“D”Word已成为制造业世界的最热门趋势之一。附加到装配工具和生产设备的最先进的传感器能​​够收集恒定的数据流。

制造商面临的挑战是如何分析如此庞大的数据以获得竞争优势。了解如何应用它的公司可以提高质量,提高生产率和产量,降低成本和优化供应链。

数据驱动的操作对制造业的未来至关重要。然而,许多制造商目前都在努力把握数据和分析可以释放的全部价值。

根据波士顿咨询集团(BCG)和世界经济论坛(World Economic Forum)最近进行的一项研究,近75%的受访制造业高管认为,先进的分析技术对成功至关重要,比三年前更加重要。然而,只有少数公司能够充分利用数据和分析的价值,帮助制造商解决最紧迫的挑战。

不到20%的受访参与者优先考虑高级分析,以促进短期成本减少或长期的结构成本改进。只有39%的人数设定为单一产品的生产过程中的数据驱动用例,因此实现了明确的业务案例。

报告作者之一、波士顿咨询集团董事总经理兼合伙人丹尼尔•Küpper表示:“制造业正处于一场由数据驱动的革命的边缘。”但是,许多公司已经幻灭了,因为他们缺乏有效扩展数据和分析应用程序所需的技术支柱。betway在线游戏平台建立这些先决条件将是大流行后世界取得成功的关键。”

众多好处

数据分析可以被制造工程师用来帮助回答重要的问题,例如:

  • 我的资产现在如何表演?
  • 如何有效的是我的制作过程?
  • 它在过去的表现如何?
  • 是什么促成了它的表现?
  • 性能如何变化和趋势?
  • 如何将来表现出来?
  • 我应该采取什么行动,何时?

ABI研究的最近报告称,制造商将花费20亿美元以至于2026年将数据分析转换和支持数据分析。

ABI research研究总监瑞恩•马丁(Ryan Martin)表示:“未来的工厂预计将拥有灵活、适应性强的生产线,具有更大的自主权,集成闭环质量控制,并将工人连接起来,以提高对供需变化的有效反应。”

Simon Coombs补充道:“在今天的后covid环境中,制造商面临的主要挑战是成本上升、需求波动、材料可用性和获得熟练劳动力的限制。”埃森哲数字制造和运营总经理。“这些挑战使得提高绩效指标的可见度和提高应对市场和供应链动态的灵活性变得比以往任何时候都重要。

“公司正在通过简单地分析历史数据来根据实时洞察和指导来调整,”Coombs指出。“总是关于规划工作,然后按照说明执行。

Coombs称:“制造商需要实时数据分析,因为它可以为许多关键活动提供动力。”“(好处包括)管理零件的可用性和顺序,有效的测试,质量管理,提供可追溯性和减少库存,同时提高吞吐量和灵活性。这样,数据分析就可以帮助优化现有的工作方式,并引入新的见解,以实现优化工作方式。”

数据爆炸

边缘计算驱动的数据收集、工业物联网(IIoT)、传感器和其他智能技术正在渗透到工厂的方方面面。但是,虽然数据有价值,但并不是所有收集到的数据都对企业有价值。

”收集的数据的智能机器是如此之大,是不可行的,把它从源头到云,和数据是否需要移动可以上传,”杰弗里·雷克说,Hivecell的CEO,一个edge-as-a-service公司。“到2025年,75%的数据将在传统数据中心或云之外处理。

瑞克指出:“制造商应该寻找边缘计算能力,提供易于部署、面向未来、不受技术限制的解决方案,使他们能够无限扩展,并在管理和处理大数据方面节省大量资源。”“完全依赖云计算的公司将失去分析本地数据、做出更明智决策的机会。”

由于智能机器在分钟的基础上由智能机器收集的数据庞大,有些制造商具有焦虑的数据分析。通常,分析这么多不同的数据流的想法可以听起来像一个压倒性和昂贵的问题,尤其是较小的公司。

由于行业4.0继续成为标准,因此无法充分利用其数据的制造商将处于竞争劣势。

“近年来,数据量不断增加,未来数据分析对制造商将继续变得更加重要,”PA咨询公司的运营改善和数字化转型预期C.V. Ramachandran说。“然而,只有大约20%的制造商使用数据分析来提高效率,增加正常运行时间,减少停机时间。

“在制造工厂中产生的高达90%的数据通常不会习惯于建立能够真正帮助业务的见解,”Ramachandran索赔。“传统上,有很多关于历史报告的重视,这侧重于过去发生的事情。强调使用数据来查看未来将发生的事情。“

富士通智能工厂负责人Alok Sahu补充说:“制造商通常希望看到所有数据,但平均来看,我们看到大约90%的数据被浪费或未被使用。”富士通是一家领先的通信和信息技术供应商。“通常情况下,数据没有被恰当地上下文化,所以当它被存储起来时,就再也见不到天日了。”

