Operasyonel Veride Materyal Analizi İle Pragmatik Öngörü Analizi

Kesin olan bir şey şu ki  üretim süreçleri veri üretiminde– öncelikli olarak; veri toplama, iletişim ve depolama teknolojilerindeki hızlı maliyet düşürme ve düzeltmelerden ötürü,daha iyi olmaya devam ediyor. Bununla birlikte sorun bu veriyi anlamlı operasyonel faydalar için kullanma becerisinin hızla ilerlemiyor olmasıdır.

Süreç verimlerini, varlık performans optimizasyonunu ve operasyonel ekipman verimliliğini iyileştirmek ve diğer ihtiyaçları karşılamak için üretim verisini kullanmanın gerçek potansiyeli var. Sorun şu ki, en güncel veri analizi yaklaşımları iyi ölçeklenmemektedir:

• Büyük ölçüde  zaman ve para ön ödemesi gerektirirler.
• Kıt uzmanlık ve iyi düzenlenmiş veri setleri üzerine dayanırlar.
• Tek-amaçlı işlevsellikte kilitlenmişlerdir

  

Verinin akışı,  yerinde insan-merkezli analiz mekanizmalarını bastırarak veya sonuç üretmeyen “büyük veri” projelerini uzaklaştırarak aslında birçok durumda her şeyi daha kötü yapıyor. Bu veriyi kullanmak için, birçok endüstriyel ve üretim ayarlarının pragmatik kısıtları içerisinde uyum gösteren  yeni yaklaşımlar bulmak çözümdür. Şöyle yaklaşımlar:

• Çok sınırlı ön yatırımı olan hızlı bir şekilde konuşlandırılabilen
• Önemli yeni altyapıya ihtiyaç duymayan
• Mevcut işletme veya operasyon ekibi tarafından kullanılabilen
• Sonuçları hızlı bir şekilde sunan

Güncel Yaklaşımlar ve Bunların Sınırlamaları

Denetleme Sistemleri

Denetim sistemleri konu veri işlemeye gelince başlangıç noktası ve dikkatin merkezi olurlar. Gelişmiş süreç kontrol yaklaşımları  ve daha spesifik olarak çok değişkenli model tahmin kontrol yaklaşımları , proses performansı geliştirmek için genişletilmiş proses verisi erişebilirliği avantajını yakalamak için geçerli çözümlerdir. Bu teknikler sürece özgü denetim sistemi uzmanlığı ve kayda değer ön ödeme ve devam eden yatırımlar gerektirir. Önemli ve öngörülebilir kazanç ile birlikte özel problemlere uygulanabileceği yerler için mümkündür.

Geçici izleme kapasiteleri

Süreç kotrol sistemlerinin haricinde çeşitli geçici yaklaşımlar, operasyonel fayda için süreç verisi kullanılırken istihdam edilmektedir. Bu yaklaşımlar, bir süreç tarihçisi ya da diğer veri deposu etrafında toplanır ve şunları içerir:

• Gösterge Tabloları
• Kurallar Ve Eşikler
• Formül Ve Teoriye Dayalı Modeller

Bu geçici yaklaşımlar çok önemli ve birçok önemli operasyonel ihtiyacı desteklemekle birlikte, artan veri hacimleriyle ölçeklendirme yetenekleri açısından ciddi ölçüde sınırlıdır. Operasyonel gösterge tabloları, insanların onları yorunlaması üzerine kuruludur. Veriler ne kadar fazla verilirse, yorumlar o kadar zor olur. Efektif kurallar  ve sınırlar yazmak sistemin uzman düzeyinde anlaşılmasını gerektir ve bunların uygulanabilirliği sıklıkla sistemin durumuna göre hassas-kırılgandır. Ardarda sınır ve uyaran ekleme kısa zamanda alarm yorgunluğuna öncülük edebilir.

Aynı şekilde formüller ve teori tabanlı modeller üretmek  domain uzmanlığı buna ek olarak kontrollü, iyi anlaşılmış ortamlar ve sistemler gerektirir.

