Drive manufacturing operational efficiency and performance

Повышение результативности, качества и устойчивости с помощью расширенной аналитики

Для производственной отрасли использование данных для повышения операционной эффективности и производительности особенно актуально, поскольку данный вариант использования подходит для любых производственных систем, включая инфраструктуру числового программного управления, системы управления логистическими цепочками и складами, системы логистики и тестирования и т. д.

Если раньше производители традиционно ориентировались на исторические описательные и диагностические метрики, то теперь они начинают использовать передовую аналитику, машинное обучение и науку о данных для оценки повышения производительности и разработки упреждающих, прогнозирующих и предписывающих рекомендаций.

В данном примере рассматривается архитектура платформы данных, необходимая для импорта, хранения, контроля и анализа данных, поступающих от систем управления производством (MES), систем управления складом (WHMS), систем управления компьютеризированным обслуживанием (CMMS) и систем технического обслуживания. Эти данные необходимы для измерения эксплуатационной эффективности оборудования, линий и заводов, а также метрик эффективности.

Импортируя, отбирая и анализируя данные о производственных процессах и показателях, производители могут выявлять и устранять узкие места и неэффективные процессы, оптимизируя производственные графики и повышая результативность. Применяя этот же подход к данным о качестве продукции, производители могут выявлять закономерности и основные причины возникновения дефектов, что поможет им реализовать более эффективные меры по контролю качества. Кроме того, включение данных об энергопотреблении позволяет производителям выявлять области, в которых они могут повысить энергоэффективность для снижения затрат и повышения устойчивости.

Оптимизация профилактического обслуживания и снижение затрат с помощью комплексной платформы данных

Представленная здесь архитектура демонстрирует, как можно объединить рекомендуемые компоненты Oracle для построения аналитической архитектуры, охватывающей весь жизненный цикл аналитики данных — от обнаружения до оценки и принятия мер — и позволяющей обрести широкий спектр преимуществ для бизнеса, описанных выше.

На этом изображении показано, как платформу данных Oracle для производства можно использовать для поддержания операционной эффективности и производительности. Платформа включает в себя следующие пять основных компонентов:

1. 1. Источники данных, обнаружение
2. 2. Импорт, преобразование
3. 3. Сохранение, отбор, создание
4. 4. Анализ, обучение, прогнозирование
5. 5. Измерение, исполнение

Компонент «Источники данных, обнаружение» включает три категории данных.

1. 1. К данным приложений Oracle относятся данные из Fusion SaaS, Oracle E-Business Suite и CX.
2. 2. К данным бизнес-записей (данные первой стороны) относятся данные CRM, транзакции, информация о счетах, доходе и марже.
3. 3. Третьи стороны предоставляют данные о валютных курсах, рыночных котировках и ценах на товары.

Компонент «Импорт, преобразование» содержит четыре ресурса.

1. 1. Для пакетного импорта используются OCI Data Integration, Oracle Data Integrator и DB Tools.
2. 2. Массовый перенос предполагает использование OCI FastConnect, OCI Data Transfer, MFT и OCI CLI.
3. 3. Для сбора данных об изменениях используется OCI GoldenGate.
4. 4. Потоковый импорт предполагает использование OCI Streaming Kafka Connect.

Все четыре ресурса однонаправленно объединяются со служебным хранилищем данных и облачным хранилищем в рамках компонента «Сохранение, отбор, создание».

Кроме того, потоковый импорт подключается к потоковой обработке в рамках компонента «Анализ, обучение, прогнозирование».

Компонент «Сохранение, отбор, создание» содержит пять ресурсов.

1. 1. В качестве служебного хранилища данных используются Oracle Autonomous Data Warehouse и Exadata Cloud Service.
2. 2. В облачном хранилище используется OCI Object Storage.
3. 3. В управляемом Hadoop используется Oracle Big Data Service.
4. 4. Для пакетной обработки используется OCI Data Flow.
5. 5. Для управления используется OCI Data Catalog.

Эти ресурсы связаны в рамках компонента. Облачное хранилище однонаправленно подключено к служебному хранилищу данных, а также двунаправленно подключено к пакетной обработке.

Два ресурса подключаются к компоненту «Анализ, обучение, прогнозирование». Служебное хранилище данных подключается к ресурсу аналитики и визуализации, а также к ресурсу продуктов данных и API. Облачное хранилище подключается к ресурсу машинного обучения.

Компонент «Анализ, обучение, прогнозирование» содержит два ресурса.

