O que é melhor do que dados de série temporal para engenheiros de processos de fabricação?

Introdução

Muitos fabricantes presumem que os desafios da análise de dados decorrem de grandes volumes. Dada a quantidade de dados necessários para acompanhar um processo de fabricação complexo, esta é uma suposição razoável.

A realidade é que a complexidade dos dados é o maior desafio que os fabricantes enfrentam quando se trata de análise de dados. Os conjuntos de dados de fabricação atuais incluem mais variáveis ​​do que os humanos (e até mesmo a maioria das tecnologias) podem processar. Isso torna difícil estabilizar consistentemente — ou melhor ainda, otimizar — processos em escala.

As equipes de engenharia geralmente trazem otimizações de processos a partir de seu conhecimento intrínseco sobre processos físicos, do auxílio de ferramentas como Excel, PowerBI ou dados de outros sistemas de TI/TO. No entanto, esta abordagem já não é suficiente para que os fabricantes tenham um impacto sustentável nos lucros.

Felizmente, algumas soluções automatizam a contextualização dos dados para diagnosticar e prescrever alternativas melhores. Essa automação será o futuro do sucesso operacional. Veja porque.

Os dados de séries temporais podem ser usados ​​para determinar as causas raízes?

Durante anos, os engenheiros usaram com sucesso dados históricos para apoiar análises de tendências de produção, previsão de cotas e detecção de anomalias. Engenheiros industriais criam dados de séries temporais para capturar uma sequência de pontos de dados igualmente espaçados que são coletados ou registrados ao longo do tempo.

Os dados de séries temporais podem então ser usados ​​para uma variedade de tarefas, desde previsões até a determinação de causas raízes plausíveis. Esses dados também podem ser usados ​​para identificar desvios de padrões históricos ou acionar ações específicas, como alertas automatizados quando surgem desvios de desempenho. Usando a análise de série temporal, você pode melhorar a qualidade do produto, projetar operações mais sustentáveis ​​e, em última análise, identificar oportunidades de economia de custos.

Embora os dados de série temporal não possam garantir que você encontrará as causas raízes, a análise de série temporal pode identificar causas prováveis. Os dados de série temporal capturam uma visão linear dos dados de produção com registro de data e hora. Como resultado, os dados de séries temporais geralmente carecem de informações críticas necessárias para determinar as verdadeiras causas raízes. Por exemplo: atrasos dinâmicos entre variáveis, também conhecidos como lag (delay/atraso) faltando nos dados típicos de séries temporais.

Mesmo que o desfasamento (ou diferença de fase entre dois fatores) seja considerado num modelo de série temporal, esta abordagem tem limitações. Construir, experimentar e manter modelos de séries temporais é caro e exigente. As empresas com recursos limitados podem não ter o orçamento necessário para contratar uma equipe de cientistas de dados para construir e manter modelos de dados de séries temporais e não podem se dar ao luxo de ficar offline. Além disso, para construir um modelo de série temporal utilizável, normalmente você depende de um grande volume de dados históricos (que nem sempre estão disponíveis em todas as empresas de manufatura).

Determinar a causa raiz a partir de dados de séries temporais requer uma combinação de habilidades analíticas, conhecimento de domínio e, às vezes, colaboração com especialistas na área. Por exemplo: você pode realizar um estudo sobre uma falha de máquina, uma série de defeitos ou uma pontuação de produtividade reduzida. Você usa métodos estatísticos para identificar relacionamentos entre os dados da série temporal e uma possível causa raiz. Se você encontrar algo promissor, poderá colocá-lo em produção e acompanhar as alterações ao longo do tempo.

Mas mesmo neste exemplo, você é forçado a reagir ao que já aconteceu, criando um impacto adicional sobre qualquer perda que já tenha experimentado. Com as previsões da análise de série temporal, você deve esperar até que elas aconteçam antes de poder comparar as previsões do modelo com os resultados reais e ver se suas previsões estão corretas.

Os dados de séries temporais fornecem insights valiosos para muitos setores diferentes e podem ajudar as equipes de engenharia a alcançar grandes avanços em direção às suas metas de produção. Na verdade, a Braincube oferece gêmeos digitais de série temporal que podem melhorar drasticamente os resultados das operações.

