It’s important to make sure all analytic work is reviewed properly to avoid deriving any misleading conclusions.Il est important de s'assurer que tous les travaux analytiques sont examinés correctement pour éviter de tirer des conclusions trompeuses. Considérez cette hypothèse : vous travaillez pour une entreprise qui développe et fabrique des dispositifs médicaux. La pandémie de COVID-19 a créé une pénurie mondiale de ventilateurs. Étant donné que votre entreprise a récemment mis en œuvre une stratégie de transformation numérique majeure pour répondre aux normes de l'industrie 4.0, vous êtes en mesure de prévoir les pannes de fonctionnement dans les chaînes de montage alternatives, de fournir une surveillance en ligne des processus de soudage à la vague et de recueillir des statistiques ciblées sur les défauts d'assemblage à partir de robots d'inspection visuelle automatisés.
La flexibilité acquise par cette transformation numérique a permis la conversion rapide des lignes de production de l'entreprise pour fabriquer les ventilateurs mécaniques indispensables. Un élément majeur de cette transformation est l'application de l'analyse, car la flexibilité décrite ci-dessus nécessite des capacités d'analyse de haut niveau. Continuez à lire pour plus d'informations et une liste de contrôle pour l'examen des rapports analytiques.
L'industrie 4.0, la soi-disant quatrième révolution industrielle, repose sur trois éléments fondamentaux :
- Technologie de capteur capable de mesurer en ligne de manière approfondie les produits et les processus.
- Des capacités de fabrication flexibles, telles que l'impression 3D, qui peuvent produire efficacement des lots de différentes tailles.
- Des analyses qui alimentent le moteur industriel avec la capacité de surveiller, de diagnostiquer, de prévoir et d'optimiser les décisions.
Un défi analytique important est l'intégration des données, car les capteurs peuvent collecter des données dans différents cycles de temps. La déformation temporelle dynamique (DTW) ou d'autres techniques peuvent être le meilleur moyen d'obtenir une vue globale.
Très probablement, tout travail analytique effectué dans l'industrie signifie que les données ont été collectées activement ou passivement et que des modèles ont été développés avec des méthodes empiriques, des principes premiers ou des modèles hybrides. Le cycle industriel offre des opportunités à court terme pour tester de nouveaux produits ou de nouvelles configurations de processus et, en fonction des résultats, déterminer les actions de suivi. Mais il est important de s'assurer que tous les travaux analytiques sont correctement examinés pour éviter de tirer des conclusions trompeuses, ce qui pourrait être très coûteux et/ou chronophage. Par exemple, un fabricant de batteries au lithium a découvert qu'il disposait d'un équipement de test non calibré évaluant les produits de fin de ligne. L'entreprise a pu éviter un rappel majeur en utilisant les cartes de contrôle de l'usine pour identifier précisément les lots problématiques. Pour éviter d'expédier des produits immatures ou des lots défectueux, de bonnes capacités de diagnostic sont essentielles pour identifier la cause de tout problème signalé.
Les défis analytiques spécifiques à l'ingénierie des systèmes et aux applications industrielles incluent :
- Conception technique
- Systèmes de fabrication
- Systèmes d'aide à la décision
- Contrôle et agencement de l'atelier
- Détection des pannes et amélioration de la qualité
- Maintenance conditionnelle
- Gestion de la relation clients et fournisseurs
- Gestion de l'énergie et des infrastructures
- Cybersécurité et sécurité
Ces enjeux génèrent des projets pour un meilleur suivi des produits et des processus ; concevoir de nouveaux produits et procédés ou convertir des produits existants ; et l'amélioration des produits et des processus.
Pour résoudre ces problèmes en utilisant des données, un accès adéquat aux méthodes analytiques est nécessaire. Une approche pour examiner le travail analytique consiste à utiliser le cadre de la qualité de l'information que j'ai présenté à Sommet découverte JMP Prague . La qualité de l'information est déterminée par l'objectif de l'analyse, les méthodes d'analyse utilisées dans l'étude, la résolution des données par rapport à l'objectif de l'étude, l'intégration des données et la communication des résultats. (Pour en savoir plus sur ce sujet, y compris sur la façon de mettre en place un atelier d'évaluation de la qualité de l'information, vous pourriez être intéressé par Le vrai travail de la science des données .)
