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.Es importante asegurarse de que todo el trabajo analítico se revise adecuadamente para evitar sacar conclusiones engañosas. Considere esto hipotético: trabaja para una empresa que desarrolla y fabrica dispositivos médicos. La pandemia de COVID-19 creó una escasez mundial de ventiladores. Dado que su empresa ha implementado recientemente una importante estrategia de transformación digital para cumplir con los estándares de la Industria 4.0, puede predecir fallas operativas en líneas de ensamblaje alternativas, proporcionar monitoreo en línea de los procesos de soldadura por ola y recopilar estadísticas específicas sobre defectos de ensamblaje de robots de inspección visual automatizados.
La flexibilidad adquirida por esta transformación digital permitió la rápida conversión de las líneas de producción de la empresa para fabricar los tan necesarios ventiladores mecánicos. Un elemento importante en esta transformación es la aplicación de análisis, ya que la flexibilidad descrita anteriormente requiere capacidades analíticas de alto nivel. Continúe leyendo para obtener antecedentes adicionales y una lista de verificación para revisar informes basados en análisis.
La Industria 4.0, la llamada cuarta revolución industrial, se basa en tres elementos básicos:
- Tecnología de sensores que puede medir ampliamente productos y procesos en línea.
- Capacidades de fabricación flexibles, como la impresión 3D, que pueden producir de forma eficiente lotes de distintos tamaños.
- Análisis que impulsan el motor industrial con capacidad de monitorear, diagnosticar, predecir y optimizar decisiones.
Un desafío analítico importante es la integración de datos, ya que los sensores pueden recopilar datos en diferentes ciclos de tiempo. La deformación dinámica del tiempo (DTW) u otras técnicas pueden ser la mejor manera de obtener una visión holística.
Lo más probable es que cualquier trabajo analítico realizado en la industria signifique que los datos se han recopilado de forma activa o pasiva y que los modelos se han desarrollado con métodos empíricos, primeros principios o modelos híbridos. El ciclo industrial brinda oportunidades a corto plazo para probar nuevos productos o nuevas configuraciones de procesos y, en función de los resultados, determinar acciones de seguimiento. Pero es importante asegurarse de que todo el trabajo analítico se revise adecuadamente para evitar derivar conclusiones engañosas, lo que podría resultar muy costoso y/o consumir mucho tiempo. Por ejemplo, un fabricante de baterías de litio descubrió que tenía equipos de prueba no calibrados que evaluaban productos de final de línea. La empresa pudo evitar un retiro importante utilizando los gráficos de control de la planta para identificar con precisión los lotes problemáticos. Para evitar el envío de productos inmaduros o lotes defectuosos, una buena capacidad de diagnóstico es vital para identificar la causa de cualquier problema informado.
Los desafíos analíticos específicos en ingeniería de sistemas y aplicaciones industriales incluyen:
- Diseño de ingeniería
- Sistemas de fabricación
- Sistemas de Soporte a la Decisión
- Control y diseño del taller
- Detección de fallos y mejora de la calidad.
- Mantenimiento bajo condiciones
- Gestión de relaciones con clientes y proveedores.
- Gestión de energía e infraestructuras.
- Ciberseguridad y seguridad
Estos desafíos generan proyectos para un mejor seguimiento de productos y procesos; diseñar productos y procesos nuevos o convertir los existentes; y mejorar productos y procesos.
Para abordar estos problemas mediante el uso de datos, es necesario un acceso adecuado a métodos analíticos. Un enfoque para revisar el trabajo analítico es utilizar el marco de calidad de la información que presenté en Cumbre de Descubrimiento JMP Praga . La calidad de la información está determinada por el objetivo del análisis, los métodos de análisis utilizados en el estudio, la resolución de los datos con respecto al objetivo del estudio, la integración de los datos y la comunicación de los hallazgos. (Para obtener más información sobre este tema, incluido cómo organizar un taller de evaluación de la calidad de la información, puede que le interese El verdadero trabajo de la ciencia de datos .)
