Datamining vo výrobe. Dolujte užitočné rozhodnutia z Vašich dát

Posted by tomas
in Blog
Napísané: 15 september 2020
Návštevy: 8
Hviezdy sú neaktívneHviezdy sú neaktívneHviezdy sú neaktívneHviezdy sú neaktívneHviezdy sú neaktívne
 

Dataminig a celkovo hrabkanie sa v Big Data databázach zažíva svoj hype hlavne na úrovni analýzy obchodných dát. Nie nadarmo marketingové kolosy ako Alphabet a Facebook sa tým živia. Vo firemnom prostredí zasa pokročilá biznis analytika v cloude ako je Power BI, alebo analýza správania Vašich zákazníkov pokročilými metódami dolovania dát pomocou stanovených kritérií. Tieto informácie Vám ukazujú trendy, umožnia Vám sa kvalifikovane rozhodnúť.

Nastal čas praktického dataminingu vo výrobe

S tým, že pomaly zberáte dáta zo strojov, Vaši pracovníci majú RFID čipy, všetky shop floorové aplikácie máte prepojené vyvstáva otázka, či viete tieto nazberané dáta aj nejak inak zmysluplne využiť. Spätná analýza získaných dát Vám vie poskytnúť naozaj cenné informácie. Jediný problém je, že sa s tou obrovskou kopou údajov zle pracuje (tu excel naozaj nestačí), vyžaduje to istú znalosť štatistických metód a aj kreativity pri hladaní kritérií vyhodnotenia.

Aby som nevykecával len všeobecné frázy, pozrime sa, kde vo výrobnej praxi sa so základnými formami dataminingu stretávame a kde to presiaka a naberá na dôležitosti:

  • Analýza výrobných nákladov a ziskovosti sortimentu/výrobku: je najjednoduchšia forma analýzy dát, rieši otázky manažmentu na:
    • s akou efektivitou vyrábame vybrané výrobky, oplatí sa ich vyrábať pri súčasných nákladoch?
    • aká je obrátkovosť výrobkov vo vybraných obdobiach, aká je priemerná doba skladovania, ktorá navyšuje cenu výrobku? 
    • ktorí dodávatelia materiálu majú na vstupe najstabilnejšiu kvalitu a dodávky sú načas?
    • ako veľmi ovplyvňujú vybrané parametre výrobnú cenu? napr. typ stroja, kvalifikácia(skill) obsluhy, nekvalita suroviny.
    • Analýza výrobných nákladov výrobných zakázok podľa odberateľa, charakteru surovín a výrobku atď. 
  • Analýza OEE a prestojov, efektivity plánovania:
    • Zvyšuje sa počet zoradení a zmien sortimentu? nikto si to skokovo nevšimol, ako keď varíte žabu, alebo sa snažíte vidieť trávu rásť, ale keď sa pozriete pár rokov dozadu, tak to násobne narástlo? viete analyzovať tento problém a adaptovať sa?
    • prečo sa opakuje vybraný prestoj, ako optimalizovať daný proces?
    • kde mám investovať, kde mám úzke hrdlo, aby moja investícia bola čo najlepšia? nie každý má neobmedzené prostriedky na investície, práve dáta z výroby ukážu, kde by investícia pomohla najviac.
  • Analýza kvality:
    • Kvalita výrobná a prevádzková:
      • opakuje sa vybraná nekvalita u vybranej skupiny dodávateľov? aký to má dopad na kvalitu finálneho výrobku? zvýšil sa počet nepodarkov alebo reklamácií?
      • aké kvalitatívne parametre majú najväčší vplyv na cenu predajnú a výrobnú, kde je možnosť cenu trocha zvýšiť, a kde zasa na základe predaja cenu stlačiť. 
    • Štatistické zhodnotenie a regulácia kvality vo výrobe:
      • Aký výstup dostanem ak použijem vybranú skupinu kvality materiálu, ktorú mám na sklade?
      • Ak laboratórne meranie ukázalo odchýlku v kvalite, akú nápravu(reguláciu, zmenu surovín a pod.) je najvhodnejšie v danom momente použiť, aby som sa vrátil naspäť na optimálne hodnoty? aké riešenie v minulosti pomohlo najviac? akú mám databázu týchto "best practises", zlepšujú sa moje nápravné opatrenia?
      • Je moje SPC riešenie dostatočne presné?
      • prichádzajú reklamácie na vybrané skupiny alebo šarže a potrebujete zistiť, čo sa stalo? 
  • Trendová analýza a plánovanie:
    • Aká je moja skutočná výrobná kapacita pre daný typ výrobku?
    • Ako zoskupovanie sortimentov do skupín ovplyvňuje výrobný čas?
    • Aký je priebeh efektivity výroby v čase? (klesá produktivita na nočnej zmene, alebo je výrazne iná v nedelu?, ktorá partia má pri ktorom sortimente najlepšiu efektivitu?) 
  • Prediktívna údržba:
    • Aké náhradné diely boli použité v akých časových intervaloch v porovnaní s reálnym použitím stroja? Po koľkých motohodinách bolo spravdla nutné diel vymeniť?
    • Pri akom prevádzkovom parametri došlo k vybranej chybe?
    • Ktorá kombinácia materiálu najčastejšie znížila efektivitu stroja a viedla k prestoju?    

  

Metódy dataminingu vo výrobe

Spomeniem zopár, ktoré používam. Nie som guru na deep datamining, skôr hladám praktické a udržateľné riešenia pre našich zákazníkov:

  • z prevádzkových dát vytvorím OLAP kocku (alebo pohľad na databázu) s potrebnými "plochými" dátami a dimenziami (den mesiac rok, človek, stroj, prestoj, atď.), tento pohľad sa v pravidelných intervaloch vyhodnocuje cez interný OLAP reporting zabudovaný v našom systéme s možnosťou ukladania schém a výsledných filtrov a kociek. ALternatívne dáta uploadujeme na Azure, kde k nich je prístup z Power BI, kde si manažér potrebnú analýzu vyskladá sám ,alebo s pomocou BI konzultanta.
    • Kocka pre analýzu efektivity a prestojov
    • Kocka pre analýzu dochádzky ku stroju a práce
    • Kocka pre vyhodnotenie nákladov po zvolených dimenziách
    • Kocka pre vyhodnotenie kvality
  • dáta zo stroja ukladám do JSON alebo XML logu (súboru) na dennej báze. Vznikajú tak pomerne veľké súbory, ale stále celkom dobre spracovateľné. Následne ich napumpujem do NoSQL databázy, alebo zasa na požadovanú cloud platformu pre ďalšiu analýzu. Príkladom je systém WATS, kde priamo dáta odchádzajú do požadovanej štruktúry databázy WATS, kde sú okamžite dostupné pre analýzu.
  • vytvárame databázové tabuľky so spracovanými údajmi. Tabuľka sa updatuje spravidla na mesačnej báze samostatným JOBom (alebo softvérovým robotom) napozadí, ktorý beží spravidla v noci. Túto predchrúmanú (agregovanú, prefiltrovanú, homogénnu, harmonizovanú) tabuľku vie užívateľ exportovať do excelu a urobiť si nad tým požadovanú analýzu alebo kontingenčnú tabuľku.

ako to vyzeralo pred rokmi :-) : 

 

Ako to vyzerá dnes:

 

 

HORE