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.Il est important de s'assurer que tous les travaux analytiques sont correctement examinés pour éviter de tirer des conclusions trompeuses. Considérez cette hypothèse : vous travaillez pour une entreprise développant et fabriquant des dispositifs médicaux. La pandémie de COVID-19 a créé une pénurie mondiale de respirateurs. Depuis que votre entreprise a récemment mis en œuvre une stratégie majeure de transformation numérique pour répondre aux normes de l'Industrie 4.0, vous êtes en mesure de prédire les pannes de fonctionnement dans les chaînes d'assemblage alternatives, de fournir une surveillance en ligne des processus de brasage à la vague et de recueillir des statistiques ciblées sur les défauts d'assemblage à partir de robots d'inspection visuelle automatisés.
La flexibilité acquise par cette transformation numérique a permis la conversion rapide des lignes de production de l'entreprise pour fabriquer les ventilateurs mécaniques indispensables. Un élément majeur de cette transformation est l’application de l’analyse, puisque la flexibilité décrite ci-dessus nécessite des capacités analytiques de haut niveau. Continuez à lire pour obtenir des informations supplémentaires et une liste de contrôle pour examiner les rapports basés sur des analyses.
L’Industrie 4.0, ce qu’on appelle la quatrième révolution industrielle, repose sur trois éléments fondamentaux :
- Technologie de capteurs capable de mesurer de manière approfondie les produits et les processus en ligne.
- Des capacités de fabrication flexibles – telles que l’impression 3D – qui peuvent produire efficacement des lots de différentes tailles.
- Des analyses qui alimentent le moteur industriel avec la capacité de surveiller, diagnostiquer, prédire et optimiser les décisions.
L’intégration des données constitue un défi analytique important, car les capteurs peuvent collecter des données selon des cycles de temps différents. La déformation temporelle dynamique (DTW) ou d’autres techniques peuvent être le meilleur moyen d’obtenir une vue globale.
Très probablement, tout travail analytique effectué dans l'industrie signifie que les données ont été collectées de manière active ou passive et que des modèles ont été développés avec des méthodes empiriques, des principes premiers ou des modèles hybrides. Le cycle industriel offre des opportunités à court terme pour essayer de nouveaux produits ou de nouvelles configurations de processus et, sur la base des résultats, déterminer les actions de suivi. Mais il est important de s’assurer que tous les travaux analytiques sont correctement examinés pour éviter de tirer des conclusions trompeuses, qui pourraient s’avérer très coûteuses et/ou prendre beaucoup de temps. Par exemple, un fabricant de batteries au lithium a découvert qu’il disposait d’un équipement de test non calibré évaluant les produits en fin de gamme. L'entreprise a pu éviter un rappel majeur en utilisant les cartes de contrôle de l'usine pour identifier précisément les lots problématiques. Pour éviter d'expédier des produits immatures ou des lots défectueux, de bonnes capacités de diagnostic sont essentielles pour identifier la cause de tout problème signalé.
Les défis analytiques spécifiques à l’ingénierie des systèmes et aux applications industrielles comprennent :
- Conception technique
- Systèmes de fabrication
- Systèmes d'aide à la décision
- Contrôle et aménagement de l'atelier
- Détection des défauts et amélioration de la qualité
- Maintenance conditionnelle
- Gestion de la relation clients et fournisseurs
- Gestion de l'énergie et des infrastructures
- Cybersécurité et sécurité
Ces défis génèrent des projets pour un meilleur suivi des produits et des processus ; concevoir de nouveaux produits et processus ou convertir des produits et processus existants ; et améliorer les produits et les processus.
Pour résoudre ces problèmes en utilisant les données, un accès approprié aux méthodes analytiques est nécessaire. Une approche pour examiner le travail analytique consiste à utiliser le cadre de qualité de l'information que j'ai présenté à Sommet découverte JMP Prague . La qualité de l'information est déterminée par l'objectif de l'analyse, les méthodes d'analyse utilisées dans l'étude, la résolution des données par rapport à l'objectif de l'étude, l'intégration des données et la communication des résultats. (Pour en savoir plus sur ce sujet, y compris sur la façon de mettre en place un atelier d'évaluation de la qualité de l'information, vous pourriez être intéressé par Le vrai travail de la science des données .)
