基于大数据分析模式的信息化设备管理研究

逯 江，王宇翔，张 金

（河南中烟工业有限责任公司安阳卷烟厂，河南 安阳 455000）

目前，烟草行业设备日趋呈现出高速化、精密化、大型化、自动化等特点，科技水平日新月异，与此同时，“卷烟上水平”对设备保障能力和设备管理综合协调能力提出了更高要求，针对以上情况，烟草企业亟需对设备的管理方法做出提升和优化，才能满足新时代的发展需求。

1 安阳卷烟厂卷包车间设备管理现状

安阳卷烟厂卷包车间的设备管理工作在近些年不断的探索和实践中已经初步形成了以点检定修为核心的预防性维修管理模式，利用搭建起来的EAM系统、点检系统和数采系统等平台，实现了信息化进程。但是，面对数量庞大、种类繁多的数据信息，还未找到科学有效的方法对其充分研究和利用，暴露出在一些指导结论的方向性和准确性上有所欠缺。针对这一情况，卷包车间着手进一步提升理念，优化管理，建立和实践出一套体系化、可控制、高效率的具有鲜明安烟特色的设备精益管理模式。

2 研究方法

2.1 总体框架

卷包车间设备管理工作的信息化平台主要有EAM系统、点检系统和数采系统，这三大系统是进行信息化管理的硬件支撑，所有数据的输入和输出也正是来源于此，因此，要紧紧围绕信息化系统，做到采集数据、分析数据和运用数据，进而实现数据指导、数据验证和数据考核，其总体框架如图1所示。

从图1中可以看出所有采集到的数据全部流入到车间云数据库当中，在云数据库当中分为四大层级，分别为技术云层、计划云层、执行云层和制度云层。

图1 信息化设备管理模式总体框架

2.2 数据采集阶段（车间信息化平台数据）

数据采集是关系到新的管理模式能否成功的基础性工作，也是所有流程环节执行的第一步，如何从EAM系统、点检系统和数采系统（简称三大系统）提炼出真实有效的数据就显得尤为重要。通过对三大系统的特性进行分析，最终确定了分别要采集到的重要数据，如图2所示。

图2 数据收集系统图

3 项目特色

3.1 设备状态分析

设备状态分析主要涉及三大指标数据：设备运行数据、质量数据和消耗数据。为了保证在对所选数据展开分析时能够得出最为科学准确的结论，我们在此处引入层次分析法（The Analytic Hierarchy Process，简称AHP）先对各指标权重情况进行划分[1]。

第一步：成立专家组，确定判断打分方案。

专家组成员包括设备员、工艺员、材料员等，通过专家组对各项评价指标间关于设备状态的相对重要程度，给出两两比较判断，从而构成判断矩阵，再由这个判断矩阵计算出各元素排序的权重。对完整的k（1≦k≦L）个判断矩阵。应用乘积方根法或其他方法，分别求出排序权重向量…，m）后，再将wi加权平均，即所得权重系数wi（i=1，2，…，m）[2]。

第二步：建立层次结构图，确定权重份额。

按照调查和生产中的实际问题，建立影响设备维修的指标体系，如下所示：

目标层A 设备维修评价

准则层B 维修复杂程度B1 消耗B2 产品质量B3 OEE B4

随后构造判断矩阵，并进行层次单排序及其一致性检验。对准则层4个方面的内容进行细化打分，再运用公式，得出设备状态量化值。

（1）设备维修的复杂程度（i）：设备的自动化程度不同，决定了它维修精确度、难度也不同。按难易程度分为10个等级，分别计数为“1”，“2”，“3”……“10”。

（2）消耗（c）：设备的使用寿命和机型不同，对能源和材料的消耗也不同，因我厂的机台都基本相同，使用年限也相差不多，故各个机台的消耗相差无几，为计算方便统一计数为1。

（3）与产品质量的关联度（q）：是指设备与产品质量的关联度大小，就是设备发生故障对产品质量的影响程度，按影响程度分为10个等级，分别计数为“1”，“2”，“3”……“10”。

（4）OEE（o）：设备的综合效率直接反映当班的产量，故对设备的维修评价具有关键性的影响。

根据以上参数对设备性质的影响，可以建立如下的经验模型：

其中：k为公式的修正系数，记为1000；W1为设备维修复杂程度的权重；W2为消耗的权重；W3为与产品质量的关联度的权重；W4为设备综合效率的权重。

将每个机台中的各值带入上述经验模型，通过比较m值的大小来合理安排维修计划，设定m值越小越需要及时处理。通过以上公式合理计算出，下周需要轮保的计划，然后结合实际情况，由设备技术人员作出合理的计划安排。

3.2 备件分析

备件分析是以备件寿命周期分析为核心，重点对备件的使用周期情况进行科学的研究，进而达到指导维修工作的目的。该分析工作主要针对典型机型当中的PASSIM，PROTOS和G.D设备，选取其中发生故障率高，影响产品质量，对单箱维修费用占比较大的备件，收集相关数据信息（数据来源主要为EAM系统当中的备件领用数据，设备运行数据和维修实施数据等），运用六西格玛工具，引入可靠性研究理论，对所选备件展开深入细致的分析和研究。

4 系统设计

4.1 体系架构

整个系统是在对卷包设备基础数据抽取的基础上，再对数据格式做相应转换，通过Web方式以柱状图等可视化图形向用户直观展现设备运行状态、机台产量对比、消耗数据等信息，并将每个机台中的各值带入公式中计算经验模型m值，通过m值得大小排序预测各个机台下一期的轮保日期。

