Doskonały zbiór danych z zakładu przemysłowego: w jaki sposób firmy mogą lepiej wykorzystywać informacje o maszynie i produkcji?
Opublikowano 25 września 2020 w AI

Podejście do projektów danologicznych (Data Science): przygotowanie, analiza i rozwój aplikacji oraz ocena i utrzymanie
Danologia przemysłowa (Industrial Data Science) to całkiem nowa dyscyplina. Dotychczas nie powstało ogólnie obowiązujące podejście, które byłoby odpowiednie dla każdej firmy. Każde rozwiązanie i wszystkie poszczególne zastosowania wymagają analizy i modelowania danych pod kątem indywidualnego przypadku, aby osiągnąć najlepsze możliwe rezultaty. Jednakże na początku można zastosować standardowe podejście, które jest bardzo przydatne. Najczęściej wdrażany wzorzec to MODEL CRISP-DM (ang. Cross-Industry Standard Process for Data Mining, międzybranżowy standardowy proces pozyskiwania danych). Firma OMRON uprościła i dostosowała model CRISP-DM do nowego podejścia. Cztery etapy tego podejścia to przygotowanie, analiza i rozwój aplikacji oraz ocena i utrzymanie. Więcej informacji na temat tych etapów można znaleźć w infografice.Etap 1: Przygotowanie
Etap przygotowania jest najważniejszy. Projekt danologiczny nigdy nie zakończy się sukcesem, jeśli jego cel jest niejasny. W związku z tym ważne jest, aby na pierwszym etapie wszyscy uczestnicy i eksperci najpierw skoncentrowali się na problemie lub konkretnym wymogu w celu osiągnięcia jasno określonego celu projektu. Muszą szczegółowo przeanalizować maszynę i/lub proces produkcji, aby wiedzieć, jakie dane są już dostępne, a jakie nadal muszą zostać pozyskane. W tym procesie wstępny zestaw danych może być pozyskiwany i analizowany jako rodzaj studium wykonalności. Na końcu etapu przygotowania tworzony jest raport, który zawiera informacje na temat oczekiwanej wygenerowanej wartości i rzeczywistego zwrotu z inwestycji.Etap 2: Analiza i rozwój aplikacji
- Gromadzenie danych: dane są gromadzone z różnych źródeł — od nieprzetworzonych danych czujnika do informacji z systemów MES.
- Wstępne przetwarzanie danych: zebrane dane są przygotowywane do etapu analizy, przekształcane, łączone i oczyszczane.
- Analiza danych: stosowane są opracowane algorytmy analizy i modele uczenia maszynowego.
- Zastosowanie: udostępniane są wyniki i wnioski z analizy danych, na przykład w formie wizualizacji dostosowanych do sytuacji lub grupy docelowej albo informacji zwrotnych wprowadzanych do maszyny.