制浆造纸的数字化

自成立以来，纸浆和造纸工业已展示出了适应挑战性环境和时代的能力。如今，制造商大多在成熟市场中面临有限的增长机会。随着市场需求的稳定，OEE和生产利用率的提高已成为北美和西欧制造商的重点。

尽管应对这些过程需要制造商进行大量的组织变革，但数字化正在成为行业转型的主要参与者。麦肯锡公司（McKinsey＆Company）2019年的一份报告重点介绍了自动化之旅的潜在节省收益，这可以使生产商的成本基础降低15％。其中15％（7.5％）的一半可归因于AI和Google Analytics（分析）。在本文中，我们讨论了机器学习和工业分析如何使关键操作合理性能指标受益。

工业分析一览

在不那么遥远的过去，机器学习被降级为学术界，只有很少的实际用例。在过去的几年中，机器学习已经通过商业应用实现了自己的发展，并且在诸如医学，金融，网络和制造业等行业中都得到了广泛的应用。

机器学习从象牙塔迁移到工厂车间的原因很多。改变的主要驱动力是数据存储和传输成本的显着降低，以及计算能力定价的下降。此外，高级管理层已开始认识到AI和大数据在收入增加和成本节省方面可能产生的潜在影响。

典型的工业工厂包含嵌入在不同类型机器中的数千个传感器。尽管数据是连续生成的，但许多数据的设计目的并不是为了分析或其他操作目的而可访问。除了基于SCADA的监视和控制外，大多数传感器数据当前对生产设施几乎没有任何价值。

SCADA监视通常在少量的高优先级机器资产上执行。控制阈值是手动确定的，并且在阈值突破（例如温度，振动，压力等）的情况下，会向技术人员发出警报。基于条件的监视有时可以自动触发其他过程。

借助用于工业分析的机器学习，算法可应用于工厂机器生成的大量数据。这些算法经过训练可以识别异常行为模式和模式相关性。与SCADA监视相反，AI驱动的工业分析将分析所有数据，而不管是否违反了基于规则的阈值。基于模式识别，该算法可以对劣化，潜在故障及其原因进行分类。在可靠性方面，这些被称为失效时间（TTF）和根本原因失效分析（RCFA）。

运营和维护：节省成本的新机会

纸浆和造纸业是使用复杂机械的绝对自动化的行业。根据CEPI的说法，自动化一直是该行业生产力的主要推动力。在1992年至2018年期间，纸和纸板的产量增长了40％以上（从6510万吨增加到92.2吨），而同期的雇员人数却下降了56％（从411113下降到180852）。

然而，纸浆和造纸的操作和维护尚未从自动化中获得显着的优势。

根据中央纸浆和造纸研究院的统计，维护成本占该行业销售的10％，大大高于化学工业，汽车制造业和发动机制造业。

像许多行业一样，纸浆和造纸业面临的重大运维成本是计划外停机。对于这些事件造成的纸浆和造纸损失，没有具体的估算：纸浆和造纸没有发布有关计划外停机成本的内部数据，并且在撰写本文时，纸浆和造纸的平均生产天数很少。纸张每年丢失。

但是，据估计，整个行业中超过80％的工厂无法计算计划外停机的成本。实际上，许多工厂低估了成本200％至300％。对于这个数量巨大的缺口的解释很简单：太复杂以至于无法追踪所有成本要素。

鉴于此，过去计算的单台机器停机时间为一小时$ 10,00很可能是低端的。实际上，整个造纸厂的意外停机造成的损失每小时可能超过100万美元。除了进行精确的计算之外，机器停机对于行业而言是极为昂贵的，尤其是当您考虑到损失的收入机会成本时。

通过AI驱动的工业分析计算ROI

基于活动的成本核算（ABC）是用于精确分配生产过程中产生的所有直接成本和间接成本的方法的会计术语。ABC的问题在于，它被认为是不切实际的，并且“非常实用”。活动级别的数据通常不可用，并且生成时间太长。

