It’s important to make sure all analytic work is reviewed properly to avoid deriving any misleading conclusions.Es ist wichtig sicherzustellen, dass alle Analysearbeiten ordnungsgemäß überprüft werden, um zu vermeiden, dass irreführende Schlussfolgerungen gezogen werden. Stellen Sie sich folgende Hypothese vor: Sie arbeiten für ein Unternehmen, das medizinische Geräte entwickelt und herstellt. Die COVID-19-Pandemie hat zu einem weltweiten Mangel an Beatmungsgeräten geführt. Da Ihr Unternehmen kürzlich eine umfassende digitale Transformationsstrategie implementiert hat, um Industrie 4.0-Standards zu erfüllen, können Sie Betriebsausfälle in alternativen Montagelinien vorhersagen, Wellenlötprozesse online überwachen und gezielte Statistiken zu Montagefehlern von automatisierten visuellen Inspektionsrobotern sammeln.
Die durch diese digitale Transformation gewonnene Flexibilität ermöglichte die schnelle Umstellung der Produktionslinien des Unternehmens auf die Herstellung der dringend benötigten mechanischen Beatmungsgeräte. Ein wesentliches Element dieser Transformation ist die Anwendung von Analytics, da die oben beschriebene Flexibilität analytische Fähigkeiten auf hohem Niveau erfordert. Lesen Sie weiter, um weitere Hintergrundinformationen und eine Checkliste zum Überprüfen analysebasierter Berichte zu erhalten.
Industrie 4.0, die sogenannte vierte industrielle Revolution, beruht auf drei Grundelementen:
- Sensorik, die Produkte und Prozesse umfassend online messen kann.
- Flexible Fertigungsmöglichkeiten – wie 3D-Druck – zur effizienten Herstellung von Chargen unterschiedlicher Größe.
- Analysen, die den industriellen Motor mit der Fähigkeit antreiben, Entscheidungen zu überwachen, zu diagnostizieren, vorherzusagen und zu optimieren.
Eine bedeutende analytische Herausforderung ist die Datenintegration, da Sensoren Daten in unterschiedlichen Zeitzyklen sammeln können. Dynamisches Time Warping (DTW) oder andere Techniken sind möglicherweise der beste Weg, um eine ganzheitliche Ansicht zu erhalten.
Höchstwahrscheinlich bedeutet jede analytische Arbeit in der Industrie, dass die Daten aktiv oder passiv gesammelt wurden und dass Modelle mit empirischen Methoden, ersten Prinzipien oder hybriden Modellen entwickelt wurden. Der industrielle Kreislauf bietet kurzfristig Möglichkeiten, neue Produkte oder neue Prozessaufbauten auszuprobieren und auf Basis der Ergebnisse Folgemaßnahmen festzulegen. Es ist jedoch wichtig sicherzustellen, dass alle Analysearbeiten ordnungsgemäß überprüft werden, um zu vermeiden, dass irreführende Schlussfolgerungen gezogen werden, die sehr kostspielig und/oder zeitaufwändig sein könnten. Beispielsweise stellte ein Hersteller von Lithiumbatterien fest, dass er unkalibrierte Testgeräte zur Bewertung von Endprodukten hatte. Einen größeren Rückruf konnte das Unternehmen vermeiden, indem es die Regelkarten der Anlage nutzte, um die problematischen Chargen genau zu identifizieren. Um den Versand unreifer Produkte oder fehlerhafter Chargen zu vermeiden, sind gute Diagnosefunktionen unerlässlich, um die Ursache gemeldeter Probleme zu identifizieren.
Zu den spezifischen analytischen Herausforderungen in der Systemtechnik und in industriellen Anwendungen gehören:
- Ingenieur-Design
- Fertigungssysteme
- Entscheidungsunterstützungssysteme
- Shopfloor-Steuerung und -Layout
- Fehlererkennung und Qualitätsverbesserung
- Zustandsorientierte Wartung
- Kunden- und Lieferantenbeziehungsmanagement
- Energie- und Infrastrukturmanagement
- Cybersicherheit und Sicherheit
Diese Herausforderungen generieren Projekte zur besseren Überwachung von Produkten und Prozessen; Entwerfen neuer oder Umwandeln bestehender Produkte und Prozesse; und Verbesserung von Produkten und Prozessen.
Um diese Probleme mithilfe von Daten anzugehen, ist ein angemessener Zugang zu Analysemethoden erforderlich. Ein Ansatz zur Überprüfung analytischer Arbeit ist die Verwendung des Informationsqualitätsrahmens, den ich vorgestellt habe JMP Discovery Summit Prag . Die Informationsqualität wird durch das Ziel der Analyse, die in der Studie verwendeten Analysemethoden, die Datenauflösung im Hinblick auf das Studienziel, die Datenintegration und die Kommunikation der Ergebnisse bestimmt. (Weitere Informationen zu diesem Thema, einschließlich der Einrichtung eines Workshops zur Bewertung der Informationsqualität, könnten Sie interessieren Die wahre Arbeit der Datenwissenschaft .)
