Aby móc z powodzeniem realizować działania na podstawie analizy innych aktywności oraz z zastosowaniem zaawansowanych algorytmów, np. uczenia maszynowego lub sztucznej inteligencji, organizacja powinna rozpocząć i ciągle prowadzić transformację w kierunku organizacji skoncentrowanej na danych (ang. data-driven organisation). Z perspektywy procesów inżynierskich, działaniom w celu transformacji organizacyjnej i biznesowej musi towarzyszyć wdrażanie rozwiązań technologicznych, które umożliwiają efektywne wykorzystanie danych.
Poniżej zostały przedstawione przykłady tego, jak zastosowanie rozwiązań technologicznych umożliwiających stosowanie danych, analiz i wynikających z nich spostrzeżeń analitycznych pozwala budować doświadczenia klienta oraz tworzyć nowe możliwości biznesowe.
Zbieranie danych z linii produkcyjnej
Na platformie analitycznej udostępniany jest zestaw usług, które pozwalają na implementację i monitorowanie narzędzia predykcyjnego utrzymania ruchu (ang. predictive maintenance). Działanie platformy umożliwia podniesienie jakości usług, konserwację produktu, minimalizację przestojów, ubezpieczenie, gwarancję i podnoszenie wydajności produktu w czasie, co prowadzi do poprawy efektywności.
Przy wprowadzaniu systemów w zakresie procesów inżynierskich i danych z nimi związanych możemy wyróżnić następujące cechy, które są efektem zaawansowanej analizy danych:
- Jakość – parametry produktu są monitorowane za pomocą czujników wysokiej rozdzielczości na całej linii produkcyjnej. Do analizy danych stosowane są algorytmy uczenia maszynowego, które automatycznie określają przyczyny defektów, a także przewidują problemy związane z marnotrawstwem jeszcze przed ich wystąpieniem.
- Optymalizacja produkcji – jest wynikiem zmniejszenia liczby przestojów, ponieważ maszyny wysyłają kluczowe dane dotyczące konserwacji, które są używane do optymalizacji wydajności i zapobiegania awariom.
- Koszt – przechwytywanie i analizowanie danych na każdym etapie procesu produkcyjnego, w tym danych dotyczących maszyn i linii produkcyjnych oraz transportu i logistyki, umożliwia identyfikację nowych możliwości obniżenia kosztów.
Przykładowe wdrożenie: Techniki zapobiegania przestojom w firmie Ford
Niniejszy przykład należy do kategorii predyktywnego utrzymania ruchu (ang. predictive maintenance) – czyli technik pozwalających między innymi na zapobieganie zakłóceniom w produkcji przemysłowej. Należy pamiętać, że istnieje wiele innych kategorii zakłóceń związanych z łańcuchem dostaw, które mogą mieć wpływ na ciągłość produkcji.
Kluczowym czynnikiem umożliwiającym przewidywanie zakłóceń jest posiadanie niezbędnych czujników przemysłowego Internetu rzeczy (Industrial Internet of Things – IIoT), które służą do gromadzenia danych generowanych w narzędziach i maszynach. W niektórych, technicznie możliwych przypadkach, jeśli sprzęt nie posiada zintegrowanych czujników pozwalających na gromadzenie danych na temat interesującego nas parametru można skorzystać z możliwości ich dodania (tzw. retrofitting).
Ford Motor Company używa technologii Artis w celu monitorowania sprzętu używanego do cięcia przekładni. Artis jest to technologia stworzona przez firmę Marposs. Rozwiązanie to zostało wybrane jednym z czterech finalistów konkursu Ford Global Manufacturing Technical Excellence Awards 2019. Wdrożenie nowego systemu monitorowania pomogło osiągnąć poprawę trwałości narzędzi w wysokości 30-80% w porównaniu z tradycyjnymi praktykami wymiany narzędzi. Przyczyniło się także do zmniejszenia ogólnych kosztów produkcji ze względu na mniej nieplanowanych przestojów, mniej czasu spędzonego na pracy ze standardowymi materiałami oraz zmniejszenie wskaźnika odpadów.
Zbieranie danych z maszyn rolniczych
W kontekście cyfryzacji rolnictwa, analiza danych jest punktem zwrotnym w rozwoju zdolności wytwórczych, także w obszarze rolnictwa na małą skalę i biorąc pod uwagę istniejący niedobór zasobów. Jednym z przykładów jest model Farming as a Service, który polega na zapewnianiu rozwiązań technologicznych do użytkowania w rolnictwie. Pozwala to na zmianę kosztów stałych na koszty zmienne, poprzez naliczanie opłat za korzystanie z usług, takich jak zbieranie danych przez czujniki czy wynajem maszyn.
W przypadku rolnictwa w obszarze zadań i danych z nimi związanych możemy wyróżnić następujące kategorie:
- Dane cyfrowe po raz pierwszy stały się źródłem wzrostu produktywności w rolnictwie precyzyjnym. Początkowo obejmowało ono głównie użycie systemów kierowania, monitorowanie plonów, stosowanie zmiennych dawek nawożenia, transmisję skomputeryzowanych informacji na duże odległości tj. telematyka i zarządzanie danymi.
- Na platformie analitycznej udostępniany jest zestaw usług, które pozwalają implementować oraz monitorować narzędzia predykcyjnego utrzymania ruchu, optymalizacji plonów i inne.
- Analiza danych pozwalających na budowanie narzędzi do optymalizacji plonów – producent sprzętu rolniczego przekształca sprzedaż tego sprzętu w sprzedaż narzędzi do optymalizacji plonów.
Przykładowe wdrożenie: Monitorowanie sprzętu w terenie
W obszarze ciężkich maszyn rolniczych firma John Deere oferuje usługę monitorowania sprzętu w terenie. Urządzenia kontrolujące pozwalają wykryć anomalie, jeszcze zanim te spowodują awarię. Porównując dane z całej floty, firma może opracować bardziej optymalne protokoły konserwacji i napraw. Wizyty techników można zaplanować z wyprzedzeniem w porozumieniu z klientem, aby rozwiązać potencjalne problemy lub w razie potrzeby zapewnić usługi konserwacyjne.
Natomiast firma Caterpillar oferuje kabiny wyposażone w czujniki, które pozwalają monitorować operatora pod kątem zmęczenia i dekoncentracji (umożliwiają to systemy analizy obrazu, w tym także mimiki twarzy). Dzięki temu pracodawca może lepiej organizować czas pracy pracowników w celu zminimalizowania zmęczenia, co przekłada się na podniesienie poziomu bezpieczeństwa w miejscu pracy.