Lifting the data treasure
发掘数据宝库
“如果能及时知道设备何时会出现故障，那么就可以通过预测性维护来避免生产力的损失。” Bernhard Falkner（Industrie Informatik公司首席技术官）通过一个实际应用案例介绍了预测性分析在车间发掘维护成本节约的潜力。Industrie Informatik为MES用户提供了采取主动措施的可能，以避免机器故障带来高昂的成本，取代事后维护。例如，利用机器学习领域的创新方法，可以预测在高度网络化和时间紧密的生产过程中，下一班发生工作站故障的概率–无论是否考虑到维护问题。
车间的预测性分析
来自制造领域的数字信息，与合适的人工智能方法相结合，我们就可以识别其中的模式，并对车间状态和未来的趋势得出适当的预测。”基于可靠性预测来早期发现偏差，例如相对不良和生产流程中的质量状况，是提高产能利用率、确保排产稳定和降低库存水平的重要一步。因此，预测性分析对可持续的数字化制造世界做出了重大贡献，” Falkner说，并介绍了中型公司在车间的进一步预测性应用的可能性
从机器数据到预测
毫无疑问，制造业中的人工智能提供了许多附加价值。然而，用户最初面临的障碍是在提供和处理数据时遇到的复杂情况。
为了能够快速和有利地使用这些新技术，因此Industrie Informatik选择了一条开箱即用的技术路线，使其能够轻松地引入人工智能和预测分析的主题。”虽然人工智能项目通常需要高达80%的时间进行数据准备和清洗，但我们已经为我们的MES用户实施了大部分，并将其纳入基于Docker技术的参考架构。此外，使用的随机森林模型学习算法提供了快速的处理时间和非常好的结果可解释性，”首席技术官Bernhard Falkner还提到，这个项目消除了许多对人工智能项目的保留意见。
具体来说，数据预处理框架可以帮助用户首先清理和准备来自cronetwork MES和其他来源的现有操作、机器和流程数据，如时间序列，之后再使用人工智能对从中获得的信息进行持续评估和解释。cronetwork MES的标准数据模型以及cronetwork PIDO作为中心数据处理和展示对象，创造了巨大的效率优势，主要体现在模型快速的可实施性上。
有效结果的基础
一般说来人工智能需要大量的数据来描述工厂和流程在不同运行状态下的行为。在制造业中提前精确量化所需数据集的大小几乎是不可能的，因为这必须在实践中逐案评估。首先，重要的是理解数据量取决于各种因素，如问题的复杂性、结构和分布以及数据的质量。
Bernhard Falkner解释说：
拥有少量但相关的高质量信息比拥有大量不相关的数据更有效。因此，数据源的选择和数据质量始终是重中之重。
因此，在预测分析项目开始时，作为数据分析和探索的一部分，我们与用户一起深入关注 “是否正在收集正确的数据，其质量是否达标，在这个使用案例中是否有特别重要的指标需要考虑？”
预测性分析和人工智能在通往智能工厂的道路上发挥着重要作用，为从现代生产和MES系统中的海量数据中产生知识并最大限度地减少低效率创造了想象不到的机会。因此，根据研究，80%的人认为其未来在生产中的应用是可能的，这并不令人惊讶。
cronetwork MES中的预测流程
1. 数据选择和探索：
使用cronetwork PIDO对相关数据进行预选。
2. 学习：
基于现有的数据，对模型进行训练和存储。训练的频率按需调整，如每周或每月。
3. 预测阶段：
调取模型，与当前情况下的数据相结合，并计算出相应的预测结果。
4. 应用：
通过使用网络服务，预测结果可以被应用于车间门户或cronetwork主门户，从而为日常生产过程实施主动措施打下基础。
