Stand der Branche:Wie geht es weiter?

Einführung:Eine Analyse der vergangenen Monate

Niemand hätte Anfang dieses Jahres die Auswirkungen des Coronavirus auf unsere Gesellschaft wirklich vorhersagen können. Dies zeigt sich in historischer Aktienmarktvolatilität (die normalerweise ein beispielloses Maß an Unsicherheit anzeigt), sich schnell ändernden politischen Entscheidungen (da wir darum kämpfen, auf Änderungen im technischen Milieu des Tages zu reagieren) und einem immer schwierigeren politischen Klima.

Während wir uns dem Herbst nähern, mit der Wiedereröffnung und Schließung von Schulen und Hochschulen sowie der bevorstehenden Grippesaison, werden Unsicherheit und Volatilität sicherlich nur noch zunehmen. Die täglichen Updates, die wir über den aktuellen Stand der Fertigungsindustrie bereitstellen, werden immer wichtiger, insbesondere da immer mehr Menschen, die Richtlinien festlegen, unsere Daten in ihren Prognosen und bei der Entscheidungsfindung verwenden.

Wir haben Anfragen von vielen Organisationen erhalten, von Fertigungsunternehmen über Beratungs- und Wirtschaftsprüfungsunternehmen bis hin zu Regierungsbehörden, um mehr darüber zu erfahren, wie unsere Daten tatsächlich entstehen. Die unzähligen Fragen sind verständlich, da sich MachineMetrics in einer völlig neuen Kategorie von Maschinenoptimierungsdiensten engagiert, einer, die eine reine Cloud-Implementierung ist und daher nicht nur Kunden anbietet die Vorteile der Cloud, sondern auch uns den Vorteil einer anonymisierten, aggregierten Kennzahl für die Branche. In dieser Ausgabe werden wir zusätzlich zu den jüngsten Erkenntnissen, die wir daraus gewinnen können, einige Due Diligence-Prüfungen darüber durchführen, wie wir unsere Daten tatsächlich erhalten.

Prolog:Wie kommen wir überhaupt an diese Daten?

Wir erhalten oft Fragen wie „Wie aktualisieren Sie Ihren Datensatz, wenn neue Maschinen angeschlossen werden?“ oder „Wie groß ist Ihre Stichprobengröße, um überhaupt diese aggregierten Metriken zu erhalten?“ „Wie können Sie sicherstellen, dass Daten von vielen tausend Maschinen korrekt sind?“

Dies sind großartige Fragen, die für diejenigen verwirrend sein können, die nicht aus beidem stammen einen fertigungstechnischen und einen technologischen Hintergrund. Beginnen wir mit den Grundlagen.

Dies ist eine typische Maschinenwerkstatt irgendwo in den USA. Maschinen sind mit keinerlei Maschinenoptimierungs- oder Überwachungsdiensten verbunden, und der Shopfloor-Manager weiß nur, dass sie am Ende des Tages teilweise im Rückstand sind, wenn ein Bediener ihnen mitteilt, dass sie knapp sind. Sie müssen dann zusätzliche Schichten einlegen oder die Maschine in einen Vorschub-Overdrive versetzen, um aufzuholen, oder einfach ihre Kunden frustrieren, indem sie knapp an Teilen sind und einen Liefertermin verpassen/verschieben. Es ist nicht großartig, aber so wurden die Dinge in den letzten Jahrzehnten gemacht.

Hier kommen wir ins Spiel und ermöglichen eine Industrie 4.0-Lösung, indem wir diese Maschinen vernetzen lassen und ihre Leistung sichtbar jederzeit. Wir sind in der Lage, eine Verbindung zur SPS (Programmable Logic Control) dieser Maschinen herzustellen, die alle möglichen wichtigen Informationen ausgibt, die normalerweise nur für den Bediener sichtbar sind, der direkt vor der Maschine steht.

