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 ist wichtig, sicherzustellen, dass alle Analysearbeiten ordnungsgemäß überprüft werden, um irreführende Schlussfolgerungen zu vermeiden. Stellen Sie sich Folgendes hypothetisch vor: Sie arbeiten für ein Unternehmen, das medizinische Geräte entwickelt und herstellt. Die COVID-19-Pandemie führte zu einem weltweiten Mangel an Beatmungsgeräten. Da Ihr Unternehmen kürzlich eine umfassende digitale Transformationsstrategie zur Erfüllung der Industrie 4.0-Standards umgesetzt hat, sind Sie in der Lage, Betriebsausfälle in alternativen Montagelinien vorherzusagen, Wellenlötprozesse online zu überwachen und mithilfe automatischer visueller Inspektionsroboter gezielte Statistiken zu Montagefehlern zu 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 Analysen, da die oben beschriebene Flexibilität hochgradige Analysefähigkeiten erfordert. Lesen Sie weiter, um weitere Hintergrundinformationen und eine Checkliste für die Überprüfung analysebasierter Berichte zu erhalten.
Industrie 4.0, die sogenannte vierte industrielle Revolution, basiert auf drei Grundelementen:
- Sensorik, die Produkte und Prozesse online umfangreich vermessen kann.
- Flexible Fertigungsmöglichkeiten – wie zum Beispiel 3D-Druck –, mit denen Chargen unterschiedlicher Größe effizient hergestellt werden können.
- Analysen, die den Industriemotor mit der Fähigkeit versorgen, Entscheidungen zu überwachen, zu diagnostizieren, vorherzusagen und zu optimieren.
Eine große analytische Herausforderung ist die Datenintegration, da Sensoren Daten in unterschiedlichen Zeitzyklen sammeln können. Dynamic Time Warping (DTW) oder andere Techniken sind möglicherweise der beste Weg, um eine ganzheitliche Sicht zu erhalten.
Höchstwahrscheinlich bedeutet jede in der Industrie durchgeführte Analysearbeit, dass die Daten aktiv oder passiv gesammelt wurden und dass Modelle mit empirischen Methoden, Grundprinzipien oder Hybridmodellen entwickelt wurden. Der Industriezyklus bietet kurzfristige 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 irreführende Schlussfolgerungen zu vermeiden, die sehr kostspielig und/oder zeitaufwändig sein könnten. Beispielsweise stellte ein Hersteller von Lithiumbatterien fest, dass er über nicht kalibrierte Testgeräte zur Bewertung von Endprodukten verfügte. Das Unternehmen konnte einen größeren Rückruf vermeiden, indem es mithilfe der Kontrollkarten des Werks die problematischen Chargen genau identifizierte. Um den Versand unausgereifter Produkte oder fehlerhafter Chargen zu vermeiden, sind gute Diagnosemöglichkeiten zur Ermittlung der Ursache gemeldeter Probleme von entscheidender Bedeutung.
Zu den spezifischen analytischen Herausforderungen in der Systemtechnik und in industriellen Anwendungen gehören:
- Ingenieur-Design
- Fertigungssysteme
- Entscheidungsunterstützungssysteme
- Kontrolle und Layout der Werkstatt
- Fehlererkennung und Qualitätsverbesserung
- Zustandsorientierte Wartung
- Kunden- und Lieferantenbeziehungsmanagement
- Energie- und Infrastrukturmanagement
- Cybersicherheit und Sicherheit
Diese Herausforderungen führen zu Projekten zur besseren Überwachung von Produkten und Prozessen. Entwurf neuer oder Umstellung bestehender Produkte und Prozesse; und Verbesserung von Produkten und Prozessen.
Um diese Probleme mithilfe von Daten anzugehen, ist ein angemessener Zugriff auf Analysemethoden erforderlich. Ein Ansatz zur Überprüfung analytischer Arbeiten besteht darin, das Informationsqualitäts-Framework zu verwenden, das ich unter 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 Wissensgenerierung 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 „der Nutzen eines bestimmten Datensatzes zur Erreichung 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 Analyseprojekts müssen jede dieser vier Komponenten und die acht Informationsqualitätsdimensionen untersucht werden.
Die acht InfoQ-Dimensionen sind:
- Datenauflösung
- Datenstruktur
- Datenintegration
- Zeitliche Relevanz
- Generalisierbarkeit
- Chronologie von Daten und Ziel
- Operationalisierung
- Kommunikation
Die Datenauflösung muss mit dem Studienziel übereinstimmen, 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 Qualitätsingenieur richtig handeln kann. Wenn ein präziser Bildklassifizierer, der zur Identifizierung 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 zur Bewertung der acht Informationsqualitätsdimensionen einer bestimmten Studie verwendet werden. A JMP Add-in zur Zusammenfassung der Informationsqualitätsbewertung ist in der Community verfügbar.Beispiele für die Verwendung von JMP zur Generierung von Informationsqualität können sein hier heruntergeladen .
Die Checkliste
Dies sind die acht Fragen, die Sie bei der Überprüfung einer analytischen Studie stellen sollten, nachdem Sie deren Ziele und 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 unterschiedlichen Quellen zu nutzen, die das jeweilige 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 Zeitspanne zwischen Datenerhebung und -analyse Anlass zur Sorge?
|
Chronologie von Daten und Ziel
|
Werden die Analyseergebnisse rechtzeitig den richtigen Personen mitgeteilt?
|
Generalisierbarkeit
|
Können allgemeine Schlussfolgerungen abgeleitet werden, die über das explizit untersuchte hinausgehen? Zum Beispiel Schlussfolgerungen, die auf andere Produkte oder Prozesse angewendet werden können.
|
Operationalisierung
|
Sind die Messgrößen selbst für das Studienziel relevant? Gibt es aus der Studie abgeleitete Handlungsempfehlungen?
|
Kommunikation
|
Werden die Ergebnisse ordnungsgemäß an die Zielgruppe kommuniziert?
|
Diese Fragen sollen den Prüfern helfen, die eine analysebasierte Studie in Industrie 4.0-Anwendungen und darüber hinaus bewerten müssen. Sie sind jedoch nicht als Vorschriften gedacht und müssen an bestimmte Situationen angepasst werden.Im Jahr 2020 wächst die vierte industrielle Revolution weiter in der fortschrittlichen Fertigung und kombiniert umfangreiche Sensordaten mit flexibler Fertigung und fortschrittlicher Analytik. Ein neues umfassendes Buch, das modernste Elemente der Systemtechnik und der Vierten Industriellen Revolution abdeckt, ist hier verfügbar.
Für mehr Informationen
Erfahren Sie hier mehr JMP Ressourcen rund um Industrie 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-Means-Clustering-Analyse von sieben Sensoren, die mögliche Verformungen unter Belastung verfolgen, gezeigt im oben aufgeführten ENBIS-Webinar.
Ich denke, dass wir die Datenanalyse erheblich unterstützen, wenn 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.
