Улучшите процесс принятия решений в передовом производстве с помощью аналитики

Усовершенствованное производство — это трудная и сложная задача. А поскольку вкусы и тенденции потребителей ускорили потребность в новых продуктах и ​​сократили жизненный цикл существующих продуктов, современные производители должны полагаться на большие данные, чтобы помочь им управлять, прогнозировать и предлагать нужные продукты в нужное время. Одно исследование, проведенное PwC, показывает, что до 92 % производителей считают, что их решения либо в значительной степени зависят от данных, либо отчасти зависят от данных.

Легко думать о больших данных как об одной гигантской сущности, которой нужно управлять для получения правильного понимания. Но существуют разные типы данных, которые можно использовать в зависимости от уровня зрелости компании, а также от типа программного обеспечения, которое менеджеры и заинтересованные стороны могут использовать для улучшения процесса принятия решений на уровне предприятия и фабрики. Мы называем это процессом производственной аналитики, и он включает в себя четыре типа анализа данных.

По мере того, как производители расширяют свои аналитические возможности, они переходят от описательной аналитики к предписывающей.

Четыре типа анализа производственных данных

• Описательная аналитика – Описательная аналитика сообщает пользователю что произошло . Это тип обработки данных, при котором используются исторические данные со всей фабрики или компании для поиска закономерностей, ассоциаций и взаимосвязей. Используя агрегацию данных и интеллектуальный анализ данных, данные организуются таким образом, чтобы можно было получить глубокое представление о прошлых действиях.

Эта информация может принести пользу, которая поможет разработать стратегии продукта и способы, которые помогут пользователям понять тенденции с течением времени. Его можно применять в широких категориях, таких как качество, финансы и доход. Но описательная аналитика ограничена своей ретроспективной природой. Хотя могут возникать полезные закономерности и тенденции, помогающие принимать решения, их применение ограничено текущими и будущими событиями. Для компаний, которые сильно зависят от данных, также используются дополнительные типы анализа данных.

• Диагностическая аналитика – Где описательная аналитика описывает что произошло , диагностическая аналитика объясняет, почему это произошло . Вооружившись пониманием того, что машина или группа продуктов вели себя определенным образом, диагностическая аналитика помогает определить, почему. Диагностическая аналитика использует такие методы, как детализация, расширенная фильтрация и интеллектуальный анализ данных, для поиска взаимосвязей и объяснения причин. Этот тип анализа полезен для сбора информации о конкретных проблемах и разработки надежных прогнозов о том, как их избежать.

Одним из примеров ценности диагностического анализа является определение достоверности предупреждений. Поскольку современные подключенные фабрики генерируют огромное количество данных, собранных с большого количества датчиков и периферийных устройств, диагностический анализ может квалифицировать предупреждения и классифицировать их, чтобы люди-операторы могли понимать их и действовать. А учитывая объем данных от большого массива датчиков, машинное обучение можно использовать для разработки моделей, точно объясняющих, почему что-то произошло, что позволяет принимать точные решения.

• Прогнозная аналитика – Предиктивная аналитика используется, чтобы объяснить, что может произойти с наибольшей вероятностью. . Используя результаты, полученные в результате описательной и диагностической аналитики, прогностический анализ полезен в прогнозировании. Он использует эти данные для прогнозирования данных, которые еще не произошли. Используя статистическое моделирование, интеллектуальный анализ данных и машинное обучение, прогнозная аналитика использует различные методы, такие как:

• Сегментация :группы на основе сходства.
• Ассоциация :определение частоты совместных вхождений и создание правил, определяющих, что произойдет после взаимодействия определенного набора переменных.
• Корреляция :определение взаимосвязей между свойствами элемента.
• Прогнозирование :получение будущих значений и вхождений.

• Предписывающая аналитика – Используя анализ трех других типов, предписывающая аналитика использует машинное обучение, расширенные алгоритмы и определенные бизнес-правила, чтобы предписывать какие действия будут предприняты. . Кроме того, предписывающая аналитика также может показать вероятный результат этого действия. Это дает лицам, принимающим решения, определенный уровень точности, а также ряд вариантов для определения более чем одного возможного результата на основе целей предприятия. Будущее производства, где решения не просто принимаются, а системы автоматически адаптируются на основе этих решений, определяется предписывающей аналитикой.

