Share on pocket
Share on twitter
Share on linkedin
Share on whatsapp
Share on telegram

کاربرد داده‌‌محوری در تولید

کاربرد داده‌‌محوری در تولید

با اینکه فناوری‌‌های متنوعی برای جمع‌آوری اطلاعات وجود دارد، اما استفاده از آنها هنوز چالش بزرگی برای تولیدکنندگان است، چرا که رسیدن به تولید داده‌محور، حتی بیش‌تر از قبل هدفی دست‌نیافتنی به نظر می‌رسد.

با وجود این، چند روش داده‌محور وجود دارد که می‌توان برای افزودن به بهره‌وری در تولید از آن استفاده کرد. روش‌هایی مانند: استفادهٔ صنعتی از اینترنت اشیاء (IoT) و ابزار رایانش مرزی (edge computing devices) برای دریافت داده‌های سالن تولید (shop floor data) یا وارد کردن دستی اطلاعات دستگاه به صفحات اکسل برای تحلیل بیشتر. درست حدس زدید گزینهٔ درست روش دیجیتالی است که فرایند دریافت اطلاعات را ساده‌تر می‌کند.

بنابراین، تفکر عمیق دربارهٔ تبدیل‌شدن به یک تولیدکنندهٔ داده‌محور همواره برای شما مفید خواهد بود، یعنی تفکر دربارهٔ مزایا یا چالش‌های احتمالی پیش‌روی در راه‌اندازی برنامه‌های متمرکز بر داده و راهبردهای ملموسی که می‌توانید برای به بلوغ رساندن تحلیل کسب‌وکار خود از آن استفاده کنید.

تولید داده‌محور چیست؟

پیش از ادامه‌ی مبحث بهتر است به تعریف تولید داده‌محور بپردازیم و بگوییم تولید داده محور چیست؟

تولید داده‌محور رویکردی است که به شما این امکان را می‌دهد که در تصمیم‌گیری به‌جای استفاده از حدسیات، حس ششم و شواهد بی‌پایه‌واساس، از واقعیت‌ها و مجموعه‌ای از «شاخص‌های کلیدی عملکرد» (KPI) مرتبط با تولید استفاده کنید. در این رویکرد از داده‌های بخش تولید، اپراتورها و زنجیرهٔ تأمین استفاده می‌شود تا راه برای تصمیم‌گیری بهتر، کاهش هزینه‌ها و افزایش کارایی هموارتر شود.

این فناوریِ در حال ظهور به تولیدکنندگان کمک می‌کند تا با جمع‌آوری و پردازش داده‌ها، تحلیل درست‌تری از عملکرد خود داشته باشند. با این‌حال، همهٔ تحلیل‌ها یکسان نیستند. برای استفادهٔ موفقیت‌آمیز از داده‌ها در یک عملیات، ابتدا باید بتوانید داده‌های دقیقی جمع‌آوری، پردازش و معرفی کنید و البته استفاده از داده‌های جمع‌آوری شده، باید برای کاربر آسان باشد.

به‌عنوان‌مثال، اگر بخواهید داده‌های عملکرد یک دستگاه را به‌صورت دستی در یک کلیپ بورد گردآوری کنید، هم باید زمان زیادی صرف تکمیل کردن جداول خود بکنید، هم باید خطر بروز خطای انسانی را نیز به جان بخرید. در مقابل، با جمع‌آوری مستقیم داده از ماشین‌آلات از طریق «کنترل‌کننده‌های قابل‌برنامه‌ریزی» (PLC)، داده‌های بسیار دقیق و بی‌طرفانه‌ای تولید می‌شود. هر دوی این راه‌حل‌ها داده‌محور تلقی می‌شوند اما راه‌حل دوم مسلماً بهتر است و به‌کارگیری آن منجر به تصمیم‌گیری‌های مدیریتی سودمندتر خواهد شد.

 مزایای داده‌محوری در تولید

افزایش میدان دید: جذابیت تولید داده‌محور این است که مدیران تولید با استفاده از داده‌های جمع‌آوری شده به درک عمیق‌تری از عملکرد سازمانشان می‌رسند. بینشی که داده‌ها پدید می‌آوردند، منحصر به عملکرد هر یک از دارایی‌ها (individual asset performance) نیست، بلکه منجر به بینش کلی‌ای دربارهٔ عملکرد تمامی بخش‌های سازمان خواهد بود. این بینش به مدیران کمک می‌کند تا فرصت‌ها را بیشتر و بهتر شناسایی کنند و برای اصلاح عملکرد ضعیف و خرابی مکرر دستگاه‌ها اقدامات مناسبی انجام دهند.

