Töökojad peavad regulaarselt loendama termopaari rikkeandmeid, et optimeerida hankebrände, kohandada hooldustsükleid ning vähendada kõikehõlmavaid varuosade ja kadude kulusid. Laialdaselt kasutatakse kolme peamist statistilise analüüsi meetodit: rikete sageduse klassifikatsiooni statistika, kasutusea kulude{1}}kasu võrdlus ja tootmiskoormuse rikete korrelatsioonianalüüs. Selles artiklis võrreldakse iga meetodi kohaldatavaid stsenaariume, andmete hankimise raskusi ja otsustusväärtust{3}}.
1. meetod: rikete sageduse klassifitseerimise statistika (põhiline igapäevane haldusmeetod)
Kogutud andmed: Igakuine rikete koguhulk, iga veatüübi (triiv, avatud vooluring, lühis, mehaaniline kahjustus, juhtmestiku viga) koguseline osakaal.
Toiminguetapid: registreerige iga hoolduse ajal veakood, tehke iga veakategooria protsent kuu{0}}lõpu kokkuvõte, joonistage rikete osakaalu diagramm.
Otsuse rakendamine: kui termiline triiv moodustab üle 40% riketest → minge üle N--tüüpi triivimisvastasele -termopaarile ja lühendage süsiniku puhastamise tsüklit; kui domineerivad avatud-ahela mehaanilised kahjustused → optimeerige juhtmestiku pingekaitse ja vibratsiooniisolatsiooni meetmed.
Eelised: lihtne andmete kogumine, madal statistiline tööjõukulu, sobib väikestele ja keskmise suurusega{0}}töökodadele, kus on piiratud andmehalduspersonal.
Puudused: Erinevatest riketest põhjustatud majanduskahju ei saa kvantifitseerida, on ainult kvalitatiivsed parendusjuhised ilma kulude numbrilise viiteta.
2. meetod: kasutusea kulude{1}}kasu võrdlus (hanketarnija hindamismeetod)
Kogutud andmed: iga kaubamärgi termopaari ühiku ostuhind, keskmine kasutusiga, igakuised kulutatud hooldustöötunnid, rikkest põhjustatud keskmine seisakukadu, defektse toote jääkide kadu.
Arvutusindeks: iga brändi igapäevane igakülgne kulu=(hanke amortisatsioonikulu + hooldustööjõukulu + seisakuaja jäägid) ÷ tegelikud teeninduspäevad.
Otsuse rakendamine: võrrelge K--tüüpi kodumaiste üldiste, kõrgekvaliteediliste kodumaiste alternatiivsete ja imporditud N--tüüpi termopaaride igapäevast kõikehõlmavat maksumust. valige bränd, millel on madalaim igapäevane terviklik kulu, mis vastab tootmiskoormusele.
Eelised: Kvantifitseerige kõik varjatud kaod numbrilisteks kuludeks, looge otsene andmebaas hankeeelarve kohandamiseks ja kaubamärgi asendamiseks.
Puudused: andmete kogumise töömaht on suur, vajab MES-süsteemi seisakuaegade ja praagi koguse sünkroonseks registreerimiseks.
3. meetod: tootmiskoormuse rikete korrelatsioonianalüüs (hooldustsükli optimeerimise meetod)
Kogutud andmed: tootmiskoormuse tüüp (kolme{0}}vahetusega pidev / kahe-vahetusega katkendlik / ühe-vahetusega katse), igapäevased keskmised vormimistsükliajad, töötlemismaterjali söövitavus, termopaari keskmine rikkeintervalli päevad.
Toiminguetapid: looge korrelatsioonikõver tootmiskoormuse intensiivsuse ja rikketsükli vahel, arvutage iga laadimisrežiimi jaoks optimaalne diferentseeritud kalibreerimis- ja puhastustsükkel.
Otsuse rakendamine: suure-koormuse kolme-vahetusega söövitava materjali tootmisliin lühendab kalibreerimistsüklit 30 päevani; Madala-koormusega ühe-vahetusega proovivormid pikendavad kalibreerimistsüklit 180 päevani, tasakaalustavad hooldustööjõudu ja rikkeriski kontrolli.
Eelised: teostage rafineeritud diferentseeritud hooldushaldus, vältige üle-hooldusjäätmete või ala-hoolduskvaliteedi riski.
Puudused: pikk andmete kogumise tsükkel, täpse korrelatsioonikõvera moodustamiseks on vaja vähemalt 3 kuud pidevat rikete registreerimist.
Töötuba kombineeritud statistilise rakenduse soovitus
Väikesed töökojad: 1. meetodi igakuise rikete klassifitseerimise statistika kasutuselevõtt igapäevase haldamise alusena.
Keskmised{0}}suured masstootmise töökojad: kombineerige meetod 1 +, 2. meetod, igakuine rikete klassifikatsioon + kvartaalne brändikulude{4}}kasu hindamine, et kohandada hanke- ja hooldusstrateegiaid.
Intelligentsed töökojad täieliku MES-andmete kogumisega: 3. meetodi koormuse korrelatsioonianalüüsi pealekandmine, et realiseerida täielikud digitaalsed rafineeritud termopaari kulud ja riskikontroll.