整个系统的体系架构如图3所示，重点给出了卷包设备信息数据处理流程，从中可看出，整个数据处理服务可分为两大部分：前端的设备信息结构化数据查询、检索、数据导入和智能化处理以及后端的数据采集和管理。

图3 系统体系架构图

4.2 系统总体设计

卷包设备云分析系统主要由数据层、业务逻辑层和应用层构成。其具体结构如图4所示。

图4 系统总体设计图

数据层是整个系统数据可视化操作生成图表的数据来源，从业务逻辑层发出的指令到达数据层，数据层按照接收的指令对数据库中的对应数据操作，主要功能是用来存储设备数据，并对存储的数据进行读写等相关操作。

业务逻辑层用来处理整个系统的业务逻辑，在访问数据层并进行相应可视化处理后，可以从数据层中获取到所有数据，并对这些数据进行格式化处理后再反馈给应用层[3]。

应用层的作用是把从逻辑层获取到的数据信息展示在Web页面中。

4.3 系统功能模块组成

图5给出了整个系统的功能模块图，从系统功能上看，主要有六大模块：上传数据、数据处理、数据管理、异常数据库、报表生成和轮保预测。

图5 功能模块图

4.4 系统应用展示

分别上传卷烟机、包装机的上期和本期OEE指标分析数据，通过数据筛选并分类整理后，存入信息数据库中。如图6所示。

图6 卷烟机OEE指标分析数据

后台自动对信息数据库中的OEE指标数据进行查询并加工处理后，生成相应OEE指标分析报表。如图7、图8所示。

由图7、图8分析可得：卷烟机上期OEE指标值平均值为61.23%，本期OEE指标值平均值为65.48%，本期数据较上期增幅为6.94%，两期均低于平均值的机台为1#卷烟机、6#卷烟机、11#卷烟机。

图7 卷接OEE指标值柱状图

图8 包装OEE指标值柱状图

包装机上期OEE指标值平均值为45.54%，本期OEE指标值平均值为61.1%，本期数据较上期增幅为34.17%，两期均低于平均值的机台为1#包装机、3#包装机、4#包装机、5#包装机、6#包装机、7#包装机、8#包装机、11#包装机。

分别上传卷烟机、包装机的上期和本期产量数据，通过数据筛选并分类整理后，存入信息数据库中。如图9所示。

图9 卷接产量数据

后台自动对信息数据库中的产量数据进行查询并加工处理后，生成两期产量对比分析图表。如图10、图11所示。

由图10、图11分析可得：卷烟机上期好烟数平均值为15 216.012万支，本期好烟数平均值为15 285.466 5万支，本期数据较上期增幅为0.46%，两期均低于平均值的机台为1#卷烟机、6#卷烟机、8#卷烟机、11#卷烟机。

图10 卷接产量柱状图

图11 包装产量柱状图

包装机上期主机产量平均值为14 632.144 5万支，本期主机产量平均值为14 890.326 3万支，本期数据较上期增幅为1.76%,两期均低于平均值的机台为1#包装机。

分别上传卷烟机、包装机的上期和本期消耗数据，通过数据筛选并分类整理后，存入信息数据库中。如图12所示。

图12 卷接消耗数据

后台自动对信息数据库中的消耗数据进行查询并加工处理后，生成两期消耗数据对比分析图表。如图13、图14所示。

图13 盘纸消耗柱状图

由图13、图14分析可得：卷烟机上期消耗盘纸平均值为6 149 979.51 m，本期消耗盘纸平均值为8 990 982.18 m，本期数据较上期增幅为46.2%，两期均低于平均值的机台为1#卷烟机、4#卷烟机、6#卷烟机、11#卷烟机。

图14 嘴棒消耗柱状图

卷烟机上期消耗嘴棒平均值为25 599 347支，本期消耗嘴棒平均值为37 479 522支，本期数据较上期增幅为46.41%，两期均低于平均值的机台为1#卷烟机、4#卷烟机、11#卷烟机。

包装机上期消耗条盒平均值为565 100张，本期消耗条盒平均值为761 609张，本期数据较上期增幅为34.77%，两期均低于平均值的机台为1#包装机、4#包装机、6#包装机、7#包装机、8#包装机、11#包装机。

5 结束语

新的管理模式自2020年7月开始探索以来，取得了显著的效果，具体表现在其保障了金叶制造工作的有序进行，产品质量的稳定可靠，而且对设备的精益化管理作出了积极的贡献。（1）有效作业率稳中有升。从统计出的结果来看，2020年安阳厂卷包车间的有效作业率为95.74%，到2021年之后，特别是在新模式研究探索的下半年里，车间的有效作业率始终维持在98.50%的高位，最终将全年的有效作业率提升到了98.26%的历史高点。（2）精益管理实现新提升。经过近一段时间的研究，新模式已经逐渐发挥了其数据化变革后达到预知性维修的作用，促进精益化管理实现了新的提升。运用数据分析，不仅准确预测到了设备的状态变化，故障隐患的发生概率，还对备件的使用情况进行了数据化武装，利用数据获得的寿命周期结论，科学安排更换时间和采购计划，使得备件管理工作更加有的放矢，极大地提高了企业的精益生产管理和精益装备管理水平。