将大数据转化为智能数据：增强制造洞察力

制造商重视数据，但缺乏洞察力。根据 IBM 的研究，只有 28% 的组织“正在使用来自设备、流程和系统的数据来获取持续流程改进的见解。” 

问题是什么？ 如果没有背景和意图，大数据本身很难带来有意义的价值。为了优化当前运营并在数字优先市场中保持竞争力，制造商需要一种将大数据转换为智能数据的方法。也就是说，信息是相关的、准确的和可操作的。 

继续阅读以了解有关大数据和智能数据的更多信息，以及公司如何弥合差距。 

什么是制造业大数据？

大数据由跨制造系统生成的大型且复杂的数据集组成，但数量本身并不能保证洞察力或运营改进。 

常见的大数据源包括工业物联网系统、生产系统软件和可编程逻辑控制器 (PLC)、维护日志、质量控制工具和计算机化维护管理系统 (CMMS)。 

大数据注重数量而不是质量，这反过来又给可用性带来了挑战。 虽然更多数据可以帮助公司了解全局，但了解细节却变得更加困难。 

大数据有四个常见特征：

• 音量： 数量是指生成的数据量。现在，许多公司每天都会生成数兆兆字节 (TB) 的数据。 

• 速度： 速度是指数据创建和更新的速度。许多生产线 24/7/365 不间断运行，数据永远不会停止。  

• 品种： 多样性代表着变化。 制造商现在收集从材料数据到性能效率信息、互联物联网传感器数据和质量控制结果的所有内容。  

• 真实性： 真实性就是事实：数据准确可靠吗？如果数据源不可信，大数据就没用。 

什么是智能数据？

智能数据是通过大数据分析生成的精选、情境化和目的驱动的信息。虽然大数据通常是大规模收集和存储的，但智能数据是有意塑造的，以支持明智的决策。 

智能数据有别于大数据的三个特征：

• 质量： 质量是指清晰、简洁且格式正确的数据。  

• 相关性： 相关性是指及时性。虽然历史数据在长期规划中发挥着作用，但需要及时的数据来确保采取行动解决当前的情况。 

• 准确度： 准确度就是精确度。例如，高温机器可能只需要校准零点几度。多或少，输出可能无法使用。智能数据是准确的数据。 

不确定您是否拥有大数据或智能数据？从一个简单的问题开始：数据只是简单地存储，还是有助于回答业务和运营问题？   

大数据和智能数据之间的主要区别

大数据和智能数据在制造运营中都发挥着作用。大数据为大规模趋势分析奠定了基础，并且可以支持与监管期望和指南（例如良好生产规范 (GMP)）保持一致。与此同时，智能数据可以帮助制造商查明问题、确定解决方案并采取有针对性的行动。 

大数据和智能数据之间有四个主要区别：

1、大数据强调采集； 智能数据强调使用。 

2、大数据具有通用性； 智能数据是特定的。 

3、大数据优先内容； 智能数据优先考虑上下文。 

4. 大数据稳定； 智能数据速度快。 

为什么仅靠大数据在制造业中常常会失败

公司不能忽视大数据在制造业中的作用。 

从历史上看，企业只能捕获高级数据，例如总产量、周期时间或返工率。然而，小型、始终连接的系统和传感器的出现使得大规模机器数据收集成为可能。如今，制造商可以跟踪和记录设备操作的每个细节，从初始启动到标准工作负载再到意外停机。生产线资产的每个流程、员工的每个行动以及软件的每个操作都成为大数据环境的一部分。 

挑战是什么？ 数据量会导致视野狭隘； 制造商认为，简单地收集数据就足以推动洞察力和迅速采取行动。 然而，在实践中，大数据计划往往无法带来价值。 常见的五种失败原因：

• 没有明确目标的数据收集

• 数据质量和一致性较差

• 跨系统缺乏标准化

• 解释数据和根据数据采取行动的能力有限

• 仪表板太多，洞察力太少

智能数据如何提高制造绩效

智能数据有助于提高制造绩效，因为它提供了可行的见解。考虑从多个来源收集的四组大型结构化数据，包括设备传感器、控制器、用户报告和操作基准。可用的见解包含在数据中，但只有在数据经过验证、整理和分析后才可见。  

这些流程将制造中的大数据转化为智能数据，从而为性能带来多种好处。首先是更快的根本原因分析。配备有关设备故障的方式、时间和原因的上下文数据，团队可以解决根源而不是症状。 

智能数据还可以提高资产可靠性和正常运行时间。通过结合当前和历史性能数据，团队可以识别可能导致计划外停机的可能故障点，并采取措施修复这些问题。例如，如果分析显示高工作负载资产经常出现电气故障，公司可以安排更频繁的维护以解决眼前的问题，同时寻找根本原因。 

