Aprimorando a Tomada de Decisão na Manufatura Avançada com Analytics Poderosos

A manufatura avançada é um empreendimento difícil e complexo. E como gostos e tendências dos consumidores aceleraram o desejo por novos produtos e encurtaram ciclos de vida de produtos existentes, os fabricantes de hoje devem confiar em big data para ajudá-los a gerenciar, prever e buscar os produtos certos no momento certo. Um estudo da PwC mostra que até 92% dos fabricantes consideram sua tomada de decisão como altamente orientada a dados ou um pouco orientada a dados.

É fácil pensar em big data como uma entidade gigante a ser gerenciada para chegar aos insights corretos. Mas existem diferentes tipos de dados que podem ser usados dependendo do nível de maturidade da empresa, bem como do tipo de software que gerentes e stakeholders podem implantar para melhorar a tomada de decisão no nível empresarial e de fábrica. Chamamos isso de jornada de analytics de manufatura, e ela inclui quatro tipos de analytics de dados.

À medida que fabricantes amadurecem em suas capacidades analíticas, eles passam de analytics descritivo para prescritivo.

Quatro Tipos de Analytics de Dados de Manufatura

• Analytics Descritivo – Analytics descritivo diz ao usuário o que aconteceu. É um tipo de processamento de dados que usa dados históricos de toda a fábrica ou empresa para procurar padrões, associações e relacionamentos. Usando agregação de dados e mineração de dados, os dados são organizados de uma forma que pode gerar insights profundos em ações passadas.

Esta informação pode gerar valor que ajuda a desenvolver estratégias de produto e de maneiras que ajudam usuários a entender tendências ao longo do tempo. Pode ser aplicado em categorias amplas como qualidade, finanças e receita. Mas analytics descritivo é limitado à sua natureza voltada para trás. Embora padrões e tendências úteis possam emergir que ajudem a informar a tomada de decisão, é limitado em sua aplicação a ocorrências atuais e futuras. Para empresas que são altamente orientadas a dados, tipos adicionais de analytics de dados são usados também.

• Analytics Diagnóstico – Onde analytics descritivo descreve o que aconteceu, analytics diagnóstico explica por que aconteceu. Armado com o entendimento de que uma máquina ou grupo de produto se comportou de certa forma, analytics diagnóstico ajuda a determinar o porquê. Analytics diagnóstico usa técnicas como drill-down, filtragem avançada e mineração de dados para procurar correlações para explicar o porquê. Este tipo de análise é útil para reunir insights em problemas específicos e desenvolver previsões confiáveis sobre como evitá-los.

Um exemplo do valor de análise diagnóstica está em determinar se alertas são válidos. Como fábricas conectadas de hoje geram uma enorme quantidade de dados coletados de uma grande variedade de sensores e dispositivos edge, análise diagnóstica pode qualificar alertas e categorizá-los para que operadores humanos possam entendê-los e agir. E com o volume de dados de uma grande variedade de sensores, aprendizado de máquina pode ser usado para desenvolver modelos que explicam com precisão por que algo aconteceu, o que permite tomada de decisão precisa.

• Analytics Preditivo – Analytics preditivo são usados para explicar o que é mais provável que aconteça. Usando descobertas reunidas de analytics descritivo e diagnóstico, análise preditiva é valiosa em previsão. Ela usa esses dados para prever dados que ainda não ocorreram. Usando modelagem estatística, mineração de dados e aprendizado de máquina, analytics preditivo usa uma variedade de técnicas como:

• Segmentação: Grupos baseados em similaridades.
• Associação: Identificação da frequência de ocorrências conjuntas e criação de regras que determinam o que ocorrerá após um conjunto específico de variáveis interagir.
• Correlação: Identificação de relacionamentos entre propriedades de elementos.
• Previsão: Derivação de valores e ocorrências futuras.