1. 1. Для аналитики и визуализации используются Oracle Analytics Cloud, GraphStudio и независимые поставщики ПО (ISV).
2. 2. В машинном обучении используется Oracle Machine Learning.

Компонент «Измерение, исполнение» описывает, как анализ данных может использоваться людьми и партнерами.

Группа «Люди и партнеры» включает в себя операционную эффективность (время обработки, частота ошибок, использование ресурсов), выявление узких мест в процессах, пожизненную ценность клиента, анализ рынка и конкурентов, факторный анализ эффективности.

Три центральных компонента — «Импорт, преобразование», «Сохранение, отбор, создание» и «Анализ, обучение, прогнозирование» — поддерживаются инфраструктурой, сетью, средствами безопасности и продуктами IAM.

Подключение, импорт и преобразование данных

Наше решение состоит из трех компонентов, каждый из которых поддерживает определенные возможности платформы данных. Первый компонент обеспечивает возможность подключения, импорта и преобразования данных.

Существует четыре основных способа импорта данных в архитектуру, позволяющих производственным организациям повысить операционную эффективность и производительность.

• Для начала мы включим массовый перенос операционных данных транзакций. Сервисы массового переноса используются в ситуациях, когда необходимо впервые перенести большие объемы данных в Oracle Cloud Infrastructure (OCI), например данные из существующих локальных аналитических репозиториев или других облачных источников. Конкретный сервис массового переноса, который будет использоваться, зависит от местонахождения данных и частоты их переноса. Например, для загрузки больших объемов локальных данных из репозиториев архивных данных планирования или репозиториев хранилищ данных может использоваться OCI Data Transfer Service или OCI Data Transfer Appliance. Если требуется постоянно перемещать большие объемы данных, рекомендуется использовать сервис OCI FastConnect, который обеспечивает высокую пропускную способность выделенного частного сетевого соединения между центром обработки данных заказчика и OCI.
• Частые извлечения данных в реальном или близком к реальному времени, являются обычным явлением, и данные регулярно импортируются из систем управления складом, систем планирования и систем управления заказами с помощью OCI GoldenGate. OCI GoldenGate использует сбор данных об изменениях для обнаружения событий изменений в базовой структуре систем, подлежащих обслуживанию (например, такие события, как добавление нового компонента, завершенные операции техобслуживания, изменения погоды и т. д.) и в режиме реального времени отправляет эти данные на уровень персистентности и/или потоковый уровень.
• Анализ данных в реальном времени, поступающих из различных источников, может помочь производственным компаниям получить ценные сведения об операционной эффективности и общих показателях. В данном примере мы используем потоковый импорт для ввода всех данных, считываемых от датчиков с помощью Интернета вещей, межмашинного взаимодействия и других средств. Возможность сбора и анализа потоков данных в реальном времени имеет решающее значение для способности производителя осуществлять профилактическое обслуживание активов. Потоки могут поступать из нескольких систем уровня 2 ISA-95, таких как системы диспетчерского контроля и сбора данных (SCADA), программируемые логические контроллеры и системы пакетной автоматизации. Данные (события) будут импортироваться, а перед их сохранением в OCI Object Storage подвергнутся некоторым базовым преобразованиям/агрегированию. Для выявления коррелирующих событий можно использовать дополнительную потоковую аналитику, а выявленные закономерности можно передать обратно (вручную) для изучения необработанных данных с помощью OCI Data Science.
• Для анализа в реальном времени этих потоковых данных, поступающих с высокой частотой будет использоваться потоковая обработка, обеспечивающая расширенную аналитику. Если традиционные аналитические инструменты извлекают информацию из статично хранимых данных, то потоковая аналитика оценивает ценность данных динамически, т. е. в реальном времени. И это не единственное преимущество. Потоковая аналитика допускает высокую степень автоматизации и поэтому может помочь производителям снизить операционные расходы. Например, потоковая аналитика позволяет получать данные об основных коммунальных расходах, например на электроэнергию и воду, в режиме реального времени. Затем заводы и фабрики используют автоматизированные инструменты потоковой аналитики для получения мгновенных сведений об областях, которые могут быть оптимизированы, что позволит снизить энергозатраты и надлежащим образом реагировать на определенные операционные события с помощью искусственного интеллекта. Потоковая аналитика также позволяет в режиме реального времени прогнозировать потребности в техническом обслуживании оборудования, помогая компаниям заранее подготовиться к предстоящему ремонту или плановому обслуживанию.
• Несмотря на растущую потребность в обработке в реальном времени, наиболее распространенным способом извлечения данных из систем ERP, планирования, управления складом и транспортировкой является пакетный импорт с использованием процесса извлечения, преобразования и загрузки (ETL). Пакетный импорт используется для получения данных из систем, которые не поддерживают потоковый импорт (например, старые системы SCADA или системы управления обслуживанием). Такие выборки могут импортироваться часто, даже каждые 10 или 15 минут, но они все равно носят пакетный характер, поскольку извлекаются и обрабатываются группы транзакций, а не отдельные транзакции. Инфраструктура OCI предлагает различные сервисы для пакетного импорта, например собственный сервис OCI Data Integration и Oracle Data Integrator, работающий на экземпляре OCI Compute. Выбор сервиса зависит прежде всего от предпочтений клиентов, а не от технических требований.

