כיצד לנתק נתונים גדולים עבור החלטות ייצור אסטרטגיות

רצפה ייצור נתונים-Driven: מספרי Raw ועד להטבות אסטרטגיות

קבלת החלטות הייצור השתנתה מניסיווט מבוסס אינטואיציה לאסטרטגיה המונעת ראיות.ההבדל בין יצרן שאוסף נתונים ורק אחד שמשתמש בו באופן פעיל קובע את מנהיגות השוק. Big Data מציע דרך להפוך אותות תפעוליים גולמיים לאינטליגנציה מעשית, המאפשרים למנהלי ייצור לקבל החלטות מהירות ומדויקות יותר המשפיעות ישירות על השורה התחתונה.

האתגר אינו בגישה לנתונים, אלא בהורות יעילה.סביבות ייצור רבות יוצרות טרה-בייט של מידע מדי יום מבקרים לוגיים בעלי ערך, מערכות רובוטיות, צגים סביבתיים וכלים בתכנון משאבים ארגוניים.ללא אסטרטגיה ברורה, נתונים אלה הופכים לרעש ולא אות. ארגונים אשר שולטים בתרגום נתונים גולמיים להחלטות ייצור רואים שיפורים משמעותיים בתפוקה, איכות, יעילות.

מה Big Data מתכוון לסביבת ייצור מודרנית

נתונים גדולים בייצור כוללים קריאה מובנה, למחצה, ומידע לא מובנה שנוצר על פני מחזור חיי הייצור. נתונים ממובנים כולל צילומי חיישן זמן, פרמטרים מכונה, תוצאות בדיקה איכות. קובצי נתונים סמי-מבנה נתונים מכסה קבצים, רשומות תחזוקה, לוחות זמנים ייצור.לא מובנה נתונים כולל הערות מפעיל, תמונות מצלמה, אותות אקוסטיים של ציוד.

נפח, מהירות ומגוון של נתונים אלה דורשים תשתיות מיוחדות וגישות אנליטיות. קו ייצור מהיר אחד יכול לייצר מיליוני נקודות נתונים לשעה.ניתוח מסורתי מבוסס גליון לא יכול לשמור על קצב.השינוי לעבר מחשוב קצה וניתוח בזמן אמת הפך את זה אפשרי לעבד נתונים שבהם הוא מקורם, צמצום הגמישות ומאפשר התאמות מבצעיות מיידיות.

סביבות ייצור אשר מחבקות ניתוח נתונים גדול נעות מעבר לדיווח תיאורי לניתוח חיזוי וקדם-scriptive Analytics תשובות "מה קרה" חיזוי ניתוחים אנליטיים "מה יקרה" ניתוח מרשם קובע "מה עלינו לעשות לגבי זה".כל רמה מוסיפה תחכום וערך לתהליך קבלת ההחלטות.

יתרונות אסטרטגיים של ניהול ייצור נתונים

תחזוקה חיזויית שמונעת כשלים יקרים

זמן לא מתוכנן נשאר אחד האתגרים היקרים ביותר בייצור.כישלון ציוד בלתי צפוי אחד יכול לעצור את קו הייצור כולו, גרימת תפוקה אבודה, משלוחים מתעכבים, ועלויות תיקון מעודנות. Big Data Analytics מאפשר תחזוקה חיזוי על ידי תנאי ניטור מתמיד של ציוד וזיהוי דפוסים כי לפני כשלון.

ניתוח Vibration, ניטור טמפרטורה, מעקב אחר צריכת חשמל, וגילוי פליטה אקוסטית כולם תורמים לתמונה מקיפה של ציוד בריאות.מודלים למידת מכונה המאומנים על נתונים היסטוריים של כשלים יכולים לזהות שעות או ימים לפני התמוטטות מתרחשת.זה מאפשר לצוותי תחזוקה לקבוע תיקונים במהלך זמן השבת המתוכנן, הימנעות הפרעות ייצור.