结果是，在计算计划外停机时间时，仅考虑了一些明显的变量。本文档旨在概述“停机”中包含的各种成本要素，并提供可用于估算年度“计划外停机”成本的工具。

损失生产的机会成本

在所有行业中，一家工厂的平均计划外停机时间为每年17天，尽管该数字在整个行业内和行业内差异很大。

在加工业中，收入将根据商品价格的波动而变化。 以下是5个不同行业平均成本的 估算值是一个起点，应仅用于高级/包络计算。

计划外停机时间因行业而异。但是，即使在行业内部，重要的是要认识到计划外停机发生率的变化。以下数据来自ARC Advisory对石油和天然气行业的高级主管以及工程，运营和维护经理的调查。如下所示，尽管*常见的生产损失为每年3-5％，但从**绩效（<1％）到绩效不佳（> 10％）的范围很大。

我们可以从这些数据中学到什么？尽管从基准测试的角度来看，意外停机的行业平均值很有趣，但必须修改平均值以反映工厂级别的运行状况。

计划外停机的成本构成

机器故障会导致以下费用：

• 人工成本/加班： 即使产量和生产力停顿，在生产恢复之前闲置的员工仍将得到报酬。此外，对于复杂的维修或弥补生产损失，可能需要加班费。

• 人工维修成本： 由于恢复生产的紧迫性，与计划外停机相关的维修成本高于计划的维修活动。如果无法找到“故障根本原因”数据，则更多地依赖于反复试验，因为技术人员必须确定故障的来源，然后才能进行维修。

• 其他可变成本： 由于生产线甚至整个工厂的故障，无法简单地降低生产线运行的持续成本，例如公用事业费用。无论设施是满负荷生产还是仅部分产能生产，仍然会产生间接费用和其他固定费用。

• 工具和备件： 备件和工具用于修理损坏的机械。许多生产设施投资了多余的零件。账面成本与维护零件库存相关联，以防止意外的机械故障。

• 受损的生产输出： 在工业机械故障发生之前，会出现资产退化和不断演变的故障。在此期间，生产质量通常会受到影响，并且不符合工厂标准。在这些情况下，必须处理劣质产品。

• 过量库存： 为了弥补生产损失的可能性，工厂可以保留对成品库存的访问权，以作为缓冲。每年的库存成本通常约为库存价值的10％-30％。

计划外停机如何增加总体维护成本

下图描述了不同资产可靠性方案的成本。对于“维护不足”或“直到彻底故障”，计划外的停机时间会导致生产损失和维护成本激增，以恢复生产水平。

另一种情况是，工厂认识到计划外停机的潜在成本，然后在两种预防性维护实践中进行了过多投资。凭借“过度可靠性”，工业工厂可以进行不必要的维护，以防万一。计划内的停机是一个很大的成本要素–当生产停止时，同时根据预定的时间表更换零件并进行检查。

资产可靠性成本方案

如何计算纸浆或造纸厂的计划外停机成本

以下计算用于确定计划外停机时间：

**步是创建要在成本计算中使用的现实假设。在某些情况下，数据将易于获得或相对容易估计（生产能力）。对于难以计算的成本估算（例如维护成本），我们建议使用行业基准。

• 确定生产线或工厂的输出。为此，我们选择了一个年产能为10万吨的工厂。

• 选择产品等级。尽管工厂生产多个产品等级，但为简单起见，请选择一个通用产品等级，并假定该等级的产品为100％。在此示例中，我们假设使用的是无木材涂层（WFU）产品等级。

• 预测商品价格。选择特定产品等级的预测商品价格。尽管价格波动，但可以使用12个月的平均价格或分析师的估计得出12个月的前景。对于WFU，我们选择了800欧元/吨的预测价格。

• 估计当前的计划外停机时间（天）。在我们的示例中，每年有15天的计划外停机时间，占生产损失的4.1％。

• 估计维护成本占销售额的百分比。对于一家工厂，行业数据表明10％的销售额分配给了维护费用。应该注意的是，如果工厂相对较新或相对较旧，则应分别降低或增加分配百分比。

