دور جمع البيانات وتحليلها في صنع القرارات المتعلقة بالهندسة الصناعية

أساليب جمع البيانات الرئيسية في الهندسة الصناعية

وجمع البيانات هو الخطوة الأولى الحاسمة، فإذا كانت البيانات المجمعة غير كاملة أو غير دقيقة أو متحيزة، فإن التحليل اللاحق سيكون مضللا، ويستخدم المهندسون الصناعيون مجموعة متنوعة من الأساليب لجمع البيانات، تكون كل منها مناسبة لأنواع مختلفة من المعلومات والسياقات التشغيلية.

مجموعة بيانات الاستشعار والأشعة المقطعية

(ب) إن ارتفاع شبكة الإنترنت في الأمور قد أدى إلى إحداث ثورة في جمع البيانات في مجال الصناعة والسوقيات، إذ يمكن للأجهزة التي تدمج في الآلات أن تلتقط باستمرار بارامترات مثل درجة الحرارة، والاهتزاز، والضغط، والسرعة، واستهلاك الطاقة، وهذا التدفق من البيانات في الوقت الحقيقي يتيح رصد الحالة، والصيانة المتوقعة، وتعديلات العمليات الآلية، مثلاً يمكن لأجهزة الاستشعار عن يقظة على جهاز CNC أن تكشف عن علامات الصيانة المبكرة للارتداء غير مسبوطة.

دراسات الوقت والانتقال

وعلى الرغم من استخدام أجهزة الاستشعار الرقمية، لا تزال الدراسات التقليدية المتعلقة بالزمن والتنقل قيمة، لا سيما بالنسبة للعمليات اليدوية، ويراقب مهندس عامل يقوم بمهمة ويسجل الوقت الذي يستغرقه كل عنصر، ويساعد على تحديد الأوقات القياسية، وتحديد الحركات غير الضرورية، وتصميم محطات عمل أكثر اندلاعا، وكثيرا ما تستخدم الدراسات الحديثة لتسجيل الفيديو والبرامجيات لالتقاط وتحلل تحركات القوى العاملة ذات الدقة العالية.

الدراسات الاستقصائية والبيانات النوعية

ولا توجد بيانات هامة جميعها رقمية، فالاستعراضات التي يقدمها الموظفون، وشكاوى العملاء، وملاحظات المشغلين توفر السياق الذي لا يمكن فيه حصر الأرقام وحدها، ويمكن أن تبين الدراسات الاستقصائية أن المشغلين يتفوقون على سمة الأمان، أو يرضون على تصورات المسببات التي تؤثر على الإنتاجية والجودة، وأن البيانات النوعية المستمدة من المقابلات أو الأسئلة المفتوحة يمكن أن تكشف عن أسباب جذرية وراء مسائل العمليات، مثلاً، قد تبين الدراسة أن المشغلين يجتازون باستمرار سمة الأمان، وذلك لأنه يحتاجون إلى التدريب.

الإنتاج والجودة

فالسجلات التاريخية من نظم تخطيط موارد المؤسسة، ونظم التصنيع، وقواعد البيانات النوعية هي مجموعات من البيانات المنظمة، وتتضمن معلومات عن أحجام الإنتاج، وفترات الدورات، ومعدلات العيوب، والوقت المعطل للآلات، والعائدات المادية، ويمكن أن تكشف هذه البيانات عن الاتجاهات الطويلة الأجل، والأنماط الموسمية، والارتباطات بين المتغيرات.

تقنيات تحليل البيانات لاتخاذ القرارات

ولا يُعد جمع البيانات سوى نصف المعركة؛ فالقيمة الحقيقية تأتي من تحليلها بفعالية، ويستخدم المهندسون الصناعيون مجموعة من التقنيات التحليلية، من الإحصاءات الأساسية إلى المحاكاة المتقدمة والتعلم الآلاتي.

