Besluitvorming in Geavanceerde Productie Verbeteren door Krachtige Analytics

Geavanceerde productie is een moeilijke en complexe onderneming. En naarmate consumentensmaken en trends de wens naar nieuwe producten versnellen en de levenscycli van bestaande producten verkorten, moeten vandaag de dag fabrikanten vertrouwen op big data om hen te helpen managen, voorspellen en de juiste producten op het juiste moment te nastreven. Een studie van PwC toont aan dat zo hoog als 92% van de fabrikanten hun besluitvorming ofwel hoogst data-gedreven of enigszins data-gedreven achten.

Het is makkelijk om big data te zien als één gigantische entiteit die beheerd moet worden voor het aankomen bij de juiste inzichten. Maar er zijn verschillende typen data die gebruikt kunnen worden, afhankelijk van het rijpheidsniveau van het bedrijf alsook het type software dat managers en stakeholders kunnen deployen om besluitvorming op enterprise- en fabrieksniveau te verbeteren. We noemen dit de manufacturing analytics reis, en het omvat vier typen data-analytics.

Naarmate fabrikanten rijpen in hun analytische capaciteiten, bewegen ze van descriptieve naar prescriptieve analytics.

Vier typen Manufacturing Data Analytics

• Descriptieve Analytics – Descriptieve analytics vertelt de gebruiker wat er is gebeurd. Het is een type dataverwerking die historische data van over de hele fabriek of het bedrijf gebruikt om patronen, associaties en relaties te zoeken. Door data-aggregering en data-mining wordt data georganiseerd op een manier die diepe inzichten in eerdere acties kan opleveren.

Deze informatie kan waarde opleveren die helpt productstrategieën te ontwikkelen en op manieren die gebruikers helpen trends over tijd te begrijpen. Het kan toegepast worden in brede categorieën zoals kwaliteit, financiëen en omzet. Maar descriptieve analytics is beperkt tot zijn achterwaartse kijk. Hoewel nuttige patronen en trends kunnen ontstaat die helpen besluitvorming informeren, is het beperkt in zijn toepassing op huidige en toekomstige gebeurtenissen. Voor bedrijven die hoogst data-gedreven zijn, worden additionele typen data-analytics ook gebruikt.

• Diagnostische Analytics – Waar descriptieve analytics wat er is gebeurd beschrijft, verklaren diagnostische analytics waarom het is gebeurd. Gewapend met het begrip dat een machine of productgroep zich op een bepaalde manier gedroeg, helpen diagnostische analytics bepalen waarom. Diagnostische analytics gebruiken technieken zoals drill-down, geavanceerde filtering en data-mining om correlaties te zoeken die het waarom verklaren. Dit type analyse is nuttig in het verzamelen van inzichten in specifieke problemen en het ontwikkelen van betrouwbare voorspellingen over hoe ze te vermijden.

Een voorbeeld van de waarde van diagnostische analyse is het bepalen of alerts geldig zijn. Omdat vandaag de dag verbonden fabrieken een enorme hoeveelheid data genereren verzameld van een groot assortiment sensoren en edge devices, kan diagnostische analyse alerts kwalificeren en categoriseren zodat menselijke operators ze kunnen begrijpen en erop kunnen handelen. En met het volume data van een groot assortiment sensoren, kan machine learning gebruikt worden om modellen te ontwikkelen die nauwkeurig verklaren waarom iets gebeurde, wat nauwkeurige besluitvorming toestaat.

• Predictieve Analytics – Predictieve analytics worden gebruikt om wat het meest waarschijnlijk zal gebeuren te verklaren. Gebruikmakend van bevindingen verzameld uit descriptieve en diagnostische analytics, is predictieve analyse waardevol in voorspelling. Het gebruikt deze data om data te voorspellen die nog niet voorgekomen is. Het gebruikt statistische modellering, data-mining en machine learning, en predictieve analytics gebruikt een verscheidenheid aan technieken zoals:

• Segmentatie: Groepering op basis van gelijkenissen.
• Associatie: Identificatie van de frequentie van gezamenlijke voorkomens en het creëren van regels die bepalen wat er zal gebeuren na een specifieke set variabelen interacteren.
• Correlatie: Identificeren van relaties tussen elementeigenschappen.
• Voorspelling: Afleiden van toekomstige waarden en gebeurtenissen.