יצרנים ליישם תוכניות תחזוקה חיזוי בדרך כלל מדווחים על 20-30 אחוזים ירידה בעלויות תחזוקה ו 50-70 אחוזים ירידה בירידה לא מתוכננת. אלה רווחים תרכובת לאורך זמן כמו מודלים לשפר עם נתונים נוספים.

מימוש זמן אמיתי אופטימיזציה

לוחות הזמנים של ייצור סטטי לא יכולים לקחת בחשבון את הזמינות הטמונית של פעולות הייצור. עיכובים חומריים, תנודות ביצועי ציוד, שינויים בזמינות העבודה, ושינויים בביקוש כל הזמנים המתוכנן.אנליזה נתונים גדולים מאפשרת תזמון דינמי שמגיב לתנאי בזמן אמת.

על ידי שילוב נתונים ממערכות שרשרת האספקה, ציוד הייצור וביקוש כלים, יצרנים יכולים לייעל רצף ייצור באופן רציף. אלגוריתמי למידת מכונות יכולים להעריך אלפי תרחישים תזמון תוך שניות, זיהוי הרצף הממקסים את התפוקה תוך עמידה במחויבויות המשלוח וצמצום עלויות החילופין.

גישה זו מוכיחה במיוחד את הערך בסביבות ייצור נמוכות, בעלות נמוכה של מוצרים שבהם הפרעות לוח הזמנים יש השפעות גדולות. חברות באמצעות דו"ח תזמון דינמי 15%-25 אחוזים שיפורים בביצועי משלוח בזמן ו -10-20% במלאי עבודה-במעבד.

בקרת איכות המופעלת על ידי נתונים, לא בדיקה

בקרת איכות מסורתית מסתמכת על בדיקה מקצה-ליין, אשר תופסת פגמים לאחר הערך כבר נוספה מוצרים פגומים. ביג נתונים מאפשר בקרת איכות בתהליכים על ידי זיהוי תנאים הקשורים פגמים ומונעים אותם לפני שהם מתרחשים.

חיישנים ניטור טמפרטורה, לחץ, מהירות ונכסים חומריים יכולים לזהות תהליך סחף מוקדם.מערכות Analytics מתואמים את המדידות הללו עם תוצאות איכות במורד הזרם, זיהוי שילובי פרמטר ספציפיים המייצרים פגמים.אופרות מקבלות התראות בזמן אמת כאשר תהליכים סחוטים מחוץ לטווחים מקובלים, ומאפשרים פעולה מיידית תיקון.

בקרת תהליכים סטטיסטית המוגברת על ידי למידת מכונה יכולה לזהות דפוסים עדינים כי תרשימים מסורתיים של שליטה מפספסים.ניתוח רב-משתנה חושף אינטראקציות בין הפרמטרים של תהליך כי ניטור חד-קיום יחיד אינו יכול לזהות. יצרנים באמצעות בקרת איכות מונחת נתונים בדרך כלל להשיג ירידה של 30%-50% בשיעורי פגם וירידה משמעותית בעלויות עבודה מחדש.

עלויות שקיפות והפחתה

עלויות הייצור משתרעות הרבה מעבר לחומרים ולעובדים ישירים, צריכת אנרגיה, יעילות ציוד, זמן שינוי, דור גרוטאות, ועבודות הקשורות לאיכות כולם תורמים לעלויות הייצור הכוללות. Big Data Analytics מספק חשיפה גרפית לכל רכיב עלות, ומאפשרות מאמצי צמצום ממוקדים.

מערכות ניטור אנרגיה יכולות לזהות תקופות צריכת שיא ולתאם אותם עם פעילויות ייצור ספציפיות. תובנה זו מאפשרת עומס אסטרטגיות להחלפת עלויות אשר להפחית את החיובים של הביקוש ללא השפעה על תפוקת הייצור.

חברות אשר מיישמות ניתוח עלות מקיף בדרך כלל לזהות 5-15% אפשרויות הפחתת עלויות שלא היו נראות עם שיטות חשבונאות מסורתיות. חיסכון אלה זורם ישירות לקו התחתון מבלי לדרוש השקעה הון.

