该“d”字已经成为制造世界上最热门的趋势之一。附加到装配工具和生产设备的最先进的传感器能够收集恒定的数据流。
制造商面临的挑战是如何分析数据的大量，以获得竞争优势。公司是搞清楚如何使用它可以提高产品质量，提高生产效率和产量，降低成本，优化供应链。
数据驱动的操作对制造业的未来至关重要。然而，许多制造商目前都在努力把握数据和分析可以释放的全部价值。
根据波士顿咨询集团(BCG)和世界经济论坛(World Economic Forum)最近进行的一项研究，近75%的受访制造业高管认为，先进的分析技术对成功至关重要，比三年前更加重要。然而，只有少数公司能够充分利用数据和分析的价值，帮助制造商解决最紧迫的挑战。
不到20%的受访者优先考虑高级分析，以促进短期成本降低或长期结构成本改善。只有39%的人成功地将数据驱动用例扩展到单个产品的生产过程之外，从而实现了一个明显积极的业务用例。
“制造业是一个数据驱动的革命的边缘，”声称丹尼尔Küpper，在BCG董事总经理和合伙人合着谁报告。“但是，很多企业都大失所望，因为他们缺乏所需的有效规模的数据和分析应用程序的技术骨干。建立这些先决条件将是在大流行后的世界取得成功的关键。”
许多好处
数据分析可用于通过制造工程师帮助回答的重要问题，如：
- 如何对我的资产现在的表现如何？
- 我的生产过程有多有效?
- 它是怎么过去执行？
- 什么它的性能做出了贡献？
- 性能怎样的变化和趋势？
- 它在未来的表现如何?
- 我应该当什么行动？
ABI Research最近发布的一份报告称，到2026年，制造商将花费200亿美元来转换和支持数据分析。
“未来工厂预计将有更大的自主权灵活性和适应性的生产线，因为它们发生集成闭环质量控制，并连接工作者，以提高在供应和需求的变化作出有效反应，”瑞恩·马丁，在研究主任ABI研究。
“The main challenges manufacturers are facing in today’s post-COVID environment are increasing costs coupled with fluctuations in demand, constraints on availability of materials and access to a skilled workforce,” adds Simon Coombs, managing director of digital manufacturing and operations at Accenture Industry X. “These challenges make it more important than ever to improve visibility of performance metrics and increase flexibility to respond to market and supply-chain dynamics.
库姆斯指出:“企业正从简单地分析历史数据转向基于实时洞见和指导进行调整。“组装就是计划工作，然后根据指令执行。
Coombs称:“制造商需要实时数据分析，因为它可以为许多关键活动提供动力。”“(好处包括)管理零件的可用性和顺序，有效的测试，质量管理，提供可追溯性和减少库存，同时提高吞吐量和灵活性。这样，数据分析就可以帮助优化现有的工作方式，并引入新的见解，以实现优化工作方式。”
数据爆炸
边缘计算驱动的数据收集、工业物联网(IIoT)、传感器和其他智能技术正在渗透到工厂的方方面面。但是，虽然数据有价值，但并不是所有收集到的数据都对企业有价值。
”收集的数据的智能机器是如此之大,是不可行的,把它从源头到云,和数据是否需要移动可以上传,”杰弗里·雷克说,Hivecell的CEO,一个edge-as-a-service公司。“到2025年，75%的数据将在传统数据中心或云之外处理。
“制造商应该寻找[供]边缘的计算能力是提供易于部署的，面向未来的，技术中立的解决方案，可以使他们能够无限和保存规模的管理和处理大数据，海量资源的”笔记里克。“[公司]仅仅依靠云缺少一个机会来分析预置数据并作出更明智的决策。”
一些制造商对数据分析感到焦虑，因为智能机器每分钟都在收集大量的数据。通常，分析这么多不同的数据流的想法听起来像是一个难以承受的、昂贵的问题，尤其是对较小的公司。
随着工业4.0继续成为标准，没有充分利用其数据的制造商将处于竞争劣势。
“近年来，数据量不断增加，未来数据分析对制造商将继续变得更加重要，”PA咨询公司的运营改善和数字化转型预期C.V. Ramachandran说。“然而，只有大约20%的制造商使用数据分析来提高效率，增加正常运行时间，减少停机时间。
