Creșteți eficiența și performanța operațională a producției

Îmbunătățiți rezultatele, calitatea și sustenabilitatea cu ajutorul analizelor avansate

Pentru industria producătoare, utilizarea datelor în scopul creșterii eficienței și performanței operaționale este deosebit de importantă, deoarece cazul de utilizare poate fi aplicat oricărui tip de sistem de producție, inclusiv infrastructurii de control numeric computerizat, lanțului de aprovizionare și sistemelor de depozitare, sistemelor de logistică și testare etc.

Deși producătorii s-au concentrat până în prezent asupra indicatorilor descriptivi și de diagnosticare din trecut, acum încep să utilizeze analiza avansată, machine learning și știința datelor pentru a măsura creșterea performanței și a elabora recomandări proactive, predictive și prescriptive.

Acest caz de utilizare se axează pe arhitectura platformei de date necesară asimilării, stocării, gestionării și obținerii informațiilor din datele produse de sistemele de execuție a producției (MES), sistemele de gestionare a depozitelor (WHMS), sistemele computerizate de gestionare a mentenanței (CMMS) și sistemele de mentenanță pentru a măsura eficiența operațională a echipamentelor, liniilor și unităților de producție, precum și indicatorii de performanță.

Prin asimilarea, organizarea și analizarea datelor privind procesele și performanța producției, producătorii pot identifica și elimina blocajele și ineficiențele, optimizând programarea producției și îmbunătățind rezultatele. Aplicând aceeași abordare privind datele și pentru produse, producătorii pot identifica modelele și principalele cauze ale defectelor, putând implementa măsuri de control al calității mai eficiente. În plus, prin includerea datelor privind consumul de energie, producătorii pot identifica domeniile în care pot crește eficiența energetică, reducând astfel costurile și îmbunătățind sustenabilitatea.

Optimizați mentenanța preventivă și reduceți costurile utilizând o platformă de date completă

Arhitectura prezentată aici arată cum putem combina componentele Oracle recomandate pentru a crea o arhitectură de analiză care acoperă întregul ciclu de viață al datelor analizate, de la descoperire până la acțiune și măsurare, oferind numeroasele beneficii de afaceri descrise mai sus.

Această imagine prezintă modul în care poate fi folosită Oracle Data Platform pentru producție în scopul susținerii și îmbunătățirii eficienței și performanței operaționale. Platforma conține următorii cinci piloni:

1. 1. Surse de date, descoperire
2. 2. Asimilare, transformare
3. 3. Persistență, organizare, creare
4. 4. Analiză, învățare, estimare
5. 5. Măsurare, acționare

Pilonul Surse de date, descoperire include două categorii de date.

1. 1. Datele din evidențele companiei cuprind datele din ERP, MES, WHMS, CMMS (mentenanță și gestionarea activelor), IoT, SCADA, istoric și datele introduse de operatori (erori, calitate, observații).
2. 2. Datele tehnice de intrare includ datele IoT, datele dispozitivului Roving Edge, imaginile, e-mailurile, videoclipurile, documentația pe hârtie (OCR) și evenimentele rare (cum ar fi oprirea de urgență a liniei de producție).

Pilonul Asimilare, transformare cuprinde patru capacități.

1. 1. Asimilarea în set utilizează OCI Data Integration, Oracle Data Integrator și instrumentele DB.
2. 2. Transferul în masă utilizează OCI FastConnect, OCI Data Transfer, MFT și OCI CLI.
3. 3. Captarea datelor de modificare utilizează OCI GoldenGate.
4. 4. Asimilarea în flux utilizează Kafka Connect.

Toate cele patru capacități se conectează unidirecțional în banca de date pentru deservire și capacitatea de stocare în cloud din cadrul pilonului Persistență, organizare, creare.

În plus, asimilarea în flux este conectată la prelucrarea în flux din cadrul pilonului Analiză, învățare și estimare.

Pilonul Persistență, organizare, creare cuprinde cinci capacități.