Wie machen wir das? Die geheime Zutat liegt in unserem Edge-Gerät, das im Grunde ein Windows/Linux-IoT-Computer ist, der mit einer Reihe von Maschinenadaptern vorinstalliert ist der die von der SPS kommenden Signale übersetzen, bereinigen und interpretieren kann. Jeder Steuerungshersteller hat seine eigene API, die uns dies ermöglicht, und ein großer Teil unseres geistigen Eigentums besteht darin, diese APIs zu dekodieren und die einzelnen Sprachen in eine einheitliche Sprache zu übersetzen. Unten sehen Sie eine Aufnahme einer Maschinen-SPS, und die grün/schwarzen Felder, die Sie hervorgehoben sehen, sind unser Edge- und digitales IO-Gerät. Wir verbinden uns einfach mit dem Ethernet-Port der SPS, um die von der Steuerung ausgegebenen Informationen zu extrahieren und sie dann in die Cloud zu streamen. Wir machen es einfach genug, dass die Leute alles selbst installieren können, ohne dass wir vor Ort kommen müssen; Die Komplexität wird im Wesentlichen vom Kunden auf die komplizierte Technologie im Inneren des Edge-Geräts übertragen.

Was haben unsere Kunden davon? Schöne Dashboards, die ihnen live zeigen, wie es ihren Maschinen geht. Was macht eine Maschine in der Fabrikhalle? Ist es an oder aus, wer bedient es und liegt er hinter oder vor seinem Teileziel?

Als Produktunternehmen besteht die Hauptaufgabe von MachineMetrics Data Science darin, diesen riesigen Datensatz zu nutzen, um vorherzusagen, wann Maschinen ausfallen, und sie zu stoppen, bevor sie unseren Kunden Schaden oder Verluste zufügen. Dadurch wird unser Produkt besser, was bedeutet, dass es einfacher zu verkaufen ist, was bedeutet, dass wir noch mehr Daten erhalten, um die Maschinen, die wir unter unserem Dach haben, zu optimieren. Ein positiver Kreislauf. Beispielsweise kann es äußerst hilfreich sein, zu analysieren, warum eine Maschine bei einem Kunden ausfällt, und diese Daten zu nutzen, um sowohl diesem Kunden als auch anderen Kunden mit ähnlichen Maschinen und ähnlichen Problemen zu helfen.

Einer der wunderbaren Nebeneffekte all dieser Daten ist jedoch, dass wir sie auch aggregieren können diese Informationen zusammen und sehen Sie allgemeine Branchentrends. Dies war zunächst nicht das Hauptziel unseres Unternehmens, aber da wir unser Produkt in den letzten fünf Jahren fleißig verbessert und selbst installierte Maschinen ermöglicht haben, verfügen wir jetzt über eine bedeutende und repräsentative Stichprobe der US-Produktionsfläche . Einer der Schlüssel dazu war, das Produkt so einfach zu machen, dass es sowohl zu verwenden als auch selbst zu installieren ist, sodass wir für die meisten unserer Integrationen und Schulungen nicht selbst vor Ort gehen müssen. Dadurch können wir exponentiell und nicht linear skalieren; Wir müssen nicht mehr Integratoren oder Trainer einstellen, um mit der Nachfrage Schritt zu halten.

Nachfolgend finden Sie die Tabelle, anhand derer unser Data Science-Team arbeitet, um diese Analyse zu erstellen, die von kundenspezifischen Informationen bereinigt wurde. Sie können sehen, dass wir für jede Stunde eines jeden Tages und für jede Maschine automatisch von unserer Flotte von Edge-Geräten Folgendes erhalten:

[Bild in voller Größe]

1. in_cycle_ms:Wie lange sich die Maschine im Zyklus befindet (Ausführen eines G-Code-Programms oder wenn es sich um eine Maschine ohne SPS handelt, wie lange die Spindel erheblichen Strom zieht).
2. spindle_rotating_ms:Um wieviel dieser Zeit dreht sich die Spindel selbst rotierend ? Während G-Code-Programmen werden manchmal Unterbrechungen und Pausen eingebaut. Diese Metrik schließt diese Perioden aus.
3. cutting_ms:Von dem Zeit, wie viel Zeit tatsächlich mit dem Schneiden verbracht wird , also in Metall-zu-Metall-Kontakt?
4. parts_produced:Wie viele Teile wurden in dieser Zeit laut SPS produziert? Dies ist normalerweise ein Produkt aus der Anzahl der Drehungen des G-Code-Programms, die wir gesehen haben, plus einem Teilemultiplikator (oder im Fall einer älteren Maschine das Produkt aus der Anzahl unterschiedlicher aktueller ⚡️-Muster, die darauf hindeuteten, dass ein Teil hergestellt wurde).

