Drive manufacturing operational efficiency and performance

Melhore a saída, a qualidade e a sustentabilidade com análises avançadas

Para o setor de manufatura, o uso de dados para melhorar a eficiência e o desempenho operacional é particularmente relevante, pois o caso de uso pode ser aplicado a qualquer tipo de sistema de produção de manufatura, como infraestrutura de controle numérico computadorizado, cadeia de suprimentos e sistemas de depósito, logística e teste sistemas e assim por diante.

Embora os fabricantes tradicionalmente se concentrem em métricas históricas descritivas e de diagnóstico, agora eles estão começando a usar análises avançadas, machine learning e ciência de dados para avaliar melhorias de desempenho e desenvolver recomendações proativas, preditivas e prescritivas.

Esse caso de uso é focado na arquitetura de plataforma de dados necessária para ingerir, armazenar, gerenciar e obter informações dos dados produzidos por sistemas de execução de manufatura (MESs), sistemas de gerenciamento de armazéns (WHMSs), sistemas de gerenciamento de manutenção computadorizados (CMMSs) e sistemas de manutenção para medir a eficiência operacional de equipamentos, linhas e plantas, bem como métricas de desempenho.

Ao ingerir, adaptar e analisar dados sobre processos e desempenho de produção, os fabricantes podem identificar e eliminar gargalos e ineficiências para otimizar cronogramas de produção e aumentar a saída. Aplicando a mesma abordagem aos dados sobre a qualidade dos produtos, os fabricantes podem identificar padrões e as principais causas dos defeitos, ajudando-os a implementar medidas de controle de qualidade mais eficazes. Além disso, ao incluir dados sobre o consumo de energia, os fabricantes podem identificar áreas em que podem impulsionar a eficiência energética para reduzir custos e melhorar a sustentabilidade.

Otimize a manutenção preditiva e reduza custos com uma plataforma de dados abrangente

A arquitetura apresentada aqui demonstra como podemos combinar os componentes recomendados da Oracle para criar uma arquitetura de análise completa que abrange todo o ciclo de vida da análise de dados, desde a descoberta até a ação e a medição, e oferece a ampla variedade de benefícios descritos acima.

Esta imagem mostra como a Oracle Data Platform para manufatura pode ser usada para apoiar a eficiência e o desempenho operacionais. A plataforma inclui os seguintes cinco pilares:

1. 1. Fontes de dados, Descoberta
2. 2. Ingestão, Transformação
3. 3. Persistência, Curadoria, Criação
4. 4. Análise, Aprendizado, Predição
5. 5. Medição, Ação

O pilar Fontes de Dados, Descoberta inclui três categorias de dados.

1. 1. Os dados do Aplicativo Oracle incluem dados do Fusion SaaS, Oracle E-Business Suite, CX
2. 2. CRM de Registros de Negócios (Dados Primários), Transações, Informações da Conta, Receita e Margem
3. 3. Dados de Terceiros incluem Taxas Forex, Feeds de Mercado e Preços de Commodities

O pilar Ingestão, Transformação abrange quatro recursos.

1. 1. A ingestão em lote usa OCI Data Integration, Oracle Data Integrator e ferramentas de banco de dados.
2. 2. A transferência em massa usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.
3. 3. A captura de dados de alteração usa o OCI GoldenGate.
4. 4. A ingestão de streaming usa o OCI Streaming e Kafka Connect.

Todos os quatro recursos se conectam unidirecionalmente ao armazenamento de dados de serviço e ao armazenamento em nuvem no pilar Persistência, Curadoria, Criação.

Além disso, a ingestão de streaming está conectada ao processamento de stream no pilar Análise, Aprendizado, Previsão.

O pilar Persistência, Curadoria, Criação abrange cinco recursos.

1. 1. O armazenamento de dados de serviço usa o Autonomous Data Warehouse e o Exadata Cloud Service.
2. 2. O armazenamento em nuvem usa OCI Object Storage.
3. 3. O Hadoop gerenciado usa Oracle Big Data Service
4. 4. O processamento em lote usa OCI Data Flow.
5. 5. A governança usa OCI Data Catalog.

Esses recursos estão conectados no pilar. O armazenamento em nuvem é conectado unidirecionalmente ao armazenamento de dados de serviço; ele também é conectado bidirecionalmente ao processamento em lote.

Dois recursos se conectam ao pilar Análise, Aprendizado, Previsão. O armazenamento de dados de serviço se conecta ao recurso de análise e visualização e também ao recurso de produtos de dados e APIs. O armazenamento em nuvem se conecta ao recurso de machine learning.

O pilar Análise, Aprendizado, Predição abrange dois recursos.