בניית התשתית להפקה Analytics

איסוף נתונים

ניתוח יעיל מתחיל עם איסוף נתונים חזק.סביבות ייצור דורש חיישנים ומערכות רכישת נתונים המסוגלים ללכוד מידע בתדר ובדיוק הנדרש.זה כרוך לעתים קרובות רטרוהתאמה של ציוד קיים עם חיישנים נוספים או שדרוג מערכות בקרה כדי לחשוף נתונים שלא ניתן היה לגשת אליהם בעבר.

מכשירי מחשוב Edge יכולים לאסוף, לסנן ולעבד נתונים באופן מקומי לפני העברת מידע מסכם למערכת מרכזית.זה מקטין את דרישות רוחב הפס של הרשת ומאפשר קבלת החלטות בזמן אמת ללא תלות בקישוריות ענן.האדריכלות הנכונה מאזן את מהירות העיבוד המקומית עם הכוח האנליטי של מערכות ריכוזיות.

היסטוריונים של נתונים ומאגרי מידע של זמן המיועדים ליישומים תעשייתיים מספקים את יכולות האחסון והריוול הדרושות לניתוח הייצור.מערכות אלה יכולות להתמודד עם מיליוני נקודות נתונים לשנייה תוך שמירה על ההקשר הכרונולוגי הדרוש לניתוח טרנדי ואימון מודל למידת מכונה.

Advanced Analytics and Machine Learningאינטגרציה

שיטות סטטיסטיות מסורתיות נשארות בעלות ערך עבור יישומים רבים של ניתוחי ייצור, אבל למידת מכונה מרחיבה את היכולות האנליטיות לבעיות המנוגדות לגישות קונבנציונליות.רשתות נילי מצטיינים בזיהוי דפוס במערכות מורכבות, רב-קיום.

הבחירה של גישה אנליטית תלויה במקרה הספציפי של שימוש.תחזוקה חיזוי לעתים קרובות הטבות מאלגוריתמים זיהוי אנומלית אשר לומדים התנהגות ציוד רגילה וסטיות דגל. חיזוי איכות משתמש בדרך כלל במודלים סיווג מאומן על נתונים היסטוריים של תהליך ותוצאות בדיקה. אופטימיזציה לתזמון ייצור לעתים קרובות משתמש בחיזוק למידה או אלגוריתמים גנטיים כדי להעריך שינויים מורכבים של סחר.

יצרנים צריכים להתחיל עם מודלים פשוטים יותר ולהגדיל את המורכבות ככל שהם לצבור ניסיון מצטבר מספיק של נתוני הכשרה. החל עם רגרסיה ליניארית או עצי החלטה מספק ביצועים בסיס ומסייע לזהות בעיות איכות נתונים לפני השקעה בגישות מתוחכמות יותר.

איכות נתונים וממשל

תוצאות Analytics הן רק טובות כמו הנתונים שהם מסתמכים עליהם.בעיות באיכות נתונים כולל ערכים חסרים, סחף חיישן, שגיאות קלורציה, ופעמים של הונאה יכול לייצר תוצאות מטעות שמובילות להחלטות גרועות.

שגרות אימות נתונים אוטומטיות יכולות לדגל omalies ולמנוע נתונים מושחתים מלהיכנס צינורות אנליטיים. לוחות זמנים קבועים חיישן קליברציה ובקרת איכות נתונים לשמור על שלמות מדידה לאורך זמן.מערכות ניהול מטא-נתונים מתעדות קואזאז' נתונים, כללי טרנספורמציה, ומדדים איכותיים, המאפשרים אנליסטים להעריך התאמת נתונים למקרים ספציפיים לשימוש.

שיקולים של הפקת נתונים

נתוני הייצור מייצגים גם את הקניין הרוחני התפעולי וגם את הסיכון הביטחוני הפוטנציאלי.תחרותיות יכולות להפיק תובנות אסטרטגיות מהייצור באמצעות חישוב, יעילות ציוד ומדדים איכותיים.בנוסף, שחקנים זדוניים יכולים לתמרן נתונים של חיישן כדי לגרום לבעיות איכות או נזק בציוד.

