Drive manufacturing operational efficiency and performance

Gelişmiş analitik ile çıktı, kalite ve sürdürülebilirliği iyileştirin

Üretim endüstrisi için operasyonel verimliliği ve performansı iyileştirmek için verilerin kullanılması, özellikle kullanım senaryosu bilgisayarlı sayısal kontrol altyapısı, tedarik zinciri ve depo sistemleri, lojistik ve test sistemleri vb. dahil olmak üzere her türlü üretim canlı kullanımsistemine uygulanabilir.

Üreticiler geleneksel olarak tarihsel tanımlayıcı ve hata bulma metriklerine odaklanırken, artık performans iyileştirmelerini ölçmek ve proaktif, öngörüye dayalı ve yönlendiren öneriler geliştirmek için gelişmiş analitik, makine öğrenimi ve veri bilimini kullanmaya başlıyorlar.

Bu kullanım senaryosu, ekipmanların, hatların ve tesislerin operasyonel verimliliğini ve performans metriklerini ölçmek için üretim yürütme sistemleri (MES'ler), depo yönetim sistemleri (WHMS'ler), bilgisayarlı bakım yönetim sistemleri (CMMS'ler) ve bakım sistemleri tarafından üretilen verileri almak, depolamak, yönetmek ve bunlardan içgörü elde etmek için gereken veri platformu mimarisine odaklanmaktadır.

Üreticiler, üretim süreçleri ve performansı hakkındaki verileri alarak, düzenleyerek ve analiz ederek, üretim programlarını optimize etmek ve çıktıyı artırmak için darboğazları ve verimsizlikleri belirleyebilir ve ortadan kaldırabilir. Aynı yaklaşımı ürün kalitesi konusunda uygulayan üreticiler, kusurların örüntülerini ve temel nedenlerini belirleyerek daha etkili kalite kontrol önlemleri uygulamalarına yardımcı olabilir. Ayrıca, üreticiler enerji tüketimine ilişkin verileri dahil ederek maliyetleri azaltmak ve sürdürülebilirliği artırmak için enerji verimliliğini artırabilecekleri alanları belirleyebilirler.

Kapsamlı bir veri platformu ile öngörüye dayalı bakımı optimize edin ve maliyetleri düşürün

Burada sunulan mimari, keşiften ölçüme ve eyleme kadar tüm veri analitiği yaşam döngüsünü kapsayan ve yukarıda açıklanan çok çeşitli iş avantajlarını sağlayan bir analitik mimarisi oluşturmak üzere önerilen Oracle bileşenlerini nasıl bir araya getirebileceğimizi göstermektedir.

Bu görüntüde, üretime yönelik Oracle Veri Platformu'nun operasyonel verimliliği ve performansı desteklemek için nasıl kullanılabileceği gösterilmektedir. Aşağıda platformun beş ayağı verilmiştir:

1. 1. Veri Kaynağı, Keşif
2. 2. Alım, Dönüştürme
3. 3. Sürdürme, Düzenleme, Oluşturma
4. Analiz, Öğrenme, Tahmin
5. 5. Ölçme, Eyleme Geçme

Veri Kaynağı, Keşif ayağı üç veri kategorisi içerir.

1. 1. Oracle Uygulaması verileri Fusion SaaS, Oracle E-Business Suite, CX'ten alınan verileri içerir
2. 2. İş Kayıtları (1. Taraf Verileri) CRM, İşlemler, Hesap Bilgileri, Gelir ve Kâr Marjı
3. 3. 3. Taraf Verileri Döviz Kurlarını, Pazar Akışlarını ve Mal Fiyatlarını içerir

Alma, Dönüştürme ayağı dört yetenekten oluşur.

1. 1. Toplu alım OCI Veri Entegrasyonu, Oracle Data Integrator ve Veritabanı araçlarını kullanır.
2. 2. Toplu aktarım OCI FastConnect, OCI Veri Aktarımı, MFT ve OCI CLI'sini kullanır.
3. 3. Değişiklik verileri yakalama OCI GoldenGate kullanır.
4. 4. Veri akışı alımı, OCI Streaming veKafka Connect'i kullanır.

Dört yetenek de tek yönlü olarak Sürdürme, Düzenleme, Oluşturma ayağında hizmet veren veri deposuna ve bulut depolamasına bağlanır.

Ayrıca, veri akışı alımı Analiz, Öğrenme ve Tahmin ayağında veri akışı işlemeye bağlıdır.

Sürdürme, Düzenleme, Oluşturma ayağı beş yetenekten oluşur.