1. 1. Análise e visualização usam Oracle Analytics Cloud, GraphStudio e ISVs.
2. 2. O machine learning usa o Oracle Machine Learning.

O pilar Medida, Ação captura como a análise de dados pode ser usada: por pessoas e parceiros.

Pessoas e Parceiros incluem Eficiência Operacional (Tempos de processamento, Taxas de erro, Utilização de recursos), Identificação de Gargalos de Processo, Valor da Vida Útil do Cliente, Análise de Mercado e Competitiva, Atribuição de Desempenho.

Os três pilares centrais—Ingestão, Transformação; Persistência, Curadoria, Criação; e Análise, Aprendizado, Previsão — têm suporte de infraestrutura, rede, segurança e IAM.

Conecte, ingira e transforme dados

Nossa solução é composta por três pilares, cada um suportando recursos específicos da plataforma de dados. O primeiro pilar fornece a capacidade de conectar, ingerir e transformar dados.

Há quatro maneiras principais de injetar dados em uma arquitetura para permitir que organizações de serviços financeiros melhorem a eficiência e o desempenho operacional.

• Para iniciar nosso processo, habilitaremos a transferência em massa de dados de transações operacionais. Os serviços de transferência em massa são usados em situações em que grandes volumes de dados precisam ser movidos para a Oracle Cloud Infrastructure (OCI) pela primeira vez, por exemplo, dados de repositórios analíticos on-premises existentes ou outras fontes de nuvem. O serviço específico de transferência em massa que a Oracle usará dependerá da localização dos dados e da frequência da transferência. Por exemplo, poderemos usar o OCI Data Transfer Service ou o OCI Data Transfer Appliance para carregar um grande volume de dados on-premises do planejamento histórico ou de repositórios de data warehouse. Quando grandes volumes de dados devem ser movidos continuamente, recomendamos o uso do OCI FastConnect, que fornece uma conexão de rede privada dedicada de alta largura de banda entre o data center de um cliente e a OCI.
• Extrações frequentes em tempo real ou quase são normalmente necessárias, e os dados são ingeridos regularmente a partir de sistemas de gerenciamento de armazém, agendamento e gerenciamento de pedidos usando o OCI GoldenGate. O OCI GoldenGate usa a captura de alteração de dados para detectar eventos de alteração na estrutura subjacente dos sistemas que precisam de manutenção (por exemplo, a adição de um novo componente, operações de manutenção concluídas, alterações no clima e assim por diante) e envia os dados em tempo real para uma camada de persistência e/ou de streaming.
• Para empresas de manufatura, a análise de dados em tempo real de várias fontes pode ajudar a fornecer informações valiosas sobre sua eficiência operacional e desempenho geral. Neste caso de uso, usamos ingestão de streaming para ingerir todos os dados lidos de sensores por meio de IoT, comunicações M2M e outros meios. A capacidade de capturar e analisar fluxos de dados em tempo real é fundamental para um fabricante realizar manutenção preditiva em seus ativos. Os fluxos podem se originar de vários sistemas ISA-95 Nível 2, como sistemas de Controle de Supervisão e Aquisição de Dados (SCADA), controles lógicos programáveis e sistemas de automação em lote. Os dados (eventos) serão ingeridos e algumas transformações/agregações básicas ocorrerão antes de serem armazenados no OCI Object Storage. Análises de streaming adicionais podem ser usadas para identificar eventos correlacionados e quaisquer padrões identificados podem voltar (manualmente) para uma verificação dos dados dos dados brutos utilizando o OCI Data Science.
• Para analisar esses dados de streaming de alta frequência em tempo real, usaremos o processamento de streaming para fornecer análises avançadas. Enquanto as ferramentas de análise tradicionais extraem informações de dados em repouso, a análise de streaming avalia o valor dos dados em trânsito, ou seja, em tempo real. E esse não é o único benefício. Como a análise de streaming pode ser altamente automatizada, ela pode ajudar os fabricantes a reduzir os custos operacionais. Por exemplo, a análise de streaming pode fornecer dados em tempo real sobre custos básicos de serviços públicos, como eletricidade e água. As fábricas podem então usar uma ferramenta automatizada de análise de streaming para acessar informações instantâneas sobre áreas que podem ser otimizadas para reduzir os custos de energia e responder adequadamente a determinados eventos operacionais usando inteligência artificial. A análise de streaming também pode fazer previsões em tempo real sobre os próximos requisitos de manutenção de equipamentos, ajudando as empresas a se prepararem com antecedência para quaisquer reparos futuros ou manutenção de rotina.
• Embora as necessidades em tempo real estejam evoluindo, a extração mais comum dos sistemas de ERP, planejamento, gerenciamento de armazéns e gerenciamento de transporte é algum tipo de ingestão em lote usando um processo ETL. A ingestão em lote é usada para importar dados de sistemas que não suportam streaming de dados (por exemplo, SCADA mais antigo ou sistemas de gerenciamento de manutenção). Essas extrações podem ser ingeridas com frequência, a cada 10 ou 15 minutos, mas ainda são de natureza 'em lote', pois grupos de transações são extraídos e processados, em vez de transações individuais. A OCI oferece diferentes serviços para lidar com a ingestão em lote, como o serviço OCI Data Integration nativo e o Oracle Data Integrator em execução em uma instância do OCI Compute. A escolha do serviço seria baseada principalmente na preferência do cliente e não nos requisitos técnicos.