هوش مصنوعی و یادگیری ماشینی: با مجموعه‌‌های بزرگ داده‌ (large data sets) تولیدکنندگان به توانایی اجرای الگوریتم‌های یادگیری ماشینی دست خواهند یافت که در نهایت در حل مشکلات پیچیده کمک حالشان خواهد بود. برای مثال، برخی از تیم‌های علوم داده از یادگیری ماشینی بدون نظارت (unsupervised machine learning) استفاده می‌کنند تا اشکالات دستگاه CNC را پیدا کنند. با این دست تحلیل‌هاست که تولیدکنندگان می‌توانند از روش‌های پیشرفته‌ برای تعمیر و نگهداری پیش‌گیرانه (predictive maintenance) استفاده کنند. بدون ظرفیت‌های پردازشی یا بدون دسترسی به داده، حتی ساده‌ترین انواع تصمیم‌گیری مبتنی بر داده‌ (data-based decision-making) امکان‌پذیر نخواهد بود.

اتوماسیون: دو دسته اتوماسیون وجود دارد که استراتژی‌های داده‌محور از آن پشتیبانی می‌کند. اولین مورد، جمع‌آوری خودکار داده‌ها است. اگر یک عملیات، به‌درستی به دستگاه‌های جمع‌آوری اطلاعات و نرم‌افزارهای پردازش آن مجهز شده باشد، دیگر روند جمع‌آوری اطلاعات، به نیروی انسانی، نیاز نخواهد داشت.

دومین مؤلفهٔ اتوماسیون، استفاده از داده‌ها برای تصمیم‌گیری خودکار است. هرچه تولیدکنندگان در روند تحلیلی خود پیشرفت کنند، از تحلیل‌های توصیفی (descriptive analytics) دور و به تحلیل‌های پیش‌بینانه (predictive analytic) نزدیک‌تر می‌شوند. این یعنی، ابتدا از داده‌ها برای درک آنچه رخ‌داده یا در حال رخ‌دادن است، استفاده می‌شود و سپس، با درک آنچه ممکن است اتفاق بیفتد، درک خود را به تکامل می‌رسانند و این فرصت را برای خود مهیا می‌کنند که به طور مستقل، برای مقابلهٔ صحیح با پیشامدهای پیش رو، اقدام کنند.

صرفه‌‌جویی در هزینه: داده‌ها می‌توانند ضعف تولید را پوشش دهند، زیرا تکمیل اطلاعات به تولیدکنندگان این توانایی را اعطا می‌کند که فرآیندهای تولید را هرچه بیشتر ساده‌سازی کنند و این امکان نیز برایشان فراهم می‌شود که ضایعاتشان  را به حداقل برسانند. بدون  داده‌های سخت (hard data)، اندازه‌گیری دقیق پیشرفت‌های تولید و اطمینان از صرفه‌جویی در هزینه‌ها، دشوار است.

برای مثال، Carolina Precision Manufacturing، سازندهٔ قطعات تراشکاری شدهٔ CNC سوئیسی با قطر کوچک و ضریب خطای بسیار کم، با ایجاد یک بستر اینترنت اشیاء، برای حصول اطمینان از رصد شدن کامل داده‌ها، موفق شد در یک سال، یک و نیم‌میلیون دلار پس‌انداز کند. در این مطالعهٔ موردی، توضیح داده می‌شود که چگونه بهره‌وری تولید، بیشینه‌کردن کارایی دستگاه‌ها و میزان پاسخ‌گویی مسئول دستگاه (drive operator accountability) افزایش پیدا کرد.

چالش‌های تولید مبتنی بر داده

جدا افتادن منابع داده و سیستم‌های قدیمی (Legacy Systems): بسیاری از سیستم‌ها و تجهیزات برای تعامل با یکدیگر ساخته نشده‌‌اند. این ممکن است حاصل سیستم عامل‌های (operating systems) متفاوت در بخش‌های مختلف، تجهیزات قدیمی یا صرفاً کمبود مستندات و ارتباطات باشد. مسأله در اینجا این است که تجمیع داده‌ها در سیستم‌های مختلف ممکن است دشوار باشد. به این معنی که شما اطلاعات ارزشمند کمتری از داده‌های جمع‌آوری شده، دریافت خواهید کرد. اما این مشکل در بستر اینترنت اشیاء که چندین سطح سیستم را به هم متصل و تجهیزات قدیمی را به تجهیزات آنلاین تبدیل می‌کند، برطرف می‌شود.

