분석을 통해 첨단 제조의 의사 결정 개선

고급 제조는 어렵고 복잡한 작업입니다. 또한 소비자의 취향과 트렌드가 신제품에 대한 욕구를 가속화하고 기존 제품의 수명 주기를 단축함에 따라 오늘날의 제조업체는 적시에 올바른 제품을 관리, 예측 및 추구하는 데 도움이 되는 빅 데이터에 의존해야 합니다. PwC의 한 연구에 따르면 최대 92%의 제조업체가 의사 결정을 고도로 데이터 중심적이거나 다소 데이터 중심적이라고 생각합니다.

빅 데이터를 올바른 통찰력에 도달하기 위해 관리해야 하는 하나의 거대한 개체로 생각하기 쉽습니다. 그러나 관리자와 이해 관계자가 기업 및 공장 수준에서 의사 결정을 개선하기 위해 배포할 수 있는 소프트웨어 유형뿐만 아니라 회사의 성숙도 수준에 따라 사용할 수 있는 데이터 유형이 다릅니다. 이를 제조 분석 여정이라고 하며 여기에는 네 가지 유형의 데이터 분석이 포함됩니다.

제조업체는 분석 기능이 성숙해짐에 따라 기술 분석에서 처방 분석으로 이동합니다.

제조 데이터 분석의 4가지 유형

• 기술적 분석 – 설명 분석은 사용자에게 무슨 일이 일어났는지 알려줍니다. . 패턴, 연관 및 관계를 찾기 위해 공장 또는 회사 전체의 이력 데이터를 사용하는 데이터 처리 유형입니다. 데이터 집계 및 데이터 마이닝을 사용하여 데이터는 과거 작업에 대한 깊은 통찰력을 얻을 수 있는 방식으로 구성됩니다.

이 정보는 사용자가 시간 경과에 따른 추세를 이해하는 데 도움이 되는 방식으로 제품 전략을 개발하는 데 도움이 되는 가치를 제공할 수 있습니다. 품질, 재무 및 수익과 같은 광범위한 범주에 적용할 수 있습니다. 그러나 기술 분석은 과거를 바라보는 특성으로 제한됩니다. 의사 결정에 정보를 제공하는 데 유용한 패턴과 추세가 나타날 수 있지만 현재 및 미래 발생에 적용하는 데에는 제한이 있습니다. 데이터 중심 기업의 경우 추가 유형의 데이터 분석도 사용됩니다.

• 진단 분석 – 기술 분석이 발생한 상황을 설명하는 위치 , 진단 분석이 이유가 발생한 이유를 설명합니다. . 기계 또는 제품 그룹이 특정 방식으로 작동했다는 이해로 무장한 진단 분석은 그 이유를 파악하는 데 도움이 됩니다. 진단 분석은 드릴다운, 고급 필터링 및 데이터 마이닝과 같은 기술을 사용하여 그 이유를 설명하는 상관 관계를 찾습니다. 이러한 유형의 분석은 특정 문제에 대한 통찰력을 수집하고 이를 방지하는 방법에 대한 신뢰할 수 있는 예측을 개발하는 데 유용합니다.

진단 분석의 가치에 대한 한 가지 예는 경고가 유효한지 여부를 결정하는 것입니다. 오늘날의 연결된 공장은 다양한 센서와 에지 장치에서 수집한 엄청난 양의 데이터를 생성하기 때문에 진단 분석을 통해 경보를 검증하고 분류하여 작업자가 이를 이해하고 조치를 취할 수 있습니다. 그리고 다양한 센서의 데이터 볼륨을 통해 머신 러닝을 사용하여 문제가 발생한 이유를 정확하게 설명하는 모델을 개발할 수 있으므로 정확한 의사 결정이 가능합니다.

• 예측 분석 – 예측 분석은 어떤 일이 일어날 가능성이 가장 높은지를 설명하는 데 사용됩니다. . 기술 및 진단 분석에서 수집한 결과를 사용하여 예측 분석은 예측에 유용합니다. 이 데이터를 사용하여 아직 발생하지 않은 데이터를 예측합니다. 예측 분석은 통계 모델링, 데이터 마이닝 및 기계 학습을 사용하여 다음과 같은 다양한 기술을 사용합니다.

• 세그멘테이션 :유사성을 기반으로 한 그룹입니다.
• 협회 :공동 발생 빈도를 식별하고 특정 변수 집합이 상호 작용한 후 발생할 일을 결정하는 규칙을 만듭니다.
• 상관관계 :요소 속성 간의 관계 식별.
• 예측 :미래의 가치와 사건을 도출합니다.

