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.오해의 소지가 있는 결론을 도출하지 않으려면 모든 분석 작업을 적절하게 검토하는 것이 중요합니다. 다음과 같은 가정을 생각해 보십시오. 귀하는 의료 기기를 개발 및 제조하는 회사에서 근무하고 있습니다. 코로나19 팬데믹으로 인해 전 세계적으로 인공호흡기 부족 사태가 발생했습니다. 귀하의 회사는 최근 Industry 4.0 표준을 충족하기 위해 주요 디지털 전환 전략을 구현했기 때문에 대체 조립 라인의 작동 오류를 예측하고, 웨이브 솔더링 공정에 대한 온라인 모니터링을 제공하고, 자동화된 육안 검사 로봇에서 조립 결함에 대한 집중적인 통계를 수집할 수 있습니다.
이러한 디지털 혁신을 통해 얻은 유연성 덕분에 회사의 생산 라인을 신속하게 전환하여 꼭 필요한 기계식 인공호흡기를 만들 수 있었습니다. 위에서 설명한 유연성에는 높은 수준의 분석 기능이 필요하기 때문에 이러한 변화의 주요 요소는 분석의 적용입니다. 분석 기반 보고서 검토를 위한 추가 배경 정보와 체크리스트를 계속 읽어보세요.
소위 4차 산업혁명이라고 불리는 인더스트리 4.0은 세 가지 기본 요소에 의존합니다.
- 제품과 공정을 온라인으로 광범위하게 측정할 수 있는 센서 기술.
- 다양한 크기의 배치를 효율적으로 생산할 수 있는 3D 프린팅과 같은 유연한 제조 기능.
- 의사결정을 모니터링, 진단, 예측 및 최적화하는 기능을 통해 산업용 엔진을 강화하는 분석입니다.
센서가 서로 다른 시간 주기로 데이터를 수집할 수 있기 때문에 중요한 분석 과제 중 하나는 데이터 통합입니다. DTW(동적 시간 왜곡) 또는 기타 기술이 전체적인 관점을 얻는 가장 좋은 방법일 수 있습니다.
아마도 업계에서 수행되는 모든 분석 작업은 데이터가 적극적으로 또는 수동적으로 수집되었으며 모델이 경험적 방법, 첫 번째 원칙 또는 하이브리드 모델을 사용하여 개발되었음을 의미합니다. 산업 주기는 신제품이나 새로운 프로세스 설정을 시험해 볼 수 있는 단기적인 기회를 제공하고 그 결과에 따라 후속 조치를 결정할 수 있습니다. 그러나 모든 분석 작업을 적절하게 검토하여 오해의 소지가 있는 결론을 도출하는 것을 방지하는 것이 중요합니다. 이는 매우 비용이 많이 들고/또는 시간이 많이 소요될 수 있습니다. 예를 들어, 한 리튬 배터리 제조업체는 최종 제품을 평가하는 교정되지 않은 테스트 장비가 있음을 발견했습니다. 회사는 공장의 관리 차트를 사용하여 문제가 있는 배치를 정확하게 식별함으로써 대규모 리콜을 피할 수 있었습니다. 미성숙 제품이나 결함이 있는 배치의 배송을 방지하려면 보고된 문제의 원인을 식별하는 우수한 진단 기능이 필수적입니다.
시스템 엔지니어링 및 산업 응용 분야의 특정 분석 과제는 다음과 같습니다.
- 공학 설계
- 제조 시스템
- 의사결정 지원 시스템
- 작업 현장 제어 및 레이아웃
- 결함 감지 및 품질 개선
- 상태 기반 유지 관리
- 고객 및 공급업체 관계 관리
- 에너지 및 인프라 관리
- 사이버 보안 및 보안
이러한 과제는 제품 및 프로세스를 더 잘 모니터링하기 위한 프로젝트를 생성합니다. 새로운 제품을 설계하거나 기존 제품 및 프로세스를 변환합니다. 제품과 프로세스를 개선합니다.
데이터를 활용하여 이러한 문제를 해결하려면 분석 방법에 대한 적절한 접근이 필요합니다. 분석 작업을 검토하는 한 가지 접근 방식은 제가 제시한 정보 품질 프레임워크를 사용하는 것입니다. JMP 디스커버리 서밋 프라하 . 정보 품질은 분석 목표, 연구에 사용된 분석 방법, 연구 목표에 따른 데이터 해상도, 데이터 통합 및 결과 전달에 의해 결정됩니다. (정보 품질 평가 워크숍을 구성하는 방법을 포함하여 이 주제에 대한 자세한 내용은 다음을 참조하시기 바랍니다. 데이터 과학의 실제 작업 .)