יישום בקרת גישה מבוססת תפקידים מבטיח שרק אנשים מורשים יכולים להציג או לשנות את נתוני הייצור.לוח של רשת מבודד מערכות ניתוח ייצור מרשתות חברות ואינטרנט. הצפנה מגן על נתונים הן במעבר והן במנוחה. הערכות אבטחה רגילות לזהות פרצות לפני שניתן לנצל אותן.

יצרנים צריכים גם לשקול מדיניות שמירת נתונים אשר מאזן צרכים אנליטיים עם דרישות אבטחה וציות.לקבל נתונים יותר מאשר צורך להגדיל את החשיפה ללא מתן ערך פרופורציונלי.

פיתוח: ארגוני Analytics Capabilities

יצירת חשמל ליצירת נתונים-Literate Productforce

טכנולוגיה לבדה אינה יכולה לספק ערך ניתוחי.ארגונים זקוקים לאנשים שיכולים לשאול את השאלות הנכונות, לפרש פלטים אנליטיים ולתרגם תובנות לפעולה. בניית נתונים באוריינות ברחבי ארגון הייצור דורש תוכניות הכשרה מעבר למיומנויות גליון בסיסיות כדי לכלול פרשנות חזותית נתונים, חשיבה סטטיסטית ופתרון בעיות אנליטיות.

מפקחי ייצור, טכנאי תחזוקה ומהנדסים איכותיים צריכים להבין כיצד לגשת ללוחדי נתונים, לפרש ויזואליזציה, ולאמת ממצאים אנליטיים נגד הניסיון התפעולי שלהם.זה לא דורש שכולם יהפכו למדען נתונים, אבל זה דורש מספיק אוריינות אנליטית לעסוק באופן משמעותי עם המלצות המונעות על נתונים.

יצירת צוותים ניתוחי תפקוד חוצה תפקוד המשלבים מומחיות תפעולית עם מיומנויות מדע נתונים מאיצה את פיתוח היכולת. מדעני נתונים לומדים מציאות ייצור ממאפעילים מנוסים ומהנדסים.צוות ההפקה לומד גישות אנליטיות והופך לאלוף לשיפור מונע נתונים.

הקמת תרבות החלטה של נתונים-Driven

תרבות ארגונית מציגה לעתים קרובות את המחסום הגדול ביותר לאימוץ אנליטיזציה.צוותי ייצור התרגלו לקבל החלטות בהתבסס על ניסיון ואינטואיציה עשויים להתנגד להמלצות אנליטיות המנוגדות לאינסטינקטים שלהם.מנהיגים חייבים להפגין מחויבות באופן פעיל בקבלת החלטות המונעות על ידי נתונים וליצור ביטחון פסיכולוגי לבחירות הנתמכות על ידי נתונים.

ספונסרים מנהלים בולטים, תקשורת ברורה של ערך ניתוח, והכרה בהצלחות המונעות על ידי נתונים כולם מחזקים את השינוי התרבותי. החל בפרויקטים קטנים, בעלי יכולת גבוהה המספקים רווחים מהירים בונה תנופה ומדגימים את הערך של גישות אנליטיות.

יש להגדיר בבירור זכויות החלטות. כמה תפוקה אנליטית יכולה להוביל החלטות אוטומטיות ללא התערבות אנושית אחרים צריך לעורר התראות הדורשות שיפוט אנושי.הגדרת אילו החלטות נופלות לכל קטגוריה מונעת מדי על אוטומציה ותחתית יכולות אנליטיות.

מפת דרכים יעילה

שלב ראשון: הערכה ועדיפות

השלב הראשון כולל הערכה של זמינות נתונים נוכחית, יכולות אנליטיות, ומקרים אפשריים של שימוש.זה כולל מלאי חיישנים ומערכות איסוף נתונים קיימות, הערכת איכות נתונים, וזיהוי פערים הדרושים לטיפול.שימוש במקרה לפני ההקצאה צריך לשקול גם ערך עסקי פוטנציאלי יישום תאימות.