Wir sammeln auch einige manuell eingegebene Artikel von Bedienern an der Maschine, die uns die der produzierten Teile mitteilen können:

1. parts_rejected:Wie viele Teile wurden aus irgendeinem Grund abgelehnt.
2. parts_scrap:Wie viele der abgelehnten Teile wurden verschrottet.
3. parts_nonconform:Wie viele der abgelehnten Teile entsprachen nicht den QA-Standards.

Sie können sehen, dass wir zu diesem Zeitpunkt etwa 66 Millionen Maschinenstunden an Produktionsdaten aufgezeichnet haben, die wir für eine der größten und vollständigsten in der Fertigungsindustrie halten.

Wir haben eine Vielzahl von Kunden in Größe, Region und Branche. Wir sind im Automobilbereich im Vergleich zur gesamten Fertigung leicht unterrepräsentiert und in der Medizintechnik überrepräsentiert. Außerdem sind wir im Nordosten leicht überrepräsentiert, da dort unser Engineering-Team und unser Hauptsitz angesiedelt sind. Nachfolgend finden Sie eine Verteilung unseres Kundenstamms sowie einiger repräsentativer Unternehmen. Der schlaue Analyst, der ein äußerst präzises Maß für Eingaben in Modelle oder für Vorhersagezwecke wünscht, kann auf der Grundlage unserer Rohdaten ein neu gewichtetes Maß für die Auslastung erstellen. Da unsere Daten immer häufiger verwendet werden, werden sie einer eingehenderen Prüfung auf ihre Robustheit, Annahmen und Quellen unterzogen. In dieser Ausgabe des State of the Industry-Updates hielten wir es für wichtig, alle drei Bereiche abzudecken.

[Bild in voller Größe]

Also, wie ist der aktuelle Stand der Branche?

Nach all dem … beginnen wir mit den Nutzungsaktualisierungen, die wir jeden Tag auf LinkedIn gepostet haben, mit einigen überlagerten Trends. Bisher sehen wir im Wesentlichen vier Regime, die im Laufe des Jahres auftreten, und zwar:

1. Ein Anstieg um 7 %, bevor das Coronavirus die USA traf und Bundesstaaten geschlossen wurden
2. Ein Rückgang um 16 % von März bis Mitte April, als die Abschaltungen ihren Höhepunkt erreichten
3. Ein Anstieg um 8 % von Ostern bis zum Unabhängigkeitstag, als die Schließungen gelockert wurden, und
4. Ein Rückgang um 2 % in unserem derzeitigen „Abwarten-und-Sehen“-Modus im Sommer und Herbst 2020

Obwohl diese allgemeinen Trends niemanden von uns überraschen mögen, ist es unser neuartiger Beitrag, ihnen einen genauen quantitativen Indikator zu geben. Niemals zuvor war eine Organisation in der Lage, einen genauen, branchentypischen Hochfrequenzindikator für die Fertigungsleistung zu entwickeln.

[Bild in voller Größe]

Branchen- und geografische Aufschlüsselung

Dies hat große Konsequenzen für die genaue Einschätzung des Zustands der Branche. Es überrascht nicht, dass sich dies oft in unserer Branche und geografischen Aufschlüsselung manifestiert. Wir werden diesen Abschnitt damit verbringen, uns auf Anfragen zu konzentrieren, die wir tief in bestimmte Branchen und Regionen eintauchen mussten.

Beginnen wir mit den Aufschlüsselungen auf Branchenebene, die in diesem Jahr in die Zeit vor COVID zurückgehen. Wie Sie unten sehen können, bricht die Automobilindustrie Ende März völlig zusammen, wenn die Schließung von Fabriken angeordnet wird und die Verbrauchernachfrage zusammenbricht. Die Herstellung medizinischer Geräte bleibt jedoch insgesamt stabil.

[Bild in voller Größe]

Lassen Sie uns die fortlaufenden täglichen Leveländerungen entfernen, um einen klareren Überblick über die Gesamttrends zu erhalten. Wir bleiben bei diesen Trendlinien, die aus einer LOESS-Anpassung an den gleitenden 7-Tage-Durchschnitt mit einer Spannweite von 0,75 konstruiert werden (Ökonomen und Analysten, wenden Sie sich an mich, wenn Sie mehr Details wünschen).

[Bild in voller Größe]

Wir teilen dies dann in drei Kapitel auf und passen die LOESS-Kurve für jedes Kapitel neu an.