Ramachandran声称:“制造工厂产生的高达90%的数据通常无法用于构建真正有助于业务的见解。”“传统上，有很多强调历史报道，重点是过去发生的事情。更不重视利用数据来预测未来会发生什么。”
富士通智能工厂负责人Alok Sahu补充说:“制造商通常希望看到所有数据，但平均来看，我们看到大约90%的数据被浪费或未被使用。”富士通是一家领先的通信和信息技术供应商。“通常情况下，数据没有被恰当地上下文化，所以当它被存储起来时，就再也见不到天日了。”
企业软件公司UrsaLeo的首席运营官Angie Sticher表示，兆兆字节的捕获数据通常会被浪费或在制造工厂中未被使用。
Sticher解释说:“我们现在生活在一个工业物联网呈指数级增长的世界，每天都有大量的数据被收集。“不幸的是，没有一个明确的方法来分类或分析它。这一问题使得许多机构数据丰富，信息匮乏。”
未充分利用的数据
来自Forrester研究公司声称，所有的数据高达73％的组织内收集的最新报告都用不上。
“这已经成为一个经常被重复统计，突出物联网中的基本和越来越大的挑战，”基思·弗林，在艾斯本技术公司，专门从事资产优化软件公司产品管理高级主管说。“作为连接设备的数量继续呈指数级增长，[公司]比他们知道该怎么做收集更多的数据。然而，73％的统计是有点倒退。
“问题不在于数据的73％将会闲置，”笔记弗林。“这是企业收集大量可能是没有用的开始 - 这一越来越严重的问题的数据。到2025年，据估计，全球将有近37十亿连接的设备，产生超过79泽字节的数据“。
今天，所有行业的制造商都承受着巨大的压力，要在降低成本的同时组装最高质量的产品。为了取得成功，他们需要态势感知和持续的情报，以改进决策，检测异常情况，并消除生产过程中的浪费。
KX系统公司是一家专门从事流媒体分析的软件公司，该公司物联网高级副总裁Przemek Tomczak说:“连接设备和传感器的数量不断增加，正在创造大量的数据来处理、分析和存储。”“大多数传统和当前的软件都无法满足这些数据量和分析需求。
Tomczak解释说:“我们看到先进的过程控制系统和历史学家正在努力克服来自这种新数据的瓶颈，并要求将这些数据提供给工程师、数据科学家和管理人员。”“因此，当部署系统来检测异常并进行预测时，组织可能会面临数据瓶颈，反应时间变慢，并导致(工厂)地板上的低效行动。
Tomczak声称:“利用数据来理解和优化机器的使用和维护，对工厂的工作流程和产出是一件好事。”“无论是为一组机器导航维修计划，以确保它们能够针对大型生产作业进行优化，还是理解机器哪怕是微小的操作修正，实时数据理解和分析都是实现作业最大化的关键。”
避免的错误
不幸的是，对于什么是数据分析以及它是如何适用于制造一些混乱。也有在新技术进行投资，而不是实现收益的普遍恐惧。
Tomczak表示:“有多少数据和分析就足够了，以及需要多快才能对业务产生有意义的影响，这些问题都令人困惑。”“例如，尽管实时数据和分析仍然是关注和投资的重要领域，但‘实时’的含义存在很大差异。
Tomczak指出:“只有三分之一的受访企业将实时定义为一秒或更快的时间，近一半的企业认为实时意味着长达一小时或更长时间，甚至是几天的时间。”为了解决这种困惑，重要的是始终将数据分析活动与业务结果联系起来。(工程师应该)能够解释或演示如何使用组织的用例和计算投资结果的回报得出建议。”
“(一些制造工程师)低估了确保拥有良好数据所需的时间，”Pathmind Inc.首席执行官克里斯·尼克尔森(Chris Nicholson)补充道。这家公司将人工智能技术应用于工业运营。“数据是潜在现实的代表。
尼克尔森警告说:“你需要确保数据恰当地反映了这些现实，你正在观察重要的指标，数据是干净的。”“如果你做不到这一点，世界上最好的算法也不会给你提供深刻的见解。”
“Even though data access is the biggest challenge, the biggest mistake is to start with data collection,” says Jon Parr, senior manager for digital manufacturing and operations at Accenture Industry X. “General initiatives to ‘get connected’ and collect all possible data are a sure road to high cost and frustration.
