Verbeter de besluitvorming in geavanceerde productie met Analytics

Geavanceerde fabricage is een moeilijke en complexe onderneming. En aangezien de smaak en trends van de consument het verlangen naar nieuwe producten hebben versneld en de levenscycli van bestaande producten hebben verkort, moeten de fabrikanten van vandaag vertrouwen op big data om hen te helpen de juiste producten op het juiste moment te beheren, voorspellen en na te streven. Uit een onderzoek van PwC blijkt dat maar liefst 92% van de fabrikanten hun besluitvorming als sterk datagedreven of enigszins datagedreven beschouwt.

Het is gemakkelijk om big data te zien als één gigantische entiteit die moet worden beheerd om tot de juiste inzichten te komen. Maar er zijn verschillende soorten gegevens die kunnen worden gebruikt, afhankelijk van het volwassenheidsniveau van het bedrijf en het type software dat managers en belanghebbenden kunnen inzetten om de besluitvorming op ondernemings- en fabrieksniveau te verbeteren. We noemen dit het proces van productieanalyse en het omvat vier soorten gegevensanalyse.

Naarmate fabrikanten volwassener worden in hun analytische mogelijkheden, gaan ze van beschrijvende naar prescriptieve analyses.

Vier soorten productiegegevensanalyse

• Beschrijvende analyse – Beschrijvende analyse vertelt de gebruiker wat er is gebeurd . Het is een type gegevensverwerking waarbij historische gegevens uit de hele fabriek of het bedrijf worden gebruikt om patronen, associaties en relaties te zoeken. Met behulp van gegevensaggregatie en datamining worden gegevens zo georganiseerd dat ze diepgaande inzichten kunnen opleveren in eerdere acties.

Deze informatie kan waarde opleveren die helpt bij het ontwikkelen van productstrategieën en op manieren die gebruikers helpen trends in de loop van de tijd te begrijpen. Het kan worden toegepast in brede categorieën, zoals kwaliteit, financiën en inkomsten. Maar beschrijvende analyses zijn beperkt tot het achteruitkijkende karakter ervan. Hoewel er bruikbare patronen en trends kunnen ontstaan ​​die helpen bij het nemen van beslissingen, is de toepassing ervan beperkt tot huidige en toekomstige gebeurtenissen. Voor bedrijven die sterk datagedreven zijn, worden ook aanvullende soorten data-analyse gebruikt.

• Diagnostische analyse – Waar beschrijvende analyses wat er is gebeurd beschrijft , diagnostische analyse verklaart waarom het gebeurde . Gewapend met het inzicht dat een machine of productgroep zich op een bepaalde manier gedroeg, helpt diagnostische analyse om te bepalen waarom. Diagnostische analyse maakt gebruik van technieken zoals drill-down, geavanceerde filtering en datamining om te zoeken naar correlaties om het waarom te verklaren. Dit type analyse is nuttig bij het verkrijgen van inzicht in specifieke problemen en het ontwikkelen van betrouwbare voorspellingen over hoe deze kunnen worden vermeden.

Een voorbeeld van de waarde van diagnostische analyse is het bepalen of waarschuwingen geldig zijn. Omdat de verbonden fabrieken van vandaag een enorme hoeveelheid gegevens genereren die zijn verzameld van een groot aantal sensoren en edge-apparaten, kan diagnostische analyse waarschuwingen kwalificeren en categoriseren, zodat menselijke operators ze kunnen begrijpen en kunnen handelen. En met de hoeveelheid gegevens van een groot aantal sensoren, kan machine learning worden gebruikt om modellen te ontwikkelen die nauwkeurig uitleggen waarom iets is gebeurd, wat nauwkeurige besluitvorming mogelijk maakt.

• Voorspellende analyses – Voorspellende analyses worden gebruikt om uit te leggen wat er waarschijnlijk zal gebeuren . Door gebruik te maken van bevindingen die zijn verzameld uit beschrijvende en diagnostische analyses, is voorspellende analyse waardevol bij prognoses. Het gebruikt deze gegevens om gegevens te voorspellen die nog niet hebben plaatsgevonden. Met behulp van statistische modellering, datamining en machine learning, maakt voorspellende analyse gebruik van een verscheidenheid aan technieken, zoals:

• Segmentatie :Groepen op basis van overeenkomsten.
• Vereniging :Identificatie van de frequentie van gezamenlijke gebeurtenissen en het creëren van regels die bepalen wat er zal gebeuren nadat een specifieke set variabelen op elkaar inwerken.
• Correlatie :relaties tussen elementeigenschappen identificeren.
• Prognoses :Toekomstige waarden en gebeurtenissen afleiden.