[Bild in voller Größe]

Kapitel 1:Nutzung bringt die Treppe nach oben ... den Aufzug nach unten

Vergrößern wir den Zeitraum von Mitte Februar bis Mitte April. Anfang Februar brummten alle fünf von uns beobachteten großen Branchen und standen kurz davor, neue 18-Monats-Höchststände zu erreichen. Die Automobilbranche sah besonders stark aus, da die hohe Verbrauchernachfrage und die gestiegene Kaufstimmung viele OEM- und Tier-1-Hersteller dazu veranlassten, das Produktionsniveau und damit die Maschinenauslastung zu erhöhen. Andere Branchen blieben entweder unverändert oder stiegen leicht an.

Dann kam es zu COVID-Abschaltungen, und wir sehen einen Lehrbuchfall, bei dem „die Treppe hoch und die Aufzüge runter genommen werden“. Wir sehen dieses Muster in vielen anderen Bereichen, wie zum Beispiel dem Aktienmarkt. Es braucht eine Menge Stabilität und Dinge, um richtig zu laufen, damit die Dinge langsam nach oben streben, aber nur ein großes Ereignis, damit die Dinge nach unten gehen, und zwar sehr schnell. Gepaart mit einer vorgeschriebenen Abschaltung löschte die zusammenbrechende Verbrauchernachfrage die Automobilherstellung aus, wobei die Auslastung bis Mitte April um 40 % zurückging. Einige unserer Kunden versuchten in dieser Zeit, ihre Werkzeuge für die Herstellung von Beatmungsgeräten und anderen medizinischen Geräten umzurüsten, aber das reichte bei weitem nicht aus, um die Stillstände auszugleichen. Am 15. April erreichen wir den niedrigsten Auslastungspunkt, den wir seit 3 Jahren bei der Tracking-Maschinenleistung (ohne Feiertage) gesehen haben.

[Bild in voller Größe]

Kapitel 2:Eine ungleichmäßige Erholung

Von Mitte April bis Ende Juni treten wir in ein Regime ungleichmäßiger Erholung ein. Als das Virus besser unter Kontrolle geriet und die Sperrungen gelockert wurden, nahmen Unternehmen einen Teil ihrer Produktion wieder auf. Wenig überraschend baute die Medizingeräteherstellung ihren Vorsprung aus, da es einen Ansturm auf Beatmungsgeräte und andere medizinische Geräte gab. Andere Branchen wie Luft- und Raumfahrt, Verteidigung, Industrieanlagenbau und Auftragsfertigung schwanken in dieser Zeit auf und ab und suchen nach einer bahnbrechenden Erholung, scheinen dies aber nie zu erreichen. Die Automobilindustrie setzte ihren Rückgang fort, die Nachfrage blieb niedrig, da die Menschen entweder gezwungen waren, zu Hause zu bleiben, oder nicht so viel ausgehen und Einkäufe tätigen wollten.

[Bild in voller Größe]

Kapitel 3:Nicht gerade eine Rallye

Vom 1. Juli bis zu unserer aktuellen Woche sehen wir eine leichte Erholung und dann in den letzten Wochen eine weitgehend flache Performance. Automobilkunden haben begonnen, uns den regulären Betrieb zu melden, und wir sehen dies auch in ihrer gestiegenen Auslastung. Die Bewältigung und Entwicklung von Strategien, um im Zeitalter des Coronavirus zu leben, könnte ein Hauptgrund dafür sein, zusätzlich dazu, dass die Menschen mehr wagen und ein bisschen mehr Vertrauen in die Wirtschaft haben. Die Verbraucherausgaben stiegen insgesamt, was sich sicher auf die gesamte Lieferkette auswirken wird. Auch die medizinische Fertigung nahm zu.

[Bild in voller Größe]