التحليل الإحصائي

وتُعد الإحصاءات الوصفية والاختلالية أساساً، إذ أن التدابير مثل الانحرافات الدنيوية والمعيارية والحدود المفروضة على الرقابة تساعد المهندسين على فهم سلوك العمليات، ويتيح اختبار الاختلال (مثل الاختبارات، والآنوفات) مقارنة مختلف الأساليب أو المعدات لمعرفة ما إذا كانت الاختلافات هامة.() وتستخدم مراقبة العمليات الإحصائية خرائط مراقبة لرصد التقلبات والإشارات عندما تكون عملية الهندسة في البلدان الأمريكية خارج نطاق السيطرة.()

عملية النماذج والتحكيم

وعندما تكون النظم معقدة للغاية بالنسبة للحلول التحليلية، فإن برامج المحاكاة )مثلاً، آرينا، سيمو، أنجلوجي( تتيح للمهندسين بناء توأم رقمي للعمليات، ويمكنهم أن يحددوا تدفق المواد النموذجية، واستخدام الموارد، وديناميات التساؤل، والتقلبات العشوائية )مثلاً، تحليلات الكمي( ويمكن للمهندسين اختبار أثر التغيرات - مثل إضافة آلية جديدة، وتغيير جداول العرض الأمثل.

تحليل التعلم والتنبؤ

ومع نمو البيانات الضخمة، دخلت مجموعة الأدوات الهندسية الصناعية (ML) في مجال التعلم الآلي، وفي حين يمكن للخوارزميات المتعددة الكلور أن تكتشف أنماطا معقدة، وتصنف العيوب، وتتوقع النتائج من مجموعات البيانات الكبيرة، فعلى سبيل المثال، يمكن أن يتوقع نموذج حرجي عشوائي من المنتجات التي يحتمل أن تفشل في التفتيش النهائي على أساس قراءات الاستشعار أثناء التجمع، بينما تتيح التحليلات الافتراضية اتخاذ قرارات استباقية: بدلا من الاستجابة للمشاكل، يمكن أن تشمل التنبؤات الهندسية.

How Data Analysis Impacts Industrial Engineering Decisions

والغرض النهائي من جمع البيانات وتحليلها هو تحسين المقررات، وهنا توجد طرق محددة تدفع البيانات إلى تحقيق نتائج أفضل.

الموارد المخصصة

وتساعد البيانات في تحديد مكان الاستثمار في الموارد المحدودة - رأس المال أو العمل أو الوقت، وقد يجد مهندس، من خلال تحليل معدلات استخدام الآلات، أن تشغيل الاختناقات ناقص الموظفين بينما يكون لدى آخرين قدرة زائدة، ويمكن لإعادة انتداب المشغلين استنادا إلى البيانات أن يزيد من الناتج الإجمالي دون إضافة حساب، وبالمثل، يمكن تحليل التكاليف والفوائد للارتقاء بالمعدات المحتملة، مدعوما ببيانات تاريخية عن تكاليف التعطل وتكاليف الصيانة، أن يؤدي إلى زيادة الذكاء.

تحسين العملية

وتحدد البيانات أوجه القصور التي لا يمكن ملاحظتها بصورة عرضية، فعلى سبيل المثال، قد تكشف البيانات المتعلقة بالوقت المخصص لدورة التحليل التي تتضمن خريطة لباريتو عن أن خطوة واحدة في مرحلة الإعداد تبلغ 80 في المائة من التأخير، وتركيز جهود التحسين على تلك المنجزات من خلال نهج SMED (تبادل المعلومات عن طريق التبادل بين النجوم) قد يؤدي إلى مكاسب كبيرة.

خفض التكاليف

ويمكن لتحليل البيانات أن يكشف عن التكاليف الخفية: ارتفاع معدلات الخردة من البيئات غير الآلية، والاستخدام المفرط للطاقة خلال ساعات غير سريعة، أو المخزون المفرط بسبب ضعف التنبؤ بالطلب، ويمكن للمهندسين، من خلال تحديد كمي لهذه التكاليف، أن يرتبوا أولويات المشاريع ذات أعلى عائد، وعلى سبيل المثال، قد تبين مراجعة حسابات الطاقة التي تحركها البيانات أن المضغطين يستهلكون 40 في المائة من الكهرباء النباتية، وأن يضبطون نقاط الضغط.

