Mejore la toma de decisiones en la fabricación avanzada con análisis

La fabricación avanzada es una tarea difícil y compleja. Y dado que los gustos y las tendencias de los consumidores han acelerado el deseo de nuevos productos y han acortado los ciclos de vida de los productos existentes, los fabricantes de hoy deben confiar en los grandes datos para ayudarlos a administrar, predecir y buscar los productos adecuados en el momento adecuado. Un estudio realizado por PwC muestra que hasta el 92 % de los fabricantes consideran que su toma de decisiones se basa en gran medida o en parte en los datos.

Es fácil pensar en Big Data como una entidad gigante que debe administrarse para llegar a los conocimientos correctos. Pero hay diferentes tipos de datos que se pueden usar según el nivel de madurez de la empresa, así como el tipo de software que los gerentes y las partes interesadas pueden implementar para mejorar la toma de decisiones a nivel empresarial y de fábrica. A esto lo llamamos el viaje de análisis de fabricación e incluye cuatro tipos de análisis de datos.

A medida que los fabricantes maduran en sus capacidades analíticas, pasan de análisis descriptivos a prescriptivos.

Cuatro tipos de análisis de datos de fabricación

• Análisis descriptivo – El análisis descriptivo le dice al usuario lo que sucedió . Es un tipo de procesamiento de datos que utiliza datos históricos de toda la fábrica o empresa para buscar patrones, asociaciones y relaciones. Mediante la agregación de datos y la extracción de datos, los datos se organizan de una manera que puede generar conocimientos profundos sobre acciones pasadas.

Esta información puede generar valor que ayuda a desarrollar estrategias de productos y ayuda a los usuarios a comprender las tendencias a lo largo del tiempo. Se puede aplicar en categorías amplias como calidad, finanzas e ingresos. Pero el análisis descriptivo se limita a su naturaleza retrospectiva. Si bien pueden surgir patrones y tendencias útiles que ayuden a informar la toma de decisiones, su aplicación está limitada a eventos actuales y futuros. Para las empresas que dependen en gran medida de los datos, también se utilizan tipos adicionales de análisis de datos.

• Análisis de diagnóstico – Donde el análisis descriptivo describe lo que sucedió , el análisis de diagnóstico explica por qué sucedió . Armado con el entendimiento de que una máquina o grupo de productos se comportó de cierta manera, el análisis de diagnóstico ayuda a determinar por qué. El análisis de diagnóstico utiliza técnicas como el desglose, el filtrado avanzado y la extracción de datos para buscar correlaciones que expliquen el por qué. Este tipo de análisis es útil para recopilar información sobre problemas específicos y desarrollar predicciones confiables sobre cómo evitarlos.

Un ejemplo del valor del análisis de diagnóstico es determinar si las alertas son válidas. Debido a que las fábricas conectadas de hoy generan una enorme cantidad de datos recopilados de una gran variedad de sensores y dispositivos de borde, el análisis de diagnóstico puede calificar las alertas y categorizarlas para que los operadores humanos puedan entenderlas y actuar. Y con el volumen de datos de una gran variedad de sensores, el aprendizaje automático se puede utilizar para desarrollar modelos que expliquen con precisión por qué sucedió algo, lo que permite una toma de decisiones precisa.

• Análisis predictivo – Los análisis predictivos se utilizan para explicar lo que es más probable que suceda . Usando los hallazgos recopilados de análisis descriptivos y de diagnóstico, el análisis predictivo es valioso en la previsión. Utiliza estos datos para predecir datos que aún no han ocurrido. Utilizando modelos estadísticos, minería de datos y aprendizaje automático, el análisis predictivo utiliza una variedad de técnicas como:

• Segmentación :Grupos basados ​​en similitudes.
• Asociación :Identificación de la frecuencia de ocurrencias conjuntas y creación de reglas que determinan qué ocurrirá después de que interactúe un conjunto específico de variables.
• Correlación :Identificar las relaciones entre las propiedades de los elementos.
• Previsión :derivación de valores futuros y ocurrencias.