تهدیدات امنیتی: امنیت اینترنت اشیاء به دو دلیل آسیب‌پذیر است: اول، هر چه تعداد دستگاه‌های متصل به اینترنت اشیاء بیشتر باشد، احتمال آسیب‌پذیری هم بیشتر می‌شود. دوم، ممکن است امنیت دستگاه مبدأ مورد توجه قرار نگرفته باشد و این یعنی هیچ استاندارد یا پروتکل تدوین شده‌ای وجود ندارد. بااین‌حال، راه حل‌هایی هم برای کاهش این خطرات وجود دارد.

ذخیره‌سازی داده‌ها (Data Storage): هرچه تولیدکنندهٔ داده‌محور، دستگاه‌ها و سیستم‌های متصل بیشتری داشته باشد، داده‌های بیشتری جمع‌آوری می‌شود. به نظر می‌رسد هرچه کاربر بتواند از داده‌های جمع‌آوری شده،‌ بینش بیشتری کسب کند، موفقیت بزرگ‌تری برای سازمانش رقم می‌زند. اما باید در نظر داشت که جریان روبه‌رشد داده‌ها به مکانی برای جمع‌آوری و پردازش نیاز دارد که خودش ممکن است به یک چالش بزرگ برای سازمان‌ها تبدیل شود. این امر، به‌ویژه اگر کاربر بخواهد داده‌ها را در محل مورد نظر و در خود کارخانه (on-premises) ذخیره کند، بسیار هزینه‌بر خواهد بود. اینجاست که استفاده از «رایانش ابری» (cloud computing) اهمیت پیدا می‌کند.

استراتژی‌های تولید داده‌محور

تا اینجا درباره تعریف تولید داده‌محور، مزایا و چالش‌های آن صحبت کردیم. در این بخش به معرفی انواع استراتژی‌های تولید داده‌محور می‌پردازیم:

استراتژی بهینه‌سازی فرآیندهای داده‌محور

اولین قدم برای بهینه‌سازی ظرفیت تولید یک دستگاه، داشتن درک درست از توانایی‌ها و شرایط کاری آن است. این شرایط کاری می‌تواند شامل فهرست و سرعت رسیدن مواد به دستگاه باشد. برای دستیابی به این دانش، ادغام راه‌حل‌های ضبط داده (data capturing solutions)، مانند استفاده از دستگاه‌های رابط انسان و ماشین (human-machine interface device)، موردنیاز است. داده‌های جمع‌آوری شده و توانایی تصویری کردن شاخص‌های کلیدی عملکرد، بینش‌های مفیدی در مورد فرایندهای صنعتی، برای تصمیم گیرندگان و کارکنان شاغل در خط تولید، ایجاد می‌کند.

این بینش‌ها را می‌توان در تدوین فرایند بهینه‌سازی به کار گرفت و از ادامهٔ روند تولید در سطح مطلوب اطمینان حاصل کرد. رویکرد داده‌محور به شناسایی عوامل محدودکنندهٔ بهره‌وری نیز کمک می‌کند.

به‌عنوان‌مثال، برای بهینه‌سازی فرآیند، می‌توان از MachineMetrics استفاده کرد. در این مثال، داده‌ها به‌صورت روزانه از دستگاه‌ها جمع‌آوری و طبقه‌بندی شده با شاخص‌های عملکرد کلیدی مقایسه می‌شوند تا مشخص شود عملکرد کدام تجهیزات به چه دلیل در راستای هدف تعیین‌شده نیست. بینش هدفمند در مورد چالش‌های تأثیرگذار بر بهره‌وری دستگاه، می‌تواند مبنایی باشد برای اصلاح مواردی که عملکرد بهینهٔ یک دستگاه را محدود می‌کند.