• Prescriptieve analyse – Gebruikmakend van de analyse van de andere drie typen, maakt prescriptieve analyse gebruik van machine learning, geavanceerde algoritmen en gedefinieerde bedrijfsregels om voor te schrijven welke actie zal worden ondernomen . Verder kunnen prescriptieve analyses ook de waarschijnlijke uitkomst van die actie laten zien. Dit stelt besluitvormers in staat met een nauwkeurigheidsniveau en een reeks opties om meer dan één mogelijke uitkomst te bepalen op basis van de doelstellingen van de onderneming. De toekomst van productie, waar niet alleen beslissingen worden genomen, maar systemen automatisch worden aangepast op basis van deze beslissingen, wordt aangedreven door prescriptieve analyses.

Data is wat MachineMetrics zo goed maakt in wat we doen. En bij MachineMetrics is het doel van data om een ​​breed scala aan machine learning-algoritmen en diepgaande analyses mogelijk te maken om een ​​realtime, bruikbaar platform te bouwen om waarde te genereren door middel van OEE en efficiëntieverbeteringen in de productie. Gecombineerd met aangepaste dashboards die visualisatie mogelijk maken via vaste HMI's en draagbare apparaten, kunnen beslissingen worden genomen op basis van de kracht van deze analyses om operators te versterken en efficiëntie te vergroten.

Een diepgaande bron over het verzamelen en gebruiken van analyses om de efficiëntie op de werkvloer te vergroten

Analytics gebruiken in een geconnecteerde productieomgeving

De besluitvormingsstrategie verandert naarmate een onderneming volwassener wordt. En het type analyse dat wordt gebruikt, verandert ook. Voor bedrijven die niet sterk datagedreven zijn, bestaat 79% van de focus van hun analyses alleen uit beschrijvend en diagnostisch. Aan de andere kant van het spectrum bevinden zich sterk datagedreven bedrijven waar voorspellende en prescriptieve analyses 54% van het analysegebruik uitmaken. MachineMetrics helpt haar klanten de voordelen van diepgaande analyses te realiseren en helpt deze op een unieke manier toe te passen op hun bedrijf.

Voor zowel de "enigszins datagestuurde" als "zeer datagestuurde" organisaties betekent de komst van het industriële IoT dat degenen die geavanceerde productietechnologie gebruiken apparaten en software kunnen gebruiken om zich te concentreren op de juiste combinatie van analyses voor de beste resultaten. Industriële IoT-technologie en -software bieden een mate van interoperabiliteit tussen verschillende soorten apparatuur om gegevens te standaardiseren voor gebruik in analytische software. Klanten van MachineMetrics hebben dit ervaren en hebben het gebruikt om te integreren met andere oplossingen zoals ERP-systemen, plannings- en planningstools en OEE-software.

Zonder het gebruik van sensoren en randapparatuur op apparatuur, zou het verzamelen van enorme hoeveelheden gegevens niet mogelijk zijn. Via MachineMetrics kunnen klanten deze gegevens in realtime gebruiken, waardoor de gegevens binnen de analyseprogramma's zo nauwkeurig mogelijk kunnen worden herhaald. En met ingezette sensoren en edge-apparaten kan latentie worden geëlimineerd, zodat informatie zo snel mogelijk wordt weergegeven.

Gezien de enorme hoeveelheden gegevens die met IIoT-apparaten worden verzameld, betekent onbewerkte gegevens weinig zonder de analyses. De reden hiervoor is dat mensen de gegevens niet konden verwerken tot zinvolle beslissingen. Naast het type analyse dat wordt gebruikt, is er echter de mogelijkheid om de resultaten te visualiseren om die beslissingen te nemen. De IIoT-technologie van vandaag biedt de mogelijkheid om de analytische resultaten naar gevisualiseerde formaten te verplaatsen. Dankzij interactieve dashboards, aangepaste schermen en geoptimaliseerde handheld-apparaten zoals tablets en telefoons kunnen operators, technici en managers een visuele weergave van hun machines en fabrieksvloeren zien.

Het verzamelen van gegevens zorgt voor nauwkeurige activabewaking, realtime conditiebewaking, realtime productiestatistieken en gebruiksrapportage. Het kan deze visueel leveren met aangepaste dashboards voor operators en passende meldingen en waarschuwingen. Dit zorgt voor nauwkeurige monitoring van uitvaltijd en kwaliteitsprestaties, evenals voor actiegebieden voor installatie en omschakeling. Verder gaand, helpt data-analyse om meer inzicht te krijgen in de gegevens die worden verzameld, wat kan helpen om trends te identificeren, oorzaak-gevolgrelaties op te sporen, productieknelpunten te verklaren en zelfs voorspellende onderhoudsprogramma's te starten.

Met behulp van de bovenstaande soorten gegevensanalyse kunnen fabrikanten integreren met bestaande bedrijfssoftware om hun prestaties te verbeteren en tegelijkertijd realtime informatie te leveren om geoptimaliseerde besluitvorming in de hele onderneming te stimuleren, van de fabrieksvloer tot het hoofdkantoor.