• Análisis prescriptivo – Usando el análisis de los otros tres tipos, el análisis prescriptivo usa aprendizaje automático, algoritmos avanzados y reglas comerciales definidas para prescribir qué acción se tomará . Además, el análisis prescriptivo también puede mostrar el resultado probable de esa acción. Esto empodera a los tomadores de decisiones con un nivel de precisión, así como una gama de opciones para determinar más de un resultado posible en función de los objetivos de la empresa. El futuro de la fabricación, donde las decisiones no solo se toman, sino que los sistemas se adaptan automáticamente en función de estas decisiones, está impulsado por el análisis prescriptivo.

Los datos son lo que hace que MachineMetrics sea tan bueno en lo que hacemos. Y en MachineMetrics, el objetivo de los datos es potenciar una amplia gama de algoritmos de aprendizaje automático y análisis profundos para construir una plataforma procesable en tiempo real para generar valor a través de OEE y ganancias de eficiencia de fabricación. En combinación con tableros personalizados que permiten la visualización a través de HMI fijos y dispositivos portátiles, se pueden tomar decisiones basadas en el poder de estos análisis para empoderar a los operadores e impulsar la eficiencia.

Un recurso detallado sobre la práctica de recopilar y usar análisis para impulsar una mayor eficiencia en el taller

Uso de análisis en un entorno de fabricación conectado

La estrategia de toma de decisiones cambia a medida que la empresa madura. Y el tipo de análisis utilizado también cambia. Para las empresas que no están muy orientadas a los datos, el 79% del enfoque de sus análisis consiste solo en descriptivos y diagnósticos. En el otro extremo del espectro se encuentran las empresas altamente basadas en datos donde los análisis predictivos y prescriptivos representan el 54 % de su utilización de análisis. MachineMetrics ayuda a sus clientes a darse cuenta de los beneficios del análisis profundo y ayuda a aplicarlos de manera única a su operación.

Tanto para las organizaciones "algo impulsadas por datos" como "altamente impulsadas por datos", la llegada de Industrial IoT significa que aquellos que usan tecnología de fabricación avanzada pueden utilizar dispositivos y software para enfocarse en la combinación correcta de análisis para obtener los mejores resultados. La tecnología y el software de IoT industrial brindan un nivel de interoperabilidad entre diferentes tipos de equipos para estandarizar los datos para su uso dentro del software analítico. Los clientes de MachineMetrics han experimentado esto y lo han utilizado para integrarse con otras soluciones como sistemas ERP, herramientas de programación y planificación y software OEE.

Sin el uso de sensores y dispositivos periféricos desplegados en los equipos, la recopilación de grandes cantidades de datos no sería posible. A través de MachineMetrics, los clientes pueden utilizar estos datos en tiempo real, lo que permite la iteración más precisa de los datos dentro de los programas de análisis. Y con sensores desplegados y dispositivos perimetrales, se puede eliminar la latencia, creando información lo más instantánea posible.

Dada la gran cantidad de datos recopilados con dispositivos IIoT, los datos sin procesar significan poco sin el análisis. La razón de esto es que los humanos no pueden procesar los datos en decisiones significativas. Sin embargo, más allá del tipo de análisis utilizado está la capacidad de visualizar los resultados para tomar esas decisiones. La tecnología IIoT de hoy ofrece la capacidad de mover los resultados analíticos a formatos visualizados. Los tableros interactivos, las pantallas personalizadas y los dispositivos portátiles optimizados, como tabletas y teléfonos, permiten a los operadores, técnicos y gerentes ver una representación visual de sus máquinas y plantas.

La recopilación de datos permite un control preciso de los activos, un control del estado en tiempo real, estadísticas de producción en tiempo real e informes de utilización. Puede entregarlos visualmente con paneles de operador personalizados y notificaciones y alertas apropiadas. Esto permite un control preciso del tiempo de inactividad y el rendimiento de calidad, así como áreas de acción para la configuración y el cambio. Yendo más allá, el análisis de datos ayuda a generar una mayor comprensión de los datos que se recopilan, lo que puede ayudar a identificar tendencias, identificar relaciones de causa y efecto, explicar cuellos de botella en la producción e incluso lanzar programas de mantenimiento predictivo.

Al utilizar los tipos de análisis de datos anteriores, los fabricantes pueden integrarse con el software existente de la empresa para mejorar su rendimiento al tiempo que brindan información en tiempo real para impulsar la toma de decisiones optimizada en toda la empresa, desde la planta de producción hasta la oficina corporativa.