Entscheidungsfindung in der fortschrittlichen Fertigung durch leistungsstarke Analytik verbessern

Fortgeschrittene Fertigung ist ein schwieriges und komplexes Unterfangen. Und da Verbrauchergeschmäcker und Trends den Wunsch nach neuen Produkten beschleunigt und die Lebenszyklen bestehender Produkte verkürzt haben, müssen heutige Hersteller auf Big Data vertrauen, um sie beim Managen, Vorhersagen und Verfolgen der richtigen Produkte zum richtigen Zeitpunkt zu unterstützen. Eine Studie von PwC zeigt, dass bis zu 92 % der Hersteller ihre Entscheidungsfindung als entweder hochgradig datengesteuert oder etwas datengesteuert betrachten.

Es ist leicht, Big Data als eine riesige Entität zu betrachten, die für das Erreichen korrekter Insights gemanagt werden muss. Aber es gibt verschiedene Datentypen, die je nach Reifegrad des Unternehmens und Art der Software, die Manager und Stakeholder einsetzen können, um Entscheidungsfindung auf Unternehmens- und Fabrikebene zu verbessern, verwendet werden können. Wir nennen dies die Fertigungsanalytik-Reise, und sie umfasst vier Arten von Datenanalytik.

Je reifer Hersteller in ihren analytischen Fähigkeiten werden, desto mehr bewegen sie sich von deskriptiver zu präskriptiver Analytik.

Vier Arten von Fertigungsdatenanalytik

• Deskriptive Analytik – Deskriptive Analytik sagt dem Nutzer was passiert ist. Es ist eine Art der Datenverarbeitung, die historische Daten aus der gesamten Fabrik oder dem Unternehmen nutzt, um nach Mustern, Assoziationen und Beziehungen zu suchen. Durch Datenaggregation und Data Mining werden Daten so organisiert, dass sie tiefe Einblicke in vergangene Handlungen liefern können.

Diese Informationen können Wert liefern, der hilft, Produktstrategien zu entwickeln und auf Weisen, die Nutzern helfen, Trends über die Zeit zu verstehen. Sie kann in breiten Kategorien wie Qualität, Finanzen und Umsatz angewendet werden. Aber deskriptive Analytik ist durch ihre rückwärtsgerichtete Natur begrenzt. Während nützliche Muster und Trends auftauchen können, die Entscheidungsfindung informieren, ist sie in ihrer Anwendung auf aktuelle und zukünftige Vorkommnisse begrenzt. Für Unternehmen, die hochgradig datengesteuert sind, werden zusätzliche Arten von Datenanalytik ebenfalls genutzt.

• Diagnostische Analytik – Wo deskriptive Analytik was passiert ist beschreibt, erklärt diagnostische Analytik warum es passiert ist. Bewaffnet mit dem Verständnis, dass eine Maschine oder Produktgruppe sich auf eine bestimmte Weise verhielt, hilft diagnostische Analytik, das Warum zu bestimmen. Diagnostische Analytik nutzt Techniken wie Drill-Down, erweiterte Filterung und Data Mining, um nach Korrelationen zu suchen, die das Warum erklären. Diese Art der Analyse ist nützlich, um Einblicke in spezifische Probleme zu sammeln und verlässliche Vorhersagen zu entwickeln, wie man sie vermeiden kann.

Ein Beispiel für den Wert diagnostischer Analyse ist die Bestimmung, ob Alerts valide sind. Da heutige vernetzte Fabriken eine enorme Menge an Daten erzeugen, die von einer großen Array von Sensoren und Edge-Geräten gesammelt werden, kann diagnostische Analyse Alerts qualifizieren und kategorisieren, damit menschliche Bediener sie verstehen und handeln können. Und mit dem Datenvolumen aus einem großen Sensor-Array kann Machine Learning genutzt werden, um Modelle zu entwickeln, die präzise erklären, warum etwas passiert ist – was präzise Entscheidungsfindung ermöglicht.

• Prädiktive Analytik – Prädiktive Analytik wird genutzt, um zu erklären, was am wahrscheinlichsten passieren wird. Mit Erkenntnissen, die aus deskriptiver und diagnostischer Analytik gesammelt wurden, ist prädiktive Analyse wertvoll für Forecasting. Sie nutzt diese Daten, um Daten vorherzusagen, die noch nicht eingetreten sind. Durch statistisches Modeling, Data Mining und Machine Learning nutzt prädiktive Analytik diverse Techniken wie:

• Segmentierung: Gruppierung basierend auf Ähnlichkeiten.
• Assoziation: Identifikation der Häufigkeit gemeinsamer Vorkommnisse und Erstellung von Regeln, die bestimmen, was nach einer spezifischen Variablen-Interaktion eintreten wird.
• Korrelation: Identifikation von Beziehungen zwischen Element-Eigenschaften.
• Forecasting: Ableitung zukünftiger Werte und Vorkommnisse.