Nachtrag 1:Nachweis gestaffelter Verschiebungen, nach Region

Wir abonnieren die folgenden formalen Gruppierungen für das COVID-Risiko – und können einen deutlichen Unterschied in der Nutzungsverteilung nach Stunde für jede Region feststellen. Wir normalisieren die Auslastung neu auf einen Wert zwischen 0 und 1, damit wir die Verteilungsunterschiede intensiver sehen können (beachten Sie die Änderung des Titels und der Werte der Y-Achse). Durch diese Analyse können wir sehen, dass verschiedene Staaten die soziale Distanzierung durch gestaffelte Schichten in ihren Fabriken ernster nehmen als andere. Insbesondere NY/NJ/CT sehen nach März einen starken Unterschied in der Verteilung der Auslastung nach Stunden, mit einer viel höheren Auslastung als gewöhnlich während der frühen Nachtstunden. Dies liegt daran, dass die Arbeit von der Hauptzeit von 10:00 bis 16:00 Uhr verschoben wird, um rund um die Uhr gleichmäßiger verteilt zu sein, wie die „flachere Kurve“ in der stündlichen Verteilungskurve für NY/NJ/CT zeigt. Die anderen Staaten zeigen einen deutlichen Bewegungsmangel in ihrer Verteilung vor und nach COVID. Es ist faszinierend, wie die Auswirkungen verschiedener Subkulturen in den Vereinigten Staaten und ihre Behandlung des Coronavirus bis auf die Ebene der Fabrikhallen ausstrahlen. Wir wussten das schon vorher, aber es ist ziemlich bemerkenswert, wie genau das wahr ist.

COVID-Risikogruppierungen

· Gruppe 1:NY / NJ / CT

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

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

Gruppe 1 [GIF in voller Größe]

Gruppe 2 [GIF in voller Größe]

Gruppe 3 [GIF in voller Größe]

Nachtrag 2:Folgen politischer Entscheidungen sofort sichtbar und quantifizierbar

Wenn wir uns den Zeitraum Mitte März ansehen und die normalisierten Auslastungswerte auf Tagesniveau einbeziehen, können wir einige sehr deutliche Auswirkungen der Regierungspolitik auf die Abschaltung des Coronavirus erkennen. Nachfolgend teilen wir unsere Daten nochmals in unsere drei geografischen Regionen auf. Schon ein flüchtiger Blick darauf deutet darauf hin, dass sich diese drei Regionen zu der Zeit, als das Coronavirus erstmals die USA traf, sehr unterschiedlich verhalten.

[Bild in voller Größe]

Insbesondere sehen wir am Tag danach einen Rückgang der relativen Auslastung um etwa 50 % Gouverneure in NY/NJ/CT erlassen eine totale Abschaltanordnung. Wir spekulieren, dass etwa 50 % der von uns verfolgten Geschäfte als wichtige Geschäfte angesehen wurden, die geöffnet bleiben konnten. Andere Staaten sehen diesen Rückgang nicht. Die Wochenendaktivität, die normalerweise ein Achtel der normalen Aktivität ausmacht, verschwindet in NY/NJ/CT am Wochenende nach der Schließung vollständig.

[Bild in voller Größe]

Entfernt man die einzelnen Tageslevel-Balken, wird der Unterschied noch deutlicher. Wir sehen, dass diese Art von Trends immer dann anhält, wenn starke gesetzliche Eingriffe eingeführt werden. Wir vermuten, dass die Bewertung der Auswirkungen davon im letzten Drittel des Jahres immer wichtiger wird.

[Bild in voller Größe]

Epilog

Zu Beginn des Herbstes gehen wir davon aus, dass die Grippesaison, Studenten, die von geschlossenen Universitäten nach Hause zurückkehren, und andere ungewöhnliche Ereignisse einen starken Einfluss auf die Ausbreitung des Coronavirus und damit auf die Nutzung in der Industrie haben könnten. An diesem Punkt haben wir gezeigt, dass unser Maß äußerst reaktionsschnell auf politische Änderungen reagiert, insbesondere auf solche, die die Auslastung nach unten beeinflussen. Die Gesundheit unserer Branche, die sich derzeit in einem „wait and see“-Regime befindet, wird unweigerlich stark von unseren politischen Entscheidungen in diesem Herbst beeinflusst. Wir hoffen, dass die Macher, Analysten und Ökonomen unserer Branche diese Daten nutzen können, um ihre Entscheidungen auf dem Weg in den September besser zu informieren. Daten sind Macht, und wir können diese Daten nutzen, um sowohl unserer Branche als auch unserer Nation zu helfen, stärker zu werden. Daten helfen uns, nuancierte und rationale Entscheidungen zu treffen, gestützt auf Strenge und Überlegung, anstatt emotional getriebene Impulse, die uns am Ende nur noch mehr verletzen. Es liegt in allen unseren Händen, sicherzustellen, dass wir in diesen turbulenten Tagen die bestmöglichen Entscheidungen treffen, da dies kritische Zeiten sind, in denen wir leben.

Wir werden diese Messwerte weiterhin überwachen und in regelmäßigen Abständen darüber berichten.