IOT et industrie : Comment construire l'analyse de rentabilisation pour IIoT Predictive Analytics? Voici toutes les données dont vous avez besoin!

Vous avez été chargé de développer une analyse de rentabilité interne pour investir dans une solution pour Industrial Analytics for Predictive Maintenance. Toutes nos félicitations! Essayez de googler «quel est le retour sur investissement pour l'analyse industrielle» et vous obtiendrez un méli-mélo de données et de graphiques qui ne seront pas utiles. Parce que chez Presenso, nous vivons dans le monde du Machine Learning pour la maintenance des actifs, nous avons demandé à notre équipe marketing de compiler des statistiques utiles qui aideront à faire l'analyse de rentabilisation du Machine Learning pour Industrial Analytics.
Nous ne pouvons pas garantir la méthodologie utilisée par chaque analyste, mais nous avons brûlé l'huile de minuit pour assembler la liste la plus complète disponible en ligne.
Nous avons organisé cet article en 4 sections qui abordent les quatre sujets suivants:

Avez-vous les données pour justifier un investissement dans Industrial Analytics?
L'état actuel: quelle est la cause de la défaillance des actifs industriels?
Avez-vous pris en compte tous les facteurs de coût dans le calcul du retour sur investissement de la maintenance prédictive IIoT?
Quels sont les avantages financiers tangibles de Industrial Analytics for Predictive Maintenance?

Enfin, nous avons analysé de nombreux rapports de l'industrie et identifié des données d'enquête de recherche qui pourraient être pertinentes pour votre étude de cas.
Données nécessaires pour comprendre le retour sur investissement d'Industrial Analytics
Commençons par certaines des données les plus difficiles qui peuvent être révélatrices des défis de votre organisation. Vous pouvez choisir de ne pas les inclure dans l'analyse de rentabilisation, mais tout au moins comprendre les défis à venir. À un moment donné, vous assisterez à une réunion avec un cadre supérieur qui posera la question suivante: «Avant de faire un investissement, pouvez-vous quantifier le coût des immobilisations de nos installations?»
Voici quelques statistiques de base que vous devriez considérer:

Les temps d'arrêt réduisent en moyenne au moins 5% de la capacité de production d'une usine. Dans certains cas, c'est 20%.
Plus de 80% des fabricants n'ont pas de modèle pour quantifier les coûts des temps d'arrêt De nombreuses installations industrielles sous-estiment leur coût des temps d'arrêt de 200 à 300%.

L'incapacité à quantifier avec précision les coûts des temps d'arrêt dans vos installations n'est pas une excuse pour retarder Industrial Analytics. Dans toute analyse de retour sur investissement (ROI) d'Industrial Analytics, une estimation des économies de coûts et des revenus générés est nécessaire.
Il existe deux options valides:
(1) Se référer aux données de l'industrie. Dans certains cas, comme dans l'industrie automobile, il a été estimé que le coût des temps d'arrêt est de 1,3 million de dollars par heure. En général, vous êtes moins susceptible de trouver des informations à jour sur les pâtes et papiers, la fabrication de produits alimentaires et électroniques et plus d'informations sur des produits tels que le pétrole et le gaz.
(2) Modélisez vos hypothèses telles que le revenu par installation et les coûts de production annuels. Même en utilisant un calcul rapide et sale, il vaut mieux que de ne pas répondre à cette question du tout. Votre réponse n'a pas besoin d'être correcte avec deux décimales, mais vos hypothèses doivent être valides et basées sur des données financières ou opérationnelles.

