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.重要的是要确保所有分析工作都得到正确审查，以避免得出任何误导性的结论。考虑这个假设：您在一家开发和制造医疗设备的公司工作。 COVID-19 大流行造成全球呼吸机短缺。 由于您的公司最近实施了一项重大数字化转型战略来满足工业 4.0 标准，因此您能够预测替代装配线中的运行故障，提供波峰焊工艺的在线监控，并从自动视觉检测机器人收集装配缺陷的集中统计数据。
通过这种数字化转型获得的灵活性使公司的生产线能够快速转换，以生产急需的机械呼吸机。 这一转变的一个主要要素是分析的应用，因为上述灵活性需要高水平的分析能力。 请继续阅读更多背景信息和用于审查基于分析的报告的清单。
工业 4.0，即所谓的第四次工业革命，依赖于三个基本要素：
- 可以广泛在线测量产品和过程的传感器技术。
- 灵活的制造能力（例如 3D 打印）可以高效地生产不同尺寸的批次。
- 为工业引擎提供监控、诊断、预测和优化决策能力的分析。
一项重大的分析挑战是数据集成，因为传感器可能在不同的时间周期收集数据。 动态时间扭曲 (DTW) 或其他技术可能是获得整体视图的最佳方法。
最有可能的是，工业界所做的任何分析工作都意味着数据是主动或被动收集的，并且模型是使用经验方法、第一原理或混合模型开发的。 工业周期提供了尝试新产品或新工艺设置的短期机会，并根据结果确定后续行动。 但重要的是要确保所有分析工作都得到正确审查，以避免得出任何误导性的结论，这可能会非常昂贵和/或耗时。 例如，一家锂电池制造商发现其评估终端产品的测试设备未经校准。 该公司通过使用工厂的控制图来精确识别有问题的批次，从而避免了重大召回。 为了避免运输不成熟的产品或有缺陷的批次，良好的诊断能力对于确定任何报告问题的原因至关重要。
系统工程和工业应用中的具体分析挑战包括：
- 工程设计
- 制造系统
- 决策支持系统
- 车间控制和布局
- 故障检测和质量改进
- 视情况维护
- 客户和供应商关系管理
- 能源和基础设施管理
- 网络安全和安保
这些挑战催生了更好地监控产品和流程的项目；设计新产品或改造现有产品和流程；以及改进产品和流程。
为了通过使用数据来解决这些问题，需要正确使用分析方法。 审查分析工作的一种方法是使用我在JMP 探索峰会布拉格。 信息质量取决于分析目标、研究中使用的分析方法、与研究目标相关的数据分辨率、数据集成和结果传达。 （有关此主题的更多信息，包括如何建立信息质量评估研讨会，您可能有兴趣数据科学的实际工作.)
信息质量 (InfoQ)，这是我和 Galit Shmueli 在信息质量：数据和分析生成知识的潜力，是一个用于规划、跟踪和评估数据分析价值的通用框架。 InfoQ 基于四个组件和八个维度。 它被定义为“通过采用统计分析或数据挖掘来实现给定分析目标的特定数据集的效用”。 InfoQ 受到分析目标 (g)、可用数据 (X)、实施的数据分析 (f) 和研究效用 (U) 的影响。 在评估分析项目时，必须检查这四个组成部分和八个信息质量维度中的每一个。
InfoQ 的八个维度是：
- 数据分辨率
- 数据结构
- 数据整合
- 时间相关性
- 普遍性
- 数据和目标的年表
- 操作化
- 沟通
数据分辨率需要与研究目标相匹配，因此分析结果必须在正确的时间提供给正确的决策者。 例如，一些用于评估快速运行的纸张生产过程质量的图像处理分析必须及时产生结果，以便质量工程师能够采取正确的行动。 如果用于识别隐藏在纸卷中的质量问题的精确成像分类器由于计算限制而被延迟，那么它产生的信息将具有非常低的质量。
下面的清单可用于评估特定研究的八个信息质量维度。 A联合管理计划用于总结信息质量评估的插件是在社区中可用。如何使用 JMP 生成信息质量的示例可以是在这里下载。
清单
这是在澄清目标和效用后审查分析研究时要问的八个问题。
方面
|
问题
|
数据分辨率
|
数据粒度是否足以满足预期工作？ 测量不确定度是否经过评估并认为合适？
|
数据结构
|
是否可以使用不同来源的数据来反映当前的问题？
|
数据整合
|
不同来源的数据如何整合？ 是否存在导致重要信息丢失的链接问题？
|
时间相关性
|
数据收集和分析之间的时间差距是否引起任何担忧？
|
数据和目标的年表
|
分析结果是否及时传达给合适的人员？
|
普遍性
|
是否可以得出超出明确研究范围的一般结论？ 例如，可以应用于其他产品或过程的结论。
|
操作化
|
测量变量本身与研究目标相关吗？ 该研究是否有任何明确的行动项目建议？
|
沟通
|
研究结果是否正确传达给目标受众？
|
这些问题应该对需要评估工业 4.0 应用及其他应用中基于分析的研究的审阅者有所帮助。 然而，它们并不意味着是规定性的，需要根据具体情况进行调整。2020 年，第四次工业革命在先进制造领域继续发展，将广泛的传感器数据与灵活制造和高级分析相结合。 一本新的综合性书籍涵盖了系统工程和第四次工业革命的最先进元素可以在这里找到。
了解更多信息
通过这些了解更多联合管理计划与工业4.0相关的资源：
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.对七个传感器进行 K 均值聚类分析，跟踪应力下可能的变形，如上面列出的 ENBIS 网络研讨会所示。
我认为，通过更好地传达将与被动数据收集相关的数据混乱转化为有用信息的机会，通过整合主题知识、数据管理和数据分析，我们可以获得对数据分析的显着支持。