ערך גבוה, שימוש במורכבות נמוכה עושה נקודות התחלה אידיאליות.אלה עשויים לכלול מעקב אחר יעילות ציוד הכוללת (OEE) עם נתונים קיימים, יישום זיהוי בסיסי על ציוד קריטי, או יצירת לוחות נתונים איכותיים המאחדים תוצאות בדיקה.

שלב שני: בניית הקרן

שלב זה מתמקד בהקמת תשתיות הנתונים ויכולות אנליטיות הדרושות לתמיכה במקרים של שימוש מוקדם יותר.פעילויות כוללות התקנת חיישנים נוספים, פריסת מכשירי מחשוב קצה, יישום היסטוריונים נתונים ובניית צינורות נתונים המחברים מערכות ייצור לכלים אנליטיים.

פעילויות במקביל כוללות תוכניות הכשרה עבור צוות הייצור, גיוס של כישרונות ניתוח נתונים במידת הצורך, והקמה של ניהול נתונים ושיטות אבטחה.הבסיס שנבנה בשלב זה תומך במקרים רבים של שימוש וקשקשים כמו אימוץ ניתוח מתרחב.

שלב שלישי: יישום טייס

מקרים נבחרים נעים בתכנון ליישום בשלב זה.כל פרויקט טייס צריך להגדיר בבירור קריטריונים להצלחה, יישום זמן, וגישה מדידה. ביקורות רגילות לעקוב אחר התקדמות ולכידת למידה המודיעה פרויקטים הבאים.

פרויקטים של טייס צריך להיות נועד להפגין ערך עסקי מוחשי תוך ניהול הסיכון ליישום.זה אומר לעתים קרובות החל קו ייצור יחיד או סוג ציוד לפני התרחבות פריסה רחבה יותר. תוצאות מטייסים מוצלחים לספק את המקרה העסקי עבור ניתוחי דרוג ברחבי הארגון.

שלב 4: מיפוי ושיפור מתמשך

עם גישות מוכחות ותשתיות מבוססות, ארגונים יכולים לשנות ניתוח על פני קווי ייצור נוספים, מתקנים ולהשתמש במקרים. דפוסי יישום סטנדרטיים, מודלים אנליטיים הניתנים להחלפה, ולתעד את שיטות הטוב ביותר להאיץ את הסקאלה תוך שמירה על עקביות.

תהליכי שיפור מתמיד מבטיחים כי מודלים אנליטיים נשארים מדויקים כמו תנאי הייצור משתנים.מודלים צריכים להיות מאומנים מעת לעת עם נתונים חדשים, ואת הביצועים שלהם צריך להיות במעקב עבור ההשפלה. lorback הלולאות מקבוצות תפעול לשפר הן דיוק מודל ואמון ארגוני בפלט אנליטי.

יישום אמיתי בעולם: Analytics בפעולה

יצרנית חלקי רכב בינונית נתקלה בלחץ גובר על עלויות תוך שמירה על איכות על קווי ייצור מרובים לייצר רכיבים שונים עבור לקוחות שונים.גישות מסורתיות לתזמון, תחזוקה, בקרת איכות לא יכול לעמוד בקצב המורכבות של הפעילות שלהם.

החברה יישמה תוכנית ניתוח מקיפה החל עם איסוף נתונים של חיישן במרכזים קריטיים של הנדסת חשמל, טמפרטורה וצריכת חשמל נתונים של מודלים תחזוקה חיזוי כי הפחיתו את זמן השבתה לא מתוכנן עד 40% בתוך שישה חודשים. ניתוח איכות תואמים פרמטרים תהליכים עם תוצאות בדיקה, זיהוי חלונות הפעלה אופטימליים אשר הפחיתו את שיעור הפגם ב -25%.

ניתוח תזמון ייצור נתונים משולבים מהזמנות של לקוחות, זמינות ציוד, ולוח הזמנים של תחזוקה כדי ליצור רצפי ייצור אופטימיזציה.זה הפחית את זמן ההשתנות ב -15% ושיפור משלוח בזמן מ -85 אחוזים ל-94 אחוזים.תוכנית הניתוח שילם לעצמו בתוך השנה הראשונה וממשיך לספק שיפורים תפעוליים מתמשכים.