智能数据的其他好处包括与废品率和返工率的准确最新信息相关的更高质量和产量，以及根据运营需求和设备效率改进工作量规划和预测。 

最后，智能数据可以促进团队之间更紧密的协调。这是因为智能数据可以帮助维护团队、操作员、经理和最高管理层使用相同的语言，从而减少冗余工作或错失机会的风险。

维护和可靠性在智能数据策略中的作用

维护和可靠性数据在智能数据策略中发挥着关键作用。这是一个相互的过程。跟踪维护和可靠性提高了智能数据的影响，而智能数据有助于推动维护和可靠性流程的持续改进。 

这里有四个常见的好处：

• 维护历史记录提供了故障的背景信息： 维护历史记录提供了有意义的见解，有助于揭示机器故障的背景，并支持规范性分析。 

• 资产状况可以与绩效结果相关联： 资产状况通常由结构化和非结构化数据组成。除了传感器输出之外，公司还可以纳入用户报告，其中包含基于多年经验的建议。 结合这些数据源可以带来更好的性能结果。  

• 可操作的数据可减少被动维护和意外停机的风险： 反应性维护既昂贵又耗时，因为它要等到故障发生后才会开始。 使用智能数据创建热图、风险报告和数据可视化有助于识别意外停机的潜在原因。 

• 智能数据支撑 预测维护分析 ：  预测分析使维护团队能够领先于潜在问题。它们还在更高级的分析中发挥作用，提供有关机器性能和潜在改进的端到端见解。

智能数据作为制造 4.0 的基础

数字化转型使得制造 4.0 流程得以采用，该流程依赖于始终连接、始终在线的设备和设备。 

与此同时，智能数据是数字化转型的基础。  

考虑人工智能 (AI) 和机器学习 (ML)。这些技术推动了智能工厂的创建，这些工厂使用当前和历史数据来随着时间的推移“学习”并改进运营。 机器学习算法执行的模型训练和人工智能执行的数据分析都需要干净的上下文数据。简单地在大数据源上放开这些工具会限制它们的功效。利用智能数据缩短查询和洞察之间的距离。 

智能数据还支持制造 4.0 所需的实时机器健康状况监控和优化。 在许多制造环境中，延长设备停机时间会带来越来越高的成本和破坏性。 通过访问智能数据，团队可以立即做出决策，从而提高绩效。 

此外，智能数据的使用可以实现可扩展且可持续的数字计划。 企业可以确定最好将资金花在哪里来扩大生产运营，并确定降低成本、限制排放和支持新绿色技术的方法。 

还有一个例子是使用智能技术来保持技术领先地位。 随着新的人工智能资产和自主代理变得普遍，团队很容易落后。智能数据管理有助于查明需要改进的领域，并提出确保运营准备就绪的方法。 

在制造业中创建智能数据的最佳实践

为制造业中的智能数据奠定基础从五个最佳实践开始：

1.定义明确的业务和运营目标： 智能数据可以提供清晰度，但前提是您知道自己在看什么。从明确的商业智能和运营目标开始。您是否希望提高机器吞吐量？提高输出质量？ 减少维护响应时间？了解最终目标有助于定义起点。 

2.标准化数据定义和指标： 为数据处理创建一致的指标和定义。这意味着将平均修复时间 (MTTR)、平均故障间隔时间 (MTBF) 和整体设备效率 (OEE) 等 KPI 上的点连接起来，以确保数据可互操作。 

3. 关注数据质量而非数量： 更多数据并不意味着更好的数据。在可能的情况下，选择更高质量的数据而不是更多的信息。例如，每 10 分钟获取的精确温度读数比每 30 秒获取的大致估计值更有价值。 

4.跨系统集成数据： 孤立的数据并不明智。 为了最大限度地提高洞察力，请跨系统集成数据，例如 CMMS、企业资产管理 (EAM) 和企业资源规划 (ERP)。 

5. 建立跨职能协作： 确保协作访问智能数据，以帮助制定可行的策略。 这包括操作员、维护人员、生产主管、技术专业人员和企业领导。 

智能数据将信息转化为行动

大数据提供了数量。智能数据提供价值。 两者对于数据驱动的制造运营都是必要的。大数据为大规模趋势分析和监管合规性奠定了基础，而智能数据则帮助公司提高性能、可靠性和成本控制。 

通过深入分析将信息转化为行动。 ATS 帮助制造商应用智能数据来提高可靠性、性能和决策。 我们来谈谈吧。 

参考文献

IBM 商业价值研究院。 （2022）。 制造 4.0：从数据到决策。 IBM。 https://www.ibm.com/thought-leadership/institute-business-value/en-us/report/manufacturing-4-0