Qualité de l'information (InfoQ), un concept que Galit Shmueli et moi avons introduit dans Qualité de l'information : le potentiel des données et des analyses pour générer des connaissances , est un cadre général pour la planification, le suivi et l'évaluation de la valeur de l'analyse des données. InfoQ est basé sur quatre composants et huit dimensions. Il est défini comme « l’utilité d’un ensemble de données particulier pour atteindre un objectif d’analyse donné en utilisant l’analyse statistique ou l’exploration de données ». InfoQ est affecté par l'objectif de l'analyse (g), les données disponibles (X), l'analyse des données mise en œuvre (f) et l'utilité de l'étude (U). Lors de l’évaluation d’un projet analytique, chacune de ces quatre composantes et les huit dimensions de la qualité de l’information doivent être examinées.
Les huit dimensions InfoQ sont :
- Résolution des données
- Structure de données
- Intégration de données
- Pertinence temporelle
- Généralisabilité
- Chronologie des données et objectif
- Opérationnalisation
- Communication
La résolution des données doit correspondre à l'objectif de l'étude, de sorte que les résultats de l'analyse doivent être fournis au bon moment au bon décideur. Par exemple, certaines analyses de traitement d'image utilisées pour évaluer la qualité d'un processus de production de papier rapide doivent produire des résultats en temps opportun afin que l'ingénieur qualité puisse agir correctement. Si un classificateur d’imagerie précis, utilisé pour identifier les problèmes de qualité cachés dans un rouleau de papier, est retardé en raison de contraintes informatiques, les informations qu’il produit seront de très mauvaise qualité.
La liste de contrôle ci-dessous peut être utilisée pour évaluer les huit dimensions de la qualité de l’information d’une étude spécifique. UN JMP un complément pour résumer l'évaluation de la qualité de l'information est disponible dans la Communauté.Des exemples d'utilisation de JMP pour générer des informations de qualité peuvent être téléchargé ici .
La liste de contrôle
Telles sont les huit questions à poser lors de l’examen d’une étude analytique après en avoir clarifié les objectifs et l’utilité.
Dimension
|
Des questions
|
Résolution des données
|
La granularité des données est-elle adéquate pour la tâche prévue ? L’incertitude de mesure a-t-elle été évaluée et jugée appropriée ?
|
Structure de données
|
Est-il possible d’utiliser des données provenant de différentes sources qui reflètent le problème en question ?
|
Intégration de données
|
Comment les données provenant de différentes sources sont-elles intégrées ? Existe-t-il des problèmes de liaison qui conduisent à la suppression d’informations cruciales ?
|
Pertinence temporelle
|
L’intervalle de temps entre la collecte des données et l’analyse est-il préoccupant ?
|
Chronologie des données et objectif
|
Les résultats de l’analyse sont-ils communiqués aux bonnes personnes en temps opportun ?
|
Généralisabilité
|
Peut-on tirer des conclusions générales au-delà de ce qui a été explicitement étudié ? Par exemple, des conclusions pouvant être appliquées à d’autres produits ou processus.
|
Opérationnalisation
|
Les variables mesurées elles-mêmes sont-elles pertinentes par rapport à l’objectif de l’étude ? Existe-t-il des recommandations d’actions formulées à partir de l’étude ?
|
Communication
|
Les résultats sont-ils correctement communiqués au public visé ?
|
Ces questions devraient aider les évaluateurs qui ont besoin d'évaluer une étude basée sur l'analyse dans les applications de l'Industrie 4.0 et au-delà. Cependant, ils ne prétendent pas être prescriptifs et devront être adaptés à des situations spécifiques.En 2020, la quatrième révolution industrielle continue de se développer dans le domaine de la fabrication avancée, combinant des données étendues de capteurs avec une fabrication flexible et des analyses avancées. Un nouvel ouvrage complet, couvrant les éléments de pointe de l'ingénierie des systèmes et de la quatrième révolution industrielle, est en cours de publication. disponible ici.
Pour plus d'informations
Apprenez-en davantage grâce à ces JMP ressources liées à l’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.Analyse de regroupement K-means de sept capteurs suivant une éventuelle déformation sous contrainte, présentée dans le webinaire ENBIS répertorié ci-dessus.
Je pense que nous obtenons un soutien appréciable pour l'analyse des données en communiquant mieux sur l'opportunité de transformer le chaos des données souvent associé à la collecte passive de données en informations utiles, grâce à l'intégration des connaissances en la matière, de la gestion des données et de l'analyse des données.