Данные — это то, что делает MachineMetrics такими успешными в том, что мы делаем. А в MachineMetrics цель данных состоит в том, чтобы расширить возможности широкого спектра алгоритмов машинного обучения и глубокой аналитики для создания действенной платформы в режиме реального времени для повышения ценности за счет повышения эффективности использования оборудования и производства. В сочетании с настраиваемыми информационными панелями, которые позволяют визуализировать с помощью стационарных HMI, а также портативных устройств, решения могут приниматься на основе возможностей этой аналитики, чтобы расширить возможности операторов и повысить эффективность.

Подробный ресурс о практике сбора и использования аналитики для повышения эффективности работы цеха

Использование аналитики в подключенной производственной среде

Стратегия принятия решений меняется по мере взросления предприятия. Меняется и тип используемой аналитики. Для компаний, которые не сильно ориентируются на данные, 79% их аналитики состоит только из описательных и диагностических данных. На другом конце спектра находятся компании, в значительной степени ориентированные на данные, где прогнозная и предписывающая аналитика составляет 54% использования аналитики. MachineMetrics помогает своим клиентам осознать преимущества глубокой аналитики и применить их в своей работе.

Как для организаций, «в некоторой степени управляемых данными», так и для организаций, «в значительной степени ориентированных на данные», появление промышленного Интернета вещей означает, что те, кто использует передовые производственные технологии, могут использовать устройства и программное обеспечение, чтобы сосредоточиться на правильном сочетании аналитики для достижения наилучших результатов. Технология и программное обеспечение промышленного Интернета вещей обеспечивают определенный уровень взаимодействия между различными типами оборудования для стандартизации данных для использования в аналитическом программном обеспечении. Клиенты MachineMetrics столкнулись с этим и использовали его для интеграции с другими решениями, такими как системы ERP, инструменты планирования и планирования, а также программное обеспечение OEE.

Без использования датчиков и периферийных устройств, развернутых на оборудовании, сбор огромных объемов данных был бы невозможен. С помощью MachineMetrics клиенты могут использовать эти данные в режиме реального времени, что позволяет выполнять наиболее точную итерацию данных в аналитических программах. А с развернутыми датчиками и периферийными устройствами можно устранить задержку, обеспечивая максимально мгновенную информацию.

Учитывая огромные объемы данных, собираемых с помощью устройств IIoT, необработанные данные мало что значат без аналитики. Причина этого в том, что люди не могли обрабатывать данные для принятия осмысленных решений. Однако помимо используемого типа аналитики существует возможность визуализировать результаты для принятия этих решений. Современные технологии IIoT позволяют преобразовывать аналитические результаты в визуализированные форматы. Интерактивные информационные панели, настраиваемые экраны и оптимизированные портативные устройства, такие как планшеты и телефоны, позволяют операторам, техническим специалистам и менеджерам видеть визуальное представление своих машин и производственных цехов.

Сбор данных позволяет осуществлять точный мониторинг активов, мониторинг состояния в режиме реального времени, статистику производства в режиме реального времени и отчеты об использовании. Он может отображать их визуально с помощью настраиваемых панелей оператора и соответствующих уведомлений и предупреждений. Это позволяет осуществлять точный мониторинг времени простоя и показателей качества, а также определять рабочие области для настройки и переналадки. Кроме того, аналитика данных помогает лучше понять собираемые данные, что может помочь выявить тенденции, точно определить причинно-следственные связи, объяснить узкие места в производстве и даже запустить программы профилактического обслуживания.

Используя перечисленные выше типы анализа данных, производители могут интегрироваться с существующим программным обеспечением компании, чтобы повысить производительность и одновременно предоставлять информацию в режиме реального времени для оптимизации процесса принятия решений по всему предприятию, от производственного цеха до корпоративного офиса.