Persista, processe e trate os dados

A persistência e o processamento de dados são baseados em três (opcionalmente quatro) componentes. Alguns clientes usarão todos eles, outros, um subconjunto. Dependendo dos volumes e tipos de dados, os dados podem ser carregados no armazenamento de objetos ou carregados diretamente em um banco de dados relacional estruturado para armazenamento persistente. Quando antecipamos a aplicação de recursos de ciência de dados, os dados recuperados de fontes em sua forma bruta (como um arquivo ou extrato nativo não processado) são normalmente capturados e carregados de sistemas transacionais para o armazenamento na nuvem.

• O armazenamento na nuvem é a camada de persistência de dados mais comum para nossa plataforma. Pode ser usado para dados estruturados e não estruturados. OCI Object Storage, OCI Data Flow e Oracle Autonomous Data Warehouse são os blocos fundamentais. Os dados recuperados de fontes em seu formato bruto são capturados e carregados no OCI Object Storage. O OCI Object Storage é a camada primária de persistência de dados e o Spark no OCI Data Flow é o principal mecanismo de processamento em lote. O processamento em lote envolve várias atividades, incluindo tratamento básico de ruído, gerenciamento de dados ausentes e filtragem com base em conjuntos de dados de saída definidos. Os resultados são gravados em várias camadas de armazenamento de objetos ou em um repositório relacional persistente com base no processamento necessário e nos tipos de dados usados.
• O uso do Oracle Big Data Service para Hadoop (Hadoop gerenciado) é uma alternativa à configuração do OCI Object Storage e do OCI Data Flow. As duas configurações também podem ser potencialmente usadas em conjunto, dependendo do cliente e se eles têm um investimento no ecossistema do Hadoop, seja de uma perspectiva de produto ou habilidade. Os clientes que já estão usando o armazenamento de objetos no Hadoop (em vez do Hadoop Distributed File System) podem fazer a transição dessa configuração para o Oracle Big Data Service. Outros componentes do ambiente do Hadoop, como o Hive, também podem entrar em ação e impulsionar o uso do Big Data Service, dependendo de quais ferramentas de visualização e ciência de dados o cliente usa ou pretende usar. Embora essa arquitetura descreva todos os serviços fornecidos pela Oracle, os clientes podem optar por continuar usando alguns de seus componentes existentes, especialmente as ferramentas de visualização e ciência de dados que já possuem.
• Agora usaremos um armazenamento de dados de serviço para manter nossos dados selecionados de forma otimizada para o desempenho da consulta. O armazenamento de dados de serviço fornece uma camada relacional persistente usada para proporcionar dados selecionados de alta qualidade diretamente aos usuários finais por meio de ferramentas baseadas em SQL. Nessa solução, o Oracle Autonomous Data Warehouse é instanciado como o armazenamento de dados de serviço para o data warehouse corporativo e, se necessário, data marts de nível de domínio mais especializados. Também pode ser a fonte de dados para projetos de ciência de dados ou o repositório necessário para o Oracle Machine Learning. O armazenamento de dados de serviço pode assumir uma de várias formas, incluindo Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service ou Oracle Exadata Cloud@Customer.

Analise dados, preveja e aja

A capacidade de analisar, prever e agir é facilitada por três abordagens tecnológicas.

