La rivoluzione ingegneristica Data-Driven

Le organizzazioni ingegneristiche oggi operano in un ambiente definito da una complessità e margini senza limiti. Le strategie tradizionali per gestire le operazioni, basandosi su intuizioni, audit periodici e analisi post-the-fact, non sono più sufficienti per mantenere un vantaggio competitivo. La convergenza dei sensori onnipresenti, lo storage cloud a prezzi accessibili e l'analisi avanzata ha dato origine a un nuovo paradigma: l'ingegneria data-driven.

I sensori di Internet of Things (IIoT) monitorano le vibrazioni, la temperatura, la pressione e i tassi di flusso su macchine critiche. I sistemi di pianificazione delle risorse aziendali (ERP) tracciano livelli di inventario, stati di ordine e programmi di produzione.

Applicazioni chiave di Big Data Analytics nelle operazioni di ingegneria

Mentre la promessa teorica dei grandi dati è chiara, la sua applicazione nel mondo reale nelle operazioni di ingegneria prende molte forme concrete.Le sottosezioni seguenti dettaglio i casi di utilizzo più impeccabili, ciascuno sostenuto da metodologie specifiche e risultati comprovati.

Manutenzione predittiva: spostamento dal programma-Based a condizionato

Forse l'applicazione più ampiamente adottata di grandi dati in ingegneria è manutenzione predittiva. Le strategie di manutenzione tradizionali, gestite o rigide manutenzione basata su pianificazione, sono fondamentalmente sprecate. Correre a rischio di guasti catastrofici di attrezzature, arresti di produzione e costosi riparazioni di emergenza.

I modelli di apprendimento automatico sono formati su set di dati etichettati in cui le letture dei sensori sono correlate a eventi di guasto noti. Caratteristiche come le firme di vibrazione, i profili termici e i risultati di analisi del lubrificante sono utilizzati per costruire i classificatori che possono identificare i segni di allarme precoce di degradazione. Ad esempio, un produttore di turbine potrebbe monitorare i modelli di vibrazione della lama per rilevare l'insorgenza di fatica prima di una crepasatura si propaga.

Ottimizzazione del processo: scoprire le inefficienze in tempo reale

Le operazioni di ingegneria sono riempite di processi che si degradano nel tempo a causa di usura, variabilità dell'operatore e modifica delle proprietà delle materie prime. L'analisi dei dati Big offre un modo per monitorare e ottimizzare continuamente questi processi senza intervento umano. Applicando tecniche come il controllo multivariato dei processi statistici e la modellazione della rete neurale, le aziende possono rilevare cambiamenti sottili nel comportamento di processo che portano a difetti o perdite di rendimento.

Considerare un impianto chimico in cui la temperatura, la pressione e la velocità di alimentazione del reattore devono essere mantenute entro tolleranze strette. I dati di centinaia di sensori vengono alimentati in un motore di analisi in tempo reale che identifica la causa principale di una deriva, forse uno scambiatore di calore o un letto catalizzatore intasato. Il sistema può quindi raccomandare azioni correttive o anche regolare automaticamente i parametri.

Gestione della supply chain: dalla logistica reattiva alla logistica predittiva

Le operazioni di ingegneria sono profondamente interconnesse con complesse catene di approvvigionamento che abbracciano più livelli di fornitori. Grandi analisi dei dati consentono un passaggio dalla gestione dell'inventario reattiva alla predittiva dell'orchestrazione della supply chain.

Per esempio, un produttore automobilistico potrebbe utilizzare l'apprendimento automatico per prevedere la domanda di un componente elettronico specifico basato sui programmi di produzione del veicolo e sulla disponibilità globale del chip. Quando il modello identifica un'elevata probabilità di una disgregazione di approvvigionamento, il sistema regola automaticamente i livelli di stock di sicurezza o innesca gli ordini accelerati da fornitori alternativi. Questo livello di granulosità è impossibile con la pianificazione tradizionale basata su foglio di calcolo.

Controllo di qualità: prevenire i difetti prima che accadano

Il controllo della qualità nell'ingegneria si basa tradizionalmente sull'ispezione post-produzione, il campionamento dei prodotti finiti e la verifica delle specifiche. Questo approccio è costoso e intrinsecamente reattivo: i difetti vengono scoperti solo dopo che il valore è già stato aggiunto al prodotto.

Ad esempio, nella stampaggio ad iniezione, i dati della macchina di stampaggio, la temperatura di fusione, la pressione di iniezione, il tempo di raffreddamento, possono essere correlati con la probabilità di deformazione o di restringimento nella parte finale. Se il modello di analisi bandisce una parte come probabile per essere difettoso, l'operatore di macchina può regolare il processo in tempo reale, impedendo il difetto di verificarsi.

Efficienza energetica: costi di taglio e stampa del carbonio

Un'applicazione spesso sovrapposta di grandi dati nelle operazioni di ingegneria è la gestione dell'energia. Le strutture industriali sono notoriamente resistenti all'energia e i costi dell'elettricità rappresentano una parte significativa delle spese operative.

I modelli di apprendimento delle macchine di formazione sui dati energetici storici permettono ai responsabili delle strutture di individuare i motori, le pompe o le unità HVAC che consumano più energia del previsto. Ad esempio, un compressore che funziona a carico parziale potrebbe essere molto meno efficiente di un'unità di risparmio di dimensioni adeguate, gli analitici possono contrassegnare questo e raccomandare il funzionamento di downsizing o di velocità variabile.