Сохранение, обработка и отбор данных

Сохранение и обработка данных базируются на трех (иногда четырех) компонентах. Некоторые клиенты будут использовать все компоненты, другие — только часть. В зависимости от объемов и типов данные могут загружаться в объектное хранилище или непосредственно в структурированную реляционную базу данных для постоянного хранения. Если предполагается использовать возможности науки о данных, то данные, полученные из источников данных в необработанном виде (в виде необработанного исходного файла или выборки), чаще всего собираются и загружаются из транзакционных систем в облачное хранилище.

• Облачное хранилище — самый распространенный уровень персистентности данных для нашей платформы данных. Его можно использовать как для структурированных, так и для неструктурированных данных. Основными стандартными блоками являются OCI Object Storage, OCI Data Flow и Oracle Autonomous Data Warehouse. Данные, извлеченные из источников данных в необработанном формате, собираются и загружаются в OCI Object Storage. OCI Object Storage является основным уровнем персистентности данных, а Spark в OCI Data Flow — основным механизмом пакетной обработки. Пакетная обработка предполагает выполнение несколько операций, в том числе базовую обработку шумов, управление отсутствующими данными и фильтрацию на основе заданных наборов исходящих данных. Результаты записываются на различные слои объектного хранилища или в постоянный реляционный репозиторий в зависимости от требуемой обработки и используемых типов данных.
• Использование Oracle Big Data Service for Hadoop (управляемый Hadoop) является альтернативой конфигурации OCI Object Storage и OCI Data Flow. Эти две конфигурации также могут использоваться совместно в зависимости от предпочтений заказчика и существующих у него инвестиций (как в продукты, так и в навыки) в экосистему Hadoop. Заказчики, которые уже используют объектное хранилище под управлением Hadoop (а не распределенную файловую систему Hadoop), могут перенести эту конфигурацию в Oracle Big Data Service. Другие компоненты среды Hadoop, например Hive, также могут оказаться полезными и содействовать использованию Big Data Service в зависимости от того, какие средства визуализации и исследования данных использует или собирается использовать заказчик. Хотя в данной архитектуре описаны все сервисы, предоставляемые Oracle, заказчики могут продолжить использование некоторых существующих компонентов, особенно средств визуализации и исследования данных, которые уже имеются в наличии.
• Теперь мы будем использовать служебное хранилище данных для сохранения отобранных данных в форме, оптимизированной для выполнения запросов. Служебное хранилище данных представляет собой постоянный реляционный уровень, используемый для предоставления высококачественных отобранных данных непосредственно конечным пользователям с помощью инструментов на базе SQL. В этом решении Oracle Autonomous Data Warehouse создается в качестве служебного хранилища данных для корпоративного хранилища данных и, если необходимо, для более специализированных киосков данных уровня доменов. Также оно может быть источником данных для проектов исследования данных или репозиторием, необходимым для работы Oracle Machine Learning. Служебное хранилище данных может быть представлено одной из нескольких форм, включая Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service или Oracle Exadata Cloud@Customer.

Анализ данных, прогнозирование и исполнение

Способность к анализу, прогнозированию и исполнению обеспечивают три технологических подхода.

