Doskonały zbiór danych z zakładu przemysłowego: w jaki sposób firmy mogą lepiej wykorzystywać informacje o maszynie i produkcji? | Omron, Polska

Zaloguj się

Please use more than 6 characters. Forgot your password? Click here to reset.

Zmień hasło

Problem techniczny. Akcja nie została wykonana. Przepraszamy - spróbuj ponownie.

Download

Zarejestruj się

Problem techniczny. Akcja nie została wykonana. Przepraszamy - spróbuj ponownie.

Download

Dziękujemy za zainteresowanie

Wiadomość e-mail umożliwiająca dokończenie rejestracji konta została wysłana do

Powrót do strony internetowej

uzyskaj bezpośredni dostęp

Wypełnij poniższe pola i uzyskaj bezpośredni dostęp do zawartości tej strony

Text error notification

Text error notification

Checkbox error notification

Checkbox error notification

Problem techniczny. Akcja nie została wykonana. Przepraszamy - spróbuj ponownie.

Download

Dziękujemy za zainteresowanie

Masz teraz dostęp do Doskonały zbiór danych z zakładu przemysłowego: w jaki sposób firmy mogą lepiej wykorzystywać informacje o maszynie i produkcji?

Wiadomość e-mail z potwierdzeniem została wysłana do

Przejdź do strony

Teraz lub uzyskaj bezpośredni dostęp, aby pobrać ten dokument

AI
Industry 4.0

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

Opublikowano 2020-09-25 16:00:00 UTC w AI

Danologia strategiczna (Strategic Data Science) to filar każdego scenariusza czwartej rewolucji przemysłowej (Pzemysł 4.0). Czteroetapowe podejście do pozyskiwania danych, oparte na TECHNOLOGII CRISP-DM, ma znaczący wpływ na powodzenie projektów.
Zawsze, gdy mowa o „wielkich zbiorach danych”, większość osób najpierw myśli o mediach społecznościowych lub o analizie zachowań klientów w handlu internetowym. Po dłuższym namyśle okazuje się, że strategiczna analiza danych staje się również coraz ważniejsza w środowisku produkcyjnym. Firma Frost & Sullivan uważa, że analiza danych w sektorze przemysłowym ma ogromny potencjał. Eksperci stwierdzili, że dzięki lepszemu wykorzystaniu danych, które są już obecne w procesie produkcji, można podnieść wydajność o około 10 procent, obniżyć koszty operacyjne o prawie 20 procent i zminimalizować koszty utrzymania o 50 procent. Występuje jednak pewien problem: dane w zakładach mogą być gromadzone i przechowywane stosunkowo łatwo. Jednak po ich zebraniu niewiele się dzieje, a ważne spostrzeżenia, ukryte w dostępnych informacjach, zostają utracone. Ponadto często brak budżetu i personelu niezbędnego do realizacji tego zadania. Jednak ci, którzy pokonali te przeszkody i skoncentrowali się na danologii przemysłowej (Industrial Data Science) wkrótce uzyskają dostęp do nowych informacji. Przekształcają oni swoje środowisko produkcyjne w doskonały zbiór danych.

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

W kolejnym etapie dane są gromadzone przez dłuższy czas w celu uzyskania reprezentatywnego obrazu działania maszyny i procesu. W zależności od celu projektu, potok danych zawiera następujące przedziały:
  • 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.
Niezbędne modele uczenia maszynowego mogą być rozwijane i zatwierdzane wraz z innymi etapami przetwarzania danych. Jeśli walidacja zakończy się powodzeniem, w oparciu o opisany potok danych można opracować aplikację, którą będzie można z łatwością wdrożyć i używać. 

Etap 3: Ocena

Aplikacja jest używana w środowisku produkcyjnym, oceniane są skuteczność i wyniki biznesowe. Jeśli skuteczność nie spełnia oczekiwań, należy powtórzyć poprzednie etapy projektu.

Etap 4: Serwisowanie i utrzymanie

Procesy produkcyjne i działanie maszyny również mogą się nieustannie zmieniać, na przykład z powodu wprowadzania aktualizacji lub zużycia eksploatacyjnego. W związku z tym konieczne jest regularne ponowne zatwierdzanie rozwiązania, aby mieć pewność, że jest dostosowane do rzeczywistych parametrów procesu i działa z odpowiednią skutecznością. Ponadto ilość dostępnych danych rośnie i często można opracować lepsze modele. W związku z tym istniejące modele (uczenie maszynowe) muszą być regularnie poddawane przeglądowi.

Przykład praktyczny: linia SMT

Rozwiązanie oparte na danych nie zawsze musi obejmować modne modele uczenia maszynowego lub sztuczną inteligencję. Czasami skuteczne przetwarzanie danych oraz dostarczanie właściwych informacji we właściwym czasie i we właściwy sposób może być wystarczające. Przykład takiego projektu danologicznego można znaleźć w aktualnym oficjalnym raporcie „Data Science Services by Omron – How to get the full value from your factory floor data (Usługi danologiczne firmy Omron – jak w pełni wykorzystać dane pozyskane z zakładu przemysłowego)”, który można pobrać bezpłatnie. Projekt został zrealizowany w zakładzie Omron Manufacturing of Netherlands (OMN) na liniach do montażu powierzchniowego (SMT), gdzie komponenty elektroniczne są montowane i lutowane na płytkach drukowanych (PCB).

Tylko najczęściej używane rozwiązania w pełni rozwijają swój potencjał

Rozwijanie potencjału wielkich zbiorów danych (Big Data) we własnym środowisku produkcyjnym nie jest łatwe, ale warto przyjąć taki cel. Nie wystarczy tylko zebrać dane i stworzyć kilka wykresów. Ważne jest odfiltrowanie z danych informacji istotnych dla produkcji i przedstawienie ich właściwym odbiorcom we właściwy sposób. Kluczem jest przekształcenie danych w użyteczne informacje. Wymaga to ścisłej współpracy naukowców i ekspertów specjalizujących się w procesach produkcyjnych. Dopiero wtedy będzie można opracować powszechnie i często używane rozwiązanie, które przyniesie długoterminowe korzyści.
Więcej informacji na temat pełnego wykorzystania danych przemysłowych zawiera najnowszy oficjalny raport firmy Omron:

Skontaktuj się ze specjalistami firmy Omron

Czy masz jakieś pytania lub chcesz uzyskać indywidualną poradę? Skontaktuj się z jednym z naszych specjalistów.
  • Omron Europe

    Omron Europe