Forensik Analizleri ve Süreç Optimizasyonu

Forensik Analizleri ve Süreç Optimizasyonu

Bir çok durumda , korunan süreç verisi öncelikli olarak tarihsel analizlerde kullanılır. Örneğin, bir kök neden analizi, beklenmedik bir kesinti olayından sonra veya ürün kalitesinde düşüşten sonra gerçekleştirilir.

Periyodik süreç iyileştirme projeleri, önemli performans göstergelerinin kıyaslanması ve sistematik sorunları ve değişim fırsatlarını belirlemek için geçmiş verileri incelemektedir.

Bu tür analizler gereklidir, fakat ayrıca uzmanlık, zaman yoğun ,ve  uygulanabilirlik kapsamında sınırlıdır.

Zaman ve beşeri sermaye gerektirdiğinden, bu çeşit analizler faydaları açık olduğunda tercih edilir  ve hatta  o zaman bile sınırlıdır.

Ek olarak , geriye-dönük analizler doğan problemleri tanımlayamaz.

Big Data Projeleri

Gönderimlere büyük veri koyan e-ticaret ve araştırma domainlerini çokça aşan endüstriyel ve üretim operasyonları büyük veri hacimlerinin en üst düzey üreticileridirler.

Büyük veri ile ilişkilendirilen makine öğrenimi ve diğer teknolojiler , şüphesiz bir şekilde proses verisi analizlerine uygulanabilir, fakat, endüstriyel ve üretim operasyonları uygulamaları için  diğer uygulama alanlarında kullanılan  “büyük proje” yaklaşımı işe yaramadı.

Özgün bir projenin tamamlanması birkaç ay sürer ve makine öğrenme uzmanları,konu uzmanlarıyla sık etkileşim , özel yazılım geliştirme gerektirir.

Çoğu durumda, periyodik takip projeleri, modelleri gelişen süreç ve ekipman koşullarıyla güncel tutmak için gereklidir.

Konuşma tanıma, dolandırıcılık algılama veya tavsiye motorları gibi başarılı büyük veri uygulama örnekleri genellikle ilk yatırımları haklı kılacak geniş veri hazinelerinden büyük, kalıcı geri ödemeler sağlar.

Endüstri ve üretim operasyonları uygulamaları son derece çoktur, fakat, uygulanabilirliklerinde de çok da az ve daha içerik özgündürler.

Büyük veri projeleri endüstri ve üretimde çok kısıtlı başarı elde etti, ve birçok organizasyon bu yaklaşımı büsbütün güvensiz kılmayı öğrendi.

Pragmatik Örüntü Tanımı ve Sınıflandırma

Mevcut yaklaşımlar ölçeklenebilir bir yol sağlamazsa, uygulanabilir alternatifler nelerdir?

Çekim kazanan bir seçenek ise mevcut veri saklama altyapılarını büyüten , süreç tarihçileri gibi, önceden paketlenmiş makine-öğrenimi (ML)  teknolojileri kullanımıdır.

Yeteneğe odaklanmayı  daraltma yoluyla, gömülü bir makine öğrenme yeteneği, veri bilimi uzmanlığına veya özel yazılım geliştirmeye olan ihtiyacı ortadan kaldırabilir.

Gömülü bir ML nin spesifik bir örneği örüntü tanıma, çok değişkenli zaman serileri verilerinde sınıflandırma yapan bir motordur, ki bu motor  aralıklı olarak muayene ölçümlerini toplamanın yanısıra devamlı suretle kayıtlı sensör ve parametrik veriyi içerir.

İşlem verisi büyük ölçüde zaman serisi verileridir ve gerçek zamanlı kalıp tanıma motoru, operasyon ekipleri için işlem makineleri durumunu veya süreç veri akışlarından gelen süreci daha iyi anlamak için pratik bir yoldur.

Örüntü tanıma ve sınıflandırma, örneğin ,aşağıdakiler için kullanılabilir:

• Hammadde ile ilgili kalite konusunu tanımlamak
• Süreç kurulum meselelerini belirlemek
• Olası bir bakım ihtiyacında veya yaklaşan makine arızasında erken uyarı sağlamak

Şekil 3 bir süreç tarihçisiyle birlikte bir örüntü-tanıma motorunun kullanımını gösterir. Bu yaklaşımın ana elementleri şunları içerir:

• Mevcut veri deposuna kolay yayılma ve entegrasyon
• Varolan veri akışının arttırılması (örneğin., çıktı veri deposuna geri bildirimde bulunur.)
• mevcut işletme veya operasyon ekibi tarafından kullanılabilir

Veri bilimi gereksinmez,    özellik mühendisliği, algoritma seçimi veya hiperparametre ayarı gibi,

Patern(örüntü)-tanıma motorunun kullanımı basit ve anlaşılırıdr.