据安吉Sticher,在UrsaLeo,企业软件公司,抓获数TB的数据首席运营官通常最终被浪费或去制造工厂使用。

Sticher解释说:“我们现在生活在一个工业物联网呈指数级增长的世界,每天都有大量的数据被收集。“不幸的是,没有一个明确的方法来分类或分析它。这一问题使得许多机构数据丰富,信息匮乏。”

未充分利用的数据

弗雷斯特研究公司(Forrester Research Inc.)最近的一份报告称,在一个组织内收集的所有数据中,多达73%的数据是未被使用的。

资产优化软件公司Aspen Technology Inc.产品管理高级总监Keith Flynn说:“这已经成为一个经常重复的统计数据,突出了物联网内部一个基本的、不断增长的挑战。”“随着联网设备的数量继续呈指数级增长,(企业)正在收集更多的数据,它们不知道如何处理。然而,73%的数据有点倒退。

“问题不是73%的数据未使用,”Notes Flynn。“企业正在收集大量的数据,这可能是没有用的,这是一个越来越糟糕的问题。到2025年,据估计,全世界近370亿个连接的设备,产生超过79个Zettabytes的数据。“

今天,所有行业的制造商都在巨大的压力下,可以在降低成本的同时组装最优质的产品。为了成功,他们需要态势意识和连续智能来改善决策,检测异常,并消除生产过程的废物。

KX系统公司是一家专门从事流媒体分析的软件公司,该公司物联网高级副总裁Przemek Tomczak说:“连接设备和传感器的数量不断增加,正在创造大量的数据来处理、分析和存储。”“大多数传统和当前的软件都无法满足这些数据量和分析需求。

“我们看到先进的过程控制系统和历史学家,争夺从这种新丰富的数据和要求向工程师,数据科学家和管理提供这些数据的瓶颈斗争,”Tomczak解释道。“结果,在部署系统以检测异常并进行预测时,组织可以面对数据瓶颈,减慢响应时间并导致[工厂]地板上的效率低下的动作。

“利用数据以了解和优化机器使用和维护可以作为一个福音,作为[工厂]工作流程和输出,”Tomczak索赔。“是否导航机器舰队的修复时间表,以确保它们针对大​​型生产经营或理解的优化,即使使用机器的小型操作校正,实时数据理解和分析是最大化操作的关键。”

为了避免错误

不幸的是,对于什么是数据分析,以及它如何应用于制造业,人们还存在一些困惑。人们还普遍担心在新技术上投资却得不到回报。

“对于多少数据和分析足够了,对业务有意义的影响,它真正需要速度的混乱,”洪塔克说。“例如,即使实时数据和分析仍然是重点和投资的重要领域,即使是对焦点和投资的重要领域,也存在较大的”实时“方式。

“仅调查的三分之一的组织将实时定义为秒或更快,近一半认为这意味着一定小时或更长时间 - 即使长达几天,”Tomczak指出。“为了解决这种困惑,重要的是始终将数据分析倡议联系起来的业务结果。[工程师应该]能够解释或展示如何使用本组织的用例和计算投资回报率建议。“

“[一些制造工程师]小看它采取做的时候一定要具备良好的数据,补充说:” Pathmind公司,应用于人工智能技术向产业化经营一家公司的CEO克里斯·尼科尔森。“数据是底层现实的表示。

"You need to make sure that the data properly reflects those realities, that you are observing the metrics that matter and that the data is clean,” warns Nicholson. “If you don’t get that right, the best algorithms in the world will not give you insights.”

“尽管数据获取是最大的挑战,但最大的错误是从数据收集开始,”埃森哲工业x公司(Accenture Industry x)数字化制造和运营高级经理乔恩·帕尔(Jon Parr)说,“‘连接’和收集所有可能的数据的一般举措肯定会导致高成本和挫败感。

“专注于具有明确价值福利的具体用例的公司,仅收集所需的数据的适当数量和质量,可能会提供最大的价值,并更快地扩展其[数据分析倡议],”索赔PARR。

MachineMetrics营销副总裁格雷厄姆·伊默曼(Graham Immerman)表示,他看到工程师们在数据上犯了两个大错误。他指出:“首先是没有对数据采取行动的程序。”“利用数据更好地了解什么在(工厂)车间工作,什么不在工作,这已经成功了一半。下一步是通过实际的改进来实现价值。这是最难的部分。

“第二个错误是没有基线数据,” Immerman说:“许多公司都如此急于上手,他们经常跳过这关键的一步。不幸的是,无需基线从去衡量,就很难知道有多少价值的各种努力may create. Stepping on the scale is a critical first step to knowing how much you’ve actually improved.”