1. 1. Hizmet veren veri deposu, Oracle Autonomous Data Warehouse ve Exadata Cloud Service kullanır.
2. 2. Bulut depolama, OCI Object Storage'ı kullanır.
3. 2. Yönetilen Hadoop, Oracle Big Data Service'ı kullanır.
4. 4. Toplu işleme, Oracle Data Flow'u kullanır.
5. 5. Yönetişim, OCI Data Catalog'u kullanır.

Bu yetenekler ayak içinde bağlantılıdır. Bulut depolama, hizmet veren veri deposuna tek yönlü olarak bağlıdır; aynı zamanda toplu işleme çift yönlü olarak bağlıdır.

İki yetenek Analiz, Öğrenme, Tahmin ayağına bağlantı kurar. Hizmet veren veri deposu, hem analitik ve görselleştirme yeteneğine hem de veri ürünlerine (API'ler) bağlanır. Bulut depolama, makine öğrenimi yeteneğine bağlanır.

Analiz, Öğrenme, Tahmin ayağı iki yetenek içerir.

1. 1. Analitik ve görselleştirme Oracle Analytics Cloud, GraphStudio ve ISV'leri kullanır.
2. 2. Makine öğrenimi Oracle Machine Learning'i kullanır.

Ölçme, Eyleme Geçme ayağı, veri analizinin nasıl kullanılabileceğini kaydeder: kişiler ile iş ortakları tarafından.

Kişiler ve İş Ortakları; Operasyonel Verimlilik (İşleme süreleri, Hata oranları, Kaynak kullanımı), İşlem Darboğazı Tanımlama, Müşteri Yaşam Boyu Değeri, Piyasa ve Rekabet Analizi, Performans Niteliğinden oluşur.

Bu üç temel ayak altyapı, ağ, güvenlik ve IAM tarafından desteklenir: Alma, Dönüştürme, Sürdürme, Düzenleme, Oluşturma ve Analiz, Öğrenme, Tahmin.

Verileri bağlayın, alın ve dönüştürün

Çözümümüz, her biri belirli veri platformu yeteneklerini destekleyen üç ayaktan oluşur. İlk ayak, verileri bağlama, alma ve dönüştürme yeteneği sağlar.

Üretim organizasyonlarının operasyonel verimliliği ve performansı artırmasını sağlamak için mimariye veri eklemenin dört ana yolu vardır.

