It’s important to make sure all analytic work is reviewed properly to avoid deriving any misleading conclusions.È importante assicurarsi che tutto il lavoro analitico sia rivisto correttamente per evitare di trarre conclusioni fuorvianti. Considera questo ipotetico: lavori per un'azienda che sviluppa e produce dispositivi medici. La pandemia di COVID-19 ha creato una carenza mondiale di ventilatori. Poiché la tua azienda ha recentemente implementato un'importante strategia di trasformazione digitale per soddisfare gli standard di Industry 4.0, sei in grado di prevedere i guasti operativi in linee di assemblaggio alternative, fornire il monitoraggio online dei processi di saldatura a onda e raccogliere statistiche mirate sui difetti di assemblaggio dai robot di ispezione visiva automatizzati.
La flessibilità acquisita da questa trasformazione digitale ha permesso la rapida conversione delle linee di produzione dell'azienda per realizzare i tanto necessari ventilatori meccanici. Un elemento importante in questa trasformazione è l'applicazione dell'analisi, poiché la flessibilità sopra descritta richiede capacità analitiche di alto livello. Continua a leggere per ulteriori informazioni e un elenco di controllo per la revisione dei report basati su analisi.
Industria 4.0, la cosiddetta quarta rivoluzione industriale, si basa su tre elementi fondamentali:
- Tecnologia dei sensori in grado di misurare ampiamente prodotti e processi online.
- Funzionalità di produzione flessibili, come la stampa 3D, in grado di produrre in modo efficiente lotti di dimensioni variabili.
- Analisi che alimentano il motore industriale con la capacità di monitorare, diagnosticare, prevedere e ottimizzare le decisioni.
Una sfida analitica significativa è l'integrazione dei dati, poiché i sensori possono raccogliere dati in cicli temporali diversi. La distorsione temporale dinamica (DTW) o altre tecniche possono essere il modo migliore per ottenere una visione olistica.
Molto probabilmente, qualsiasi lavoro analitico svolto nell'industria significa che i dati sono stati raccolti attivamente o passivamente e che i modelli sono stati sviluppati con metodi empirici, principi primi o modelli ibridi. Il ciclo industriale offre opportunità a breve termine per provare nuovi prodotti o nuove impostazioni di processo e, sulla base dei risultati, determinare azioni di follow-up. Ma è importante assicurarsi che tutto il lavoro analitico sia rivisto correttamente per evitare di trarre conclusioni fuorvianti, che potrebbero essere molto costose e/o dispendiose in termini di tempo. Ad esempio, un produttore di batterie al litio ha scoperto di avere apparecchiature di test non calibrate per valutare i prodotti di fine linea. L'azienda è stata in grado di evitare un richiamo importante utilizzando le carte di controllo dell'impianto per identificare con precisione i lotti problematici. Per evitare la spedizione di prodotti immaturi o lotti difettosi, buone capacità diagnostiche sono fondamentali per identificare la causa di eventuali problemi segnalati.
Le sfide analitiche specifiche nell'ingegneria dei sistemi e nelle applicazioni industriali includono:
- Progettazione ingegneristica
- Sistemi di produzione
- Sistema di Supporto Decisionale
- Controllo e layout in officina
- Rilevamento dei guasti e miglioramento della qualità
- Manutenzione basata sulle condizioni
- Gestione dei rapporti con clienti e fornitori
- Gestione dell'energia e delle infrastrutture
- Sicurezza informatica e sicurezza
Queste sfide generano progetti per un migliore monitoraggio di prodotti e processi; progettare nuovi o convertire prodotti e processi esistenti; e il miglioramento di prodotti e processi.
Per affrontare questi problemi utilizzando i dati, è necessario un accesso adeguato ai metodi analitici. Un approccio per rivedere il lavoro analitico consiste nell'utilizzare il quadro della qualità dell'informazione che ho presentato Vertice di scoperta del JMP a Praga . La qualità delle informazioni è determinata dall'obiettivo dell'analisi, dai metodi di analisi utilizzati nello studio, dalla risoluzione dei dati rispetto all'obiettivo dello studio, dall'integrazione dei dati e dalla comunicazione dei risultati. (Per ulteriori informazioni su questo argomento, incluso come organizzare un seminario di valutazione della qualità delle informazioni, potresti essere interessato a Il vero lavoro della scienza dei dati .)
