첨단 제조에서 강력한 분석으로 의사결정 강화하기

첨단 제조는 어렵고 복잡한 노력입니다. 그리고 소비자 취향과 트렌드가 신제품에 대한 욕구를 가속화하고 기존 제품의 수명 주기를 단축시킴에 따라, 오늘날 제조업체는 빅데이터에 의존하여 올바른 제품을 올바른 시기에 관리, 예측, 추구해야 합니다. PwC의 한 연구에 따르면 제조업체의 92%가 의사결정이 매우 데이터 주도적이거나 어느 정도 데이터 주도적이라고 생각합니다.

빅데이터를 올바른 통찰에 도달하기 위해 관리해야 할 하나의 거대한 실체로 생각하기 쉽습니다. 하지만 기업의 성숙도 수준과 관리자 및 이해관계자가 배포할 수 있는 소프트웨어 유형에 따라 사용할 수 있는 다양한 유형의 데이터가 있습니다. 우리는 이를 제조 분석 여정이라고 부르며, 4가지 유형의 데이터 분석이 포함됩니다.

제조업체가 분석 역량에서 성숙해짐에 따라 기술적 분석에서 처방적 분석으로 이동합니다.

제조 데이터 분석의 4가지 유형

• 기술적 분석(Descriptive Analytics) – 기술적 분석은 사용자에게 무엇이 일어났는지를 알려줍니다. 공장 또는 회사 전체의 과거 데이터를 사용하여 패턴, 연관성, 관계를 찾는 데이터 처리 유형입니다. 데이터 집계와 데이터 마이닝을 사용하여 데이터를 조직화하여 과거 행동에 대한 깊은 통찰을 산출합니다.

이 정보는 제품 전략 개발에 도움이 되는 가치를 산출할 수 있으며, 사용자가 시간이 지남에 따라 트렌드를 이해하는 데 도움이 되는 방식으로도 적용될 수 있습니다. 품질, 재무, 수익 같은 광범위한 범주에 적용될 수 있습니다. 하지만 기술적 분석은 뒤돌아보는 성격으로 제한됩니다. 유용한 패턴과 트렌드가 나타나 의사결정에 정보를 제공할 수 있지만, 현재와 미래 발생에 대한 적용에는 제한이 있습니다. 고도로 데이터 주도적인 기업에서는 추가 유형의 데이터 분석도 사용됩니다.

• 진단적 분석(Diagnostic Analytics) – 기술적 분석이 무엇이 일어났는지를 설명한다면, 진단적 분석은 왜 일어났는지를 설명합니다. 머신이나 제품 그룹이 특정 방식으로 행동했다는 이해를 바탕으로, 진단적 분석은 왜 그런지 결정하는 데 도움을 줍니다. 진단적 분석은 드릴다운, 고급 필터링, 데이터 마이닝 같은 기법을 사용하여 원인을 설명하는 상관관계를 찾습니다. 이 분석 유형은 특정 문제에 대한 통찰을 수집하고 이를 피하는 방법에 대한 신뢰할 수 있는 예측을 개발하는 데 유용합니다.

진단 분석의 가치에 대한 한 예는 알림이 유효한지 판단하는 것입니다. 오늘날의 연결된 공장은 센서와 에지 디바이스의 큰 배열에서 수집된 엄청난 양의 데이터를 생성하기 때문에, 진단 분석은 알림을 자격 검증하고 분류하여 인간 운영자가 이를 이해하고 행동할 수 있게 합니다. 그리고 센서의 큰 배열에서 오는 데이터 양으로 머신러닝을 사용하여 왜 무언가 일어났는지 정확하게 설명하는 모델을 개발할 수 있으며, 이는 정확한 의사결정을 가능하게 합니다.

• 예측적 분석(Predictive Analytics) – 예측적 분석은 무엇이 가장 일어날 가능성이 있는지를 설명하는 데 사용됩니다. 기술적 및 진단적 분석에서 수집된 결과를 사용하여 예측 분석은 예측에 가치가 있습니다. 아직 발생하지 않은 데이터를 예측하기 위해 이 데이터를 사용합니다. 통계 모델링, 데이터 마이닝, 머신러닝을 사용하여 예측 분석은 다음과 같은 다양한 기법을 사용합니다:

• 세분화(Segmentation): 유사성을 기반으로 그룹화.
• 연관(Association): 공동 발생 빈도 식별 및 특정 변수 세트 상호작용 후 발생할 것을 결정하는 규칙 생성.
• 상관관계(Correlation): 요소 속성 간 관계 식별.
• 예측(Forecasting): 미래 값과 발생 도출.