• Süreci başlatmak için operasyonel işlem verilerinin toplu aktarımını etkinleştireceğiz. Toplu aktarım hizmetleri, büyük hacimli verilerin ilk kez Oracle Cloud Infrastructure'a (OCI) taşınması gereken durumlarda kullanılır. Örneğin, mevcut şirket içi analitik veri havuzlarından veya diğer bulut kaynaklarından alınan veriler. Kullanacağımız belirli toplu aktarım hizmeti, verilerin konumuna ve aktarım sıklığına bağlı olacaktır. Örneğin, tarihsel planlamadan veya veri ambarı veri havuzlarından yüksek hacimli şirket içi verileri yüklemek için OCI Data Transfer Service'ı veya OCI Data Transfer Appliance'ı kullanabiliriz. Büyük hacimli verilerin devamlı olarak taşınması gerektiğinde, müşterinin veri merkezi ile OCI arasında yüksek bant genişlikli ve ayrılmış bir özel ağ bağlantısı sağlayan OCI FastConnect uygulamasını kullanmanızı öneririz.
• Sık sık gerçek zamanlı veya gerçek zamana yakın özetler gereklidir ve veriler OCI GoldenGate kullanılarak depo yönetimi, çizelgeleme ve sipariş yönetimi sistemlerinden düzenli olarak alınır. OCI GoldenGate, hizmet verilmesi gereken sistemlerin temel yapısındaki değişiklik olaylarını tespit etmek için değişiklik verileri yakalama özelliğini kullanır (örneğin, yeni bir bileşenin eklenmesi, tamamlanan bakım işlemleri, hava koşullarındaki değişiklikler vb.) ve verileri bir kalıcılık katmanına ve/veya akış katmanına gerçek zamanlı olarak gönderir.
• Üretim şirketleri için, birden fazla kaynaktan verileri gerçek zamanlı olarak analiz etmek, operasyonel verimlilikleri ve genel performansları hakkında değerli içgörüler sağlamaya yardımcı olabilir. Bu kullanım senaryosunda, sensörlerden okunan tüm verileri IoT, makineden makineye iletişimler ve diğer yollarla almak için veri akışı alımı kullanıyoruz. Veri akışlarını gerçek zamanlı olarak yakalama ve analiz etme yeteneği, bir üreticinin tahmine dayalı varlık bakımı gerçekleştirme yeteneği için kritik önem taşır. Veri akışları; denetim kontrolü ve veri elde etme (SCADA) sistemleri, programlanabilir mantık kontrolleri ve toplu otomasyon sistemleri gibi çeşitli ISA-95 Seviye 2 sistemlerinden kaynaklanabilir. Veriler (olaylar) alınır ve OCI Object Storage'da depolanmadan önce bazı temel dönüşümler/birleştirmeler meydana gelir. İlişkili olayları belirlemek için ek veri akışı analizleri kullanılabilir ve OCI Data Science'ı kullanarak ham verilerin incelenmesi için tanımlanan örüntüler (manuel olarak) geri beslenebilir.
• Bu yüksek frekanslı akış verilerini gerçek zamanlı olarak analiz etmek için gelişmiş analitik sunmak üzere veri akışı işlemeyi kullanacağız. Geleneksel analitik araçları bekleme durumundaki verilerden bilgi alınırken akış analitiği, hareket halindeki verilerin değerini (yani gerçek zamanlı) değerlendirir. Tek faydası da bu değildir. Veri akışı analitiği yüksek düzeyde otomatikleştirilebileceğinden, üreticilerin işletim maliyetlerini düşürmesine yardımcı olabilir. Örneğin veri akışı analitiği, elektrik ve su gibi temel kamu hizmeti maliyetleri hakkında gerçek zamanlı veri sağlayabilir. Fabrikalar ve tesisler daha sonra otomatik bir akış analiz aracını kullanarak enerji maliyetlerini azaltmak ve yapay zeka kullanarak belirli operasyonel olaylara uygun şekilde yanıt vermek için optimize edilebilecek alanlarla ilgili alık içgörülere erişebilir. Veri akışı analitiği, yaklaşan ekipman bakımı gereksinimleri hakkında gerçek zamanlı tahminler de yapabilir ve şirketlerin yaklaşan onarımlar veya rutin bakımlar için önceden hazırlık yapmalarına yardımcı olur.
• Gerçek zamanlı ihtiyaçlar gelişirken, ERP, planlama, depo yönetimi ve nakliye yönetimi sistemlerinden en yaygın özet, ETL süreci kullanan bir tür toplu alımdır. Toplu alım, veri akışını desteklemeyen sistemlerden veri içe aktarmak için kullanılır (örneğin eski SCADA veya bakım yönetim sistemleri). Bu özetler her 10 veya 15 dakikada bir gibi sık sık alınabilir, ancak tek tek işlemler yerine işlem grupları olarak çıkartıldığından ve işlendiğinden yine de yapılsal olarak toplu işlemlerdir. OCI, yerel OCI Veri Entegrasyonu hizmeti ve OCI Hesaplama örneğinde çalışan Oracle Data Integrator gibi toplu alımı işlemek için farklı hizmetler sunar. Hizmet seçimi öncelikle teknik gereksinimler yerine müşteri tercihine dayanır.

Verileri sürdürün, işleyin ve düzenleyin

Veri kalıcılığı ve işleme, üç (isteğe bağlı olarak dört) bileşen üzerine kuruludur. Bazı müşteriler bunların hepsini kullanırken diğerleri bir alt kümeyi kullanır. Birimlere ve veri türlerine bağlı olarak veriler nesne depolamaya yüklenebilir veya kalıcı depolama için doğrudan yapılandırılmış bir ilişkisel veritabanına yüklenebilir. Veri bilimi yeteneklerinin uygulanmasını öngördüğümüzde ham halindeki veri kaynaklarından alınan veriler (işlenmemiş yerel dosya veya özet olarak) daha tipik olarak yakalanır ve işlem sistemlerinden bulut depolamaya yüklenir.