• Analytics Prescritivo – Usando a análise dos outros três tipos, analytics prescritivo usa aprendizado de máquina, algoritmos avançados e regras de negócios definidas para prescrever qual ação será tomada. Além disso, analytics prescritivo pode mostrar o resultado provável dessa ação também. Isso capacita tomadores de decisão com um nível de precisão, bem como uma gama de opções para determinar mais de um resultado possível baseado nas metas da empresa. O futuro da manufatura, onde decisões não são apenas tomadas mas sistemas são adaptados automaticamente baseados nestas decisões, é impulsionado por analytics prescritivo.

Dados são o que torna a MachineMetrics tão boa no que faz. E na MachineMetrics, o objetivo dos dados é capacitar uma ampla gama de algoritmos de aprendizado de máquina e análises profundas para construir uma plataforma acionável em tempo real para gerar valor através de ganhos de OEE e eficiência de manufatura. Combinado com dashboards personalizados que permitem visualização através de HMIs fixos assim como dispositivos portáteis, decisões podem ser tomadas baseadas no poder destes analytics para capacitar operadores e impulsionar eficiência.

Um recurso aprofundado sobre a prática de coletar e usar analytics para impulsionar maior eficiência no chão de fábrica

Usando Analytics em um Ambiente de Manufatura Conectado

A estratégia de tomada de decisão muda à medida que uma empresa amadurece. E o tipo de analytics usado muda também. Para empresas que não são altamente orientadas a dados, 79% do foco de seus analytics consiste apenas em descritivo e diagnóstico. No outro extremo do espectro estão empresas altamente orientadas a dados onde preditivo e prescritivo compõem 54% de sua utilização de analytics. A MachineMetrics ajuda seus clientes a realizar os benefícios de analytics profundos e ajuda a aplicá-los exclusivamente à sua operação.

Tanto para organizações "um pouco orientadas a dados" quanto "altamente orientadas a dados", a chegada da Industrial IoT significa que aqueles usando tecnologia de manufatura avançada podem utilizar dispositivos e software para focar na combinação certa de analytics para os melhores resultados. Tecnologia e software Industrial IoT fornecem um nível de interoperabilidade entre diferentes tipos de equipamentos para padronizar dados para uso dentro de software analítico. Clientes da MachineMetrics experimentaram isso e o usaram para integrar com outras soluções como sistemas ERP, ferramentas de agendamento e planejamento, e software OEE.

Sem o uso de sensores e dispositivos edge implantados em equipamentos, a coleta de vastas quantidades de dados não seria possível. Através da MachineMetrics, clientes são capazes de utilizar esses dados em tempo real, permitindo a iteração mais precisa dos dados dentro dos programas de analytics. E com sensores e dispositivos edge implantados, a latência pode ser eliminada, criando informação o mais próxima possível de instantânea.

Dadas as vastas quantidades de dados coletadas com dispositivos IIoT, dados brutos significam pouco sem os analytics. A razão para isso é que humanos não poderiam processar os dados em decisões significativas. No entanto, além do tipo de analytics utilizado está a capacidade de visualizar os resultados para tomar essas decisões. A tecnologia IIoT de hoje entrega a capacidade de mover resultados analíticos para formatos visualizados. Dashboards interativos, telas personalizadas e dispositivos portáteis otimizados como tablets e telefones permitem que operadores, técnicos e gerentes vejam uma representação visual de suas máquinas e chão de fábrica.

A coleta de dados permite monitoramento preciso de ativos, monitoramento de condição em tempo real, estatísticas de produção em tempo real e relatórios de utilização. Pode entregar isso visualmente com dashboards de operador personalizados e notificações e alertas apropriados. Isso permite monitoramento preciso de tempo de inatividade e desempenho de qualidade, bem como áreas acionáveis para configuração e troca. Indo além, analytics de dados ajuda a gerar maior insight nos dados sendo coletados, o que pode ajudar a identificar tendências, apontar relações de causa e efeito, explicar gargalos de produção e até lançar programas de manutenção preditiva.

Usando os tipos acima de analytics de dados, fabricantes podem integrar com software de empresa existente para melhorar seu desempenho enquanto entregam informação em tempo real para impulsionar tomada de decisão otimizada através da empresa, do chão de fábrica ao escritório corporativo.