Superare le sfide di attuazione

Nonostante i benefici chiari, il percorso di adozione diffusa di grandi analisi dei dati nelle operazioni di ingegneria è intriso di ostacoli.Il riconoscimento e l'affrontare queste sfide è essenziale per qualsiasi organizzazione seria circa la trasformazione data-driven.

Silos e complessità di integrazione dei dati

La prima e più persistente sfida è la natura frammentata dei dati industriali. Le aziende di ingegneria tipicamente accumulano dati su decine di sistemi diversi: PLC, SCADA, MES, ERP, CMMS e altro ancora. Questi sistemi spesso utilizzano formati incompatibili, interfacce proprietarie e convenzioni di denominazione localizzate. Combinando i dati da un sensore di vibrazioni con un ordine di lavoro di manutenzione richiede uno sforzo significativo di ingegneria dei dati.

Gaps e resistenza organizzativa

Molti enti di ingegneria non hanno la competenza interna per costruire, distribuire e mantenere modelli di analisi. Gli scienziati di dati sono in alta domanda e spesso comandano gli stipendi che deformano i bilanci dipartimentali. Inoltre, il personale di ingegneria esistente può essere scettico di algoritmi che sfidano la loro intuizione basata sull'esperienza.

Elevata giustificazione iniziale degli investimenti e ROI

Per molte aziende di ingegneria, in particolare quelle più piccole, questo costo può essere proibitivo. Tuttavia, il costo totale di proprietà è diminuito drammaticamente grazie a soluzioni basate su cloud. Piattaforme come AWS IoT, Microsoft Azure Digital Twins, e gli strumenti di produzione di Google Cloud AI offrono un pay-as-you-go-go-prendono la necessità di enorme risparmio.

Qualità e governance dei dati

Anche con tutte le infrastrutture necessarie in atto, i modelli di analisi sono altrettanto validi dei dati su cui sono formati. In molti ambienti di ingegneria, i dati dei sensori sono rumorosi, mancanti o etichettati in modo errato. Ad esempio, un sensore di temperatura potrebbe derivare nel tempo, o un registro di manutenzione potrebbe contenere descrizioni di testo libero che sono impossibili da analizzare in modo algoritmico.

Il ruolo delle tecnologie emergenti in Scaling Analytics

Le grandi analisi dei dati non funzionano in modo isolato, il suo potenziale è ingrandito quando combinato con altre tecnologie in rapida evoluzione.Le seguenti tendenze stanno plasmando la prossima ondata di operazioni di ingegneria basate sui dati.

Intelligenza artificiale e apprendimento automatico

Il più significativo abilitatore di analisi avanzata è la continua evoluzione di AI e ML. I modelli di apprendimento profondo, in particolare, sono in grado di scoprire modelli in dati ad alta dimensione che eluderebbero i metodi statistici tradizionali. Ad esempio, le reti neurali convoluzionali possono analizzare gli spettrogrammi di vibrazioni motorie per rilevare anomalie sottili.

Gemelli digitali

Un gemello digitale è una replica virtuale di un asset o di un sistema fisico che viene continuamente aggiornato con i dati in tempo reale. Questa tecnologia fornisce una sandbox senza pari per la simulazione e l'ottimizzazione. Gli ingegneri possono eseguire scenari "what-if" sul gemello digitale, testando diversi parametri operativi o strategie di manutenzione, senza influenzare il sistema fisico.

Analisi di calcolo e real-time degli bordi

Mentre il cloud computing offre un'analisi scalabile, molte applicazioni ingegneristiche richiedono tempi di risposta sotto-secondi che non possono tollerare la latenza della rete. L'analisi Edge avvicina l'analisi alla fonte di dati, direttamente su sensori, PLC o gateway locali. Questo consente di prendere decisioni in tempo reale per operazioni di tipo critico, come la chiusura di una valvola quando la pressione supera una soglia o l'arresto di un trasportatore se viene rilevata una marmellata.

Costruire una strategia di analisi dei dati sostenibile

Per le aziende ingegneristiche che cercano di incorporare grandi analisi dei dati nelle loro operazioni, un approccio a tema raramente porta a un successo duraturo.

Inizia con i piloti ad alta complessità, a bassa complessità

Piuttosto che tentare un rollout di massa, selezionare uno o due asset critici o processi con punti di dolore chiari, come la macchina più costosa per riparare o la linea di produzione con la velocità di difetto più alta.

Costruire un Centro di Eccellenza di Analisi Cross-Functional

Come l’organizzazione guadagna esperienza, formalizza un team dedicato che combina competenze di dominio, ingegneria dei dati e scienza dei dati.Questo “centro di eccellenza” (COE) stabilisce le migliori pratiche per la governance dei dati, lo sviluppo dei modelli, l’implementazione e il monitoraggio. Il COE serve anche come gruppo di consulenza interna che aiuta diverse unità aziendali a sviluppare le loro capacità di analisi.

Investire in Infrastrutture e Cultura dei Dati

La creazione di una cultura basata sui dati richiede un impegno di leadership, una comunicazione trasparente e una volontà di imparare dai fallimenti. I team di ingegneria devono essere incoraggiati a mettere in discussione ipotesi e a testare ipotesi con i dati. Inoltre, gli investimenti nell'infrastruttura dei dati fondamentali, come le tassonomie dei dati standardizzate, i laghi di dati accessibili e i solidi livelli API, pagano dividendi riducendo l'attrito di ogni progetto di analisi successivo.

Conclusioni

I grandi dati di analisi si sono spostati da un differenziatore competitivo a un requisito di consumo di tabelle per le aziende di ingegneria che mirano a prosperare in un ambiente operativo sempre più complesso.