استراتژی پیش‌بینانهٔ داده‌محور در مورد تعمیر و نگهداری

از ماشین‌آلات موجود در کارخانه باید به طور مداوم مراقبت کرد و از عملکرد بهینهٔ آنها مطمئن شد. به همین دلیل است که تمام تولیدکننده‌ها، به استراتژی‌های تعمیر و نگهداری برای مقابله با خرابی قطعات ماشین‌هایشان، مجهزند. در بسیاری از انواع تأسیسات رویکردی واکنشی یا تکیه بر تعمیر و نگهداری (reactive or run-to-failure approach)، همچنان به‌عنوان یک استراتژی برای نگهداری ماشین‌آلات برای مدت‌زمان طولانی‌تر به کار گرفته می‌شود. آمار نشان می‌دهد که این استراتژی تقریباً تا ۲۰ درصد مانع بهره‌وری می‌شود، وقوع تنها یک خرابی ناگهانی، حتی می‌تواند منجر به توقف تولید بشود.

ارمغان یک استراتژی داده‌محور برای مراقبت از دستگاه‌ها، ارائهٔ رویکردی پیشگیرانه است. به زبان ساده‌تر، نظارت بر تمامی شاخص‌هایی که مبین وضعیت سلامت دستگاه و اجزای موجود در آن است، تنها با استفاده از یک استراتژی داده‌محور ممکن می‌شود. با استفاده از این روش، خرابی‌های ناگهانی حذف و در نتیجه بهره‌وری تولید، بیشتر و بیشتر می‌شود.

برای نمونه می‌توان به استفاده از موتور کشف ناهنجاری MachineMetrics برای ردیابی خرابی در اجزاء و عملکرد دستگاه‌ها اشاره کرد. با استفاده از رابط برنامه‌نویسی کاربردی (API) موتور کشف ناهنجاری، داده‌های دستگاه‌های مختلف را تحلیل می‌کند تا بتواند برای هرکدام استراتژی تعمیر و نگهداری مناسبی فراهم کند. داده‌های تحلیل شده، سازنده را در مورد قطعاتی که نیاز به تعویض مکرر دارند آگاه می‌‌کند، همچنین در مورد نحوهٔ انجام برنامه‌های تعویض قطعات در چرخهٔ تولید، به تولید کننده بینش مناسبی می‌دهد. با به کارگیری این روش، موجودی قطعات یدکی سازنده همیشه به روز خواهد بود  و تعمیر و نگهداری براساس جدول زمانی مشخص انجام می‌شود.

سه مرحله برای بهینه‌سازی تولید داده‌محور

تعریف یا ایجاد استراتژی داده‌محور، برای بهینه‌سازی فرایندهای تولید شامل مراحل زیر است:

  1. ضبط داده و نظارت بر آن: توانایی جمع‌آوری بی‌وقفهٔ داده‌ها، زمینه را برای کارآمد کردن داده‌های شما فراهم می‌کند. MachineMetrics راه حلی از نوع اتصال و اجرا (Plug and Play) است که داده‌هایی مانند سرعت عملیات، دمای تجهیزات و میزان مصرف انرژی را از طریق تجهیزات تولید گسسته (discrete manufacturing equipment) و دستگاه‌های اینترنت اشیاء جمع‌آوری می‌کند.
  2. دسته‌بندی و مصورسازی داده‌ها: داده‌های جمع‌آوری شده باید پردازش و تحلیل شوند تا بتوان بینش موردنظر را از آنها استخراج کرد. MachineMetrics با بهره‌بردن از سیستم ابری آمازون (AWS)سامانه‌های کاربری آماده (out-of-the-box applications) تدارک  می‌بیند که می‌تواند با مصور کردن و استفاده از گزارش‌ کردن داده‌های خط تولید، از طریق بهینه‌کردن روندها، فرایندهای کارآمدتری ایجاد کند.
  3. هوش تجاری و عمل: گزارش‌ها و گردش کارها به این منظور فراهم می‌شوند که روند تصمیم‌گیری و فرایندهای ایجاد استراتژی‌ها را تسهیل کنند. به‌محض جمع‌آوری و تحلیل داده‌های دستگاه، توسعهٔ استراتژی‌های عملی برای بهینه‌سازی بهره‌وری تولید و اجرای آنها امکان‌پذیر خواهد شد.

 

 منبع machinemetrics
Share on pocket
Pocket
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on whatsapp
WhatsApp
Share on telegram
Telegram

سایر مقالات

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *