克服瓶颈：制造分析的力量

Ruban Phukan，联合创始人兼首席产品和分析Progress DataRPM 的官员讨论了与瓶颈的古老斗争以及 pred 的作用……

Progress DataRPM 的联合创始人兼首席产品和分析官 Ruban Phukan 讨论了与瓶颈的古老斗争以及预测分析在制造业中的作用。

围绕制造瓶颈的问题有据可查。从生产延迟、库存过剩、来自客户的压力增加等等，突然的、不可预见的产能限制所造成的问题对行业中的任何企业都可能是毁灭性的。考虑到这一点，Manufacturing Global 与前雅虎数据科学家和 Progress DataRPM 的领军人物 Ruban Phukan 就预测性维护模型的使用以及它们如何帮助建立防故障环境进行了交谈。

深入问题的核心

作为雅虎数据分析团队的前成员，Phukan 精通大数据使用的复杂性。 “我是多年前在雅虎创建的第一个数据科学团队的一员，”他说。 “那里学到的重要知识是，对于大型组织来说，数据科学很难手动扩展。我们意识到，真正解决数据科学问题的唯一方法是，以能够为企业增加价值的方式实现数据分析背后的流程自动化。”

离开雅虎后，Phukan 开始了自己的垂直搜索引擎业务，使用机器学习来了解用户行为，特别是处理预测分析。在将其出售后，他与他目前的联合创始人一起开展业务，在那里他了解了 ProgressDataRPM 的故事以及它如何在解决瓶颈等诸多方面取得进展。

“当我们第一次聚在一起时，我们意识到正在生成大量的数字数据，但问题仍然存在：无法手动解决。只是没有足够的数据科学家。即使有大量数据，企业从中获得的价值也不能证明投资回报率是合理的，”他说。

“所以，我们开始说‘我们能否创建一个平台，使数据科学流程无缝化和自动化？’我们希望企业能够利用最佳实践，将其应用于他们的问题并大规模解决。”

机器学习的进步

随着机器学习技术能力的进步，Phukan 和他的联合创始人能够以前所未有的方式处理客户可用的海量数据和信息。至关重要的是，对于制造企业而言，这意味着它们还可以对生产线等事物产生积极影响。

“例如，启用传感器等功能后，它可以帮助我们非常详细地了解机器在不同操作和环境条件下的正常运行情况。然后，我们可以评估这如何影响机器的健康状况，从而在效率方面对生产线产生什么影响，”他告诉我们。

通过部署不需要某人成为数据科学专家的自动化植物农场，ProgressDataRPM 从本质上帮助基于资产的大型行业解决了两个问题：如何最大限度地减少计划外停机时间以及如何最大限度地提高其产出的质量和效率。资产。这一切都是通过其认知异常预测软件完成的。当它连接到基于传感器的数据时，它会自动将机器的正常运行条件作为基准。然后，它会查找偏离这些条件的事物，并在预测可能发生的潜在问题之前创建警报。

Phukan 认为，正是这种预测未知数的能力代表了与以前传统流程的重大背离。 “我们需要能够检查过去发生事情的原因，但更重要的是，我们还需要预测尚未发生的事情，”他解释道。

影响装配线

制造企业需要检查的关键领域之一是影响生产线上发生的事情的流程，特别是质量控制的时间安排。 “例如，我们与汽车和医疗保健行业的许多制造商合作，他们面临的最大挑战之一是质量检查发生在制造过程的最后。因此，一旦生产了整批产品，就会运行测试以确定它是否可以。这可能导致报废率高达 75%，”Phukan 说。

由于大多数测试套件规则只能根据以前的经验编写，当出现尚未解决的新问题时，可能会导致产品召回等严重问题。因此，根据 Phukan 的说法，使用预测分析平台将成为常态。事实上，他已经在制造业中越来越多地发现了这一点。

“当制造商与我们交谈时，他们会询问是否可以使用机器学习来确定批次是否有缺陷。他们知道我们可以更早地发现问题，因此他们可以停止该过程以最大程度地降低成本和损失。”

他有这方面的具体例子吗？ “我们与法国的一家大型电信提供商合作，他们在机顶盒方面遇到了真正的挑战，你不会认为这需要大量的预测性维护。他们遇到的问题是，每次失败时，他们都必须去找出问题并更换它。显然，这在时间和金钱方面都是昂贵的。失去客户的风险也很大，”他说。

“我们主动发现他们三分之一的盒子有问题，这意味着客户服务可以打电话告诉人们在故障发生之前更新他们的盒子或发送更换。”

瓶颈分析的未来

制造商显然越来越重视机器优先认知技术的好处，这使他们能够识别异常并可能聘请主题专家来帮助确定机器发现的后果。

事实上，Phukan 讨论了 AR、物联网、保修、混合云计算和区块链都将如何越来越多地发挥它们的作用，然而，它正在检测他认为将是关键的未知数。 “关键不是已知的；领域专家可以很好地处理这个问题，但最大的挑战是未知数以及接下来会影响企业的事情。这是我们需要防止的，也是改变制造业游戏的关键，”Phukan 总结道。