• Prescriptieve Analytics – Gebruikmakend van de analyse van de andere drie typen, gebruiken prescriptieve analytics machine learning, geavanceerde algoritmes en gedefinieerde business rules om welke actie ondernomen zal worden te voorschrijven. Verder kunnen prescriptieve analytics de waarschijnlijke uitkomst van die actie ook tonen. Dit empowert besluitvormers met een niveau van nauwkeurigheid alsook een reeks opties om meer dan één mogelijke uitkomst te bepalen, gebaseerd op de doelen van het bedrijf. De toekomst van de productie, waar beslissingen niet alleen gemaakt worden maar systemen automatisch aangepast worden op basis van deze beslissingen, wordt gedreven door prescriptieve analytics.

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 algoritmes en diepe analytics te empoweren om een real-time, actionable platform te bouwen dat waarde drijft door OEE en productie-efficiëntiewinst. Gecombineerd met aangepaste dashboards die visualisatie toestaan via vaste HMIs alsook draagbare apparaten, kunnen beslissingen gemaakt worden op basis van de kracht van deze analytics om operators te empoweren en efficiëntie te drijven.

Een diepgaande bron over de praktijk van het verzamelen en gebruiken van analytics om grotere efficiëntie op de shopfloor te drijven.

Analytics gebruiken in een verbonden productieomgeving

Besluitvormingsstrategie verandert naarmate een onderneming rijpt. En het type analytics dat gebruikt wordt verandert ook. Voor bedrijven die niet hoogst data-gedreven zijn, bestaat 79% van de focus van hun analytics uit alleen descriptieve en diagnostische. Aan het andere uiteinde van het spectrum zijn hoogst data-gedreven bedrijven waar predictieve en prescriptieve analytics 54% van hun analytics-gebruik uitmaken. MachineMetrics helpt haar klanten de voordelen van diepe analytics te realiseren en hen uniek toe te passen op hun operatie.

Zowel voor de "enigszins data-gedreven" als "hoogst data-gedreven" organisaties, betekent de aankomst van de Industriële IoT dat diegenen die geavanceerde productietechnologie gebruiken, apparaten en software kunnen benutten om te focussen op de juiste combinatie van analytics voor de beste resultaten. Industriële IoT-technologie en software biedt een niveau van interoperabiliteit tussen verschillende apparatuurtypes om data te standaardiseren voor gebruik binnen analytische software. Klanten bij MachineMetrics hebben dit ervaren en hebben het gebruikt om te integreren met andere oplossingen zoals ERP-systemen, scheduling- en planning-tools, en OEE-software.

Zonder het gebruik van sensoren en edge devices geïmplementeerd op apparatuur, zou de verzameling van enorme hoeveelheden data niet mogelijk zijn. Door MachineMetrics zijn klanten in staat om deze data in real-time te benutten, wat toestaat voor de meest accurate iteratie van de data binnen de analytics-programma's. En met gedeployde sensoren en edge devices kan latentie geëlimineerd worden, wat zo dicht mogelijk bij instantane informatie creëert.

Gegeven de enorme hoeveelheden data verzameld met IIoT-apparaten, betekent ruwe data weinig zonder de analytics. De reden hiervoor is dat mensen de data niet in betekenisvolle beslissingen kunnen verwerken. Echter, naast het type analytics dat gebruikt wordt, is de capaciteit om de resultaten te visualiseren om die beslissingen te nemen. Vandaag de dag levert IIoT-technologie de capaciteit om de analytische resultaten in gevisualiseerde formaten te brengen. Interactieve dashboards, aangepaste schermen en geoptimaliseerde handheld-apparaten zoals tablets en telefoons staan operators, technici en managers toe om een visuele representatie van hun machines en plantvloeren te zien.

Verzameling van data staat toe voor accurate asset-monitoring, real-time conditiemonitoring, real-time productiestatistieken en benutting-rapportage. Het kan deze visueel leveren met aangepaste operator-dashboards en passende notificaties en alerts. Dit staat toe voor accurate monitoring van downtime en kwaliteitsprestaties alsook voor actionable gebieden voor setup en changeover. Gaandeweg helpt data-analytics groter inzicht te drijven in de verzamelde data, wat kan helpen trends te identificeren, oorzaak-gevolg-relaties te pinpointen, productieknelpunten te verklaren, en zelfs predictieve onderhoudsprogramma's te lanceren.

Door de bovengenoemde typen data-analytics te gebruiken, kunnen fabrikanten integreren met bestaande bedrijfssoftware om hun prestaties te verbeteren terwijl ze real-time informatie leveren om geoptimaliseerde besluitvorming over het hele bedrijf te drijven, van de fabrieksvloer tot het hoofdkantoor.