Bir kullanıcı şunlara ihtiyaç duyar:

• • Motoru belirli bir ihtiyaç için yapılandırın
  • İlgilenilen bir varlık türünü seçin (örneğin,bir makine,bir hat(doğru-line),bir süreç adımı ve fazı )
  • Her varlığın durumunu ortaya çıkaran paternleri içerebilebilecek sinyaller kümesi seçin.
  • İstenen ihtiyaç için motor tarafından üretilen modelin geçerliliğini onaylayın
  • Motorun çalıştırılmasını yönetin
  • Modellerin ne zaman güncelleneceğini söyleyin
  • Canlı veriye (gerçek zamanlı) uygulandığında kontrol edin
  • Mümkün olan yere, oluşma zamanına karşı bilinen durumların etiketlerini sağlayın 
  • Motor örüntüleri kendisi bulacaktır,fakat isimleri vermesi  ve koşullara bağlamsallaştırma için uzmanlara ihtiyaç duyacaktır.     

Uygun bir şekilde gömülmüş tarihçi özelliklerinde olduğu gibi aynı yöntemle  kullanılabilen patern-tanıma motoru , hesaplanmış alanlar veya niteliklerdeki gibi  , ham veri akışlarını arttırmak için kullanılır.

Örneğin , motordan alınan çıktı şöyle olabilir:

• • Bir kontrol sistemine beslenir ve yumuşak algılayıcı haline getirilir
  • Gösterge tabloları, kurallar, sınırlar ve uyarılarda  –  (durumun düzeltilmiş ölçümünü veren )  kullanılır.
  • Tarihsel veri analizlerinde kullanılır

Örüntü(pattern)-tanıma-tabanlı yaklaşımın bir avantajı ise esnekliktir.

Üretilen modeller tamamen veri ile yürütülür ve nedensel ilişkilerin anlaşılması veya sinyal kökeninin ayrıntılı bir şekilde anlaşılması gerekmez.

Bambaşka kaynaklardan çok sayıdaki  sinyaller koşulları belirlemek  için bir örüntü-tanıma motoru içerisine spekülatif bir şekilde fırlatılabilir.

İlgilenilen olayları yakalamaya çalışmak için yeni sensörler eklenebilir.

Basit bir örnek, proses yürütme ve kalite verisinin bir üretim yürütme sistemindeki makine izi verileriyle kombinasyonudur.

Veriler zamanla ilişkilendirildiği sürece, bir örüntü tanıma motoru, durumun faydalı karakterizasyonlarını bulup çıkartabilir.

Bu çeşit veri-güdümlü model ,  teori-tabanlı,davranışın daha kesin bir karakterizasyonunu sunan , modellere olan ihtiyaçla yer değiştiremez   ama operasyon ekibine güçlü bir ek destek aracı sunabilir.

Sınıflandırma nasıl AKILLICA olabilir?

Eğer sınıflandırma,belirli bir zamanda bazı varlıkların durumunu kararkterize etmek için basit bir yol ise, nasıl akıllıca olabilir?

Şu doğrudur ki , bir şart durumu kişisel sınıflandırması öngörü sayılamaz. Bununla birlikte, bazı koşullar, henüz gerçekleşmeyen diğer durumların öncüleridir. Klasik örnek bir makinede  aksaklık süresi durumudur.

Neredeyse tüm durumlarda, makine , aksama süresi gerektiren bir duruma düşmeden önce ,davranışta bazı değişiklikler sergilemeye başlayacaktır. Bu erken durumları belirleme, sınıflandırmanın nasıl akıllıca olabileceğini gösterir.