• Возможности расширенной аналитики имеют решающее значение для обслуживания и оптимизации эффективности. В этом примере мы используем Oracle Analytics Cloud для аналитики и визуализации. Сервис позволяет организациям использовать описательную аналитику (описывает текущие тренды посредством гистограмм и диаграмм), прогнозную аналитику (прогнозирует события, выявляет тренды и определяет вероятность неопределенных результатов) и предписывающую аналитику (предлагает подходящие действия, способствующие принятию оптимальных решений).
• В дополнение к передовым аналитическим методам для поиска аномалий, прогнозирования возможных поломок и оптимизации процесса выбора поставщиков все чаще используются наука о данных, машинное обучение и искусственный интеллект. В базах данных могут использоваться сервисы OCI Data Science, OCI AI Services и Oracle Machine Learning. Мы используем методы машинного обучения и науки о данных для построения и обучения прогнозирующих моделей технического обслуживания. Эти модели можно развернуть для оценки через API или встроить в конвейер потоковой аналитики OCI GoldenGate. В некоторых случаях эти модели даже можно развернуть в базе данных с помощью Oracle Machine Learning Services REST API (для этого модель должна быть представлена в формате Open Neural Network Exchange). Кроме того, в служебном хранилище данных или хранилище транзакционных данных можно развернуть OCI Data Science для блокнотов Jupyter/Python или Oracle Machine Learning для блокнотов Zeppelin и алгоритмов машинного обучения. Аналогичным образом Oracle Machine Learning и OCI Data Science, как по отдельности, так и в сочетании друг с другом, могут использоваться для разработки модели рекомендаций/принятия решений. Эти модели можно использовать как сервис, и мы можем развернуть их за OCI API Gateway для предоставления в качестве продуктов данных и сервисов. Наконец, созданные модели машинного обучения могут быть развернуты в приложениях, являющихся частью распределенной системы управления (если это разрешено), либо развернуты с нуля посредством Oracle Roving Edge Device или аналогичного решения.

В системах реагирования и принятия решений, предоставляемых сервисами ИИ, могут применяться несколько моделей, созданных путем объединения науки о данных с закономерностями, выявленными машинным обучением.

• OCI Anomaly Detection позволяет отслеживать в режиме реального времени метрики эффективности логистической цепочки (например, запасы сырья, производительность, незавершенное производство, время в пути, оборачиваемость запасов и т. п.) для выявления и устранения сбоев. В сложной логистической цепочке оценка серьезности выявленных аномалий может помочь определить приоритетность наблюдаемых сбоев в работе организации для принятия соответствующих мер.
• OCI Forecasting позволяет спрогнозировать такие метрики логистической цепочки, как спрос, предложение и обеспеченность ресурсами, для принятия заблаговременно соответствующих мер.
• OCI Vision и OCI Language помогают распознать документы, такие как отчеты о качестве исходящей продукции и отчеты о дефектах, обогащая данные логистической цепочки.

Последним, но очень важным компонентом является управление данными. Его предоставляет бесплатный сервис OCI Data Catalog, обеспечивающий управление данными и метаданными (как техническими, так и бизнес-метаданными) для всех источников данных в экосистеме платформы данных. OCI Data Catalog также является критически важным компонентом для запросов из Oracle Autonomous Data Warehouse в OCI Object Storage, поскольку обеспечивает возможность быстрого поиска данных независимо от способа их хранения. Это позволяет конечным пользователям, разработчикам и специалистам по работе с данными использовать общий язык доступа (SQL) для всех постоянных хранилищ данных в архитектуре.

Преимущества использования данных для повышения операционной эффективности и производительности

Темпы ведения бизнеса и уровень конкуренции постоянно растут, и за ними не успевают устаревшие системы, используемые для предоставления критически важных операционных данных. Эти системы требуют большого количества ручных операций объединения, интеграции и создания отчетов из разрозненных и изолированных данных, а значит, информация поступает слишком поздно, не позволяя бизнесу добиться необходимых преимуществ.

Рациональное использование производственных ресурсов имеет решающее значение для оптимизации производственной деятельности. Каждая минута, потраченная на производство несоответствующей или неэффективной продукции, не только увеличивает затраты и потери, но и мешает поставлять то, что нужно вашим клиентам. Оптимизация операций и повышение производительности могут принести производителям множество преимуществ, в том числе следующие:

• Повышение эффективности, сокращение времени и затрат на производство, увеличение выпуска продукции и повышение производительности труда
• Уменьшение количества дефектов, улучшение качества продукции и повышение удовлетворенности клиентов
• Быстрое выявление рисков и угроз для безопасности, способствующее улучшению методов обеспечения безопасности и снижению количества несчастных случаев на производстве
• Сокращение отходов, повышение эффективности логистической цепочки и оптимизация уровня запасов
• Повышение конкурентоспособности в таких аспектах, как цена, качество и инновации, что обеспечивает компаниям преимущества на рынках
• Повышение устойчивости за счет сокращения отходов, улучшенной энергоэффективности и минимизации воздействия производственных процессов на окружающую среду