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.誤解を招く結論を導き出さないように、すべての分析作業が適切にレビューされていることを確認することが重要です。次の仮説を考えてみましょう。あなたは医療機器を開発および製造する会社に勤めています。 新型コロナウイルス感染症（COVID-19）のパンデミックにより、世界的に人工呼吸器が不足しました。 貴社は最近、インダストリー 4.0 規格を満たすための大規模なデジタル変革戦略を導入したため、代替組立ラインでの動作不良を予測し、ウェーブはんだ付けプロセスのオンライン監視を提供し、自動外観検査ロボットから組立欠陥に関する集中的な統計を収集することができます。
このデジタル変革によって得られた柔軟性により、必要とされていた人工呼吸器を製造するための同社の生産ラインの迅速な転換が可能になりました。 前述の柔軟性には高レベルの分析機能が必要であるため、この変革の主要な要素は分析のアプリケーションです。 追加の背景情報と、分析ベースのレポートを確認するためのチェックリストについては、読み続けてください。
インダストリー 4.0、いわゆる第 4 次産業革命は、次の 3 つの基本要素に依存しています。
- オンラインで製品やプロセスを広範囲に測定できるセンサー技術。
- 3D プリントなどの柔軟な製造機能により、さまざまなサイズのバッチを効率的に生産できます。
- 意思決定を監視、診断、予測、最適化する機能を備えた産業用エンジンを強化する分析。
センサーはさまざまな時間サイクルでデータを収集する可能性があるため、分析上の重要な課題の 1 つはデータ統合です。 動的タイムワーピング (DTW) またはその他の技術は、全体的なビューを取得する最良の方法である可能性があります。
おそらく、業界で行われる分析作業は、データが能動的または受動的に収集され、経験的手法、第一原理、またはハイブリッド モデルを使用してモデルが開発されたことを意味します。 産業サイクルは、新製品や新しいプロセス設定を試し、その結果に基づいて後続のアクションを決定する短期的な機会を提供します。 ただし、誤解を招く結論を導き出すことを避けるために、すべての分析作業が適切にレビューされていることを確認することが重要です。これには非常にコストや時間がかかる可能性があります。 たとえば、あるリチウム電池メーカーは、最終製品を評価するテスト装置が校正されていないことを発見しました。 同社は、工場の管理図を使用して問題のあるバッチを正確に特定することで、大規模なリコールを回避することができました。 未熟な製品や欠陥のあるバッチの出荷を回避するには、報告された問題の原因を特定する優れた診断機能が不可欠です。
システム エンジニアリングおよび産業アプリケーションにおける特定の分析の課題には、次のようなものがあります。
- 工学的設計
- 製造システム
- 意思決定支援システム
- 製造現場の管理とレイアウト
- 故障検出と品質向上
- 状態に応じたメンテナンス
- 顧客とサプライヤーの関係管理
- エネルギーとインフラ管理
- サイバーセキュリティとセキュリティ
これらの課題により、製品とプロセスをより適切に監視するためのプロジェクトが生まれます。新しい製品やプロセスを設計したり、既存の製品やプロセスを変換したりする。製品とプロセスを改善します。
データを使用してこれらの問題に対処するには、分析手法に適切にアクセスする必要があります。 分析作業をレビューするための 1 つのアプローチは、私が 2016 年に発表した情報品質フレームワークを使用することです。 JMP ディスカバリー サミット プラハ。 情報の品質は、分析の目標、研究で使用される分析方法、研究目標に対するデータの解像度、データの統合、および結果の伝達によって決まります。 (情報品質評価ワークショップの設定方法など、このトピックの詳細については、次のリンクを参照してください。データサイエンスの本当の仕事。）
情報品質 (InfoQ)、ガリット・シュムエリと私が で導入した概念情報品質: 知識を生み出すデータと分析の可能性は、データ分析の価値を計画、追跡、評価するための一般的なフレームワークです。 InfoQ は 4 つのコンポーネントと 8 つの次元に基づいています。 これは、「統計分析またはデータマイニングを使用して、特定の分析目標を達成するための特定のデータセットの有用性」と定義されます。 InfoQ は、分析目標 (g)、利用可能なデータ (X)、実装されたデータ分析 (f)、および研究ユーティリティ (U) の影響を受けます。 分析プロジェクトを評価する際には、これら 4 つのコンポーネントと 8 つの情報品質の側面をそれぞれ検討する必要があります。
InfoQ の 8 つのディメンションは次のとおりです。
- データ解像度
- データ構造
- データ統合
- 時間的な関連性
- 一般化可能性
- データと目標の年表
- 運用化
- コミュニケーション
データの解決は研究の目標と一致する必要があるため、分析の結果は適切なタイミングで適切な意思決定者に提供される必要があります。 たとえば、高速で実行される製紙プロセスの品質を評価するために使用される一部の画像処理分析では、品質エンジニアが適切に対応できるようにタイムリーな結果を生成する必要があります。 ロール紙に隠れた品質問題を特定するために使用される正確な画像分類器が、計算上の制約により遅延すると、生成される情報の品質は非常に低くなります。
以下のチェックリストは、特定の調査の 8 つの情報品質の側面を評価するために使用できます。 あJMP情報品質評価を要約するためのアドインは、コミュニティで利用可能です。JMP を使用して情報品質を生成する方法の例は次のとおりです。ここからダウンロードされました。
チェックリスト
これらは、目標と有用性を明確にした後で分析研究をレビューするときに尋ねるべき 8 つの質問です。
寸法
|
質問
|
データ解像度
|
データの粒度は意図したジョブにとって適切ですか? 測定の不確かさは評価され、適切であると判断されましたか?
|
データ構造
|
当面の問題を反映するために、さまざまなソースからのデータを使用することは可能ですか?
|
データ統合
|
さまざまなソースからのデータはどのように統合されますか? 重要な情報の欠落につながるリンクの問題はありますか?
|
時間的な関連性
|
データ収集と分析の間に時間差があることに懸念はありますか?
|
データと目標の年表
|
分析結果は適切な担当者にタイムリーに伝えられていますか?
|
一般化可能性
|
明示的に研究されたものを超えて一般的な結論を導き出すことはできますか? たとえば、他の製品やプロセスに適用できる結論などです。
|
運用化
|
測定された変数自体は研究目標に関連していますか? 研究から得られたアクションアイテムの推奨事項は記載されていますか?
|
コミュニケーション
|
調査結果は対象読者に適切に伝えられていますか?
|
これらの質問は、インダストリー 4.0 以降のアプリケーションにおける分析ベースの研究を評価する必要があるレビュー担当者に役立つはずです。 ただし、これらは規範的なものではなく、特定の状況に適応する必要があります。2020 年、第 4 次産業革命は、広範なセンサー データと柔軟な製造および高度な分析を組み合わせた、高度な製造分野で成長を続けています。 システム エンジニアリングと第 4 次産業革命の最先端の要素を網羅した新しい包括的な本は、ここで入手可能です。
詳細については
これらを通じてさらに詳しく学ぶJMPインダストリー 4.0 に関連するリソース:
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.応力下で起こり得る変形を追跡する 7 つのセンサーの K 平均クラスタリング分析。上記の EBIS ウェビナーで示されています。
主題の知識、データ管理、データ分析の統合を通じて、受動的なデータ収集に伴うデータの混乱を有益な情報に変える機会をより適切に伝えることで、データ分析に対するかなりのサポートが得られると思います。