“这些公司专注于特定的用例有明确的价值利益，收集恰到好处的数量和所需要的数据的质量，有可能为客户提供最大的价值，并扩展其[数据分析主动]更快，”索赔帕尔。
格雷厄姆Immerman，在MachineMetrics营销副总裁说，他认为工程师们与数据的两个大错误。“首先是不具有用于拍摄数据行动的过程，”他指出。“使用数据得到一个什么样是一个更好的主意，而不是工作的[厂]地板是成功的一半。下一步是通过使实际的改善来实现价值。这是最困难的部分。
“第二个错误是没有设定数据基线，”Immerman说。“许多公司急于起步，往往会跳过这一关键步骤。不幸的是，如果没有基准来衡量，就很难知道各种努力可以创造多少价值。要想知道自己到底进步了多少，站在秤上是至关重要的第一步。”
为了解决这些问题，最近MachineMetrics推出了一款名为预测产品，它利用高频机数据，而无需使用外部传感器来增压预测分析能力的技术。它具有三个基本组成部分。
“首先，即插即用的高频数据采集获得了前所未有的保真度，”Immerman解释道。“当数据以更高的频率收集时，保真度提供了前所未有的设备问题的可见性，以前基本上是不可见的。然后，这些数据可以立即用于时间序列或机器学习模型的输入，以预测机器故障。
“一旦开发完成，(工程师)就可以部署和管理这些算法到(我们的)边缘设备，在源头处理和分析，实时检测潜在故障，”Immerman补充道。“最后，当一种算法被触发时，(工程师)可以通过警报和通知提供操作员的操作，或者在设备故障前自动停止并调整机器的操作。”
新算法可以解决大数据问题
在当今的大数据世界中，从每天收集的大量信息中学习对制造商来说至关重要。通常，从装配线上的工业物联网机器收集的数据会被发送到云中的远程计算机进行分析和存储。但是，如果网络连接失败，就会出现大问题。
工程师在纽约州立大学布法罗分校开发出一种新的算法解决了这个问题。
管理科学与系统助理教授Haimonti Dutta表示:“设计能够从数据中学习的算法对企业至关重要。”“我们的模式允许设备之间相互通信，使它们能够抵御网络故障，同时提高决策者的信息质量，并且比其他[替代方案]快几个数量级。”
Dutta使用7个公开可用的、真实世界的数据集进行了广泛的计算研究，以验证模型的性能。她发现，她的结果比其他类似算法快1.5倍。她还用它来预测一家食品制造工厂的机械故障，使用的数据超过100万个点。
“这个案例表明，企业可以使用互联网连接设备的远比收集更多的数据，”杜塔说。“我们的算法可以用在速度为实时预测和学习关键的，像早期识别异常，可导致缺陷，并且应用策略，允许设备适应和优化自身设备使用。”
很快，“小数据”可能会成为大新闻
虽然“大数据”已经大新闻在最近几年，可能会发生变化。Gartner预测，到2025年，组织70％将转移其注意力转移到小范围的数据，为分析提供更多的背景，使人工智能的数据较少饥饿。
高德纳公司杰出的研究副总裁吉姆·黑尔表示:“COVID-19大流行等干扰正在导致反映过去情况的历史数据迅速过时，这正在打破许多生产人工智能和机器学习模型。”“此外，人类和人工智能的决策变得更加复杂和苛刻，并过度依赖渴求数据的深度学习方法。”
在未来，新的分析技术，如“小数据”和“范围内的数据，”将变得更加普遍。“综合起来，它们能够更有效地使用可用的数据，无论是通过减少所需的体积，或者从非结构化的，不同的数据源中提取更多的值，”野兔解释。
小数据是一种需要更少数据的方法，但仍然提供有用的见解。它包括特定的时间序列分析技术或少镜头学习、合成数据或自我监督学习。
宽数据使得各种小的和大，非结构化和结构化数据源的分析和协同作用。它适用X分析，用X站在查找数据源之间的联系，以及为数据格式的多样性。这些格式包括表格，文本，图像，视频，音频，声音，温度，甚至气味和震动。
Hare说:“这两种方法都可以促进更强大的分析和人工智能，减少组织对大数据的依赖，并实现更丰富、更完整的态势感知或360度视角。”“(这两种技术都可以用来)应对训练数据可用性低的挑战，或通过使用更广泛的数据开发更健壮的模型。”
根据野兔，对于小的和宽的数据潜在的应用包括“自适应自治系统，如机器人，它不断受到在时间和在不同的感觉通道事件的空间相关性的分析学”。
有关智能工厂和数据分析的更多信息，请阅读这些其他装配文章：