• 처방적 분석(Prescriptive Analytics) – 다른 세 유형의 분석에서 얻은 분석을 사용하여, 처방적 분석은 머신러닝, 고급 알고리즘, 정의된 비즈니스 규칙을 사용하여 어떤 행동이 취해질지를 처방합니다. 또한 그 행동의 예상 결과도 보여줄 수 있습니다. 이는 기업의 목표에 따라 하나 이상의 가능한 결과를 결정할 수 있는 옵션 범위와 정확성 수준으로 의사결정권자에게 권한을 부여합니다. 결정이 단순히 내려지는 것이 아니라 이러한 결정에 기반하여 시스템이 자동으로 적응하는 제조의 미래는 처방적 분석에 의해 주도됩니다.

데이터는 MachineMetrics가 우리가 하는 일을 잘하게 만드는 요소입니다. 그리고 MachineMetrics에서 데이터의 목표는 다양한 머신러닝 알고리즘과 심층 분석을 강화하여 OEE와 제조 효율성 이득을 통해 가치를 주도하는 실시간, 실행 가능한 플랫폼을 구축하는 것입니다. 고정 HMI와 휴대용 기기를 통해 시각화를 허용하는 맞춤형 대시보드와 결합되어, 이러한 분석의 힘을 기반으로 운영자와 효율을 주도하는 의사결정을 내릴 수 있습니다.

현장에서 더 큰 효율성을 주도하기 위해 분석을 수집하고 사용하는 관행에 대한 심층 리소스

연결된 제조 환경에서 분석 사용하기

의사결정 전략은 기업이 성숙함에 따라 변합니다. 그리고 사용되는 분석 유형도 변합니다. 고도로 데이터 주도적이지 않은 기업의 경우, 분석 초점의 79%가 기술적 및 진단적 분석만으로 구성됩니다. 스펙트럼의 다른 끝에는 예측적 및 처방적 분석이 분석 활용의 54%를 차지하는 고도로 데이터 주도적인 기업이 있습니다. MachineMetrics는 고객이 심층 분석의 이점을 실현하고 고유한 운영에 고유하게 적용할 수 있도록 돕습니다.

"어느 정도 데이터 주도적" 및 "고도로 데이터 주도적" 조직 모두에서 산업용 IoT의 도래는 첨단 제조 기술을 사용하는 사람들이 최상의 결과를 위해 올바른 분석 조합에 집중할 수 있게 하는 디바이스와 소프트웨어를 활용할 수 있음을 의미합니다. 산업용 IoT 기술과 소프트웨어는 분석 소프트웨어 내에서 사용하기 위해 데이터를 표준화하여 다양한 장비 유형 간 상호 운용성 수준을 제공합니다. MachineMetrics 고객들은 이를 경험하고 ERP 시스템, 스케줄링 및 계획 도구, OEE 소프트웨어 같은 다른 솔루션과 통합하는 데 사용했습니다.

장비에 배포된 센서와 에지 디바이스 없이는 방대한 양의 데이터 수집이 불가능할 것입니다. MachineMetrics를 통해 고객은 이 데이터를 실시간으로 활용하여 분석 프로그램 내에서 데이터의 가장 정확한 반복을 가능하게 합니다. 그리고 배포된 센서와 에지 디바이스로 지연 시간을 제거하여 가능한 한 즉각적인 정보에 가깝게 만들 수 있습니다.

IIoT 디바이스로 수집된 방대한 양의 데이터를 고려할 때, 원시 데이터는 분석 없이는 거의 의미가 없습니다. 그 이유는 인간이 데이터를 의미 있는 결정으로 처리할 수 없기 때문입니다. 그러나 사용되는 분석 유형 너머에는 결과를 시각화하여 그 결정을 내리는 능력이 있습니다. 오늘날의 IIoT 기술은 분석 결과를 시각화된 형식으로 이동하는 능력을 제공합니다. 대화형 대시보드, 맞춤형 화면, 태블릿과 전화기 같은 최적화된 휴대용 기기는 운영자, 기술자, 관리자가 자신의 머신과 플랜트의 시각적 표현을 볼 수 있게 합니다.

데이터 수집은 정확한 자산 모니터링, 실시간 상태 모니터링, 실시간 생산 통계, 활용도 보고를 가능하게 합니다. 이는 맞춤형 운영자 대시보드와 적절한 알림으로 시각적으로 제공될 수 있습니다. 이는 가동 중단 시간과 품질 성과를 정확하게 모니터링하고 설정 및 교체를 위한 실행 가능한 영역을 제공합니다. 더 나아가 데이터 분석은 수집되는 데이터에 대한 더 큰 통찰을 주도하여 트렌드 식별, 인과 관계 규명, 생산 병목 현상 설명, 심지어 예지 보전 프로그램 시작에 도움을 줄 수 있습니다.

위의 데이터 분석 유형을 사용하여 제조업체는 기존 회사 소프트웨어와 통합하여 성과를 개선하면서 플랜트 현장에서 기업 사무실까지 전사적으로 최적화된 의사결정을 주도하는 실시간 정보를 제공할 수 있습니다.