Informationsqualität (InfoQ), ein Konzept, das Galit Shmueli und ich eingeführt haben Informationsqualität: Das Potenzial von Daten und Analysen zur Generierung von Wissen , ist ein allgemeiner Rahmen für die Planung, Verfolgung und Bewertung des Werts von Datenanalysen. InfoQ basiert auf vier Komponenten und acht Dimensionen. Es ist definiert als „die Nützlichkeit eines bestimmten Datensatzes zum Erreichen eines bestimmten Analyseziels durch den Einsatz statistischer Analysen oder Data Mining“. InfoQ wird durch das Analyseziel (g), die verfügbaren Daten (X), die durchgeführte Datenanalyse (f) und den Studiennutzen (U) beeinflusst. Bei der Bewertung eines analytischen Projekts muss jede dieser vier Komponenten und die acht Dimensionen der Informationsqualität untersucht werden.
Die acht InfoQ-Dimensionen sind:
- Datenauflösung
- Datenstruktur
- Datenintegration
- Zeitliche Relevanz
- Generalisierbarkeit
- Chronologie von Daten und Ziel
- Operationalisierung
- Kommunikation
Die Datenauflösung muss dem Studienziel entsprechen, sodass die Ergebnisse der Analyse zum richtigen Zeitpunkt dem richtigen Entscheidungsträger zur Verfügung gestellt werden müssen. Beispielsweise müssen einige Bildverarbeitungsanalysen, die zur Bewertung der Qualität eines schnell laufenden Papierproduktionsprozesses verwendet werden, zeitnahe Ergebnisse liefern, damit der Qualitätstechniker richtig handeln kann. Wenn ein präziser Bildklassifizierer, der zum Identifizieren von in einer Papierrolle verborgenen Qualitätsproblemen verwendet wird, aufgrund von Rechenbeschränkungen verzögert wird, sind die von ihm erzeugten Informationen von sehr geringer Qualität.
Die folgende Checkliste kann verwendet werden, um die acht Dimensionen der Informationsqualität einer bestimmten Studie zu bewerten. EIN JMP Add-In zur Zusammenfassung der Informationsqualitätsbewertung ist in der Community erhältlich.Beispiele für die Verwendung von JMP zur Generierung qualitativ hochwertiger Informationen können sein hier heruntergeladen .
Die Checkliste
Dies sind die acht Fragen, die Sie stellen sollten, wenn Sie eine analytische Studie überprüfen, nachdem Sie die Ziele und den Nutzen geklärt haben.
Abmessungen
|
Fragen
|
Datenauflösung
|
Ist die Datengranularität für die beabsichtigte Aufgabe ausreichend? Wurde die Messunsicherheit bewertet und für angemessen befunden?
|
Datenstruktur
|
Ist es möglich, Daten aus verschiedenen Quellen zu verwenden, die das vorliegende Problem widerspiegeln?
|
Datenintegration
|
Wie werden Daten aus unterschiedlichen Quellen integriert? Gibt es Verknüpfungsprobleme, die dazu führen, dass wichtige Informationen verloren gehen?
|
Zeitliche Relevanz
|
Gibt die zeitliche Lücke zwischen Datenerhebung und Analyse Anlass zur Sorge?
|
Chronologie von Daten und Ziel
|
Werden die Analyseergebnisse rechtzeitig an die richtigen Personen kommuniziert?
|
Generalisierbarkeit
|
Lassen sich allgemeine Schlussfolgerungen über das explizit Untersuchte hinaus ableiten? Zum Beispiel Schlussfolgerungen, die auf andere Produkte oder Prozesse angewendet werden können.
|
Operationalisierung
|
Sind die Messgrößen selbst relevant für das Studienziel? Gibt es aus der Studie abgeleitete Handlungsempfehlungen?
|
Kommunikation
|
Werden die Ergebnisse dem beabsichtigten Publikum richtig mitgeteilt?
|
Diese Fragen sollen den Gutachtern helfen, die eine analysebasierte Studie in Industrie 4.0-Anwendungen und darüber hinaus bewerten müssen. Sie sind jedoch nicht als Vorschrift gedacht und müssen an spezifische Situationen angepasst werden.Im Jahr 2020 wächst die Vierte Industrielle Revolution in der fortschrittlichen Fertigung weiter und kombiniert umfangreiche Sensordaten mit flexibler Fertigung und fortschrittlicher Analytik. Ein neues umfassendes Buch, das sich mit den neuesten Elementen der Systemtechnik und der vierten industriellen Revolution befasst, ist erschienen hier verfügbar.
Für mehr Informationen
Erfahren Sie mehr durch diese JMP Ressourcen zu Industrie 4.0:
K-means clustering analysis of seven sensors tracking possible deformation under stress, shown in the ENBIS webinar listed above.K-Mean-Clustering-Analyse von sieben Sensoren, die mögliche Verformungen unter Belastung verfolgen, gezeigt im oben aufgeführten ENBIS-Webinar.
Ich denke, wir gewinnen eine spürbare Unterstützung für die Datenanalyse, indem wir die Möglichkeit besser kommunizieren, das Datenchaos, das oft mit der passiven Datenerfassung verbunden ist, durch die Integration von Fachwissen, Datenmanagement und Datenanalyse in hilfreiche Informationen umzuwandeln.