• Os recursos de análise avançada são essenciais para a otimização e o desempenho da manutenção. Nesse caso de uso, contamos com a Oracle Analytics Cloud para fornecer análises e visualizações. Isso permite que a organização use análise descritiva (descreve as tendências atuais com histogramas e gráficos), análise preditiva (prevê eventos futuros, identifica tendências e determina a probabilidade de resultados incertos) e análise prescritiva (propõe ações adequadas para apoiar a tomada de decisão ideal).
• Além da análise avançada, cada vez mais a ciência de dados, o machine learning e a inteligência artificial são usados para procurar anomalias, prever onde podem ocorrer falhas e otimizar o processo de fornecimento. OCI Data Science, OCI AI Services ou Oracle Machine Learning podem ser usados nos bancos de dados. Usamos métodos de machine learning e ciência de dados para construir e treinar nossos modelos de manutenção preditiva. Esses modelos de machine learning podem ser implementados para pontuação por meio de APIs ou incorporados como parte do pipeline de análise de fluxo do OCI GoldenGate. Em alguns casos, esses modelos podem até ser implementados no banco de dados usando a API REST do Oracle Machine Learning Services (para isso, o modelo precisa estar no formato Open Neural Network Exchange). Além disso, o OCI Data Science para notebooks centrados em Jupyter/Python ou Oracle Machine Learning para notebook Zeppelin e algoritmos de machine learning podem ser implementados no armazenamento de dados transacionais ou de serviço. Da mesma forma, Oracle Machine Learning e o OCI Data Science, sozinhos ou combinados, podem desenvolver modelos de recomendação/decisão. Esses modelos podem ser implementados como um serviço e podemos instalá-los por trás do OCI API Gateway para serem entregues como “produtos de dados” e serviços. Por fim, uma vez construídos, os modelos de machine learning podem ser implementados em aplicações que fazem parte de um sistema de controle distribuído (se permitido) ou na borda por meio de um Oracle Roving Edge Device ou similar.

Os vários modelos criados pela combinação da ciência de dados com os padrões identificados pelo machine learning podem ser aplicados a sistemas de resposta e decisão fornecidos por serviços de IA.

• O OCI Anomaly Detection pode ajudar a monitorar as métricas de desempenho da cadeia de suprimentos (por exemplo, estoque de matéria-prima, produção, trabalho em andamento, tempos de trânsito, rotatividade de estoque e assim por diante) em tempo real para identificar e resolver interrupções. Em uma cadeia de suprimentos complexa, a pontuação de gravidade das anomalias identificadas pode ajudar a priorizar as interrupções de negócios observadas para ação.
• O OCI Forecasting pode ajudar a prever as métricas da cadeia de suprimentos, como demanda, suprimento e capacidade de recursos, para que ações apropriadas possam ser tomadas para se preparar com antecedência.
• OCI Vision e OCI Language podem ajudar a entender documentos, como relatórios de qualidade e de defeitos de produtos, para enriquecer os dados da cadeia de suprimentos.

O componente final, porém crítico, é a governança de dados. Isso será fornecido pelo OCI Data Catalog, um serviço gratuito que facilita governança de dados e gerenciamento de metadados (para metadados técnicos e comerciais) para todas as fontes de dados no ecossistema da plataforma de dados. O OCI Data Catalog também é um componente crítico para consultas do Oracle Autonomous Data Warehouse ao OCI Object Storage, pois fornece uma maneira de localizar dados rapidamente, independentemente de seu método de armazenamento. Isso permite que usuários finais, desenvolvedores e cientistas de dados usem uma linguagem de acesso comum (SQL) em todos os armazenamentos de dados persistentes na arquitetura.

Os benefícios de usar dados para melhorar a eficiência operacional e o desempenho

À medida que a velocidade dos negócios (e o nível de concorrência) aumentam, os sistemas legados usados para fornecer dados operacionais críticos não conseguem acompanhar. Esses sistemas precisam de muita intervenção manual para reunir, integrar e criar relatórios com base em dados fragmentados e em silos, o que significa que as informações chegam tarde demais para dar à empresa a vantagem de que ela precisa.

Usar os recursos de produção da melhor forma é de fundamental importância para otimizar as operações de manufatura. Cada minuto gasto produzindo os produtos errados ou produzindo os produtos certos de forma ineficiente não apenas aumenta os custos e o desperdício, mas também impede você de entregar o que seus clientes precisam. A otimização de operações e a melhoria do desempenho podem trazer inúmeros benefícios para os fabricantes, incluindo:

• Maior eficiência, reduzindo o tempo e os custos de produção, aumentando a produção e melhorando a produtividade
• Menos defeitos, melhorando a qualidade do produto e aumentando a satisfação do cliente
• A rápida identificação dos riscos e perigos de segurança, levando a melhores práticas de segurança e a menos acidentes de trabalho
• Menos desperdício, melhorando a eficiência da cadeia de suprimentos e otimizando os níveis de estoque
• Uma melhor capacidade de competir em preço, qualidade e inovação, proporcionando às empresas uma vantagem competitiva em seus mercados
• Maior sustentabilidade através da redução de resíduos, aumento da eficiência energética e minimização do impacto ambiental dos processos de manufatura