Impulsar la eficiencia y el rendimiento operativo de la fabricación

Mejora la producción, la calidad y la sostenibilidad con análisis avanzados

En el sector de fabricación, el uso de datos para mejorar la eficiencia y el desempeño operativo es especialmente relevante, ya que el caso de uso puede aplicarse a cualquier tipo de sistema de producción manufacturera, como la infraestructura de control numérico informatizado, los sistemas de cadena de suministro y almacén, los sistemas logísticos y de pruebas, etc.

Aunque los fabricantes se han centrado tradicionalmente en métricas históricas descriptivas y de diagnóstico, están empezando a utilizar análisis avanzados, machine learning y ciencia de datos para medir las mejoras de rendimiento y desarrollar recomendaciones proactivas, predictivas y prescriptivas.

Este caso de uso se centra en la arquitectura de la plataforma de datos necesaria para ingerir, almacenar, gestionar y obtener información a partir de datos producidos por los sistemas de ejecución de fabricación (MES), sistemas de gestión de almacenes (WHMS), sistemas informatizados de gestión del mantenimiento (CMMS) y sistemas de mantenimiento para medir la eficiencia operativa de los equipos, líneas y plantas, así como las métricas de desempeño.

Mediante la ingesta, la curación y el análisis de datos sobre procesos de producción y desempeño, los fabricantes pueden identifican y eliminan los cuellos de botella y las ineficiencias para optimizar los programas de producción y aumentar la producción. Al aplicar el mismo enfoque a los datos sobre la calidad de los productos, pueden identificar patrones y las causas profundas de los defectos, lo que les ayuda a aplicar medidas de control de calidad más eficaces. Además, al incluir datos sobre el consumo de energía, también pueden identificar áreas en las que pueden impulsar la eficiencia energética a fin de reducir costos y mejorar la sostenibilidad.

Optimiza el mantenimiento predictivo y reduce los costos con una plataforma de datos completa

La arquitectura presentada aquí demuestra cómo podemos combinar los componentes recomendados de Oracle para desarrollar una arquitectura analítica que cubra todo el ciclo de vida del análisis de datos, desde la detección hasta la acción y la medición, y que ofrezca la amplia gama de beneficios empresariales descritos anteriormente.

Esta imagen muestra cómo se puede utilizar Oracle Data Platform for Manufacturing para respaldar la eficiencia y el desempeño operativos. La plataforma incluye estos cinco pilares:

1. 1. Orígenes de datos, detección
2. 2. Ingerir, transformar
3. 3. Persistir, curar, crear
4. 4. Analizar, aprender, predecir
5. 5. Medir, actuar

El pilar Orígenes de datos, detección incluye tres categorías de datos.

1. 1. Los datos de Oracle App comprenden datos de Fusion SaaS, Oracle E-Business Suite, CX
2. 2. Registros comerciales (datos de primera parte) CRM, transacciones, información de cuentas, ingresos y margen
3. 3. Los datos de terceros incluyen tipos de cambio, fuentes de mercado y precios de productos básicos.

El pilar "Ingerir, transformar" comprende cuatro capacidades.

1. 1. La ingesta por lotes utiliza OCI Data Integration, Oracle Data Integrator y herramientas de bases de datos.
2. 2. La transferencia masiva utiliza OCI FastConnect, OCI Data Transfer, MFT y OCI CLI.
3. 3. La captura de datos de cambios utiliza OCI GoldenGate.
4. 4. La ingesta de streaming utiliza OCI Streaming Kafka Connect.

Las cuatro capacidades se conectan de forma unidireccional al almacén de datos en servicio y al almacenamiento en la nube dentro del pilar Persistir, curar, crear.

Además, la ingesta de streaming está conectada al procesamiento de streaming dentro del pilar "Analizar, aprender, predecir".

El pilar "Persistir, curar, crear" incluye cinco capacidades.

1. 1. El almacén de datos servidor utiliza Oracle Autonomous Data Warehouse y Exadata Cloud Service.
2. 2 El almacenamiento en la nube utiliza OCI Object Storage.
3. 3. Managed Hadoop utiliza Oracle Big Data Service
4. 4. El procesamiento por lotes utiliza OCI Data Flow.
5. 5. La gobernanza utiliza OCI Data Catalog.

Estas capacidades están conectadas dentro del pilar. El almacenamiento en la nube está conectado unidireccionalmente al almacén de datos de servicio; también está conectado bidireccionalmente al procesamiento por lotes.

Dos capacidades se conectan al pilar "Analizar, aprender, predecir". El almacén de datos de servicio se conecta a la capacidad de análisis y de visualización, así como a los productos de datos, una capacidad de las API. El almacenamiento en la nube se conecta a la capacidad de machine learning.

El pilar Analizar, aprender, predecir comprende dos capacidades.

