单得多，而且往往更加严峻。

问题不在于自动化是否能成为一个好的商业案例。这更像是一个存在主义的问题是我们会自动化还是会死亡?公司问自己这个问题有几个原因。我们遇到的一些客户，我称之为劳动力沙漠，只有几千人的城镇，通常无法提供稳定的劳动力资源。如果手头的任务属于这五个D中的一个，你就会发现员工不再真的愿意这样做了。

有时，一个更大的参与者进入市场，有一个大仓库搬到街上，开始吸走劳动力，突然你就人手不足了。很难说服员工在这五个D环境中的一个工作，因为他们在办公室工作可能会赚更多钱。另一个常见的故事是一家小公司突然发现自己的产品需求量很大。

突然之间，需要从一家夫妻店转变为制造业巨头。所以为了生产零件，或者更多的零件，自然的解决办法就是雇佣更多的人。这并不总是可能的，因此需要自动化来填补这一空白。最后，如果一个接近的竞争对手已经实现了自动化的飞跃，有时唯一的解决方案是自己这样做，以跟上。

在这一步，我们开始尝试弄清楚我们是否需要在自动化之前重新设计零件。此时，我们正在分析流程的低效率。我们不想做的主要事情是自动化一个糟糕的流程。这是一个非常简单的数学计算。自动化糟糕的流程可以让你更快地制造出糟糕的部件，所以为了避免这种情况，我们发现的最佳流程是头脑风暴和概念开发阶段。头脑风暴通常分为几个回合。

图2:系统集成商在项目中面临的三个挑战是开发过程的后期，处理设计缺陷和为独特的情况找到正确的解决方案。提供:CFE媒体与技术，应用制造技术，E科技集团

如何对可能的自动化应用进行头脑风暴

我们有一个“任何事情都可能发生”的循环，任何事情都被记录为可能的解决方案。在这个阶段，没有想法就是坏主意。任何事情都可能发生。然后我们进行了一轮编辑，删除了不好的或不可行的解决方案。这通常取决于您在前一阶段收集和分析的数据。

然后你开始把顾客带进来。最初的几轮都是内部的，你试着把它留在小团队里，然后你把客户也拉进来，这样他们就不会看到你所有的坏想法。我们与客户进行了一些合作头脑风暴，将选项减少到一个选择视图，并说:“这些是我们想要进行调查研究或进入定价阶段的选项。”

在这些阶段，我们会问一些相当标准的问题。制造零件或组件的所有可能方法是什么?流程中的哪些步骤可以自动化，哪些步骤应该自动化?如果不能完全自动化，是否有半自动的解决方案?如果没有好的自动化案例，我们是否可以为操作员提供一些工具，使他们的工作生产出更多高质量的零件，使其更符合人体工程学，或者只是提高产量?

我们采用了所有可以想到的自动化解决方案，并将其缩减为适合我们框架的解决方案。下一步是概念开发。这里有大量的工具可以使用，这取决于客户是否满意。我们通常做2D和3D布局。我们将设备放置在收集过程中指定的沙盒中。它在这个空间里怎么放?我们是否在数据分析或头脑风暴过程中遗漏了一些可能导致潜在问题的东西，而现在我们在3D模型中查看它?我们可以通过机器人到达研究或周期时间研究来调查潜在的机器人解决方案，但我们可以进行离散事件分析，以确保我们达到所需的吞吐量。我们在数据收集和分析阶段所创建的数据框架中封装了所有内容。

“为制造而设计”如何帮助实现自动化

对于某些项目，如果需要进行工艺或部件设计，那么进行所谓的制造设计或装配设计可能是有意义的。在制造单个部件时，可制造性设计(DFM)基本上是深入研究该部件的设计，以及我们如何重新设计该部件以降低自动化的复杂性。我们如何让机器人更容易掌握?我们能不能换一种材料让生产过程更简单?

数据收集和数据分析将为这些可能的潜在变化设置参数，以及它们是否为客户所接受。当我们处理一组部件并实际组装它们时，我们会做所谓的组装设计。我们不会改变独特的部件以使它们更容易制造，而是会添加像标签之类的东西，使它们更容易组合成一个组件。

我们可以重做公差要求，调整零件的形状，使其更易于自动化组装。就举几个具体的例子关于重新设计零件或者围绕流程的装配或者我们所提议的自动化。在这一点上，如果我们有多个潜在的解决方案，它们都满足我们的数据框架、需求和参数，那么当我们有多个可能的解决方案时，我们如何制定解决方案呢?最好的办法是让数据起主导作用。