• Bulut depolama, veri platformumuz için en yaygın veri kalıcılık katmanıdır. Hem yapılandırılmış hem de yapılandırılmamış veriler için kullanılabilir. OCI Object Storage, OCI Data Flow ve Oracle Autonomous Data Warehouse (ADW) temel yapısal öğelerdir. Veri kaynaklarından ham formatında alınan veriler yakalanır ve OCI Object Storage'a yüklenir. OCI Object Storage, birincil veri kalıcılık kademesidir ve Spark in OCI Data Flow birincil toplu işleme motorudur. Toplu işleme, temel parazit işlemi, eksik veri yönetimi ve tanımlı giden veri kümelerine göre filtreleme gibi çeşitli etkinlikleri içerir. Sonuçlar, ihtiyaç duyulan işleme ve kullanılan veri türlerine bağlı olarak çeşitli nesne depolama katmanlarına veya kalıcı bir ilişkisel depoya geri yazılır.
• Hadoop için Oracle Big Data Service (yönetilen Hadoop) kullanımı, OCI Object Storage ve OCI Data Flow konfigürasyonuna bir alternatiftir. İki konfigürasyon, müşteriye ve Hadoop ekosisteminde ürün veya beceri açısından mevcut bir yatırıma sahip olup olmadıklarına bağlı olarak potansiyel olarak birlikte de kullanılabilir. Hadoop kapsamında nesne depolamayı zaten kullanan müşteriler (Hadoop Dağıtılmış Dosya Sistemi yerine) bu konfigürasyonu Oracle Big Data Service'a geçirebilir. Hive gibi Hadoop ortamındaki diğer bileşenler, müşterinin hangi görselleştirme ve veri bilimi araçlarını kullandığına veya kullanmayı planladığına bağlı olarak Big Data Service'i devreye alabilir ve kullanabilir. Bu mimari, Oracle tarafından sağlanan tüm hizmetleri özetlemekle birlikte, müşteriler halihazırda sahip oldukları görselleştirme ve veri bilimi araçları gibi mevcut bileşenlerinden bazılarını kullanmaya devam etmeyi seçebilirler.
• Düzenlenmiş verilerimizi sorgu performansı ve analitik için optimize edilmiş bir biçimde tutmak için artık bir hizmet veren veri deposu kullanacağız. Hizmet veren veri deposu, SQL tabanlı araçlar aracılığıyla doğrudan son kullanıcılara yüksek kaliteli düzenlenmiş veriler sunmak için kullanılan kalıcı bir ilişkisel katman sağlar. Bu çözümde, şirket veri ambarı için hizmet veren veri deposu ve gerekirse daha özel etki alanı düzeyinde özel veri ambarları olarak Oracle Autonomous Data Warehouse örneği oluşturulur. Ayrıca bu veri bilimi projeleri için veri kaynağı veya Oracle Machine Learning için gereken veri havuzu olabilir. Hizmet veren veri deposu, Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service veya Oracle Exadata Cloud@Customer dahil olmak üzere çeşitli formlardan birini kullanabilir.

Verileri analiz edin, tahmin edin ve eyleme geçin

Analiz etme, tahmin etme ve eyleme geçme kabiliyeti üç teknoloji yaklaşımı ile kolaylaştırılmaktadır.

• Gelişmiş analitik yetenekleri, bakım ve performans optimizasyonu için kritiktir. Bu kullanım örneğinde analitik ve görselleştirmeler sunmak için Oracle Analytics Cloud'a güveniyoruz. Bu, organizasyonun açıklayıcı analitikleri (histogram ve grafiklerle mevcut eğilimleri açıklar), öngörüye dayalı analitikleri (gelecekteki olayları tahmin eder, eğilimleri belirler ve belirsiz sonuçların olasılığını belirler) ve yönlendiren analitikleri (en uygun karar vermeyi desteklemek için uygun eylemler önerir) kullanmasını sağlar.
• Gelişmiş analitiğe ek olarak, anormallikleri aramak, kesintilerin nerede olabileceğini tahmin etmek ve kaynak bulma sürecini optimize etmek için giderek daha fazla veri bilimi, makine öğrenimi ve yapay zeka kullanılıyor. Veritabanlarında OCI Data Science, OCI AI Services veya Oracle Machine Learning kullanılabilir. Öngörüye dayalı bakım modellerimizi oluşturmak ve eğitmek için makine öğrenimi ve veri bilimi yöntemlerini kullanıyoruz. Bu makine öğrenimi modelleri daha sonra API'ler aracılığıyla puanlama için dağıtılabilir veya OCI GoldenGate akış analitiği ardışık düzeninin parçası olarak gömülü hale getirilebilir. Bazı durumlarda bu modeller, Oracle Machine Learning Services REST API'si kullanılarak veritabanında dağıtılabilir (bunu yapmak için modelin Açık Sinir Ağı Değişimi formatında olması gerekir). Ayrıca, Jupyter/Python merkezli not defterleri için OCI Data Science veya Zeppelin not defteri ve makine öğrenimi algoritmaları için Oracle Machine Learning, servis veya işlemsel veri deposuna dağıtılabilir. Benzer şekilde, Oracle Machine Learning ve OCI Data Science, tek başına veya birlikte öneri/karar modelleri geliştirebilir. Bu modeller servis olarak devreye alınabilir ve bu modelleri "veri ürünleri" ve hizmetler olarak teslim etmek için OCI API Gateway'in arkasında devreye alabiliriz. Son olarak makine öğrenimi modelleri oluşturulduktan sonra, dağıtılmış bir kontrol sisteminin parçası olan (izin veriliyorsa) ya da bir Oracle Roving Edge Cihazı vb. aracılığıyla uçta devreye alınan uygulamalara dağıtılabilir.