1. 1. Banca de date pentru deservire utilizează Oracle Autonomous Data Warehouse și Exadata Cloud Service.
2. 2. Stocarea în cloud utilizează OCI Object Storage.
3. 3. Clusterul Hadoop gestionat utilizează Oracle Big Data Service.
4. 4. Prelucrarea în set utilizează OCI Data Flow.
5. 5. Organizarea utilizează OCI Data Catalog.

Aceste capacități sunt conectate în cadrul pilonului. Stocarea în cloud este conectată unidirecțional la banca de date pentru deservire și la clusterul Hadoop gestionat; de asemenea, este conectată bidirecțional la prelucrarea în set.

Clusterul Hadoop gestionat este conectat unidirecțional la banca de date pentru deservire.

În cadrul pilonului Analiză, învățare și estimare se conectează două capacități. Banca de date pentru deservire se conectează atât la capacitatea de analiză, cât și la cea de vizualizare, precum și la produsele de date, capacitatea API-urilor. Stocarea în cloud se conectează la capacitatea de machine learning.

Pilonul Analiză, învățare și estimare cuprinde patru capacități.

1. 1. Analize și vizualizări utilizează Oracle Analytics Cloud, GraphStudio și ISV-uri.
2. 2. Produse de date, API-uri utilizează OCI API Gateway și OCI Functions.
3. 3. Machine learning utilizează OCI Data Science și Oracle Machine Learning.
4. 4. AI Services utilizează OCI Anomaly Detection, OCI Forecasting, OCI Language și OCI Vision.

Pilonul Măsurare, acționare captează modul în care poate fi utilizată analiza datelor: de către persoane și parteneri, de aplicații, de modele și de dispozitivele Roving Edge.

Persoane și parteneri cuprinde Eficiența generală a echipamentelor (OEE), Analiza cauzelor, Producția Lean și Six Sigma, Controlul calității și Controlul statistic al proceselor (SPC), Analiza lanțului de aprovizionare.

Aplicații include Planificarea producției și Optimizarea programării.

Cei trei piloni centrali – Asimilare, transformare; Persistență, organizare, creare și Analiză, învățare, estimare – sunt acceptați de infrastructură, rețea, securitate și IAM.

Conectați, asimilați și transformați datele

Soluția noastră este compusă din trei piloni, fiecare susținând anumite capacități ale platformei de date. Primul pilon oferă posibilitatea conectării, asimilării și transformării datelor.

Există patru moduri principale în care organizațiile de producție pot injecta date într-o arhitectură pentru a îmbunătăți eficiența și performanța operațională.