• 처방적 분석 – 처방적 분석은 다른 세 가지 유형의 분석을 사용하여 기계 학습, 고급 알고리즘 및 정의된 비즈니스 규칙을 사용하여 취할 조치를 규정합니다. . 또한, 처방적 분석은 해당 조치의 가능한 결과도 보여줄 수 있습니다. 이를 통해 의사 결정자는 기업의 목표에 따라 둘 이상의 가능한 결과를 결정할 수 있는 정확도와 다양한 옵션을 제공합니다. 의사결정만이 아니라 이러한 결정에 따라 시스템이 자동으로 조정되는 제조의 미래는 처방적 분석에 의해 주도됩니다.

데이터는 MachineMetrics가 우리가 하는 일을 훌륭하게 만드는 이유입니다. 그리고 MachineMetrics에서 데이터의 목표는 OEE 및 제조 효율성 향상을 통해 가치를 창출하는 실시간 실행 가능한 플랫폼을 구축하기 위해 광범위한 기계 학습 알고리즘과 심층 분석을 강화하는 것입니다. 고정 HMI 및 휴대용 장치를 통해 시각화할 수 있는 맞춤형 대시보드와 결합하여 이러한 분석 기능을 기반으로 의사 결정을 내려 운영자에게 권한을 부여하고 효율성을 높일 수 있습니다.

생산 현장의 효율성을 높이기 위해 분석을 수집하고 사용하는 방법에 대한 심층 리소스

연결된 제조 환경에서 분석 사용

기업이 성숙함에 따라 의사 결정 전략이 바뀝니다. 사용되는 분석 유형도 변경되었습니다. 고도로 데이터 중심적이지 않은 회사의 경우 분석 초점의 79%는 설명 및 진단으로만 구성됩니다. 스펙트럼의 다른 쪽 끝에는 예측 및 처방 분석이 분석 활용의 54%를 차지하는 고도로 데이터 중심적인 회사가 있습니다. MachineMetrics는 고객이 심층 분석의 이점을 깨닫고 운영에 고유하게 적용하는 데 도움이 됩니다.

"다소 데이터 중심" 및 "높은 데이터 중심" 조직 모두에게 산업용 IoT의 도래는 첨단 제조 기술을 사용하는 조직이 장치와 소프트웨어를 활용하여 최상의 결과를 위한 올바른 분석 조합에 집중할 수 있음을 의미합니다. 산업용 IoT 기술 및 소프트웨어는 분석 소프트웨어 내에서 사용할 데이터를 표준화하기 위해 다양한 장비 유형 간의 상호 운용성 수준을 제공합니다. MachineMetrics의 고객은 이를 경험했으며 ERP 시스템, 일정 및 계획 도구, OEE 소프트웨어와 같은 다른 솔루션과 통합하는 데 사용했습니다.

장비에 배치된 센서와 에지 장치를 사용하지 않으면 방대한 양의 데이터를 수집할 수 없습니다. MachineMetrics를 통해 고객은 이 데이터를 실시간으로 활용할 수 있으므로 분석 프로그램 내에서 데이터를 가장 정확하게 반복할 수 있습니다. 또한 배포된 센서와 에지 장치를 사용하면 지연을 제거하여 가능한 한 즉각적인 정보에 가까운 정보를 생성할 수 있습니다.

IIoT 장치로 수집된 방대한 양의 데이터를 감안할 때 원시 데이터는 분석 없이는 의미가 없습니다. 그 이유는 인간이 데이터를 의미 있는 결정으로 처리할 수 없기 때문입니다. 그러나 활용되는 분석 유형을 넘어서는 결과를 시각화하여 이러한 결정을 내리는 기능이 있습니다. 오늘날의 IIoT 기술은 분석 결과를 시각화된 형식으로 이동하는 기능을 제공합니다. 대화형 대시보드, 맞춤형 화면, 태블릿 및 휴대폰과 같은 최적화된 핸드헬드 장치를 통해 운영자, 기술자 및 관리자는 기계 및 공장 현장의 시각적 표현을 볼 수 있습니다.

데이터 수집을 통해 정확한 자산 모니터링, 실시간 상태 모니터링, 실시간 생산 통계 및 활용도 보고가 가능합니다. 맞춤형 운영자 대시보드와 적절한 알림 및 경고를 통해 이를 시각적으로 전달할 수 있습니다. 이를 통해 가동 중지 시간 및 품질 성능은 물론 설정 및 전환을 위한 실행 가능한 영역을 정확하게 모니터링할 수 있습니다. 더 나아가 데이터 분석은 수집 중인 데이터에 대한 통찰력을 높이는 데 도움이 되며, 이를 통해 추세를 식별하고 인과 관계를 정확히 파악하고 생산 병목 현상을 설명하고 예측 유지 관리 프로그램을 시작하는 데 도움이 될 수 있습니다.

제조업체는 위의 유형의 데이터 분석을 사용하여 기존 회사 소프트웨어와 통합하여 성능을 개선하는 동시에 실시간 정보를 제공하여 공장에서 본사에 이르기까지 기업 전반에 걸쳐 최적화된 의사 결정을 내릴 수 있습니다.