Inteligentna produkcja oraz technologie związane z Przemysłowym Internetem Rzeczy (IIoT) mogą wykorzystywać dane zbierane oraz przetwarzane w czasie rzeczywistym do optymalizacji procesów i redukcji kosztów w zakładach produkcyjnych.
We współczesnym, ulegającym ciągłej transformacji cyfrowej świecie przemysłu produkcyjnego, inteligentna produkcja i technologie oparte na Przemysłowym Internecie Rzeczy (IIoT) stworzyły firmom produkcyjnym nowe możliwości poprawy swojej efektywności biznesowej oraz zwiększenia możliwości procesów operacyjnych. Technologia IIoT umożliwia maszynom wzajemne komunikowanie się ze sobą (M2M) oraz zbieranie i udostępnianie wielkich ilości danych. Producenci muszą przechwytywać te dane, przetwarzać je na praktyczne informacje, a następnie na ich podstawie lokalizować główne przyczyny występujących sytuacji (np. zbliżających się lub występujących awarii). Następnie producenci mogą wykorzystać te dane, zbierane i przetwarzane w czasie rzeczywistym, do optymalizacji swoich procesów i redukcji kosztów.
Takie są fakty
Wiele firm produkcyjnych interpretuje zbierane dane na różne sposoby, co sprawia, że znalezienie wspólnego języka staje się niemal niemożliwe. Firmy muszą znaleźć jeden zbiór danych opartych na faktach. W tym celu należy myśleć o danych w kategoriach szeregów czasowych oraz o danych ustrukturyzowanych i nieustrukturyzowanych. To może brzmieć jak lekkie uproszczenie, ale jest dobrym punktem startowym dla efektywnej organizacji przechwytywania i interpretacji zdarzeń. Następnie producenci mogą zacząć analizować te informacje i wykorzystywać je w praktyce.
Co prawda niektóre osoby mogą pomyśleć, że do analizy danych potrzebni są specjaliści ? badacze danych (data scientist), jednak zamiast tego warto wziąć pod uwagę wykorzystanie odpowiedniego intuicyjnego oprogramowania analitycznego. W świecie inteligentnej produkcji tego typu debata naprawdę nie ma znaczenia, ponieważ mogą wystąpić sytuacje, gdy potrzebne jest jedno z tych rozwiązań lub obydwa. Znaczenie natomiast ma to, że należy analizować dane w celu odnajdowania podstawowych przyczyn sytuacji występujących w zakładzie.
Dlaczego należy analizować dane? Na pewno dlatego, aby znaleźć główne przyczyny sytuacji występujących w zakładach, ale dlaczego jeszcze? Istnieją cztery podstawowe elementy, które pomagają opisać różne typy informacji, których potrzebują producenci:
Element opisowy
Najpierw należy uzyskać na podstawie zbieranych danych informacje opisowe. ?Co się wydarzyło?? Dane te dostarczają informacji o podstawowych faktach oraz opisy: ?Co, kiedy i gdzie się wydarzyło i kto tam był??. Ten pierwszy poziom jest zwykle łatwy, gdy użytkownik zna jedną wersję faktów.
Element diagnostyczny
W drugiej kolejności należy dokonać ekstrakcji informacji diagnostycznych z zebranych danych. Dlaczego to się wydarzyło? Tu właśnie sprawa zaczyna się komplikować. ?Czy to jest przyczyna; a może jest jakiś inny, główny powód tej przyczyny?? To podejście wymaga zadania pytania: ?dlaczego?? i ponownie: ?dlaczego?? wiele razy. Dzięki takiemu podejściu, polegającemu na swoistym drążeniu tematu, dane zaczynają dawać odpowiedzi na pytania ?Co się wydarzyło?? i ?Dlaczego się to wydarzyło??.
Element przewidujący
Następnie należy uzyskać z zebranych danych informacje pozwalające przewidywać to, co się wydarzy w przyszłości (predictive information). ?Co się wydarzy?? ?Jeśli wszystko pozostanie tak samo oraz wszystko nadal będzie biegło w obecnym kierunku, to co zdarzy się potem?? Dane tego typu są trudniejsze do uzyskania, ale jednocześnie zaczynają być wartościowe. Informacje przewidujące przyszłość mówią użytkownikowi, co się prawdopodobnie wydarzy, kiedy i dlaczego.
Element preskryptywny
Czwartym i ostatnim elementem jest analiza preskryptywna, czyli dostarczanie informacji na temat tego, co musi się wydarzyć, i zalecających wykonanie niezbędnych działań (prescriptive information). Jest to najtrudniejszy rodzaj analizy danych, jednak także najbardziej wartościowy. Dane powinny dostarczać użytkownikowi informacje na temat tego, jakie działania powinien podjąć, aby zapobiec wystąpieniu awarii lub pomóc w zapewnieniu, że sprzęt będzie działał prawidłowo. Dane te mogą także pomóc w znalezieniu sposobów na optymalizację i ulepszanie procesów.