• Pentru a începe procesul, vom activa transferul în masă al datelor privind tranzacțiile operaționale. Serviciile de transfer în masă sunt utilizate în situațiile în care trebuie mutate volume mari de date în Oracle Cloud Infrastructure (OCI) pentru prima dată – de exemplu, datele din depozitele analitice existente on-premises sau din alte surse, aflate în cloud. Serviciul de transfer în masă specific pe care îl vom utiliza va depinde de locația datelor și de frecvența transferurilor. De exemplu, putem utiliza OCI Data Transfer Service sau OCI Data Transfer Appliance pentru a încărca un volum mare de date on-premises din containerele cu istoricul planificărilor sau din depozitele de date. Când trebuie mutate permanent volume mari de date, recomandăm utilizarea OCI FastConnect, care asigură o conexiune în rețea privată dedicată, cu lățime mare de bandă, între centrul de date al clientului și OCI.
• De obicei, sunt necesare extrageri frecvente în timp real sau aproape în timp real, iar datele sunt asimilate periodic din sistemele de gestionare a depozitelor, de programare și de gestionare a comenzilor care utilizează OCI GoldenGate. OCI GoldenGate utilizează captarea datelor de modificare pentru a detecta evenimentele de modificare din structura de bază a sistemelor care trebuie deservite (de exemplu, adăugarea unei componente noi, operațiunile de mentenanță finalizate, schimbările meteorologice etc.) și trimite datele în timp real către un nivel de persistență și/sau nivelul fluxului.
• Pentru companiile producătoare, analiza în timp real a datelor din mai multe surse poate oferi informații valoroase despre eficiența operațională și performanța generală. În acest caz de utilizare, putem colecta prin asimilare în flux toate datele provenite de la senzori prin IoT, comunicarea între dispozitive și alte mijloace. Posibilitatea de captare și analizare a fluxurilor de date în timp real este esențială pentru ca producătorii să poată efectua mentenanța preventivă a activelor. Fluxurile pot proveni din mai multe sisteme ISA-95 de nivel 2, cum ar fi sistemele de comandă a supravegherii și de achiziție a datelor (SCADA), comenzile logice programabile și sistemele de automatizare în set. Datele (evenimentele) vor fi asimilate, iar unele transformări/agregări de bază vor avea loc înainte de a fi stocate în OCI Object Storage. Analizele în flux suplimentare pot fi utilizate pentru identificarea evenimentelor conexe, iar tiparele identificate pot fi transmise înapoi (manual) pentru examinarea datelor brute utilizându-se OCI Data Science.
• Pentru a analiza aceste date în flux de înaltă frecvență în timp real, vom utiliza prelucrarea în flux pentru a obține analize avansate. În timp ce instrumentele de analiză tradiționale extrag informații din datele în repaus, analizele în flux evaluează valoarea datelor în mișcare, adică în timp real. Iar acesta nu este unicul avantaj. Deoarece analizele în flux pot fi foarte automatizate, producătorii pot reduce cu ajutorul lor costurile operaționale. De exemplu, analizele în flux pot furniza date în timp real privind costurile pentru principalele utilități, cum ar fi energia electrică și apa. Fabricile și uzinele pot să utilizeze apoi un instrument automatizat de analiză în flux pentru a accesa instantaneu informații despre zonele în care se poate optimiza consumul de energie și să reacționeze adecvat la anumite evenimente operaționale utilizând inteligența artificială. De asemenea, analizele în flux pot face predicții în timp real despre viitoarele cerințe de mentenanță a echipamentelor, ajutând companiile să se pregătească cu mult timp în avans pentru orice reparație viitoare sau întreținere de rutină.
• Deși nevoile în timp real evoluează, cea mai comună extragere din sistemele ERP, de planificare, de gestionare a depozitelor și de gestionare a transporturilor este un fel de asimilare în set cu ajutorul unui proces ETL. Asimilarea în set este utilizată pentru importul datelor din sisteme care nu pot accepta fluxuri de date (de exemplu, sistemele mai vechi de gestionare SCADA sau a mentenanței). Aceste extrase pot fi asimilate frecvent, adică la fiecare 10 sau 15 minute, dar este vorba, de fapt, tot despre asimilări în set, deoarece sunt extrase și prelucrate grupuri de tranzacții, nu tranzacții individuale. OCI oferă diferite servicii pentru asimilarea în set, cum ar fi serviciul nativ OCI Data Integration și Oracle Data Integrator, care rulează pe o instanță OCI Compute. Alegerea serviciului trebuie să se bazeze, în principal, pe preferințele clienților, nu pe criterii tehnice.

Persistența, prelucrarea și organizarea datelor

Persistența și prelucrarea datelor se bazează pe trei (opțional, patru) componente. Unii clienți le vor utiliza pe toate, în alții doar un subset. În funcție de volumul și de tipul datelor, datele pot fi încărcate în spațiul de stocare pentru obiecte sau direct într-o bază de date relațională, structurată pentru stocarea persistentă. Când anticipăm utilizarea unor capacități de știință a datelor, datele preluate din sursele de date în forma lor brută (ca fișier nativ sau extras neprelucrat) sunt, de obicei, captate și încărcate din sistemele tranzacționale în spațiul de stocare din cloud.