Guide du praticien: économies de coûts ou génération de revenus?
Lorsque vous utilisez des statistiques pour créer le dossier pour Industrial Analytics, faites attention à référencer la source de vos données et expliquez le contexte. Le fait qu'une étude ait été menée auprès de dirigeants sur le thème de l'Industrie 4.0 ou de l'Analytique Industrielle ne signifie pas que cela s'applique à votre industrie ou à votre installation industrielle. Un calcul du retour sur investissement doit être basé sur les projections de votre environnement spécifique.
La cause sous-jacente de l'échec de l'analyse industrielle
Si Industrial Analytics for Predictive Maintenance est la solution, nous devrons alors résoudre le problème sous-jacent. Prenons l’exemple de l’industrie pétrolière et gazière. Les deux principaux contributeurs à la fermeture sont les pannes mécaniques (46%) et liées à la maintenance (23%). Sur l'arrêt lié à la maintenance, 92% n'étaient pas planifiés.
Dans la construction de l'analyse de rentabilisation d'une solution Big Data / Machine Learning pour la maintenance des actifs, ce sont les arrêts non planifiés à 92% qui constituent la plus grande opportunité.
Les avantages tangibles de l'analytique industrielle pour la maintenance prédictive
C'est là que votre travail devient délicat. Si vous avez mené un projet pilote pour Industrial Analytics, vous disposez probablement des données qui justifieront l'investissement.
Si vous souhaitez en savoir plus sur la façon de réaliser une preuve de concept pour l'analyse industrielle, veuillez consulter notre guide POC.
L'industrie 4.0 est relativement nouvelle et il y a une pénurie de données publiques sur son économie. Chez Presenso, nous avons des données considérables sur ce sujet, mais ce n'est pas à nous de les partager.
Si vous n'êtes pas encore au stade du POC, alors il y a des informations qui peuvent être utiles.
Il y a eu quelques études intéressantes qui démontrent la valeur des programmes de maintenance prédictive. Gardez à l'esprit qu'Industrial Analytics fait partie de la catégorie Maintenance prédictive. Sans recourir à l'hyperbole, Industrial Analytics peut être décrit comme une maintenance prédictive sur les stéroïdes.
Par conséquent, l'utilisation de statistiques liées à la maintenance prédictive est acceptable car les données sont susceptibles d'être conservatrices et même de sous-estimer le véritable impact de l'ajout de Machine Learning à la discipline de maintenance prédictive.
Voici quelques données utiles sur la maintenance prédictive fournies par l'US Office of Energy Efficiency & Renewal Energy:

Un programme de maintenance prédictive peut générer des économies de 8 à 12% par rapport à un programme utilisant uniquement la maintenance préventive.
Les économies de coûts pour la transition vers la maintenance prédictive pourraient «facilement» reconnaître les opportunités d'économies dépassant 30% à 40%.
Les enquêtes indiquent les avantages suivants de la mise en œuvre d'un programme de maintenance prédictive fonctionnelle:

Retour sur investissement: 10 fois
Réduction des coûts de maintenance: 25% à 30%
Élimination des pannes: 70% à 75%
Réduction des temps d'arrêt: 35% à 45
Augmentation de la production: 20% à 25%

Si vous recherchez des données relatives à l'industrie 4.0, McKinsey a publié un rapport avec une estimation de la valeur de la numérisation:

10% -40% de réduction des coûts de maintenance
La productivité augmente de 3 à 5%
30 à 50% de réduction du temps d'arrêt total de la machine
Réduction des CAPEX de 3% à 5%

Une évaluation de tous les facteurs de coût calculant le retour sur investissement de l'analytique industrielle
Les calculs de ROI peuvent être difficiles. En tant qu'ingénieur, la finance n'est peut-être pas votre langue maternelle. Se concentrer sur les éléments clés du retour sur investissement (F&E et coûts d'opportunité) pourrait conduire à négliger les éléments de coût qui sont essentiels au succès global d'Industrial Analytics.
L'exemple ci-dessous est basé sur des prix du pétrole d'environ 75 $ le baril. Nous ne nous attendons pas à ce que vous copiez et collez ces données, même si vous travaillez dans l'industrie pétrolière. Cependant, lorsque vous développez une analyse de rentabilisation, conservez-la comme liste de contrôle pour tous les éléments de campagne possibles dans votre calcul du retour sur investissement. Les primes d'assurance, les gains de productivité et les réductions des dépenses en capital sont des postes qui peuvent être négligés. Une autre catégorie ignorée (non spécifiée dans le tableau ci-dessous) est celle des économies réalisées grâce à la baisse des taux de blessures.