• Präskriptive Analytik – Unter Nutzung der Analysen der anderen drei Arten nutzt präskriptive Analytik Machine Learning, fortgeschrittene Algorithmen und definierte Business Rules, um vorzuschreiben, welche Aktion unternommen wird. Weiter kann präskriptive Analytik den wahrscheinlichen Outcome dieser Aktion aufzeigen. Dies befähigt Entscheidungsträger mit einem Level an Genauigkeit sowie einer Bandbreite an Optionen, um mehr als ein mögliches Ergebnis basierend auf den Zielen des Unternehmens zu bestimmen. Die Zukunft der Fertigung, wo Entscheidungen nicht nur getroffen, sondern Systeme automatisch basierend auf diesen Entscheidungen angepasst werden, wird von präskriptiver Analytik getrieben.

Daten sind das, was MachineMetrics so gut macht, was wir tun. Und bei MachineMetrics ist das Ziel der Daten, eine breite Palette von Machine-Learning-Algorithmen und tiefer Analytik zu befähigen, um eine Echtzeit-, actionable Plattform aufzubauen, die Wert durch OEE- und Fertigungseffizienzgewinne treibt. Kombiniert mit anpassbaren Dashboards, die Visualisierung durch feste HMIs sowie portable Geräte ermöglichen, können Entscheidungen basierend auf der Macht dieser Analytik getroffen werden, um Bediener zu befähigen und Effizienz zu treiben.

Eine ausführliche Ressource zur Praxis der Erfassung und Nutzung von Analytik zur Steigerung größerer Effizienz auf dem Shopfloor.

Analytik in einer vernetzten Fertigungsumgebung nutzen

Entscheidungsfindungsstrategie ändert sich, während ein Unternehmen reift. Und die Art der genutzten Analytik ändert sich ebenfalls. Für Unternehmen, die nicht hochgradig datengesteuert sind, besteht 79 % des Fokus ihrer Analytik aus nur deskriptiver und diagnostischer. Am anderen Ende des Spektrums sind hochgradig datengesteuerte Unternehmen, wo prädiktive und präskriptive Analytik 54 % ihrer Analytik-Nutzung ausmachen. MachineMetrics hilft seinen Kunden, die Vorteile tiefer Analytik zu realisieren und sie einzigartig auf ihren Betrieb anzuwenden.

Für sowohl "etwas datengesteuerte" als auch "hochgradig datengesteuerte" Organisationen bedeutet die Ankunft des Industrial IoT, dass diejenigen, die fortschrittliche Fertigungstechnologie nutzen, Geräte und Software einsetzen können, um sich auf die richtige Kombination von Analytik für die besten Ergebnisse zu fokussieren. Industrial IoT Technologie und Software bietet ein Level an Interoperabilität unter verschiedenen Gerätetypen, um Daten für die Nutzung in analytischer Software zu standardisieren. Kunden bei MachineMetrics haben dies erlebt und genutzt, um mit anderen Lösungen wie ERP-Systemen, Terminierungs- und Planungstools sowie OEE-Software zu integrieren.

Ohne den Einsatz von Sensoren und Edge-Geräten, die auf Equipment deployed sind, wäre die Erfassung riesiger Datenmengen nicht möglich. Durch MachineMetrics können Kunden diese Daten in Echtzeit nutzen, was die präziseste Iteration der Daten innerhalb der Analytik-Programme ermöglicht. Und mit deployed Sensoren und Edge-Geräten kann Latenz eliminiert werden, was so nah wie möglich an instantane Information herankommt.

Angesichts der gewaltigen Datenmengen, die mit IIoT-Geräten gesammelt werden, bedeuten Rohdaten wenig ohne die Analytik. Der Grund: Menschen könnten die Daten nicht in bedeutungsvolle Entscheidungen verarbeiten. Doch jenseits der Art der genutzten Analytik ist die Fähigkeit, die Ergebnisse zu visualisieren, um diese Entscheidungen zu treffen. Heutige IIoT-Technologie liefert die Fähigkeit, analytische Ergebnisse in visualisierte Formate zu bewegen. Interaktive Dashboards, angepasste Screens und optimierte Handheld-Geräte wie Tablets und Phones erlauben Bedienern, Technikern und Managern, eine visuelle Repräsentation ihrer Maschinen und Werksböden zu sehen.

Datenerfassung ermöglicht präzises Asset-Monitoring, Echtzeit-Zustandsmonitoring, Echtzeit-Produktionsstatistiken und Auslastungsreporting. Sie kann diese visuell mit angepassten Bediener-Dashboards und passenden Benachrichtigungen und Alerts liefern. Dies ermöglicht präzises Monitoring von Ausfallzeiten und Qualitätsperformance sowie actionable Bereiche für Setup und Umrüstung. Weiterhin hilft Datenanalytik, tiefere Einblicke in die gesammelten Daten zu treiben, was helfen kann, Trends zu identifizieren, Ursache-Wirkungs-Beziehungen zu bestimmen, Produktionsengpässe zu erklären und sogar vorausschauende Wartungsprogramme zu starten.

Durch Nutzung der oben genannten Arten von Datenanalytik können Hersteller mit bestehender Unternehmenssoftware integrieren, um ihre Performance zu verbessern, während sie Echtzeit-Informationen liefern, um optimierte Entscheidungsfindung über das gesamte Unternehmen hinweg zu treiben – vom Shopfloor bis ins Unternehmensbüro.