No entanto, por si só, os dados de séries temporais não são projetados para conectar de forma abrangente como diferentes entradas impactam os resultados posteriores. Em vez disso, os dados de séries temporais são melhores para informar previsões e detectar anomalias.

Compreender como cada variável está interrelacionada – tanto os insumos quanto o downstream – é fundamental para as melhorias de produção que realmente movem o ponteiro. Isto é especialmente verdadeiro na fabricação contínua e contínua em lotes, onde os processos são desconectados.

Qual é a diferença entre dados de série temporal e dados de residência?

Os dados de série temporal carecem de informações contextuais geradas durante a produção. Para obter uma visão completa do seu processo de produção, você precisa que seu conjunto de dados seja o mais preciso possível em relação às verdadeiras condições de produção.

Tomemos, por exemplo, otimizações de processos. As otimizações são mais eficientes quando os dados estão intimamente associados à realidade física do processo. A contabilização da residência é uma maneira mais precisa de visualizar e compreender o ambiente de produção do que apenas usar dados de série temporal. Isso ocorre porque o tempo de residência é uma forma crítica de garantir que seus dados estejam intimamente relacionados ao ambiente de produção real.

O tempo de residência leva em conta os diferentes períodos de tempo que o material permanece em um determinado estado ou fase ao realizar uma análise. Isto pode ser relevante para rastrear e otimizar fluxos de trabalho de dados.

Por exemplo: digamos que os materiais passem por um tanque de 10.000 galões durante a produção. Levar em conta o tempo de residência significa que você reconhece que o fluido que entra pelo topo do tanque levará 30 minutos para fluir até o fundo ao realizar uma análise. Você precisa reconhecer que, quando o fluido atinge o tanque, ele não flui imediatamente para fora do tanque.

Se você realizar uma análise sem levar em conta o tempo de residência, terá uma análise imprecisa que provavelmente levará a resultados abaixo da média. Compreender – e contabilizar – quanto tempo o material permanece em diferentes estados pode ajudar a gerar análises mais precisas, possibilitando identificar gargalos e melhorar a eficiência geral.

O tempo de residência permite que os engenheiros façam análises mais precisas do que apenas dados de séries temporais. Por sua vez, essas análises permitem que as equipes alterem entradas específicas que têm impacto posterior nas saídas. A Braincube aproveita probabilidade matemática em vez de previsões. Para ilustrar, o tempo de residência permite que os engenheiros ajustem e controlem a vazão, a temperatura e outros fatores ideais para alcançar os resultados desejados nos processos de fabricação.

Simplificando, os dados de série temporal permitem principalmente que os engenheiros descubram padrões, correlações e previsões. A incorporação de dados de residência em sua análise (geralmente por meio de Gêmeos Digitais), por outro lado, permite que os engenheiros prescrevam ações ou soluções específicas que melhorem processos ou resolvam ineficiências.

Conclusão

Os dados de série temporal e a análise preditiva não sugerem inerentemente etapas acionáveis ​​para abordar ou otimizar cenários identificados. A razão pela qual este tipo de dado não pode ser usado para gerar insights prescritivos é que ele lida principalmente com padrões, correlações e previsões, em vez de prescrever ações ou soluções específicas para melhorar processos ou resolver ineficiências. Também normalmente não inclui o tempo de residência, eliminando o contexto crítico em que algo está sendo produzido.

Se as equipes de engenharia quiserem prescrever otimizações continuamente de forma adequada, elas precisarão de dados de séries temporais (para previsão de tendências e detecção de anomalias) e dados estruturados (para compreensão contextual e análise histórica). A integração destes dois tipos de dados pode facilitar uma abordagem holística à tomada de decisões na produção, permitindo capacidades preditivas e prescritivas para otimizar processos de forma eficaz.

A utilização de tecnologias que fornecem dados estruturados e defasados, como os Gêmeos Digitais da Braincube, reduz drasticamente o tempo de obtenção de valor para análise de dados. Com um conjunto de dados holístico que é continuamente atualizado com dados em tempo real para análise, os engenheiros podem descobrir dependências, correlações ou relações causais entre vários fatores. Por sua vez, eles podem resolver problemas complexos com precisão e rapidez.