在该造纸厂的示例中，以下计算用于确定计划外停机的年度成本估算。

通过减少计划外停机时间来估计节省的费用。

一旦我们计算了停机时间的成本，就可以使用Industrial Analytics通过减少计划外停机时间来计算成本节省。

在我们的示例中，我们假设15天的计划外停机每年使工厂损失350万欧元。如果减少到10天（减少33％），则每年的收益为120万欧元。应当指出的是，由于存在可变的生产原材料成本，因此全部120万欧元不等于营业利润或净利润。

计划外停机时间的计算并不简单。它需要了解工厂的产量，收入驱动因素和维护成本。由于不可能获得所有这些数据，因此有一些方法可以通过应用现实的假设来修改行业基准数据来估计计划外停机时间。

手动配置的基于规则的警报：为什么反应式维护不够

纸浆和造纸厂主要依靠基于规则的传统SCADA监控。SCADA系统的缺点是，在未违反手动设置的阈值的情况下，它们无法发生潜在故障。在下图中，我们看到了一个SCADA机器温度监控系统的示例。如果机器温度超过40度，则

警报被触发。但是，SCADA无法检测到在阈值带宽内发生的异常传感器行为。

制浆造纸行业中，SCADA监控和其他类型的被动维护是常态。机器“运行失败”，然后在维修时保持休眠状态。关于工厂为什么使用这种所谓的“从运行到失败”方法的基本假设是：（a）机器故障被视为随机事件，并且（b）工厂缺乏预测工具。不幸的是，被动维护比预测性维护昂贵，因为修复损坏的机器要比修复机器仍要运行时要多得多。

使用机器学习进行资产维护的*引人注目的理由之一是，它可以检测到以前由现有资产监控系统无法识别的机器故障。在上面的示例中，我们看到了传感器行为异常的迹象。使用机器学习，算法将分析该数据以确定是否存在异常行为模式，该异常行为可能指示机器运行状况恶化或潜在资产故障

使用机器学习来检测异常机器行为，可以减少被动维护，并从工厂获得经济利益。

如何节省成本？

• 更好的计划意味着更好的扳手时间指标。

• 可以提前订购更换零件，从而优化维修人员的时间表。

• 提前通知，可以减轻将维修人员从例行工作转到紧急任务的压力（和成本）。

• 可以在等待零件时减少机器的工作量，而无需突然停机以使生产停顿。

此外，提供根本原因故障分析的机器学习解决方案可以使维护人员更清楚地了解机器出现故障的原因。结果，O＆M的试验和错误更少，维护更有效。

通过机器学习，纸张制造商还可以降低基于时间的预防性维护（PM）的成本。基于时间的维护基于历史性的故障模式。例如，某些资产倾向于遵循基于年龄的故障模式。

下图所示的所谓的浴曲线描绘了许多机电部件和电机的平均故障率。假设是在婴儿期和磨损阶段，故障率相对较高。考虑到这一假设，在磨损阶段使用预防性维护来减少故障是合乎逻辑的。在历史上一直失败的时期内加强维护工作可以防止这种失败在其他资产中发生。

该方法使用平均历史数据来定义当前的维护计划。但是，实际上，只有20％的资产故障是常见的和可预测的–其他80％的故障是随机的。

换句话说，在缺乏精确的资产退化知识的预防性维护中，存在维护过度的风险和成本。借助机器学习，维修特定机器设备的决定是基于有关特定资产的传感器数据，而不是依靠基于趋势或有根据的估计的人为决定。

机器学习如何延长资产寿命

行业数据表明，北美和西欧部分地区的机器资产往往比其在亚洲和其他新兴市场的竞争对手的机器资产更旧。例如，在北美，一半的回收锅炉的技术寿命至少为30年。

机器学习有助于延长机器资产的寿命，因为：

• 发生故障之前可以对机器进行维修。维修是基于特定的故障根本原因；当将AI驱动的见解提供给维护人员时，反复试验的机会就更少了。

• 可以避免不必要的过度维护，例如出于计划外停机而进行的预防性维护。

重要的是要注意，这些因素并不能减轻有害的行为，例如设备滥用，设备过度使用或未将设备用于设计目的。

未来展望

过去，纸浆和造纸业在激烈的竞争和外部威胁的挑战时期展现出了灵活性和韧性。基于这段令人印象深刻的历史，我们希望该行业能够利用机器学习来改善其运营和财务状况。