التحديات في جمع البيانات وتحليلها

وعلى الرغم من فوائده، يواجه المهندسون الصناعيون عدة عقبات في مجال الاستفادة من البيانات بفعالية.

نوعية البيانات واتساقها

وقد تكون البيانات التي يتم جمعها من مصادر متعددة أشكال أو وحدات أو مسامير مختلفة، وقد تؤدي أخطاء الدخول البشرية، والانتفاع من الحس، والقيم المفقودة إلى تدهور النوعية، وقد تؤدي البيانات غير المتوافقة إلى استنتاجات خاطئة - مثلاً، إذا كان هناك مجس غير مُعين، فإن رسماً من هذا القبيل قد يشير بصورة زائفة إلى حالة خارجة عن السيطرة، وتوحيد تعاريف البيانات وتطبيق قواعد التحقق أمر أساسي للحفاظ على الثقة.

Volume and Velocity

فالصناعة الحديثة تولد كميات كبيرة من السجلات في بعض الأحيان، حيث أن تخزين هذه البيانات وتجهيزها وتحليلها يتطلب هياكل أساسية قوية، كما أن جداول البيانات التقليدية وأدوات الحواسيب المكتبية يمكن أن تُغنى عن بعضها البعض، وقد يحتاج المهندسون إلى استخدام نظم قواعد البيانات أو منابر التحليل المتخصصة، كما أن السرعة التي تصل بها البيانات (سرعة) هي الأخرى، ومتطلبات اتخاذ القرارات في الوقت الحقيقي.

التكامل عبر النظم

وكثيراً ما تكون البيانات في حالة حرارة: سجلات الصيانة في نظام ما، وأوامر الإنتاج في نظام آخر، وتسفر النوعية عن تحقيق هدف ثالث، فإدماج هذه المصادر في تكوين رأي موحد هو أمر صعب من الناحية التقنية والتنظيمية، وبدون التكامل، يصعب رؤية الصورة الكاملة، ويربط بين العيوب مع مشغِّل أو تحولات آلة معينة، ويمكن أن تساعد الحلول المتعلقة بالبرمجيات المحدثة، وبحيرات البيانات، ولكنها تتطلب الاستثمار.

المهارات والتدريب

ولا يُدرب جميع المهندسين الصناعيين على علماء البيانات، وفي حين أن الإحصاءات الأساسية والمحاكاة هي معيار في المناهج الدراسية، فإن التعلم الآلاتي وتحليل البيانات الضخمة لا يحتاج إلى توفير التدريب المستمر واستئجار أخصائيين لسد الفجوة، كما أن الأمر يتطلب تحولا ثقافيا نحو اتخاذ القرارات التي تحركها البيانات؛ ويجب أن يكون المديرون على استعداد للثقة في البيانات عند الحد الأدنى، وأن مقاومة التغيير حاجز مشترك.

أفضل الممارسات من أجل اتخاذ قرارات فعالة

وللتغلب على التحديات وتحقيق أقصى قدر من قيمة البيانات، ينبغي للمهندسين الصناعيين اتباع هذه الممارسات الفضلى.

توحيد إجراءات جمع البيانات

تحديد بروتوكولات واضحة لطريقة جمع البيانات وتسجيلها وتخزينها، واستخدام عملية جمع البيانات الآلية كلما أمكن للحد من الخطأ البشري، وضمان فهم جميع أعضاء الأفرقة للتعاريف والصيغ، وعلى سبيل المثال، ينبغي أن تسجل كل تحول في وقت العمل عند التعطل باستخدام نفس الفئات (مثلا، إنشاء وصيانة، انتظار المواد)، وتقارن البيانات عبر الفترات الزمنية والخطوط، مما يتيح إجراء تحليل ذي مغزى.

:: جمع البيانات عن الوقت الحقيقي عندما يكون ذلك ممكنا

Real-time data allows immediate response to deviations. If a machine starts to drift out of tolerance, an alert can trigger corrective action before defective parts are produced. Real-time dashboards give operators and managers visibility into current performance. However, real-time collection may not be necessary for all metrics—focus on those that are time-sensitive and have high impact.

