Verbessern Sie die Entscheidungsfindung in der modernen Fertigung mit Analysen

Advanced Manufacturing ist ein schwieriges und komplexes Unterfangen. Und da der Geschmack und die Trends der Verbraucher den Wunsch nach neuen Produkten beschleunigt und die Lebenszyklen bestehender Produkte verkürzt haben, müssen sich die Hersteller von heute auf Big Data verlassen, um die richtigen Produkte zur richtigen Zeit zu verwalten, vorherzusagen und zu verfolgen. Eine Studie von PwC zeigt, dass bis zu 92 % der Hersteller der Meinung sind, dass ihre Entscheidungsfindung entweder stark datengesteuert oder eher datengesteuert ist.

Es ist leicht, sich Big Data als eine riesige Einheit vorzustellen, die verwaltet werden muss, um zu den richtigen Erkenntnissen zu gelangen. Es gibt jedoch verschiedene Arten von Daten, die je nach Reifegrad des Unternehmens sowie je nach Art der Software verwendet werden können, die Manager und Stakeholder einsetzen können, um die Entscheidungsfindung auf Unternehmens- und Fabrikebene zu verbessern. Wir nennen dies den Prozess der Fertigungsanalyse und umfassen vier Arten von Datenanalysen.

Während Hersteller in ihren analytischen Fähigkeiten reifen, wechseln sie von deskriptiven zu präskriptiven Analysen.

Vier Arten der Fertigungsdatenanalyse

• Beschreibende Analysen – Beschreibende Analysen teilen dem Benutzer mit, was passiert ist . Es ist eine Art der Datenverarbeitung, die historische Daten aus der gesamten Fabrik oder dem Unternehmen verwendet, um nach Mustern, Assoziationen und Beziehungen zu suchen. Mithilfe von Datenaggregation und Data Mining werden Daten so organisiert, dass sie tiefe Einblicke in vergangene Aktionen geben können.

Diese Informationen können einen Mehrwert liefern, der bei der Entwicklung von Produktstrategien hilft und den Benutzern hilft, Trends im Laufe der Zeit zu verstehen. Es kann in breiten Kategorien wie Qualität, Finanzen und Einnahmen angewendet werden. Die deskriptive Analytik ist jedoch auf ihre rückwärtsgerichtete Natur beschränkt. Obwohl nützliche Muster und Trends entstehen können, die bei der Entscheidungsfindung helfen, ist ihre Anwendung auf aktuelle und zukünftige Ereignisse beschränkt. Für Unternehmen, die stark datengesteuert sind, werden auch zusätzliche Arten der Datenanalyse verwendet.

• Diagnostische Analysen – Wo beschreibende Analysen beschreiben, was passiert ist , Diagnostic Analytics erklärt warum es passiert ist . Ausgestattet mit dem Verständnis, dass sich eine Maschine oder Produktgruppe auf eine bestimmte Weise verhalten hat, hilft die diagnostische Analyse bei der Bestimmung des Grundes. Die diagnostische Analyse verwendet Techniken wie Drilldown, erweiterte Filterung und Data Mining, um nach Korrelationen zu suchen, um das Warum zu erklären. Diese Art der Analyse ist nützlich, um Einblicke in spezifische Probleme zu gewinnen und zuverlässige Vorhersagen zu deren Vermeidung zu entwickeln.

Ein Beispiel für den Wert der Diagnoseanalyse ist die Bestimmung, ob Warnungen gültig sind. Da die vernetzten Fabriken von heute eine enorme Menge an Daten generieren, die von einer Vielzahl von Sensoren und Edge-Geräten gesammelt werden, kann die diagnostische Analyse Warnungen qualifizieren und sie kategorisieren, damit menschliche Bediener sie verstehen und handeln können. Und mit dem Datenvolumen einer großen Anzahl von Sensoren kann maschinelles Lernen verwendet werden, um Modelle zu entwickeln, die genau erklären, warum etwas passiert ist, was eine genaue Entscheidungsfindung ermöglicht.

• Predictive Analytics – Vorhersageanalysen werden verwendet, um zu erklären, was am wahrscheinlichsten passieren wird . Mithilfe von Erkenntnissen aus der deskriptiven und diagnostischen Analyse ist die prädiktive Analyse für die Vorhersage wertvoll. Es verwendet diese Daten, um Daten vorherzusagen, die noch nicht aufgetreten sind. Mithilfe von statistischer Modellierung, Data Mining und maschinellem Lernen verwendet Predictive Analytics eine Vielzahl von Techniken wie:

• Segmentierung :Gruppen basierend auf Ähnlichkeiten.
• Verein :Identifizierung der Häufigkeit gemeinsamer Vorkommnisse und Erstellung von Regeln, die bestimmen, was passiert, nachdem ein bestimmter Satz von Variablen interagiert.
• Korrelation :Identifizieren von Beziehungen zwischen Elementeigenschaften.
• Prognose :Ableitung zukünftiger Werte und Ereignisse.

