Данные, генерируемые производственными или процессными операциями, особенно данные временных рядов, очень богаты информацией, которая может дать полезную информацию о текущем и будущем состоянии производственных систем и продуктов, которые они создают. По мере того, как компании начинают оцифровывать свои промышленные операции, они узнают, что у них есть богатые операционные данные, но мало возможностей для их анализа в таких огромных объемах. В результате большая часть этих данных используется недостаточно, поскольку традиционные подходы, такие как модели регрессии, статистическое управление процессами (SPC) и оптимизация, имеют ограничения для эффективного использования многомерных тенденций и выявления новых идей для улучшения операций.

Машинное обучение для промышленных операций

Ключевым источником информации о данных временных рядов являются многомерные тренды, также называемые шаблонами, которые часто подвергаются криминалистическому анализу, чтобы понять прошлое поведение системы. Такие паттерны часто трудно описать, и их нелегко зафиксировать с помощью традиционных аналитических подходов. В результате они редко используются для прогностического анализа.

Машинное обучение стало ведущим подходом к максимизации ценности операционных данных за счет распознавания образов. Машинное обучение усиливает это, не только распознавая определенные шаблоны, но и благодаря своей способности изучать и обнаруживать новые и соотносить их с операционными событиями. После этого система операционной аналитики может выполнять распознавание образов, мониторинг состояния и прогнозную аналитику в режиме реального времени на основе существующих операционных данных. Эти системы прогнозирования помогают промышленным компаниям сокращать время простоя и повышать производительность и качество как в дискретных, так и в непрерывных производственных операциях.

Проблемы со стратегиями платформы

Тем не менее, большинство коммерческих решений для машинного обучения сегодня поставляются в виде платформ или требуют наличия в штате специалистов по данным для подготовки данных, моделирования системы, интерпретации результатов и предоставления рекомендаций по эксплуатации. Это создает две проблемы, которые удлиняют время, необходимое для того, чтобы увидеть ценность. Платформы мешают существующим рабочим процессам или другим цифровым инициативам и могут нарушить критически важные операции, поскольку для их развертывания требуется больше ресурсов, собственных инструментов и времени. Специалистов по данным трудно найти (и они дороги), и даже если они доступны, они часто не являются экспертами в области производственных операций.

С другой стороны, отраслевые эксперты (МСП) понимают и часто разрабатывают операционные процессы и передовой опыт. Эти ценные инженеры по производству, эксплуатации и технологам обладают специальными знаниями о том, как эксплуатировать оборудование, выполнять техническое обслуживание и обеспечивать безопасность. Однако промышленные МСП часто перегружены. Таким образом, улучшения часто ограничены в объеме из-за нехватки времени для реализации более сложных решений.

Оптимизация для промышленных МСП

Оптимальное решение этой задачи — когда система машинного обучения готова к использованию самими промышленными МСП без особых усилий. SME могут передавать в систему машинного обучения существующие многомерные данные временных рядов, генерируемые их операциями, и на основе прогностических выводов и предупреждений, предоставляемых системой, определять корректирующие действия, которые необходимо предпринять. Такой подход эффективен, потому что:

  • Промышленные МСП сохраняют как контроль, так и видимость, необходимые для внедрения улучшений.
  • МСП находятся в лучшем положении, чтобы определить корректирующие действия, которые необходимо предпринять.
  • Это обеспечивает более короткое время окупаемости, поскольку весь процесс, от определения варианта использования до проверки результатов, находится в операционной группе.