Veri bilimini makine öğrenimi ile tanımlanan örüntülerle birleştirerek oluşturulan çoklu modeller, yapay zeka hizmetleri tarafından sunulan yanıt ve karar alma sistemlerine uygulanabilir.

• OCI Anomaly Detection, tedarik zinciri performans metriklerinin (örneğin ham madde envanteri, üretim aktarım hızı, devam eden çalışma, nakliye süreleri ve envanter ciro oranı, vb.) gerçek zamanlı olarak izlenmesine yardımcı olarak kesintileri belirleyip ele alabilir. Karmaşık bir tedarik zincirinde, tanımlanan anormalliklerin önem derecesi puanı, gözlemlenen iş kesintilerinin eyleme yönelik olarak önceliklendirilmesine yardımcı olabilir.
• OCI Forecasting, talep, tedarik ve kaynak kapasitesi gibi tedarik zinciri metriklerinin tahmin edilmesine yardımcı olabilir. Böylece önceden hazırlanmak için uygun eylemler gerçekleştirilebilir.
• OCI Vision and Language, tedarik zinciri verilerini zenginleştirmek üzere giden ürün kalitesi raporları ve ürün hata raporları gibi belgeleri anlamaya yardımcı olabilir.

Son ve kritik önem taşıyan bileşen ise veri yönetişimidir. Bu, veri platformu ekosistemindeki tüm veri kaynakları için veri yönetişimi ve meta veri yönetimi (hem teknik hem de iş meta verileri için) sağlayan ücretsiz bir hizmet olan OCI Data Catalog tarafından sağlanacaktır. OCI Data Catalog, depolama yönteminden bağımsız olarak verileri hızla bulmanın bir yolunu sağladığından Oracle Autonomous Data Warehouse'dan OCI Object Storage'a yapılan sorgular için de kritik bir bileşendir. Böylece son kullanıcılar, geliştiriciler ve veri bilimciler, mimarideki kalıcı veri depolarının tamamında ortak bir erişim dili (SQL) kullanabilirler.

Operasyon verimliliğini ve performansını artırmak için verileri kullanmanın avantajları

İşletmenin hızı ve rekabet düzeyi arttıkça kritik işletim verilerini sunmak için kullanılan eski sistemler buna ayak uyduramaz. Bu sistemler, parçalı ve silo halindeki verileri harmanlamak, entegre etmek ve bunlardan raporlar oluşturmak için çok fazla manuel müdahaleye ihtiyaç duyar ve bu da bilgilerin işletmeye ihtiyaç duyduğu avantajı sağlamak için çok geç ulaşması anlamına gelir.

Üretim kaynaklarınızdan en iyi şekilde yararlanmak, üretim operasyonlarınızı optimize etmek için kritik öneme sahiptir. Yanlış ürünler üretmek veya doğru ürünleri verimsiz şekilde üretmek için harcanan her dakika yalnızca maliyetleri ve israfı arttırmakla kalmaz, aynı zamanda müşterilerinizin ihtiyaç duyduğu şeyleri sunmaktan da kaçınmanızı sağlar. Operasyonları optimize etmek ve performansı artırmak, üreticiler için aşağıdakiler dahil olmak üzere çok sayıda avantaj sağlayabilir:

• Daha yüksek verimlilik, üretim süresini ve maliyetlerini azaltma, çıktıyı artırma ve üretkenliği artırma
• Daha az hata, ürün kalitesini iyileştirme ve müşteri memnuniyetini artırma
• Güvenlik risklerinin ve tehlikelerinin hızlı bir şekilde tanımlanması ile daha iyi güvenlik uygulamaları ve daha az iş yeri kazası
• Daha az atık, tedarik zinciri verimliliğini artırma ve envanter seviyelerini optimize etme
• Şirketlere piyasalarında rekabet avantajı sağlayan fiyat, kalite ve yenilikçilik konularında gelişmiş rekabet yeteneği
• Atık azaltma yoluyla sürdürülebilirliği artırma, enerji verimliliğini artırma ve üretim süreçlerinin çevresel etkisini en aza indirme