אתגרים משותפים

Data Silos ו-Complexity

ארגונים בייצור לעתים קרובות יש נתונים מפוזרים על פני מערכות מרובות שמעולם לא נועדו לשתף מידע.מערכות תכנון משאבים ארגוניות, מערכות ייצור, מערכות מידע במעבדה ומערכות בקרת ציוד כל אחד מאחסן נתונים בפורמטים שונים עם שיטות גישה שונות.

התייחסות לאתגר זה דורש גישה שיטתית לשילוב נתונים שעשוי לכלול תהליכי תמצית-transform-load (ETL), ממשקי תכנות יישומים (APIs), או פלטפורמות תוכנה בינונית.הפחתת שילוב של מקורות הנתונים הקריטיים ביותר למקרים של שימוש בערכים הגבוהים ביותר מאפשר התקדמות בעוד שעבודת שילוב לטווח ארוך ממשיכה.

הגבלות ציוד

מתקני ייצור רבים מפעילים ציוד שטורף יכולות איסוף נתונים מודרניות.התחלו חיישנים ומערכות בקרה על ציוד מורשת יכול להיות יקר ומאתגר מבחינה טכנית.עם זאת, חיישנים חיצוניים יכולים לעתים קרובות ללכוד את הנתונים הדרושים לניתוח מבלי לדרוש שינויים במערכות בקרת ציוד.

גישות חישה לא פולשניות כולל clamp-on הנוכחי חיישנים, טראנסים רטט ברוטב, ובדיקות טמפרטורה חיצוניות יכולים ללכוד נתונים שימושיים ללא השפעה על ניתוח ציוד.כאשר חיישן רטרוfit עולה על יתרונות פוטנציאליים, החלפת ציוד מיושן עשויה להיות הבחירה ארוכת טווח יותר כלכלית.

כישרון קצר

השילוב של מומחיות בתחום הייצור ומיומנויות מדעי הנתונים הוא נדיר בשוק העבודה. ארגונים לעתים קרובות נאבקים למצוא אנליסטים אשר מבינים הן פעולות הייצור ושיטות אנליטיות מתקדמות. בניית יכולת פנימית באמצעות השקעות אימונים לעתים קרובות מוכיחה יותר בר קיימא מאשר ניסיון לשכור מועמדים מוסמכים לחלוטין.

שיתוף פעולה עם יועצים או ספקי טכנולוגיה יכול להאיץ את היישום הראשוני בעוד יכולות פנימיות להתפתח.עם זאת, ארגונים צריכים לתכנן העברת ידע אשר בונה חוסר יכולת עצמית פנימית לאורך זמן.

הדרך קדימה לייצור Analytics

ניתוח נתונים גדול עבר מתועלת תחרותית להכרחי תחרותי בייצור.הארגונים שהצטיין יהיו אלה המשלבים תשתיות נתונים חזקות, שיטות אנליטיות מתקדמות ופיתוח יכולות ארגוניות לגישה קוהרנטית שמשפרת באופן מתמיד את החלטות הייצור.

החל ממקרים ממוקדים, בעלי ערך גבוה ובבניה מהצלחות מוכחות יוצרות תנופה בת קיימא.כל יישום אנליטי מוצלח מייצר נתונים, למידה וביטחון ארגוני המזרז יוזמות הבאות.לאורך זמן, הניתוח הופך להיות מוטבע באופן שבו החלטות הייצור נעשות במקום להישאר יוזמה נפרדת או פרויקט.

יצרנים שמשקיעים באופן שיטתי בניתוחי ייצור מציבים עצמם להגיב מהר יותר לשינויים בשוק, פועלים ביעילות רבה יותר, ומספקים מוצרים איכותיים יותר. בשוק העולמי תחרותי יותר ויותר, יכולות אלה קובעות אילו ארגונים משגשגים ואשר נאבקים לשמור על קצב.