Calidad de la información (InfoQ), un concepto que Galit Shmueli y yo presentamos en Calidad de la información: el potencial de los datos y el análisis para generar conocimiento , es un marco general para planificar, rastrear y evaluar el valor del análisis de datos. InfoQ se basa en cuatro componentes y ocho dimensiones. Se define como "la utilidad de un conjunto de datos particular para lograr un objetivo de análisis determinado mediante el empleo de análisis estadístico o extracción de datos". InfoQ se ve afectado por el objetivo del análisis (g), los datos disponibles (X), el análisis de datos implementado (f) y la utilidad del estudio (U). Al evaluar un proyecto analítico, se deben examinar cada uno de estos cuatro componentes y las ocho dimensiones de la calidad de la información.
Las ocho dimensiones de InfoQ son:
- Resolución de datos
- Estructura de datos
- Integración de datos
- Relevancia temporal
- Generalizabilidad
- Cronología de datos y objetivo.
- Operacionalización
- Comunicación
La resolución de los datos debe coincidir con el objetivo del estudio, por lo que los resultados del análisis deben proporcionarse en el momento adecuado a quien toma las decisiones adecuadas. Por ejemplo, algunos análisis de procesamiento de imágenes utilizados para evaluar la calidad de un proceso de producción de papel de ejecución rápida deben producir resultados oportunos para que el ingeniero de calidad pueda actuar correctamente. Si un clasificador de imágenes preciso, utilizado para identificar problemas de calidad ocultos en un rollo de papel, se retrasa debido a limitaciones computacionales, la información que produzca será de muy baja calidad.
La siguiente lista de verificación se puede utilizar para evaluar las ocho dimensiones de calidad de la información de un estudio específico. A JMP complemento para resumir la evaluación de la calidad de la información es disponibles en la Comunidad.Se pueden encontrar ejemplos de cómo utilizar JMP para generar calidad de información. descargado aquí .
La lista de verificación
Estas son las ocho preguntas que hay que hacerse al revisar un estudio analítico después de aclarar los objetivos y la utilidad.
Dimensión
|
Preguntas
|
Resolución de datos
|
¿La granularidad de los datos es adecuada para el trabajo previsto? ¿Se ha evaluado la incertidumbre de la medición y se ha considerado apropiada?
|
Estructura de datos
|
¿Es posible utilizar datos de diferentes fuentes que reflejen el problema en cuestión?
|
Integración de datos
|
¿Cómo se integran los datos de diferentes fuentes? ¿Existen problemas de vinculación que llevan a perder información crucial?
|
Relevancia temporal
|
¿Causa alguna preocupación el intervalo de tiempo entre la recopilación y el análisis de datos?
|
Cronología de datos y objetivo.
|
¿Se comunican los resultados del análisis a las personas adecuadas de manera oportuna?
|
Generalizabilidad
|
¿Se pueden derivar conclusiones generales más allá de lo que se estudió explícitamente? Por ejemplo, conclusiones que se pueden aplicar a otros productos o procesos.
|
Operacionalización
|
¿Las variables medidas en sí mismas son relevantes para el objetivo del estudio? ¿Existen recomendaciones de elementos de acción establecidos derivadas del estudio?
|
Comunicación
|
¿Se comunican adecuadamente los hallazgos a la audiencia prevista?
|
Estas preguntas deberían ayudar a los revisores que necesitan evaluar un estudio basado en análisis en aplicaciones de la Industria 4.0 y más allá. Sin embargo, no pretenden ser prescriptivos y deberán adaptarse a situaciones específicas.En 2020, la Cuarta Revolución Industrial continúa creciendo en la fabricación avanzada, combinando datos exhaustivos de sensores con fabricación flexible y análisis avanzados. Se publica un nuevo libro completo que cubre elementos de última generación de la ingeniería de sistemas y la Cuarta Revolución Industrial. disponible aquí.
Para más información
Obtenga más información a través de estos JMP Recursos relacionados con la 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.Análisis de agrupamiento de K-medias de siete sensores que rastrean una posible deformación bajo tensión, como se muestra en el seminario web ENBIS mencionado anteriormente.
Creo que obtenemos un apoyo apreciable para el análisis de datos al comunicar mejor la oportunidad de convertir el caos de datos a menudo asociado con la recopilación pasiva de datos en información útil, mediante la integración del conocimiento de la materia, la gestión de datos y el análisis de datos.