1. 1. La analítica y la visualización utilizan Oracle Analytics Cloud, GraphStudio e ISV.
2. 2. El machine learning utiliza Oracle Machine Learning.

El pilar Medir, Actuar capta cómo puede utilizarse el análisis de datos: por personas y asociados.

Personas y asociados comprende la eficiencia operativa (tiempos de procesamiento, tasas de error, uso de recursos), la identificación de cuellos de botella en los procesos, el valor de tiempo de vida del cliente, el análisis del mercado y de la competencia y la atribución de resultados.

Los tres pilares centrales, Ingerir, transformar; Persistir, curar, crear; y Analizar, aprender, predecir, son compatibles con la infraestructura, la red, la seguridad y la gestión de identidades y accesos.

Conectar, ingerir y transformar los datos

Nuestra solución consta de tres pilares y todo ellos admiten capacidades de plataforma de datos específicas. El primer pilar ofrece la capacidad de conectar, ingerir y transformar datos.

Existen cuatro formas principales de inyectar datos en una arquitectura para que las organizaciones de fabricación mejoren la eficiencia y el desempeño operativo.

• Para comenzar nuestro proceso, habilitaremos la transferencia masiva de datos de transacciones operativas. Los servicios de transferencia masiva se utilizan en situaciones en las que es necesario mover grandes volúmenes de datos a Oracle Cloud Infrastructure (OCI) por primera vez, por ejemplo, datos de repositorios analíticos locales u otros orígenes en la nube. El servicio específico de transferencia masiva que utilizaremos dependerá del local de los datos y de la frecuencia de transferencia. Por ejemplo, podemos utilizar el servicio OCI Data Transfer u OCI Data Transfer Appliance para cargar un gran volumen de datos locales procedentes de la planificación histórica o de repositorios de almacenes de datos. Cuando se deban mover grandes volúmenes de datos de forma continua, recomendamos utilizar OCI FastConnect, que proporciona una conexión de red privada dedicada y de gran ancho de banda entre el centro de datos del cliente y OCI.
• Se suelen requerir extracciones frecuentes en tiempo real o casi en tiempo real, y los datos se ingieren periódicamente desde sistemas de gestión de almacenes, programación y gestión de pedidos mediante OCI GoldenGate. OCI GoldenGate utiliza la captura de datos de cambios para detectar eventos de cambio en la estructura subyacente de los sistemas que deben ser atendidos (por ejemplo, la adición de un nuevo componente, operaciones de mantenimiento terminadas, cambios climáticos, etc.) y envía los datos en tiempo real a una capa de persistencia y/o a la capa de flujo.
• Para las empresas de fabricación, analizar datos en tiempo real a partir de varias fuentes puede ayudar a proporcionar información valiosa sobre su eficiencia operativa y el rendimiento general. En este caso de uso, utilizamos ingesta de flujos para ingerir todos los datos leídos de los sensores mediante IoT, comunicaciones M2M y otros medios. La capacidad de capturar y analizar flujos de datos en tiempo real es fundamental para que un fabricante pueda realizar un mantenimiento predictivo de los activos. Los flujos pueden proceder de varios sistemas ISA-95 de nivel 2, como sistemas de control de supervisión y adquisición de datos (SCADA), controles lógicos programables y sistemas de automatización por lotes. Los datos (eventos) se ingerirán y algunas transformaciones/agregaciones básicas se producirán antes de que se almacenen en OCI Object Storage. Se pueden utilizar análisis de flujo adicionales para identificar eventos correlacionados y se puede devolver cualquier patrón identificado (manualmente) para llevar a cabo un examen de los datos sin procesar utilizando OCI Data Science.
• Para analizar estos datos de transmisión de alta frecuencia en tiempo real, utilizaremos el procesamiento de flujo para ofrecer análisis avanzados. Mientras que las herramientas de análisis tradicionales extraen información de datos en reposo, los análisis de flujo evalúan el valor de los datos en movimiento, es decir, en tiempo real. Y ese no es el único beneficio. Dado que los análisis de flujo pueden estar altamente automatizados, los fabricantes pueden ver cómo se reducen sus costos de explotación. Por ejemplo, los análisis de flujo pueden proporcionar datos en tiempo real sobre los costos de los servicios básicos, como la electricidad y el agua. Las fábricas y las plantas pueden utilizar una herramienta de análisis de transmisión automatizada para acceder a información instantánea sobre áreas que podrían optimizarse para reducir los costos de energía y responder adecuadamente a ciertos eventos operativos mediante la inteligencia artificial. La analítica de flujo también puede elaborar predicciones en tiempo real sobre próximas necesidades de mantenimiento de equipos, lo cual permite a las empresas a prepararse con mucha antelación para cualquier reparación futura o mantenimiento rutinario.
• Aunque las necesidades en tiempo real están evolucionando, la extracción más habitual de los sistemas ERP, planificación, gestión de almacenes y gestión del transporte es algún tipo de ingestión por lotes mediante un proceso ETL. La ingesta por lotes se utiliza para importar datos de sistemas que no pueden admitir la transmisión de datos (por ejemplo, sistemas de gestión de mantenimiento o SCADA anteriores). Estos extractos se pueden ingerir constantemente, con una frecuencia de 10 o 15 minutos, pero mantienen la naturaleza de lotes, ya que se extraen y procesan grupos de transacciones en lugar de transacciones individuales. OCI ofrece diferentes servicios para manejar la ingesta por lotes, como el servicio nativo de OCI Data Integration y Oracle Data Integrator, que se ejecutan en una instancia de OCI Compute. La elección del servicio se basaría principalmente en las preferencias del cliente y no en los requisitos técnicos.