• Stocarea în cloud reprezintă cel mai comun nivel de persistență a datelor pentru platforma noastră de date. Aceasta poate fi utilizată atât pentru datele structurate, cât și pentru cele nestructurate. OCI Object Storage, OCI Data Flow și Oracle Autonomous Data Warehouse sunt elementele de bază. Datele preluate din sursele de date în forma lor brută sunt captate și încărcate în OCI Object Storage. OCI Object Storage este nivelul principal de persistență a datelor, iar Spark din OCI Data Flow este motorul principal de prelucrare în set. Prelucrarea în set implică mai multe activități, inclusiv tratarea datelor de bază, gestionarea datelor lipsă și filtrarea pe baza anumitor seturi de date de ieșire. Rezultatele sunt scrise înapoi în diferite niveluri ale spațiului de stocare pentru obiecte sau într-un depozit relațional persistent, în funcție de prelucrarea necesară și de tipurile de date utilizate.
• Utilizarea Oracle Big Data Service for Hadoop (clusterul Hadoop gestionat) este o alternativă la configurația OCI Object Storage și la configurația OCI Data Flow. Cele două configurații pot fi utilizate și împreună, în funcție de client și dacă acesta a investit sau nu într-un ecosistem Hadoop, atât în privința produselor, cât și a abilităților. Clienții care utilizează deja spațiul de stocare pentru obiecte sub formă de Hadoop (nu Hadoop Distributed File System) pot transfera această configurație în Oracle Big Data Service. Se mai pot utiliza și alte componente din mediul Hadoop, cum ar fi Hive, pentru o mai bună exploatare a Big Data Service, în funcție de instrumentele de vizualizare și de știință a datelor utilizate de client. Deși această arhitectură prezintă toate serviciile furnizate de Oracle, clienții pot alege să utilizeze în continuare unele componente existente, în special instrumentele de vizualizare și de știință a datelor pe care deja le dețin.
• Acum, vom utiliza o bancă de date pentru deservire în scopul păstrării datelor noastre organizate, într-un format optimizat, pentru interogări performante. Banca de date pentru deservire oferă un nivel relațional persistent, utilizat pentru furnizarea de date organizate de înaltă calitate direct utilizatorilor finali, prin intermediul unor instrumente bazate pe SQL. În această soluție, Oracle Autonomous Data Warehouse este considerat banca de date pentru deservire a depozitului de date al companiei și, dacă este necesar, poate furniza date la nivel de domeniu, mai specializate. De asemenea, poate fi sursa de date pentru proiectele de știință a datelor sau depozitul de date necesare pentru Oracle Machine Learning. Această bancă de date pentru deservire poate avea una dintre următoarele forme: Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service sau Oracle Exadata Cloud@Customer.

Analizați datele, anticipați și acționați

Capacitatea de analiză, anticipare și acțiune este facilitată de trei soluții tehnologice.

• Capacitățile analitice avansate sunt esențiale pentru optimizarea mentenanței și performanței. În acest caz de utilizare, ne bazăm pe Oracle Analytics Cloud pentru a obține analize și vizualizări. Astfel, organizația poate utiliza analiza descriptivă (descrie tendințele curente prin histograme și diagrame), analiza predictivă (anticipează evenimentele viitoare, identifică tendințele și stabilește probabilitatea rezultatelor incerte) și analiza prescriptivă (propune acțiunile adecvate care susțin un proces decizional optim).
• Pe lângă analizele avansate, se utilizează tot mai mult știința datelor, machine learning și inteligența artificială pentru căutarea anomaliilor, anticiparea locurilor în care pot apărea defecțiuni și optimizarea procesului de aprovizionare. În bazele de date se pot utiliza OCI Data Science, OCI AI Services sau Oracle Machine Learning. Utilizăm metode de machine learning și de știință a datelor pentru a crea și instrui modelele noastre de mentenanță preventivă. Aceste modele de machine learning pot fi implementate apoi pentru evaluare prin API-uri sau integrate în OCI GoldenGate, pipeline-ul de analiză în flux. În unele cazuri, aceste modele pot fi implementate chiar în baza de date, cu ajutorul Oracle Machine Learning Services REST API (posibil doar dacă modelul este în formatul Open Neural Network Exchange). În plus, algoritmii OCI Data Science pentru laptopurile cu Jupyter/Python sau Oracle Machine Learning pentru laptopurile Zeppelin și algoritmii de machine learning pot fi implementați în banca de date pentru deservire sau tranzacționale. În mod similar, Oracle Machine Learning și OCI Data Science, separat sau împreună, pot crea modele de recomandare/decizie. Aceste modele pot fi implementate ca serviciu, caz în care le putem implementa în spatele OCI API Gateway, pentru a fi livrate ca „produse de date” și servicii. La final, după crearea lor, modelele de machine learning pot fi implementate în aplicații care fac parte dintr-un sistem de control distribuit (dacă este permis) sau implementate la periferie printr-un Oracle Roving Edge Device sau un dispozitiv similar.