정보 품질(InfoQ)은 Galit Shmueli와 제가 소개한 개념입니다. 정보 품질: 지식 생성을 위한 데이터 및 분석의 잠재력 는 데이터 분석의 가치를 계획, 추적 및 평가하기 위한 일반적인 프레임워크입니다. InfoQ는 4가지 구성요소와 8가지 차원을 기반으로 합니다. 이는 "통계 분석 또는 데이터 마이닝을 사용하여 주어진 분석 목표를 달성하기 위한 특정 데이터 세트의 유틸리티"로 정의됩니다. InfoQ는 분석 목표(g), 사용 가능한 데이터(X), 구현된 데이터 분석(f) 및 연구 유틸리티(U)의 영향을 받습니다. 분석 프로젝트를 평가할 때 이러한 4가지 구성 요소 각각과 8가지 정보 품질 차원을 검사해야 합니다.
InfoQ의 8가지 차원은 다음과 같습니다.
- 데이터 해상도
- 데이터 구조
- 데이터 통합
- 시간적 관련성
- 일반화 가능성
- 데이터와 목표의 연대기
- 운영화
- 의사소통
데이터 해상도는 연구 목표와 일치해야 하므로 분석 결과는 적시에 올바른 의사 결정자에게 제공되어야 합니다. 예를 들어, 빠르게 진행되는 종이 생산 프로세스의 품질을 평가하는 데 사용되는 일부 이미지 처리 분석은 품질 엔지니어가 적절하게 조치를 취할 수 있도록 적시에 결과를 생성해야 합니다. 종이 롤에 숨겨진 품질 문제를 식별하는 데 사용되는 정밀한 이미징 분류기가 계산상의 제약으로 인해 지연되면 생성되는 정보의 품질이 매우 낮아집니다.
아래 체크리스트는 특정 연구의 8가지 정보 품질 차원을 평가하는 데 사용할 수 있습니다. ㅏ JMP 정보 품질 평가를 요약하는 추가 기능은 다음과 같습니다. 커뮤니티에서 사용 가능합니다.정보 품질을 생성하기 위해 JMP를 사용하는 방법의 예는 다음과 같습니다. 여기에서 다운로드했습니다 .
체크리스트
목표와 효용을 명확히 한 후 분석 연구를 검토할 때 물어볼 8가지 질문은 다음과 같습니다.
치수
|
질문
|
데이터 해상도
|
데이터 세분성이 의도한 작업에 적합한가요? 측정 불확도가 평가되었으며 적절한 것으로 확인되었습니까?
|
데이터 구조
|
당면한 문제를 반영하는 다양한 소스의 데이터를 사용할 수 있습니까?
|
데이터 통합
|
다양한 소스의 데이터는 어떻게 통합되나요? 중요한 정보를 삭제하는 연결 문제가 있습니까?
|
시간적 관련성
|
데이터 수집과 분석 사이의 시간 차이로 인해 우려되는 부분이 있습니까?
|
데이터와 목표의 연대기
|
분석 결과가 적시에 적절한 사람에게 전달됩니까?
|
일반화 가능성
|
명시적으로 연구된 것 이상으로 일반적인 결론을 도출할 수 있습니까? 예를 들어, 다른 제품이나 프로세스에 적용될 수 있는 결론.
|
운영화
|
측정된 변수 자체가 연구 목표와 관련이 있습니까? 연구에서 도출된 명시된 조치 항목 권장 사항이 있습니까?
|
의사소통
|
조사 결과가 대상 청중에게 적절하게 전달됩니까?
|
이러한 질문은 Industry 4.0 애플리케이션 및 그 이상에 대한 분석 기반 연구를 평가해야 하는 검토자에게 도움이 될 것입니다. 그러나 이는 규정적인 것이 아니며 특정 상황에 맞게 조정해야 합니다.2020년에도 4차 산업혁명은 광범위한 센서 데이터와 유연한 제조 및 고급 분석을 결합하여 첨단 제조 분야에서 계속해서 성장하고 있습니다. 시스템 공학의 첨단 요소와 4차 산업 혁명을 다루는 새로운 종합 도서가 출간되었습니다. 여기에서 사용 가능합니다.
자세한 내용은
이를 통해 자세히 알아보세요. JMP Industry 4.0 관련 리소스:
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.위에 나열된 ENBIS 웹 세미나에 표시된 것처럼 응력 하에서 가능한 변형을 추적하는 7개 센서의 K-평균 클러스터링 분석입니다.
주제 지식, 데이터 관리 및 데이터 분석의 통합을 통해 수동적 데이터 수집과 관련된 데이터 혼란을 유용한 정보로 전환할 수 있는 기회를 더 잘 전달함으로써 데이터 분석에 대한 상당한 지원을 얻을 수 있다고 생각합니다.