Persistir, procesar y curar datos

La persistencia y el procesamiento de datos se basan en tres (opcionalmente cuatro) componentes. Los clientes podrán utilizarlos todos o un subconjunto, según cada caso. En función del volumen y la tipología, los datos se pueden cargar en el almacenamiento de objetos o directamente en una base de datos relacional estructurada para almacenamiento persistente. Cuando anticipamos la aplicación de capacidades de ciencia de datos, los datos recuperados de orígenes de datos en su formato raw (como un archivo nativo o extracción no procesado) se suelen capturar y cargar desde sistemas transaccionales a almacenes en la nube.

• El almacenamiento en la nube es la capa de persistencia de datos más común para nuestra plataforma de datos. Se puede utilizar para datos tanto estructurados como no estructurados. OCI Object Storage, OCI Data Flow y Oracle Autonomous Data Warehouse son los componentes básicos. La información recuperada de orígenes de datos en formato en bruto se captura y carga en OCI Object Storage. OCI Object Storage es la capa de persistencia de datos primaria y Spark en OCI Data Flow es el motor principal de procesamiento por lotes. El procesamiento por lotes incluye varias actividades, como tratamiento básico de ruido, gestión de datos ausentes y filtrado basado en conjuntos de datos de salida definidos. Los resultados se vuelven a escribir en varias capas de almacenamiento de objetos o en un repositorio relacional persistente dependiendo del procesamiento que sea necesario y los tipos de datos que se utilicen.
• El uso de Oracle Big Data Service para Hadoop (Managed Hadoop) es una alternativa a la configuración de OCI Object Storage y OCI Data Flow. Las dos configuraciones también pueden utilizarse conjuntamente en función del cliente y de si ya ha invertido en el ecosistema Hadoop, ya sea desde el punto de vista de los productos o de las competencias. Los clientes que ya utilizan almacenamiento de objetos en Hadoop (en lugar de Hadoop Distributed File System) pueden realizar la transición de esta configuración a Oracle Big Data Service. Otros componentes del entorno Hadoop, como Hive, también pueden entrar en juego e impulsar el uso de Big Data Service en función de las herramientas de visualización y ciencia de datos que utilice o pretenda utilizar el cliente. Aunque esta arquitectura esboza todos los servicios ofrecidos por Oracle, los clientes pueden optar por seguir utilizando algunos de sus componentes existentes, especialmente las herramientas de visualización y ciencia de datos que ya tienen instaladas.
• Ahora utilizaremos un almacén de datos de servicio para mantener nuestros datos seleccionados en un formato optimizado que garantice el rendimiento de las consultas. El almacén de datos de servicio proporciona una capa relacional persistente que se utiliza para proporcionar datos curados de alta calidad directamente a los usuarios finales mediante herramientas basadas en SQL. En esta solución, se crea una instancia de Oracle Autonomous Data Warehouse que funciona como almacén de datos de servicio para el almacén de datos empresariales y, si es necesario, data marts de nivel de dominio más especializados. También puede ser el origen de información para proyectos de ciencia de datos o el repositorio necesario para Oracle Machine Learning. El almacén de datos de servicio puede adoptar una de las diversas formas disponibles, como Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service u Oracle Exadata Cloud@Customer.

Analizar datos, predecir y actuar

Tres enfoques tecnológicos facilitan la capacidad de analizar, predecir y actuar.