• Prescriptive Analytics – Unter Verwendung der Analyse der anderen drei Typen verwendet Prescriptive Analytics maschinelles Lernen, fortschrittliche Algorithmen und definierte Geschäftsregeln, um vorzuschreiben, welche Maßnahmen ergriffen werden . Darüber hinaus kann die präskriptive Analytik auch das wahrscheinliche Ergebnis dieser Aktion zeigen. Dies ermöglicht Entscheidungsträgern ein gewisses Maß an Genauigkeit sowie eine Reihe von Optionen, um mehr als ein mögliches Ergebnis basierend auf den Zielen des Unternehmens zu bestimmen. Die Zukunft der Fertigung, in der Entscheidungen nicht nur getroffen werden, sondern Systeme basierend auf diesen Entscheidungen automatisch angepasst werden, wird durch präskriptive Analytik bestimmt.

Daten machen MachineMetrics so gut in dem, was wir tun. Und bei MachineMetrics ist das Ziel von Daten, eine breite Palette von Algorithmen für maschinelles Lernen und tiefgreifende Analysen zu ermöglichen, um eine umsetzbare Echtzeitplattform aufzubauen, um den Wert durch OEE und Effizienzsteigerungen in der Fertigung zu steigern. In Kombination mit benutzerdefinierten Dashboards, die eine Visualisierung über fest installierte HMIs sowie tragbare Geräte ermöglichen, können Entscheidungen basierend auf der Leistungsfähigkeit dieser Analysen getroffen werden, um Bediener zu stärken und die Effizienz zu steigern.

Eine ausführliche Ressource zur Praxis des Sammelns und Verwendens von Analysen zur Steigerung der Effizienz in der Fertigung

Verwendung von Analytics in einer vernetzten Fertigungsumgebung

Die Entscheidungsstrategie ändert sich, wenn ein Unternehmen reift. Und auch die Art der verwendeten Analysen ändert sich. Bei Unternehmen, die nicht stark datengetrieben sind, besteht der Fokus ihrer Analysen zu 79 % nur aus beschreibenden und diagnostischen Daten. Am anderen Ende des Spektrums befinden sich stark datengesteuerte Unternehmen, bei denen prädiktive und präskriptive Analysen 54 % ihrer Analytics-Nutzung ausmachen. MachineMetrics hilft seinen Kunden, die Vorteile von Tiefenanalysen zu erkennen und sie auf einzigartige Weise auf ihren Betrieb anzuwenden.

Sowohl für die „etwas datengesteuerten“ als auch für die „stark datengesteuerten“ Organisationen bedeutet die Ankunft des industriellen IoT, dass diejenigen, die fortschrittliche Fertigungstechnologie verwenden, Geräte und Software nutzen können, um sich auf die richtige Kombination von Analysen zu konzentrieren, um die besten Ergebnisse zu erzielen. Industrielle IoT-Technologie und -Software bieten ein gewisses Maß an Interoperabilität zwischen verschiedenen Gerätetypen, um Daten für die Verwendung in Analysesoftware zu standardisieren. Kunden von MachineMetrics haben diese Erfahrung gemacht und sie zur Integration mit anderen Lösungen wie ERP-Systemen, Planungs- und Planungstools und OEE-Software verwendet.

Ohne den Einsatz von Sensoren und Edge-Geräten an Geräten wäre die Erfassung riesiger Datenmengen nicht möglich. Durch MachineMetrics können Kunden diese Daten in Echtzeit nutzen, was eine möglichst genaue Iteration der Daten innerhalb der Analyseprogramme ermöglicht. Und mit eingesetzten Sensoren und Edge-Geräten kann Latenz eliminiert werden, wodurch Informationen so zeitnah wie möglich erstellt werden.

Angesichts der riesigen Datenmengen, die mit IIoT-Geräten gesammelt werden, bedeuten Rohdaten ohne die Analyse wenig. Der Grund dafür ist, dass Menschen die Daten nicht zu sinnvollen Entscheidungen verarbeiten könnten. Über die Art der verwendeten Analyse hinaus besteht jedoch die Möglichkeit, die Ergebnisse zu visualisieren, um diese Entscheidungen zu treffen. Die heutige IIoT-Technologie bietet die Möglichkeit, die Analyseergebnisse in visualisierte Formate zu überführen. Interaktive Dashboards, angepasste Bildschirme und optimierte Handheld-Geräte wie Tablets und Telefone ermöglichen es Bedienern, Technikern und Managern, eine visuelle Darstellung ihrer Maschinen und Anlagen zu sehen.

Die Datenerfassung ermöglicht eine genaue Bestandsüberwachung, Echtzeit-Zustandsüberwachung, Echtzeit-Produktionsstatistiken und Nutzungsberichte. Es kann diese visuell mit angepassten Bediener-Dashboards und entsprechenden Benachrichtigungen und Warnungen bereitstellen. Dies ermöglicht eine genaue Überwachung von Ausfallzeiten und Qualitätsleistung sowie umsetzbare Bereiche für Einrichtung und Umstellung. Darüber hinaus trägt die Datenanalyse dazu bei, einen besseren Einblick in die gesammelten Daten zu erhalten, was dazu beitragen kann, Trends zu erkennen, Ursache-Wirkungs-Beziehungen genau zu bestimmen, Produktionsengpässe zu erklären und sogar vorausschauende Wartungsprogramme zu starten.

Mithilfe der oben genannten Arten der Datenanalyse können Hersteller ihre Leistung in vorhandene Unternehmenssoftware integrieren und gleichzeitig Echtzeitinformationen bereitstellen, um eine optimierte Entscheidungsfindung im gesamten Unternehmen voranzutreiben, von der Fabrikhalle bis zur Unternehmenszentrale.