اختيار تقنية التحليل الصحيح للمشكلة

ولا يحتاج كل مشكلة إلى شبكة عصبية، فالانحدار المبسط أو المخطط النهائي قد يكفي لتحديد اتجاه، وينبغي للمهندسين أن يطابقوا تعقيد التحليل الذي يكتنف القرار قيد التنفيذ، وأن استخدام تقنية مفرطة التعقيد يمكن أن يحجب الرؤى ويبطئ عملية اتخاذ القرارات، وعلى العكس من ذلك، فإن تجنب الطرق المتقدمة عند الحاجة إليها (مثل المحاكاة لنظام التساؤل المعقد) يؤدي إلى نتائج دون المستوى.

تعزيز ثقافة التحسين المستمر

إن اتخاذ القرارات التي تحركها البيانات ليس مشروعاً غير متكرر، بل هو نظام مستمر، وينبغي للمنظمات أن تشجع الأفرقة على استعراض مقاييس الأداء بانتظام، وإجراء تحليلات الأسباب الجذرية، وتنفيذ التحسينات، ويجب أن تدعم القيادة شفافية البيانات وتكافؤ القرارات القائمة على الوقائع، مع مرور الوقت، تدمج هذه الثقافة تحليل البيانات في العمليات اليومية، مما يجعل من الطبيعة الثانية للمهندسين أن يسألوا: "ماذا تقول البيانات؟"

الاستثمار في التدريب والأدوات

:: توفير فرص وصول المهندسين الصناعيين إلى برامجيات التحليل (مثلاً، مينيتاب، بيتون، ر، أدوات المحاكاة) والتدريب على استخدامها، وتقديم دورات دراسية عن محو الأمية في مجال البيانات، والتصوير البصري، والأساليب الإحصائية، والنظر في إنشاء مركز للتفوق أو فريق لدعم البيانات للمساعدة في إجراء تحليلات معقدة، وكثيراً ما تفوق عائدات الاستثمار من تعزيز صنع القرار تكلفة الأدوات والتدريب.

الاتجاهات المستقبلية في البيانات الهندسية الصناعية

ولا تزال المشهد العام لجمع البيانات وتحليلها يتطور، وتشمل الاتجاهات الناشئة ما يلي:

• التوائم الرقمية ]: نماذج محاكاة كاملة تعكس النظم المادية في الوقت الحقيقي، مما يتيح إجراء اختبارات سريعة وتحقيق الحد الأمثل.
• Edge computing]: Processing data near the source (e.g., on a sensor or machine) reduces latency and bandwidth demands, crucial for real-time control.
• Explainable AI]: بما أن التعلم الآلاتي أصبح أكثر شيوعا، فإن الحاجة إلى نماذج يمكن أن تفسر توقعاتها تنمو، لا سيما عندما تؤثر القرارات على السلامة أو الجودة.
• Generative design and simulation : يمكن أن تولد الأدوات التي يقودها آي وتقيم آلاف تشكيلات العمليات آليا، مما يعجل الابتكار.
• Cros-functional data integration]: Merging operational data with supply chain, client, and financial data for a holistic view of business performance.

وسيكون المهندسون الصناعيون الذين يبقون في حالة تيار مع هذه الاتجاهات أكثر تجهيزا لقيادة التحولات التي تحركها البيانات في منظماتهم.

خاتمة

فجمع البيانات وتحليلها ليسا إضافات اختيارية في الهندسة الصناعية - وهما محرك صنع القرار المستنير - من البيانات المستشعرة على أرضية المصنع إلى الدراسات الاستقصائية للموظفين في مركز لوجستي، فإن القدرة على جمع بيانات دقيقة وتطبيق تقنيات تحليلية مناسبة تحدد نجاح المنظمة في تحسين الكفاءة والجودة والربحية، وفي حين أن التحديات مثل جودة البيانات، والتكامل، والفجوات في المهارات، لا تزال قائمة على أفضل الممارسات مثل التوحيد، وإتاحة الفرصة في مجال الهندسة، والتفوق، والتعلم المستمر.