使用数据清理管理制造信息

通过使用数据清理实现数据科学和分析技术可以在质量、效率和成本降低等方面帮助公司。

通过马特·科尔曼 2022年8月22日
图片由Brett Sayles提供

分析见解

  • 数据清理的目的是将已经存在的数据转换为更易于使用和接近的格式,而不会让用户不知所措。
  • 这是塑造和塑造数据的关键步骤,因此可以将其用于从分析到预测维护等各种建模。

在制造过程中有太多的数据常常被忽视。当我们想到制造时,我们通常认为有形的产品生产是首要目标。虽然这是事实,但生产过程中的许多步骤都会产生有价值的数据作为副产品。制造业中的采购、运营和工程等领域都会产生大量等待利用的可消费数据。通过数据清理实现数据科学和分析技术可以在质量、效率和成本降低等方面帮助公司。

大多数数据科学和分析实现遵循相同的路线图,首先确定需要解决的问题。例如,您的生产线上的设备是否存在故障问题,您是否希望在故障发生之前预测故障?你的生产过程产生的废料比你想要的多吗?您是否需要一个实时仪表板来跟踪整体设备效率(OEE)?

一旦确定了潜在的改进,下一步就是收集相关的原始数据或尚未处理使用的数据。有些时候,这些数据是现成的,但也有一些情况,我们必须追踪信息或从头开始收集信息。制造业中的原始数据的一些例子是数据历史学家或来自企业资源规划(ERP)或制造执行系统(MES)的数据存储库。

数据清理的好处

虽然原始数据无疑是有帮助的,但通常还有一个称为数据清理的额外处理步骤,将数据转换为更易于使用和接近的格式。一些数据清理步骤包括聚合、转换和删除丢失的数据。数据清理的主要目标是以一种可以被预测模型或分析包轻松使用的方式准备数据。数据清理的另一个优点是减少大小,从而带来计算优势和更低的数据存储成本。

数据清理过程可能很耗时,但它是为建模准备数据的关键步骤。建模步骤返回到最初的问题,即我们试图解决什么问题。根据您想要的结果,可以使用许多不同的预测建模技术。例如,识别故障的概率是一个二元分类问题。利用图像分类来寻找产品缺陷可能会使用卷积神经网络(CNN)等机器学习算法。数据科学过程的建模步骤是奇迹发生的地方。

制造业数据科学实现的最后阶段是展示发现。利用BI仪表板是实现这一目标的最佳方式,它将结果整合到一个简单的有用信息幻灯片中。这些仪表板可以是描述性的,这意味着它们可以查看历史数据,但也可以查看实时数据。BI仪表板上显示的信息通常集中于与我们试图解决的问题或我们想要进行的改进相关的特定指标。实时仪表板的主要优点是在事件发生时对其做出反应,这通常会节省成本和质量。

这些都是我们使用分析来解锁大量制造数据所采取的步骤。这是一个结构化的过程,但由此产生的见解和可操作的想法是非常值得努力的。

-这最初出现在Avanceon的网站.Avanceon是CFE媒体和技术内容合作伙伴。由网页内容经理克里斯·瓦夫拉编辑,控制工程, CFE媒体与技术,cvavra@cfemedia.com

原始内容可以在Avanceon


作者简介:马特·科尔曼,Avanceon分析业务主管