It’s important to make sure all analytic work is reviewed properly to avoid deriving any misleading conclusions.It’s important to make sure all analytic work is reviewed properly to avoid deriving any misleading conclusions.It’s important to make sure all analytic work is reviewed properly to avoid deriving any misleading conclusions.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 venga esaminato 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 dell'Industria 4.0, sei in grado di prevedere guasti operativi in linee di assemblaggio alternative, fornire monitoraggio online dei processi di saldatura a onda e raccogliere statistiche mirate sui difetti di assemblaggio da robot automatizzati di ispezione visiva.
La flessibilità acquisita da questa trasformazione digitale ha consentito 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.
L’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. Il time warping dinamico (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 configurazioni di processo e, sulla base dei risultati, determinare azioni di follow-up. Ma è importante assicurarsi che tutto il lavoro analitico venga esaminato adeguatamente 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 disporre di apparecchiature di prova non calibrate per la valutazione dei prodotti di fine linea. L'azienda è riuscita a evitare un richiamo importante utilizzando le carte di controllo dell'impianto per identificare con precisione i lotti problematici. Per evitare di spedire 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 dell'area di produzione
- 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 protezione
Queste sfide generano progetti per un migliore monitoraggio di prodotti e processi; progettare nuovi o convertire prodotti e processi esistenti; e migliorare 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 è utilizzare il quadro di riferimento sulla qualità dell'informazione che ho presentato JMP Discovery Summit 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 sulla valutazione della qualità delle informazioni, potresti essere interessato Il vero lavoro della scienza dei dati .)
Qualità dell'informazione (InfoQ), un concetto introdotto da me e Galit Shmueli 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 definita come “l’utilità di un particolare set di dati per raggiungere un determinato obiettivo di analisi impiegando analisi statistiche o data mining”. InfoQ è influenzato dall'obiettivo dell'analisi (g), dai dati disponibili (X), dall'analisi dei dati implementata (f) e dall'utilità dello studio (U). Nel valutare un progetto analitico occorre esaminare ciascuna di queste quattro componenti e le otto dimensioni della qualità dell'informazione.
Le otto dimensioni di InfoQ sono:
- Risoluzione dei dati
- Struttura dati
- Integrazione dei dati
- Rilevanza temporale
- Generalizzabilità
- Cronologia dei dati e obiettivo
- Operazionalizzazione
- Comunicazione
La risoluzione dei dati deve corrispondere all'obiettivo dello studio, pertanto i risultati dell'analisi devono essere forniti al momento giusto al giusto decisore. Ad esempio, alcune analisi di elaborazione delle immagini utilizzate per valutare la qualità di un rapido processo di produzione della carta devono produrre risultati tempestivi in modo che l'ingegnere della qualità possa agire correttamente. Se un preciso classificatore di immagini, utilizzato per identificare i problemi di qualità nascosti in un rotolo di carta, viene ritardato a causa di vincoli computazionali, le informazioni che produce saranno di qualità molto bassa.
La lista di controllo seguente può essere utilizzata per valutare le otto dimensioni della qualità delle informazioni di uno studio specifico. UN JMP componente aggiuntivo per riassumere la valutazione della qualità delle informazioni è disponibili 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 rivede uno studio analitico dopo averne chiariti 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 adeguata?
|
Struttura dati
|
È possibile utilizzare dati provenienti da fonti diverse che riflettono sul problema in questione?
|
Integrazione dei dati
|
Come vengono integrati i dati provenienti da fonti diverse? Ci sono problemi di collegamento che portano alla perdita di informazioni cruciali?
|
Rilevanza temporale
|
Il divario temporale tra la raccolta dei dati e l’analisi è motivo di preoccupazione?
|
Cronologia dei dati e obiettivo
|
I risultati analitici vengono comunicati tempestivamente alle persone giuste?
|
Generalizzabilità
|
È possibile trarre conclusioni generali oltre ciò che è stato esplicitamente studiato? Ad esempio, conclusioni che possono essere applicate ad altri prodotti o processi.
|
Operazionalizzazione
|
Le variabili misurate stesse sono rilevanti per l’obiettivo dello studio? Esistono raccomandazioni sulle azioni da intraprendere derivate dallo studio?
|
Comunicazione
|
I risultati vengono adeguatamente comunicati al pubblico previsto?
|
Queste domande dovrebbero aiutare i revisori che devono valutare uno studio basato sull'analisi nelle applicazioni dell'Industria 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 estesi dati provenienti da sensori con produzione flessibile e analisi avanzate. È un nuovo libro completo, che copre gli elementi più avanzati dell'ingegneria dei sistemi e della Quarta Rivoluzione Industriale disponibile qui.
Per maggiori informazioni
Scopri di più attraverso questi JMP risorse legate all’Industria 4.0:
K-means clustering analysis of seven sensors tracking possible deformation under stress, shown in the ENBIS webinar listed above.K-means clustering analysis of seven sensors tracking possible deformation under stress, shown in the ENBIS webinar listed above.K-means clustering analysis of seven sensors tracking possible deformation under stress, shown in the ENBIS webinar listed above.K-means clustering analysis of seven sensors tracking possible deformation under stress, shown in the ENBIS webinar listed above.K significa analisi di clustering di sette sensori che tracciano la possibile deformazione sotto stress, mostrata nel webinar ENBIS sopra elencato.
Penso che otterremo un notevole supporto per l’analisi dei dati comunicando meglio l’opportunità di trasformare il caos dei dati spesso associato alla raccolta passiva dei dati in informazioni utili, attraverso l’integrazione della conoscenza dell’argomento, della gestione dei dati e dell’analisi dei dati.
