将BI引入工业领域:数据分析太难?“自助式分析”工具来了!

admin 2021年6月1日04:50:51评论42 views字数 2452阅读8分10秒阅读模式
将BI引入工业领域:数据分析太难?“自助式分析”工具来了!
图1  使用数据模型(数据科学家的领域)实现分析。本文图片来源 :Trend miner
“ 将分析交给最了解数据的过程专家处理。用户实施自助式服务分析的经验表明,使用传感器生成的时间序列数据可为工业用户带来更高的成功率。
越来越多的企业想要收集和分析那些驱动决策所需的数据,以支持更好的业务成果。在监视和控制生产过程时,很多企业都将传感器多年生成的时间序列数据存储在历史数据库中。如今,越来越多的传感器被用于监视或预测资产性能。除了传感器生成的时间序列数据外,还以多种形式、格式和系统收集运行数据,包括批处理记录、产品质量数据、班次日志和维护数据。如果了解数据含义的人员可以访问并使用它们,则可以帮助企业提高运营绩效。

工业分析领域的挑战

除了实时过程数据外,信息收集还包括进料、用户和供应商信息以及其它业务过程数据。还可以分析此数据以提高性能。数据科学家已经使用 R、Python、Jupiter 等工具来完成这项工作。可以从多个数据源获取数据,进行预处理并在数据模型中使用。
主题专家(例如过程和资产工程师)可帮助数据科学家更好地理解数据的重要性,帮助构建数据模型并在部署之前验证其有效性。这些项目需要时间和资源。 
近年来,很多分析工具和应用程序被引入到工业应用当中。各种各样的数据、数据源和目标,使人困惑于使用哪些工具处理哪些数据,谁使用这些数据,用来做什么? 
从业务层面来说,使用分析工具一方面可以用来设计、测量和分析业务流程、客户行为和供应链绩效,另外一方面可以用来分析、监控和预测运营绩效。从生产流程层面来说,应用程序可以在两个轴上进行映射 :分析成熟度(横向)和适合度(纵向)。 
在这种分析环境中,我们常见的是用于跟踪运营绩效(描述性分析)的通用工具或平台,例如用于检索、分析、转换和报告数据的商业智能软件(BI 工具)。这类工具和平台可用于各种通用大数据,甚至适用于更高的分析成熟度。在很多情况下,这些工具和平台需要数据科学家针对特定用例进行定制。 
对于更具体的数据,例如传感器生成的生产过程时间序列数据,历史数据库供应商还提供了一些分析功能,但通常需要数据工程师或科学家使用分析功能,才能将结果提交给更高级的分析成熟度,例如发现、诊断或预测分析。 
此外,还有一种工具被称为自助式工业分析工具,这些工具可以使已经了解数据含义的主题专家自行分析数据。
将BI引入工业领域:数据分析太难?“自助式分析”工具来了!
图2  最新的自助式服务分析解决方案的关键功能

自助式工业分析

最先进的自助式服务分析应用,使非数据科学家也可以分析其生产过程。该解决方案应使团队能够在其运营环境中分析、监控和预测生产绩效,同时为每个利益相关者提供个性化的服务,以监控与其负责的关键绩效指标(KPI)相关的运营绩效。 
为了有效发挥作用,一般来说自助式工业分析解决方案必须是完全基于网络的即插即用解决方案,无论是安装在现场还是提供完整的 SaaS 解决方案,都可立即实现其价值。 
它应支持各种各样的历史数据库,并允许将非工业环境的数据纳入分析,例如财务数据库、维护管理系统、实验室信息管理系统、超预期结果、批处理系统、非结构化数据和其它系统。
过程和资产工程师必须能够基于嵌入式人工智能和机器学习功能,使用高速趋势分析来快速搜索和验证生产问题。他们必须能够通过模式识别、统计功能或提供的建议,快速找到过程异常的根本原因,而无需建立数据模型。
另一方面,工程师应能将多个时间段的良好过程行为转换为特征,以用于监视操作性能。如果发生偏差,他们可以确定向哪个负责人发送通知以采取适当措施。当物理传感器不可用时,可以创建软传感器来分析和监视产品质量。
该解决方案还应考虑预测性绩效方案、全球协作、知识获取和个人生产数据包的创建。这样,每个运营团队成员就可以更快地做出更好的决策,并从中获得与其组织角色相关的收益。
将BI引入工业领域:数据分析太难?“自助式分析”工具来了!
图3  通用工具与自助式分析工具关注的不同侧重点

工业分析工具的价值体现

一种经验证的工业分析方法, 是从小规模试验开始,再快速扩展。通过基于时间序列的数据, 选择一些实际用例,可以在 3 个主要方面证明分析工具的价值 :
• 解决以前未解决的过程性能问题 ; 
• 验证假设并证明其是正确或错误的,以便将来可以解决或 排除它们 ; 
• 通过数据提供新见解,找到提高性能的新方法。
在一些成功案例中,利用自助式服务行业分析可以为工业用户带来系统优化和效率提升
1、通过改进废气处理减少排放
搜索和发现分析证明工程师的假设,使他们能够通过废气处理将有问题的工况减少 63%,并大大减少排放。
2、生产质量优化
通过在生 产运行过程中对比好质量时期和差质量时期,并使用“分层比较”, 工程师可以轻松地找出造成质量问题的原因。
3、减少生产损失
一家化工 厂的工艺工程师,向每个用户展示了正在经历的不必要的生产损 失。当他们看到可以为其工作提供快速支持时,就更容易接受变更。新的解决方案有助于拥有经过全面培训的本地支持者,并且 在遇到有关如何最好地解决特定用例问题时,为其他人提供帮助。
在组织层面上必须考虑以下 因素,才能成功引进最新的工业分析软件 :
• 在业务部门内创建专门的推广团队,并与当地团队合作运行项目 ;
• 创建具有工程和生产数据分析专家参与的项目管理团队。这些专家可以使用新工具帮助当 地工厂和用户取得成功 ; 
• 创建资产分析小组以交流想法和最佳实践 ; 
• 与业务部门经理合作实施个人成功计划,以帮助用户改变行为并获得支持 ; 
• 与业务生产管理部门的利益相关者一起,成立一个数字工作组作为指导委员会,以帮助顺利地进行全球推广。
全面数字化是一项艰巨的任务,对老旧工厂的运营更是如此。最好从企业成功机会最高的领域小范围的开始试验。用户实施自助服务分析的经验表明,使用传感器生成的时间序列数据可带来更高的成功率。 
具有分析能力的过程专家可以制定数据驱动型决策,以改善整体运营绩效,满足短期和长期组织目标,促进组织的数字转型并保持持续的市场竞争力。


原文来源:控制工程中文版

将BI引入工业领域:数据分析太难?“自助式分析”工具来了!

本文始发于微信公众号(关键基础设施安全应急响应中心):将BI引入工业领域:数据分析太难?“自助式分析”工具来了!

  • 左青龙
  • 微信扫一扫
  • weinxin
  • 右白虎
  • 微信扫一扫
  • weinxin
admin
  • 本文由 发表于 2021年6月1日04:50:51
  • 转载请保留本文链接(CN-SEC中文网:感谢原作者辛苦付出):
                   将BI引入工业领域:数据分析太难?“自助式分析”工具来了!https://cn-sec.com/archives/288035.html

发表评论

匿名网友 填写信息