为了解决这些问题,MachineMetrics最近推出了一款名为Predictive的产品,该技术利用高频机器数据,在不使用外部传感器的情况下实现预测分析功能。它有三个基本组成部分。

“首先是利用即插即用高频数据收集获得前所未有的保真度,”Immerman解释说。“当以较高频率收集数据时,保真度提供了前所未有的可见性,进入以前基本不可见的设备问题。然后,该数据可以立即用作时间序列或机器学习模型的输入来预测机器故障。

“一旦开发完成,(工程师)就可以部署和管理这些算法到(我们的)边缘设备,在源头处理和分析,实时检测潜在故障,”Immerman补充道。“最后,当一种算法被触发时,(工程师)可以通过警报和通知提供操作员的操作,或者在设备故障前自动停止并调整机器的操作。”

“第四次工业革命是数据驱动的,”Proglove Inc.的高级通信经理Axel Schmidt表示,该公司专注于可穿戴条形码扫描仪。“数据是确定您成功的何种燃料的燃料。

施密特指出:“一个问题是,你能否承受在你想要应用的数据点和分析方面效率低下的后果。”“如果你的决策和举措是基于可靠的分析数据,那么你付出的努力就会更少,成功的机会也更大。”

据施密特介绍,一些制造商不愿投资数据分析技术。“许多组织可能犹豫与他们的倡议犹豫不决,因为他们认为他们需要最新的技术和机械,”他指出。“实际上,有些方法可以将遗留应用程序联系到IOT。betway在线游戏平台

“另一个常见的误解是只关注您的基础设施,”Schmidt警告说。“你需要让人类工人参与进来,才能了解整个故事。换句话说,您需要您的企业应用程序提供自顶向下的视图,但您还需要自底向上的透视图。betway在线游戏平台这就像在山上钻一条隧道。如果你从两端出发,速度会快得多。

“数据分析不是关于实施[技术]并忘记它,”施密特。“它更多地建立一个过程。它是关于收集信息和上下文化它以获得可操作的见解。

“实时处理数据是强制性的,”施密特说。“但是,你也需要能够分解它,并将它与过去的计划进行比较。说到底,数据就是你对它的理解。”

新算法可以解决大数据问题

在当今世界大数据,从大量信息收集的学习,每天是制造商的关键。通常情况下,从IIoT机装配线上所收集的数据在云中供分析和存储被发送到远程计算机。但是,如果网络连接失败,就不可能有大的问题。

在布法罗纽约州纽约州立大学工程师开发的一种新的算法解决了这个问题。

“可以从数据中学习的设计算法对于企业至关重要,”管理科学与系统助理教授Haimonti Dutta表示。“我们的模型允许设备互动地沟通 - 使它们无法对网络故障进行稳健 - 同时提高决策者的信息质量,并将其执行比其他[替代方案]快几个数量级。”

Dutta使用7个公开可用的、真实世界的数据集进行了广泛的计算研究,以验证模型的性能。她发现,她的结果比其他类似算法快1.5倍。她还用它来预测一家食品制造工厂的机械故障,使用的数据超过100万个点。

Dutta解释说:“这个案例研究表明,组织可以使用互联网连接设备来做更多的事情。”“我们的算法可用于速度对实时预测和学习至关重要的设备,如早期识别可能导致缺陷的异常,并应用策略,使设备适应和优化自己。”

很快,'小数据'可能是大新闻

尽管“大数据”近年来一直是大新闻,但这种情况可能即将改变。Gartner Inc.预测,到2025年,70%的组织将把他们的重点转向小型和广泛的数据,为分析提供更多的背景,使人工智能对数据的需求减少。

“诸如Covid-19大流行的中断导致历史数据反映了过去的条件,这些数据正在迅速过时,这正在突破许多生产AI和机器学习模式,”Gartner的杰出研究副总裁Jim Hare说。“此外,人类和AI的决策变得更加复杂,更苛刻,而且依赖于数据饥饿的深度学习方法。”

在未来,新的分析技术,如“小数据”和“大数据”,将变得更加普遍。Hare解释说:“综合起来,它们能够更有效地使用可用数据,无论是通过减少所需的容量,还是通过从非结构化、多样化的数据源中提取更多的价值。”

小数据是一种需要更少数据的方法,但仍然提供有用的见解。它包括特定的时间序列分析技术或少镜头学习、合成数据或自我监督学习。

广泛的数据使各种小型和大型、非结构化和结构化数据源的分析和协同成为可能。它应用X分析,X代表查找数据源之间的链接,以及多种数据格式。这些格式包括表格、文本、图像、视频、音频、声音、温度,甚至气味和振动。

Hare说:“这两种方法都可以促进更强大的分析和人工智能,减少组织对大数据的依赖,并实现更丰富、更完整的态势感知或360度视角。”“(这两种技术都可以用来)应对训练数据可用性低的挑战,或通过使用更广泛的数据开发更健壮的模型。”

根据野兔的说法,小型和广泛数据的潜在应用包括“自适应自治系betway在线游戏平台统,例如机器人,通过分析不同感官通道中的事件的时间和空间的相关性而不断地学习。”

有关智能工厂和数据分析的更多信息,请阅读ASSEMBLY的其他文章: