Превращение больших данных в интеллектуальные данные:улучшение понимания производства

Производителям не хватает данных и недостаточно информации. Согласно исследованию IBM, только 28% организаций «используют данные об оборудовании, процессах и системах, чтобы получить информацию для постоянного улучшения процессов». 

Проблема? Большие данные сами по себе редко приносят значимую ценность без контекста и намерений. Чтобы оптимизировать текущие операции и оставаться конкурентоспособными на цифровом рынке, производителям нужен способ преобразования больших данных в интеллектуальные данные. То есть информация, которая актуальна, точна и полезна. 

Продолжайте читать, чтобы узнать больше о больших данных и интеллектуальных данных, а также о том, как компании могут преодолеть этот разрыв. 

Что такое большие данные в производстве?

Большие данные состоят из больших и сложных наборов данных, генерируемых в рамках производственных систем, но сам по себе объем не гарантирует понимания или улучшения работы. 

Общие источники больших данных включают системы IIoT , программное обеспечение производственных систем и программируемые логические контроллеры (ПЛК), журналы обслуживания, инструменты контроля качества и компьютеризированные системы управления техническим обслуживанием (CMMS). 

Большие данные ориентированы на количество, а не на качество, что, в свою очередь, создает проблемы с удобством использования. Хотя больше данных может помочь компаниям увидеть общую картину, увидеть детали становится сложнее. 

Для больших данных характерны четыре характеристики: 

• Объем:  Объем относится к объему сгенерированных данных. Многие компании сегодня ежедневно генерируют терабайты (ТБ) данных. 

• Скорость:  Скорость относится к скорости с которой создаются и обновляются данные. Поскольку многие производственные линии работают круглосуточно, 7 дней в неделю, 365 дней в году, передача данных никогда не прекращается.  

• Разнообразие:  Разнообразие говорит о разнообразии. Производители теперь собирают все:от данных о материалах до информации об эффективности производительности, данных подключенных датчиков Интернета вещей и результатов контроля качества.  

• Правдивость:  Правдивость — это истина. Являются ли данные точными и надежными? Большие данные бесполезны, если источникам данных нельзя доверять. 

Что такое интеллектуальные данные?

Интеллектуальные данные — это тщательно подобранная, контекстуализированная и целенаправленная информация, полученная с помощью анализа больших данных. Хотя большие данные часто собираются и хранятся в больших масштабах, интеллектуальные данные намеренно формируются для поддержки принятия обоснованных решений. 

Три характеристики отличают интеллектуальные данные от их аналогов в области больших данных: 

• Качество:  Под качеством понимаются четкие, краткие и правильно отформатированные данные.  

• Актуальность:  Актуальность относится к своевременности. Хотя исторические данные играют роль в долгосрочном планировании, своевременные данные необходимы, чтобы гарантировать, что действия соответствуют текущим условиям. 

• Точность:  Точность говорит точностью. Например, для высокотемпературных машин может потребоваться калибровка всего на несколько десятых градуса. Если вы превысите или уменьшите значение, результаты могут оказаться непригодными для использования. Умные данные — это точные данные. 

Не уверены, есть ли у вас большие данные или умные данные? Начните с простого вопроса:данные просто хранятся или помогают ответить на деловые и операционные вопросы?   

Ключевые различия между большими данными и интеллектуальными данными

Как большие данные, так и интеллектуальные данные играют важную роль в производственных операциях. Большие данные закладывают основу для крупномасштабного анализа тенденций и могут способствовать обеспечению соответствия ожиданиям и рекомендациям нормативных органов, таким как надлежащая производственная практика (GMP). Между тем, интеллектуальные данные помогают производителям выявлять проблемы, определять решения и принимать целевые действия. 

Существует четыре ключевых различия между большими и интеллектуальными данными: 

1. Большие данные требуют сбора; умные данные подчеркивают использование. 

<ли>

2. Большие данные носят общий характер; интеллектуальные данные специфичны. 

<ли>

3. Большие данные отдают приоритет контенту; интеллектуальные данные отдают приоритет контексту. 

<ли>

4. Большие данные устойчивы; интеллектуальные данные работают быстро. 

<ли>

Почему в производстве часто не работают только большие данные

Компании не могут позволить себе игнорировать роль больших данных в производстве. 

Исторически предприятия были оборудованы только для сбора данных высокого уровня, таких как общие объемы производства, время цикла или скорость доработок. Однако появление небольших, постоянно подключенных систем и датчиков сделало возможным сбор машинных данных в большом масштабе. Сегодня производители могут отслеживать и записывать каждую деталь работы оборудования:от первоначального запуска до стандартных рабочих нагрузок и неожиданных простоев. Каждый процесс активов производственной линии, каждое действие персонала и каждая операция программного обеспечения становятся частью ландшафта больших данных. 

Задача? Объемы данных могут привести к туннельному видению; Производители полагают, что простого сбора данных достаточно, чтобы получить представление и оперативно принять меры. Однако на практике инициативы в области больших данных часто не приносят пользы. Распространены пять причин сбоя: 

• Сбор данных без четких целей 
• Низкое качество и согласованность данных 
• Отсутствие стандартизации в системах 
• Ограниченная возможность интерпретировать данные и действовать на основе данных
• Слишком много информационных панелей, слишком мало информации 

Как интеллектуальные данные повышают эффективность производства

Интеллектуальные данные помогают повысить производительность производства, поскольку предоставляют полезную информацию. Рассмотрим четыре больших набора структурированных данных, собранных из нескольких источников, включая датчики оборудования, контроллеры, пользовательские отчеты и эксплуатационные показатели. Полезная информация содержится в данных, но видна только тогда, когда данные проверены, проверены и проанализированы.  

Эти процессы превращают большие данные производства в интеллектуальные данные, что дает множество преимуществ для повышения производительности. Во-первых, это более быстрый анализ первопричин. Имея контекстные данные о том, как, когда и почему оборудование вышло из строя, команды могут выявить причины, а не симптомы. 

Интеллектуальные данные также повышают надежность активов и время безотказной работы. Объединив текущие и исторические данные о производительности, команды могут определить возможные точки сбоя, которые могут привести к незапланированным простоям, и принять меры по устранению этих проблем. Например, если анализ показывает, что на объекте с высокой нагрузкой регулярно происходят сбои в электроснабжении, компании могут запланировать более частое техническое обслуживание для решения немедленной проблемы и одновременного поиска основной причины. 

Другие преимущества интеллектуальных данных включают лучшее качество и доходность, привязанную к точной и актуальной информации о показателях брака и переделок, а также более улучшенное планирование и прогнозирование рабочей нагрузки на основе как эксплуатационных потребностей, так и эффективности оборудования. 

Наконец, умные данные способствуют более тесному взаимодействию между командами. Это связано с тем, что интеллектуальные данные помогают командам технического обслуживания, операторам, менеджерам и высшему руководству говорить на одном языке, снижая риск избыточной работы или упущенных возможностей.

Роль обслуживания и надежности в стратегиях интеллектуальных данных

Данные об обслуживании и надежности играют ключевую роль в стратегиях интеллектуальных данных. Это взаимный процесс. Отслеживание обслуживания и надежности повышает эффективность интеллектуальных данных, а интеллектуальные данные помогают постоянно совершенствовать процессы обслуживания и обеспечения надежности. 

Здесь можно выделить четыре общих преимущества: 

• История обслуживания дает контекст для сбоев:  Истории обслуживания дают ценную информацию, помогающую раскрыть контекст сбоев оборудования, и могут поддерживать предписывающую аналитику. 
• Состояние активов можно связать с результатами производительности:  Условия актива часто состоят из как структурированных, так и неструктурированных данных. Наряду с выходными данными датчиков компании могут также включать пользовательские отчеты, содержащие рекомендации, основанные на многолетнем опыте. Объединение этих источников данных позволяет повысить производительность.  
• Полезные данные сокращают оперативное обслуживание и риски незапланированных простоев:  Реактивное обслуживание является дорогостоящим и отнимает много времени, поскольку оно не начинается до тех пор, пока не произойдут сбои. Использование интеллектуальных данных для создания тепловых карт, отчетов о рисках и визуализации данных помогает выявить потенциальные причины незапланированных простоев. 
• В основе лежат интеллектуальные данные аналитика профилактического обслуживания :  Прогнозная аналитика позволяет командам технического обслуживания опережать потенциальные проблемы. Они также играют роль в более продвинутой аналитике, которая обеспечивает комплексную информацию о производительности машины и потенциальных улучшениях.

Умные данные как основа производства 4.0

Цифровая трансформация позволяет внедрить процессы Производство 4.0, которые полагаются на постоянно подключенные и постоянно работающие устройства и оборудование. 