Modelele multiple create prin combinarea științei datelor cu tiparele identificate de machine learning pot fi aplicate sistemelor de răspuns și de decizie furnizate de AI Services.

• OCI Anomaly Detection poate ajuta la monitorizarea indicatorilor de performanță ai lanțului de aprovizionare (de exemplu, stocul de materii prime, capacitatea de producție, lucrările în curs, timpii de tranzit, rulajul mărfurilor etc.) în timp real, pentru identificarea și soluționarea problemelor. Într-un lanț de aprovizionare complex, prin evaluarea gravității anomaliilor identificate se poate prioritiza soluționarea problemelor respective.
• OCI Forecasting poate realiza prognoze ale indicatorilor din lanțul de aprovizionare, cum ar fi cererea, oferta și volumul resurselor, pentru a putea fi luate în avans măsurile de pregătire adecvate.
• OCI Vision și OCI Language pot contribui la înțelegerea unor documente precum rapoartele de ieșire privind calitatea produselor și rapoartele privind defectele produselor, pentru îmbogățirea datelor privind lanțul de aprovizionare.

Componenta finală, dar esențială, este organizarea datelor. Aceasta va fi efectuată de OCI Data Catalog, un serviciu de organizare a datelor și gestionare a metadatelor (pentru metadatele tehnice și de afaceri) gratuit, pentru toate sursele de date din ecosistemul platformei de date. OCI Data Catalog este o componentă esențială și pentru interogările din Oracle Autonomous Data Warehouse în OCI Object Storage, deoarece oferă un mod de localizare rapidă a datelor, indiferent de metoda sa de stocare. Aceasta le permite utilizatorilor finali, dezvoltatorilor și experților în date să utilizeze un limbaj comun de acces (SQL) în toate depozitele de date persistente din arhitectură.

Beneficiile utilizării datelor pentru creșterea eficienței și performanței operaționale

Deoarece viteza afacerilor – și nivelul concurenței – crește, vechile sisteme utilizate pentru furnizarea datelor de exploatare esențiale nu pot face față. Aceste sisteme necesită multe intervenții manuale pentru colaționarea, integrarea și crearea de rapoarte din date fragmentate și izolate, ceea ce înseamnă că informațiile ajung prea târziu pentru a oferi avantajul de care au nevoie companiile.

Utilizarea optimă a resurselor este extrem de importantă pentru optimizarea operațiunilor dvs. de producție. Fiecare minut dedicat realizării unor produse greșite sau realizării de produse corecte într-un mod ineficient nu înseamnă doar costuri mai mari și deșeuri mai multe, ci și vă împiedică să le livrați clienților ceea ce le trebuie. Optimizarea operațiunilor și îmbunătățirea performanței pot aduce numeroase beneficii producătorilor, inclusiv:

• o eficiență mai mare, reducerea timpului și a costurilor de producție, creșterea producției și îmbunătățirea productivității;
• mai puține defecte, îmbunătățirea calității produselor și creșterea satisfacției clienților;
• identificarea rapidă a riscurilor și pericolelor legate de siguranță, ceea ce duce la îmbunătățirea practicilor privind siguranța și la mai puține accidente de muncă;
• mai puține deșeuri, creșterea eficienței lanțului de aprovizionare și optimizarea nivelului stocurilor;
• o mai bună capacitate de a concura în privința prețurilor, calității și inovării, companiile dobândind un avantaj competitiv pe piețele lor;
• îmbunătățirea sustenabilității prin reducerea cantității deșeurilor, creșterea eficienței energetice și minimizarea impactului proceselor de fabricație asupra mediului.