La qualité de l'information (InfoQ), un concept que Galit Shmueli et moi avons introduit en Qualité de l'information : le potentiel des données et de l'analyse pour générer des connaissances , est un cadre général pour la planification, le suivi et l'évaluation de la valeur de l'analyse de données. InfoQ est basé sur quatre composants et huit dimensions. Il est défini comme "l'utilité d'un ensemble de données particulier pour atteindre un objectif d'analyse donné en utilisant l'analyse statistique ou l'exploration de données". InfoQ est affecté par l'objectif d'analyse (g), les données disponibles (X), l'analyse de données mise en œuvre (f) et l'utilité de l'étude (U). Lors de l'évaluation d'un projet analytique, chacune de ces quatre composantes et les huit dimensions de la qualité de l'information doivent être examinées.
Les huit dimensions InfoQ sont :
- Résolution des données
- Structure de données
- Intégration de données
- Pertinence temporelle
- Généralisabilité
- Chronologie des données et objectif
- Opérationnalisation
- Communication
La résolution des données doit correspondre à l'objectif de l'étude, de sorte que les résultats de l'analyse doivent être fournis au bon moment au bon décideur. Par exemple, certaines analyses de traitement d'image utilisées pour évaluer la qualité d'un processus de production de papier rapide doivent produire des résultats opportuns afin que l'ingénieur qualité puisse agir correctement. Si un classificateur d'imagerie précis, utilisé pour identifier les problèmes de qualité cachés dans un rouleau de papier, est retardé en raison de contraintes de calcul, les informations qu'il produit seront de très mauvaise qualité.
La liste de contrôle ci-dessous peut être utilisée pour évaluer les huit dimensions de la qualité de l'information d'une étude spécifique. UN JMP un complément pour résumer l'évaluation de la qualité de l'information est disponibles dans la Communauté.Des exemples d'utilisation de JMP pour générer des informations de qualité peuvent être téléchargé ici .
La liste de contrôle
Ce sont les huit questions à poser lors de l'examen d'une étude analytique après avoir clarifié les objectifs et l'utilité.
Dimension
|
Des questions
|
Résolution des données
|
La granularité des données est-elle adéquate pour le travail prévu ? L'incertitude de mesure a-t-elle été évaluée et jugée appropriée ?
|
Structure de données
|
Est-il possible d'utiliser des données provenant de différentes sources qui reflètent le problème en question ?
|
Intégration de données
|
Comment les données provenant de différentes sources sont-elles intégrées ? Y a-t-il des problèmes de liaison qui conduisent à la suppression d'informations cruciales ?
|
Pertinence temporelle
|
Le décalage temporel entre la collecte et l'analyse des données est-il préoccupant ?
|
Chronologie des données et objectif
|
Les résultats analytiques sont-ils communiqués aux bonnes personnes en temps opportun ?
|
Généralisabilité
|
Des conclusions générales peuvent-elles être tirées au-delà de ce qui a été explicitement étudié ? Par exemple, des conclusions applicables à d'autres produits ou procédés.
|
Opérationnalisation
|
Les variables mesurées elles-mêmes sont-elles pertinentes par rapport à l'objectif de l'étude ? Existe-t-il des recommandations d'action énoncées découlant de l'étude ?
|
Communication
|
Les résultats sont-ils correctement communiqués au public visé ?
|
Ces questions devraient aider les évaluateurs qui doivent évaluer une étude basée sur l'analyse dans les applications de l'industrie 4.0 et au-delà. Cependant, ils ne se veulent pas normatifs et devront être adaptés à des situations spécifiques.En 2020, la quatrième révolution industrielle continue de croître dans la fabrication de pointe, combinant des données de capteurs étendues avec une fabrication flexible et des analyses avancées. Un nouveau livre complet, couvrant les éléments de pointe de l'ingénierie système et la quatrième révolution industrielle, est disponible ici.
Pour plus d'informations
En savoir plus grâce à ces JMP ressources liées à l'industrie 4.0 :
K-means clustering analysis of seven sensors tracking possible deformation under stress, shown in the ENBIS webinar listed above.Analyse de clustering K-means de sept capteurs suivant une éventuelle déformation sous contrainte, illustrée dans le webinaire ENBIS mentionné ci-dessus.
Je pense que nous bénéficions d'un soutien appréciable pour l'analyse des données en communiquant mieux sur l'opportunité de transformer le chaos des données souvent associé à la collecte passive de données en informations utiles, grâce à l'intégration de la connaissance du sujet, de la gestion des données et de l'analyse des données.