• Las capacidades analíticas avanzadas son fundamentales para el mantenimiento y la optimización del desempeño. En este caso de uso, confiamos en Oracle Analytics Cloud para ofrecer análisis y visualizaciones. Esto permite a la organización utilizar análisis descriptivos (describen las tendencias actuales con histogramas y gráficos), análisis predictivos (predicen acontecimientos futuros, identifican tendencias y determinan la probabilidad de resultados inciertos) y análisis prescriptivos (proponen acciones adecuadas para respaldar una toma de decisiones ideal).
• Además de los análisis avanzados, cada vez se utiliza más la ciencia de datos, el machine learning y la inteligencia artificial para buscar anomalías, predecir dónde se pueden producir desgloses y optimizar el proceso de suministro de datos. OCI Data Science, OCI AI Services u Oracle Machine Learning se pueden utilizar en las bases de datos. Utilizamos machine learning y métodos de ciencia de datos para desarrollar y capacitar nuestros modelos de mantenimiento predictivo. A continuación, estos modelos de machine learning se pueden implementar para su puntuación a través de API o integrarse como parte del canal de análisis de flujos de OCI GoldenGate. En algunos casos, estos modelos se pueden incluso desplegar en la base de datos mediante la API de REST de los servicios de Oracle Machine Learning (para ello, el modelo debe tener el formato Open Neural Network Exchange). Además, se pueden desplegar en el almacén de datos de servicios o transaccionales los blocs de notas centrados en OCI Data Science para Jupyter/Python o Oracle Machine Learning para el bloc de notas y los algoritmos de aprendizaje automático de Zeppelin. Del mismo modo, Oracle Machine Learning y OCI Data Science, solos o por separado, pueden desarrollar modelos de recomendaciones/decisiones. Estos modelos se pueden desplegar como un servicio, y podemos hacerlos detrás de OCI API Gateway para que se entreguen como "productos de datos" y servicios. Por último, una vez creados, los modelos de machine learning se pueden desplegar en aplicaciones que formen parte de un sistema de control distribuido (si está permitido) o desplegarse en el perímetro mediante un dispositivo Oracle Roving Edge Device o similar.

Los distintos modelos creados al combinar la ciencia de datos con los patrones identificados por el machine learning se pueden aplicar a los sistemas de respuesta y toma de decisiones proporcionados por los servicios de IA.

• OCI Anomaly Detection facilita la supervisión en tiempo real las métricas de rendimiento de la cadena de suministro (por ejemplo, inventario de materias primas, rendimiento de producción, trabajo en curso, tiempos de tránsito, rotación de inventario, etc.) para identificar y abordar las interrupciones. En una cadena de suministro compleja, la puntuación de gravedad de las anomalías identificadas puede ayudar a priorizar las interrupciones del negocio observadas para tomar medidas al respecto.
• Con OCI Forecasting, se prevén las métricas de la cadena de suministro, como la demanda, la oferta y la capacidad de recursos, para que se puedan tomar las medidas adecuadas para prepararse con antelación.
• OCI Vision y OCI Language pueden ayudar a comprender documentos, como los informes de calidad de los productos salientes e informes de defectos, para enriquecer los datos de la cadena de suministro.

El último componente, pero no por ello menos importante es la gobernanza de datos. Esta función la brinda OCI Data Catalog, un servicio gratuito que proporciona gobernanza de datos y gestión de metadatos (tanto para metadatos técnicos como de negocio) para todos los orígenes de datos del ecosistema de plataformas de datos. OCI Data Catalog también es un componente fundamental para las consultas de Oracle Autonomous Data Warehouse a OCI Object Storage, ya que acelera la localización de datos independientemente de su método de almacenamiento. Esto permite que los usuarios finales, los desarrolladores y los científicos de datos utilicen un lenguaje de acceso común (SQL) en todos los almacenes de datos persistentes de la arquitectura.

Las ventajas de utilizar datos para mejorar la eficacia y el desempeño operativo

A medida que aumenta la velocidad de los negocios -y el nivel de competencia-, los sistemas heredados utilizados para suministrar datos operativos críticos no acompañan la evolución. Estos sistemas necesitan mucha intervención manual para recopilar, integrar y elaborar informes a partir de datos fragmentados y aislados, lo que significa que la información llega demasiado tarde para dar a la empresa la ventaja que necesita.

Aprovechar al máximo los recursos de producción es fundamental para optimizar las operaciones de fabricación. Cada minuto que se dedica a fabricar productos equivocados o a fabricar los productos correctos de forma ineficaz no sólo aumenta los costos y los residuos, sino que le impide ofrecer a sus clientes lo que necesitan. La optimización de las operaciones y la mejora del desempeño pueden reportar numerosas ventajas a los fabricantes, entre ellas:

• Mayor eficacia, reducción del tiempo y los costos de producción, aumento del desempeño y mejora de la productividad.
• Menos defectos, lo que mejora la calidad del producto y aumenta la satisfacción del cliente
• Identificación rápida de los riesgos y peligros para la seguridad, que permite mejorar las prácticas de seguridad y reducir los accidentes laborales.
• Menos residuos, mejora de la eficacia de la cadena de suministro y optimización de los niveles de inventario
• Mayor capacidad para competir en precio, calidad e innovación, lo que brinda a las empresas una ventaja competitiva en sus mercados.
• Mejora de la sostenibilidad al reducir residuos, aumento de la eficiencia energética y minimización del impacto ambiental de los procesos de fabricación.