Dane czasu rzeczywistego
Poza wykorzystaniem do podstawowej analizy, dane są zasobem strategicznym i mogą być wartościowe jako wyróżnik na rynku. Niektóre osoby nie zdają sobie sprawy z wartości tych danych, dopóki nie zostaną one wykorzystane do dokonania znacznych zmian w procesach produkcyjnych. Producenci mogą stworzyć na podstawie tych zbieranych przez siebie danych nowe źródła dochodów. Mogą strategicznie wykorzystywać inteligentną produkcję i tworzyć nowe modele biznesowe oraz wartości dla klientów. Inne korzyści i ulepszenia to:
? lepsza jakość produktów,
? zmniejszone koszty, mniejsza ilość poprawek/przeróbek,
? mniejsze marnotrawstwo i zużycie energii,
? większa powtarzalność produkcji,
? nowe możliwości i większa produkcja,
? możliwość proaktywnego przygotowywania się na przyszłe wymagania klientów lub przepisów.
Aby podjąć te decyzje strategiczne, należy przeanalizować trzy inne aspekty uczynienia danych wartościowymi:
Szybkość zbierania i przetwarzania oraz możliwość praktycznego wykorzystania danych
Dane muszą być zbierane i przetwarzane szybko, aby uzyskać z nich praktyczne i użyteczne informacje, które można wykorzystać do podjęcia działań. Aby dane były wartościowe, muszą być zbierane i przetwarzane w czasie rzeczywistym. Im starsze są dane, tym mniej wartościowe w sytuacjach, gdy to, co dzieje się na hali fabrycznej, zaczyna się zmieniać dokładnie teraz. Przekazywanie właściwych danych właściwej osobie we właściwym czasie, w czasie rzeczywistym, jest koncepcją dającą bardzo dużo możliwości firmie produkcyjnej. Wspiera ono procesy podejmowania decyzji i umożliwia ludziom wykorzystywanie umiejętności rozwiązywania problemów do dokonywania znacznych ulepszeń operacyjnych.
Właściwe odniesienie danych
Ludzie muszą wiedzieć, co oznaczają zbierane dane i co im mówią, tak aby na ich podstawie mogli wykonywać mające znaczenie działania. Dane muszą być powiązane z wykonywanym zadaniem oraz posiadać kontekst pod względem tego, co ma być wykonane teraz. Nawet jeśli dane są ważne, to nadal muszą odnosić się do tego, co się dzieje, i do występujących w czasie rzeczywistym problemów, które ludzie starają się rozwiązać.
Inteligencja danych
Dane muszą być inteligentne i prowadzić do zdobywania wiedzy, a w efekcie do mądrości. Dane muszą być inteligentne niezależnie od tego, czy w ich akwizycji i/lub przetwarzaniu wykorzystywana jest jakakolwiek sztuczna inteligencja (AI). Muszą stworzyć znaczenie na podstawie kontekstu oraz innych powiązanych danych, które odnoszą się do powstałego problemu. Zasadniczo dane muszą pomagać w uczynieniu ludzi bardziej inteligentnymi ? nie tylko w chwili rozwiązywania problemu ? ale także przez dłuższy czas. W ten sposób dane, wiedza i mądrość kumulują się w czasie.
W obecnej erze wielkiej ilości różnorodnych i zmiennych w czasie danych (Big Data) nie należy przegapić możliwości uzyskania prawdziwej wartości ze zbieranych danych. Nie należy ich tylko analizować i podejmować decyzje na temat tego, co trzeba poprawić o pół procent. Należy myśleć o podejmowaniu głównych decyzji na podstawie tych danych. Być może uczynienie takiej poprawki o pół procent było właściwe w swoim czasie, jednak dane należy wykorzystywać na większą skalę, w celu podejmowania decyzji na temat strategii biznesu, produkcji i technologii.
Należy pozwolić, aby dane pomagały w podejmowaniu decyzji na temat tego, w jakim kierunku podążać na rynku, jak lepiej obsługiwać klientów, jak radzić sobie z konkurencją, jak wykorzystywać okazje i tak dalej. Inteligentna produkcja to taka, w której dane czasu rzeczywistego mogą optymalizować procesy oraz wpływać na zyski firmy produkcyjnej.
John Clemons jest dyrektorem ds. technologii informatycznej w produkcji przemysłowej w firmie Maverick Technologies.