Materyal İşleme Örneği

Mineral üretiminde global bir lider , bu makalede anlatılan gibi bir durumla karşılaştı. Enstrümantasyon ve veri toplama yatırımları  büyük miktarda operasyonel veri üretiyordu, fakat bu veriyi operasyonel verimlilikte anlamlı gelişmelere dönüştürme çabaları yetersiz kalıyordu. Üretim hattı,  kritik bir proses hattı makinesini olumsuz bir şekilde etkileyen hammededeki değişiklikler sebebiyle beklenmeyen sık bir kesinti deneyimledi.

Bu kesinti olayları her meydana gelişinde her yerde 2 saatten 24 saate sürdü ,ve gelire olumsuz yönde darbe vurdu ve üretim maliyetini arttırdı. Motor akımları , sıcaklıklar, vana ayarları ve stokiyometrik ölçümler,şklinde olan veriler,süreç hattından toplandı,bir süreç tarihçisinde depolandı, ve gösterge panelleri ile diğer araçlar aracılığıyla operasyon ekiplerine erişilir kılınır.

Bununla beraber sınırlar,kurallar ve kullanımdaki  mühendislik-tabanlı modellerin  , kesinti zamanlarına sebebiyet veren durumları güvenli bir şekilde tanımlamaya  gücü yetmez. Bu problemi çözmek için ,bir örüntü-tanıma motoru kuruldu ve tesisin süreç tarihçisi ile entegre edildi. Süreç operasyon ekibinin üyeleri aşağıdaki görevleri yaklaşık üç hafta içinde tamamladı:

• • Örüntü(pattern) tanıma için bir veri akışı yapılandırıldı.

Burada, malzeme işleme hattına karşılık gelen tek bir varlık ve seçilen motor akımı, sıcaklık ve hat boyunca valf ayarlarına karşılık gelen yedi sinyal vardı.

Materyal işleme hattına karşılık gelen yegane  bir  varlık vardı ve motor akımlarına

• • Ekip, öğrenilecek tarihi verilerden oluşan bir pencere belirledi.
  • Bu pencere, kesinti olayları gibi, bilinen durumların örnek periyotlarını içerecek şekilde seçildi.
  • Sağlanan geçmiş penceresinin bir bölümünden seçilen yedi sinyaldeki ham modellerden bir model oluşturuldu.
  • Bilinen kesinti olaylarının ve normal periyotların geçmiş penceresinde birkaç örnek sunulmuştur.
  • Kesinti olayına  sebebiyet verebilecek kötü bir hammedded materyalini gösterebilecek olası örüntüler tanımlandı.
  • Verilen etiketleri kullanarak yeni bir model yarattı.
  • Tarih penceresi verisinin diğer parçaları üzerinde güncel model test edildi ve kesinti olaylarından önce 12 saate kadar kötü hammedde materyallerinin durumlarını tespit eden model olduğu doğrulandı.
  • Operatörleri kötü bir hammadde durumu hakkında uyarmak için tarihçide bildirimleri ayarlayın.
  • Veri akışını canlı izleme açıldı.

Örüntü-tanıma motoru tarafından üretilen durum akışı , önceden gizlenen kötü hammadde durumunun çok önceden uyarısını verebilir.

Bu farkında oluş operasyon ekiplerinin düzeltici önlemler almasına ve çoğu zaman maliyetli daha öncesinde onlara rahatsızlık veren kesinti olaylarından kaçınmalarına olanak tanır.

İşlem Verileri Analizi

Endüstriyel ve üretim operasyonları veri analizi  e-ticaret, sosyal medya, arama veya diğer domainlerden farklı bir “Big data” sorununu gösterir. Süreç verileri analizi uzun kuyruklu bir durumdur.

Veri hacimleri çok büyük ancak, “büyük” problemlerin kısa bir listesine karşılık olarak çözülmesi gereken odaklanmış “küçük” sorunlar vardır.

Süreç verileri analizi, konu uzmanlarının yeteneklerine yetenekler koyan ve hızlı kazançlar ve artan büyümeyi kolaylaştıran oldukça ölçeklenebilir bir yaklaşım gerektirir.

Örüntü tanıma, varolan varlıklardan yararlanarak (mesela, tribal bilgi, operasyonel veri stokları), olaylara bağlamda bulunarak ve süreç optimizasyonu yollarını ortaya koyarak büyük veri analiz etmenin güvenilir bir metodu olacağını kanıtlıyor