Усиление принятия решений в передовитом производстве через мощную аналитику

Передовое производство — сложное и трудное дело. По мере того как вкусы и тренды потребителей ускоряют желание новых продуктов и сокращают жизненные циклы существующих, сегодня производители должны опираться на большие данные для управления, прогнозирования и преследования правильных продуктов в правильное время. Исследование PwC показывает, что до 92% производителей считают свое принятие решений либо сильно data-driven, либо частично data-driven.

Легко думать о больших данных как об одной гигантской сущности для управления ради получения правильных инсайтов. Но есть разные типы данных, которые можно использовать в зависимости от уровня зрелости компании и типа ПО, которое менеджеры и стейкхолдеры могут внедрять для улучшения принятия решений на уровне предприятия и завода. Мы называем это путешествием производственной аналитики, и оно включает четыре типа аналитики данных.

По мере зрелости аналитических возможностей производители движутся от описательной к прескриптивной аналитике.

Четыре типа производственной аналитики данных

• Описательная аналитика (Descriptive Analytics) — описательная аналитика говорит пользователю что произошло. Это тип обработки данных, использующий исторические данные со всего завода или компании для поиска паттернов, ассоциаций и отношений. Используя агрегацию данных и интеллектуальный анализ, данные организуются способом, дающим глубокие инсайты в прошлые действия.

Эта информация может дать ценность для разработки продуктовых стратегий и понимания трендов во времени. Её можно применять в широких категориях: качество, финансы, выручка. Но описательная аналитика ограничена своим задним взглядом. Хотя полезные паттерны и тренды могут возникнуть, помогая информировать принятие решений, она ограничена в применении к текущим и будущим событиям. Для компаний, которые сильно data-driven, используются и дополнительные типы аналитики.

• Диагностическая аналитика (Diagnostic Analytics) — где описательная аналитика описывает что произошло, диагностическая объясняет почему это произошло. Вооруженные пониманием того, что станок или группа продуктов вели себя определенным образом, диагностическая аналитика помогает определить причину. Она использует техники drill-down, расширенную фильтрацию и интеллектуальный анализ для поиска корреляций, объясняющих «почему». Этот тип анализа полезен для сбора инсайтов в конкретные проблемы и разработки надежных прогнозов о том, как их избежать.

Пример ценности диагностического анализа — определение валидности алертов. Поскольку современные подключенные заводы генерируют огромное количество данных от большого массива датчиков и периферийных устройств, диагностический анализ может квалифицировать алерты и категоризировать их так, чтобы операторы могли их понять и действовать. И с объемом данных от большого массива датчиков машинное обучение можно использовать для разработки моделей, точно объясняющих, почему что-то произошло, что позволяет принимать точные решения.

• Предиктивная аналитика (Predictive Analytics) — предиктивная аналитика используется для объяснения что наиболее вероятно произойдет. Используя выводы из описательной и диагностической аналитики, предиктивный анализ ценен для прогнозирования. Он использует эти данные для предсказания данных, которые еще не произошли. Используя статистическое моделирование, интеллектуальный анализ и машинное обучение, предиктивная аналитика использует разные техники:

• Сегментация: Группировка по сходству.
• Ассоциация: Идентификация частоты совместных вхождений и создание правил, определяющих, что произойдет после взаимодействия конкретного набора переменных.
• Корреляция: Выявление отношений между свойствами элементов.
• Прогнозирование (Forecasting): Выведение будущих значений и событий.

• Прескриптивная аналитика (Prescriptive Analytics) — используя анализ из других трех типов, прескриптивная аналитика использует машинное обучение, продвинутые алгоритмы и определенные бизнес-правила для предписания какое действие будет предпринято. Дальше, прескриптивная аналитика может показать вероятный исход этого действия. Это усиливает принятие решений с уровнем точности и диапазоном опций для определения более чем одного возможного исхода на основе целей предприятия. Будущее производства, где решения не просто принимаются, а системы адаптируются автоматически на основе этих решений, движется прескриптивной аналитикой.

Данные — это то, что делает MachineMetrics таким хорошим в своем деле. В MachineMetrics цель данных — усилить широкий спектр алгоритмов машинного обучения и глубокой аналитики для построения реально-временной действенной платформы, движущей ценность через OEE и приросты производственной эффективности. В сочетании с кастомизированными дашбордами, позволяющими визуализацию через стационарные HMI и портативные устройства, решения могут приниматься на основе силы этих аналитик для усилений операторов и стимулирования эффективности.

Подробный ресурс о практике сбора и использования аналитики для стимулирования большей эффективности на цехе

Использование аналитики в подключенной производственной среде

Стратегия принятия решений меняется по мере зрелости предприятия. И тип используемой аналитики тоже меняется. Для компаний, которые не сильно data-driven, 79% фокуса их аналитики состоит только из описательной и диагностической. На другом конце спектра — сильно data-driven компании, где предиктивная и прескриптивная аналитика составляют 54% использования аналитики. MachineMetrics помогает клиентам реализовать выгоды глубокой аналитики и применять их уникально для их операций.

И для «частично data-driven», и для «сильно data-driven» организаций приход Промышленного IoT означает, что те, кто использует передовые производственные технологии, могут использовать устройства и ПО для фокуса на правильной комбинации аналитики для лучших результатов. Технологии и ПО промышленного IoT предоставляют уровень интероперабельности между разными типами оборудования для стандартизации данных для использования в аналитическом ПО. Клиенты MachineMetrics пережили это и использовали для интеграции с другими решениями: ERP-системами, инструментами планирования и расписания, ПО OEE.

Без использования датчиков и периферийных устройств на оборудовании сбор огромных объемов данных был бы невозможен. Через MachineMetrics клиенты могут использовать эти данные в реальном времени, позволяя самую точную итерацию данных в программах аналитики. И с развернутыми датчиками и периферийными устройствами задержка может быть устранена, создавая максимально близкую к мгновенной информацию.

Учитывая огромные объемы данных, собранных IIoT-устройствами, сырые данные мало означают без аналитики. Причина в том, что люди не могли бы обработать данные в значимые решения. Однако за пределами типа используемой аналитики важна способность визуализировать результаты для принятия решений. Современные IIoT-технологии дают возможность перемещать аналитические результаты в визуализированные форматы. Интерактивные дашборды, кастомизированные экраны и оптимизированные портативные устройства, такие как планшеты и телефоны, позволяют операторам, техникам и менеджерам видеть визуальное представление своих станков и заводских полов.

Сбор данных позволяет точный мониторинг активов, мониторинг состояния в реальном времени, производственную статистику в реальном времени и отчеты об использовании. Это может доставлять визуально с кастомизированными операторскими дашбордами и соответствующими уведомлениями и алертами. Это позволяет точный мониторинг простоя и качественной производительности, а также действенных зон для наладки и переналадки. Дальше, аналитика данных помогает двинуть более глубокий инсайт в собираемые данные, что может помочь выявить тренды, уточнить причинно-следственные отношения, объяснить производственные узкие места и даже запустить программы предиктивного обслуживания.

Используя вышеуказанные типы аналитики данных, производители могут интегрироваться с существующим корпоративным ПО для улучшения их производительности, доставляя информацию в реальном времени для оптимизированного принятия решений по всему предприятию — от цеха до корпоративного офиса.