Avantages annuels estimés d'un programme de maintien du rendement des actifs pour une raffinerie de 100 000 b / j

Catégorie
Prestation annuelle, $

Éviter les incidents anormaux
500 000

Amélioration des opportunités de revenus de production
1.750.000

Réduction du budget de maintenance
800 000

Amélioration de la productivité du personnel
300 000

Réduire les coûts en capital
400 000

Réduire les primes de responsabilité
200 000

Total
3 950 000 $

Résumé des études de recherche et des statistiques pour l'utilisation de l'analyse de rentabilisation
Voici où vous devez procéder avec prudence. De nombreuses études suggèrent que les installations industrielles sont sur le point de faire des investissements importants dans Industrial Analytics for Predictive Maintenance. Certains d'entre eux sont peut-être exacts et reflètent l'avenir de l'industrie 4.0.
Cela dit, il n'est pas conseillé de baser les recommandations d'investissement sur le comportement d'achat des pairs de l'industrie. Premièrement, ce qu'un dirigeant peut déclarer dans une enquête de recherche peut ne pas refléter les actions de son organisation et il n'y a aucun moyen de vérifier la véracité des données d'enquête. Deuxièmement, les rapports de recherche sont de haut niveau et manquent souvent de contexte. Troisièmement, vérifiez toujours la source. De nombreuses études sont basées aux États-Unis ou biaisées et peuvent ne pas être pertinentes pour votre marché.
Néanmoins, nous avons inclus des recherches d'enquête à prendre en compte dans votre analyse de rentabilisation. Caveat Emptor. Attention à l'acheteur.
Points saillants de la recherche de PWC
PWC a interrogé 2 000 entreprises à travers le monde en 2016. Ce qui suit est une prévision de l'impact de l'IIoT sur 5 ans:

Les revenus numériques annuels moyens augmentent de 2,9%. PwC a calculé que cela équivaut à 493 milliards de dollars US de revenus annuels accrus pour les cinq prochaines années dans les secteurs industriels que nous avons examinés.
Réductions de coûts moyennes de 3,6% par an. Au total, les répondants à l'enquête prévoient d'économiser 421 milliards de dollars US en coûts chaque année au cours des cinq prochaines années.

Honeywell Process Solutions (HPS) et KRC Research Highlights:
Dans l’étude parrainée par Honeywell Process Solutions intitulée Big Data on Manufacturing: A Study of Executive Opinions, les résultats suivants ont été rapportés:

67% des 200 cadres industriels interrogés poursuivront leurs projets d'investissement dans l'analyse de données au cours des 12 prochains mois.
42% ont indiqué avoir reconnu que leur équipement fonctionnait plus durement qu'il ne devrait l'être.
71% des répondants ont connu des pannes d'équipement occasionnelles, tandis que 64% ont signalé des temps d'arrêt occasionnels non planifiés.
40% ont classé les temps d'arrêt non planifiés comme la plus grande menace pour maximiser les revenus.

Points saillants de la recherche IoT One:
Cette étude d'IOT One contient des informations utiles sur Industrial Analytics et mérite d'être examinée:

La principale application d'Industrial Analytics au cours des 1 à 3 prochaines années est liée à la maintenance prédictive et normative des machines (79% des répondants la considèrent comme importante).
Aujourd'hui, 68% des participants au sondage déclarent avoir une stratégie d'analyse des données à l'échelle de l'entreprise, 46% ont une unité organisationnelle dédiée et seulement 30% ont achevé des projets réels.

http://www.diva-portal.org/smash/get/diva2:757534/FULLTEXT01.pdf
http://www.interstates.com/img/site_specific/uploads/How_much_does_downtime_really_cost.pdf
http://news.thomasnet.com/companystory/downtime-costs-auto-industry-22k-minute-survey-481017
http://www.digitalrefining.com/article/1000773,Refinery_power_failures__causes__costs____and_solutions.html#.WWtbbYiGPIU
https://www1.eere.energy.gov/femp/pdfs/OM_5.pdf
http://www.mckinsey.com/~/media/McKinsey/Business%20Functions/McKinsey%20Digital/Our%20Insights/The%20Internet%20of%20Things%20The%20value%20of%20digitizing%20the%20physical%20wigorld/ Internet-des-objets-Cartographie-de-la-valeur-au-delà-du-hype.ashx
http://moranmec.com/docx/Quantifying%20ROI%20-%20APM.pdf
https://www.pwc.com/gx/en/industries/industries-4.0/landing-page/industry-4.0-building-your-digital-enterprise-april-2016.pdf
https://www.honeywell.com/newsroom/pressreleases/2016/09/manufacturers-rely-on-big-data-analytics-to-navigate-tough-business-conditions
https://www.iotone.com/guide/industrial-analytics-2016-2017/g613

Laisser un commentaire