Между тем, интеллектуальные данные являются основой цифровой трансформации.  

Рассмотрим искусственный интеллект (ИИ) и машинное обучение (МО). Эти технологии способствуют созданию умных заводов, которые используют текущие и исторические данные для «обучения» с течением времени и улучшения операций. Обучение модели, выполняемое алгоритмами машинного обучения, и анализ данных, выполняемый искусственным интеллектом, требуют чистых и контекстуальных данных. Простое использование этих инструментов в источниках больших данных ограничит их эффективность. Использование интеллектуальных данных сокращает расстояние между запросами и знаниями. 

Интеллектуальные данные также поддерживают мониторинг и оптимизацию состояния оборудования в режиме реального времени, необходимые для «Производства 4.0». Во многих производственных условиях длительный простой оборудования становится все более дорогостоящим и разрушительным. Имея доступ к интеллектуальным данным, команды могут принимать немедленные решения, способствующие повышению производительности. 

Кроме того, использование интеллектуальных данных позволяет реализовать масштабируемые и устойчивые цифровые инициативы. Предприятия могут определить, на что лучше всего потратить деньги для расширения производственных операций, и определить способы сокращения затрат, ограничения выбросов и поддержки новых экологически чистых технологий. 

Также есть основания использовать интеллектуальные технологии, чтобы оставаться на шаг впереди технологической кривой. Поскольку новые активы с поддержкой ИИ и автономные агенты становятся обычным явлением, командам легко остаться позади. Интеллектуальное управление данными помогает определить области, требующие улучшения, и предложить способы обеспечения эксплуатационной готовности. 

Рекомендации по созданию интеллектуальных данных на производстве

Закладка основы для интеллектуальных данных в производстве начинается с пяти лучших практик: 

<сильный>1. Определите четкие бизнес- и операционные цели:  Интеллектуальные данные обеспечивают ясность, но только если вы знаете, на что смотрите. Начните с четкой бизнес-аналитики и операционных целей. Вы хотите повысить производительность машины? Улучшить качество вывода? Сократить время реагирования на техническое обслуживание? Понимание конечной цели помогает определить отправную точку. 

<ли>

<сильный>2. Стандартизируйте определения данных и показатели:  Создавайте согласованные показатели и определения для обработки данных. Это означает соединение точек на ключевые показатели эффективности, такие как среднее время ремонта (MTTR), среднее время наработки на отказ (MTBF) и общая эффективность оборудования (OEE), чтобы гарантировать совместимость данных. 

<ли>

3. Сосредоточьтесь на качестве данных, а не на количестве:  Больше данных не означает качество данных. По возможности отдавайте предпочтение данным более высокого качества, а не большему количеству информации. Например, точные показания температуры, измеряемые каждые 10 минут, более ценны, чем приблизительные оценки, собираемые каждые 30 секунд. 

<ли>

<сильный>4. Интегрируйте данные между системами:  Изолированные данные не разумны. Чтобы максимизировать понимание, интегрируйте данные из таких систем, как CMMS, управление активами предприятия (EAM) и планирование ресурсов предприятия (ERP). 

<ли>

5. Наладить межфункциональное сотрудничество:  Обеспечьте совместный доступ к интеллектуальным данным для разработки действенных стратегий. Сюда входят операторы, обслуживающий персонал, руководители производства, специалисты в области технологий и руководители корпораций. 

Умные данные превращают информацию в действия

Большие данные предлагают объем. Интеллектуальные данные предлагают ценность. И то, и другое необходимо для производственных операций, управляемых данными. Большие данные создают основу для крупномасштабного анализа тенденций и соблюдения нормативных требований, а интеллектуальные данные помогают компаниям повысить производительность, надежность и контроль затрат. 

Превратите информацию в действия с помощью углубленной аналитики. ATS помогает производителям применять интеллектуальные данные для повышения надежности, производительности и принятия решений. Давайте поговорим. 

Ссылки

Институт ценности бизнеса IBM. (2022). Производство 4.0:от данных к решениям. ИБМ. https://www.ibm.com/ Thought-leadership/institute-business-value/en-us/report/manufacturing-4-0  

<ли>

Выбор ведущих и запаздывающих ключевых показателей эффективности для оптимального обслуживания и производи… Определение критически важных производственных активов:почему они важны и как их защитить