Qualità dell'informazione (InfoQ), un concetto in cui Galit Shmueli ed io abbiamo introdotto Qualità dell'informazione: il potenziale dei dati e dell'analisi per generare conoscenza , è un quadro generale per la pianificazione, il monitoraggio e la valutazione del valore dell'analisi dei dati. InfoQ si basa su quattro componenti e otto dimensioni. È definito come "l'utilità di un particolare set di dati per raggiungere un determinato obiettivo di analisi utilizzando l'analisi statistica o il data mining". InfoQ è influenzato dall'obiettivo dell'analisi (g), dai dati disponibili (X), dall'analisi dei dati implementata (f) e dall'utilità di studio (U). Nella valutazione di un progetto analitico, ciascuna di queste quattro componenti e le otto dimensioni della qualità dell'informazione devono essere esaminate.
Le otto dimensioni di InfoQ sono:
- Risoluzione dei dati
- Struttura dati
- Integrazione dei dati
- Rilevanza temporale
- Generalizzabilità
- Cronologia dei dati e obiettivo
- Operatività
- Comunicazione
La risoluzione dei dati deve corrispondere all'obiettivo dello studio, quindi i risultati dell'analisi devono essere forniti al momento giusto al giusto decisore. Ad esempio, alcune analisi dell'elaborazione delle immagini utilizzate per valutare la qualità di un processo di produzione della carta rapido devono produrre risultati tempestivi in modo che l'ingegnere della qualità possa agire correttamente. Se un classificatore di immagini preciso, utilizzato per identificare i problemi di qualità nascosti in un rotolo di carta, viene ritardato a causa di vincoli di calcolo, le informazioni che produce saranno di qualità molto bassa.
L'elenco di controllo riportato di seguito può essere utilizzato per valutare le otto dimensioni della qualità dell'informazione di uno studio specifico. UN JMP add-in per riassumere la valutazione della qualità delle informazioni è disponibile nella Comunità.Possono essere esempi di come utilizzare JMP per generare informazioni di qualità scaricato qui .
La lista di controllo
Queste sono le otto domande da porsi quando si esamina uno studio analitico dopo aver chiarito gli obiettivi e l'utilità.
Dimensione
|
Domande
|
Risoluzione dei dati
|
La granularità dei dati è adeguata per il lavoro previsto? L'incertezza di misura è stata valutata e ritenuta appropriata?
|
Struttura dati
|
È possibile utilizzare dati provenienti da fonti diverse che riflettano il problema in questione?
|
Integrazione dei dati
|
Come vengono integrati i dati provenienti da diverse fonti? Ci sono problemi di collegamento che portano a far cadere informazioni cruciali?
|
Rilevanza temporale
|
Il divario di tempo tra la raccolta e l'analisi dei dati è fonte di preoccupazione?
|
Cronologia dei dati e obiettivo
|
I risultati analitici vengono comunicati tempestivamente alle persone giuste?
|
Generalizzabilità
|
Si possono trarre conclusioni generali al di là di quanto espressamente studiato? Ad esempio, conclusioni che possono essere applicate ad altri prodotti o processi.
|
Operatività
|
Le stesse variabili misurate sono rilevanti per l'obiettivo dello studio? Ci sono raccomandazioni di azioni dichiarate derivate dallo studio?
|
Comunicazione
|
I risultati sono comunicati correttamente al pubblico previsto?
|
Queste domande dovrebbero aiutare i revisori che hanno bisogno di valutare uno studio basato sull'analisi nelle applicazioni Industry 4.0 e oltre. Tuttavia, non intendono essere prescrittivi e dovranno essere adattati a situazioni specifiche.Nel 2020, la quarta rivoluzione industriale continua a crescere nella produzione avanzata, combinando dati di sensori estesi con produzione flessibile e analisi avanzate. Un nuovo libro completo, che copre gli elementi all'avanguardia dell'ingegneria dei sistemi e la Quarta Rivoluzione Industriale, è disponibile qui.
Per maggiori informazioni
Scopri di più attraverso questi JMP risorse relative a Industria 4.0:
K-means clustering analysis of seven sensors tracking possible deformation under stress, shown in the ENBIS webinar listed above.Analisi di clustering K-medie di sette sensori che tracciano la possibile deformazione sotto stress, mostrata nel webinar ENBIS sopra elencato.
Penso che otteniamo un supporto apprezzabile per l'analisi dei dati comunicando meglio l'opportunità di trasformare il caos dei dati spesso associato alla raccolta passiva di dati in informazioni utili, attraverso l'integrazione della conoscenza della materia, della gestione dei dati e dell'analisi dei dati.
