منطقی‌ساختن فرآیند تولید داده‌ها در عصر دیجیتال

«سرعت بالای استفاده از سنسورها و دستگاه‌های متصل به شبکه سبب گسترش نقاط داده شده‌است.»

داده‌ها در همه‌بخش‌های تولیدی حضور دارند.

سرعت بالای استفاده از سنسورها و دستگاه‌های متصل به شبکه سبب گسترش نقاط داده شده‌است. این نقاط داده می‌توانند از انواع گوناگونی شامل داده‌های ماشین تا داده‌های کیفیت، داده‌های پردازش تا داده‌های مواد باشند و این تنها بخش کوچکی از موارد استفاده آن‌ها است. بخش زیادی از دیگر سیستم‌ها در یک سازمان اطلاعات زنجیره تأمین، اطلاعات مالی، تاریخچه سرویس‌دهی را فراهم آورده و با استفاده از محصولات هوشمند، از مشتریان بازخورد دریافت می‌کنند.

کلان‌داده یا bigdata جهت کسب بهره‌وری، بهبود بازدهی سود و کشف بینش‌هایی جدید برای ایجاد نوآوری امری ضروری است. با تجزیه‌وتحلیل کلان‌داده در عملیات تولید، سازندگان می‌توانند اطلاعات جدیدی کسب کرده و الگوهایی را که آن‌ها را قادر می‌سازند تا فرآیندها را بهبود دهند، شناسایی کرده، کارایی زنجیره تأمین را افزایش داده و متغیرهایی که بر فرآیند تولید اثر گذارهستند را شناسایی نمایند.

مدیریت چرخه حیات محصول (PLM) به عنوان ستون‌فقرات دیجیتالی

براساس مقاله پروهشی‌ای که اخیرا به وسیله موسسه «خدمات مشاوره‌ای درنسر» منتشر شده‌است، وضعیت هوش تجاری (BI)، داده و تحلیل‌آن در تولیدات، ۸۹ درصد از سازندگانی که دارای طرح‌های تحلیلی و هوش‌تجاری هستند، استفاده از آن‌ها را موفقیت آمیز دانسته‌اند و از رقبای خود در صنایع قابل مقایسه‌ دیگر پیشی گرفته‌اند. علاوه بر این، ۴۹ درصد از سازندگان انتظار دارند که بودجه هوش تجاری و تحلیل آن ها به صورت سالانه افزایش پیدا کرده و از نظر ۶۲ درصد از تمامی کسب‌وکارها، هوش‌تجاری خودمحور برای تجارت آن‌ها در سال ۲۰۲۰ امری ضروری بوده‌است.

طبق گفته پاول هیمس، معاون مشاوره برای راه‌حل درPTC  :«داده‌ها مشخص می‌کنند که آیا یک شرکت رقابتی است یا خیر. به عنوان یک تولیدکننده یا یک گروه مهندسی، اگر شما کنترلی بر داده‌های خود نداشته باشید، یا اگر داده‌های درستی را تولید یا کسب نمی‌کنید، توانایی شما برای نوآوری و کارآمدی، هم به صورت داخلی و هم با محصول شما، به شدت مشکل خواهد شد.»

برای تولیدکنندگان، ستون‌فقرات کسب داده‌ها، سیستم مدیریت چرخه‌حیات محصول (PLM) است. براساس گفته‌های هیمس، امروزه در شرکت‌های تولیدی، سرمایه‌گذاری قابل توجه‌ای برای بهبود توانایی‌ها برای مدیریت چرخه‌حیات محصول درحال انجام است. او می‌گوید:« آن‌ها درحال مرتب‌سازی محل‌ذخیره‌سازی داده‌های دیجیتال خود هستند تا از نقطه‌نظر مهندسی نمایی در رابطه با اطلاعات محصول در اختیار داشته باشند که این نما به عنوان یک جزء اساسی از مفهوم انتقال دیجیتال و «رشته دیجیتال» دیده شود.

سیستم‌های مدیریت چرخه‌حیات محصول پدیده‌ای نوظهور نیستند. بسیاری از شرکت‌ها از ۱۰ و حتی ۱۵ سال قبل از این سیستم‌ها بهره برده‌اند، اما می‌دانند که برای کنترل داده‌هایی که به آن نیاز دارند هنوز کارهای بیشتری باید انجام شود. طبق گفته هیمس:« استفاده از سیستم‌ مدیریت چرخه‌حیات‌ محصول به شکل قابل توجهی درحال افزایش است. استفاده درست از این سیستم امری ضروری است، چراکه اگر به درستی از آن استفاده نشود، آینده آن تجارت و کسب‌وکار رو به پیچیدگی خواهد رفت.»

محیط‌های اطلاعاتی رایج

در محیط کارخانه متصل به شبکه، جمع‌آوری داده‌ها مشکل اصلی نیست. مشکل اصلی، سازماندهی و ترکیب داده‌ها است تا بتوان این داده‌ها را مفید و معنی‌دار کرد و به یک شرکت اجازه داد تا طبق این داده‌ها عمل کرده و براساس آن‌ها تصمیم‌گیری‌های خود را اتخاذ کند. این مسئله همواره مشکل‌ساز بوده‌است. ریشه این مسئله به پشته ISA 95 برمی‌گردد. ISA 95 مدل اطلاعاتی مورد استفاده برای تعریف رابط بین توابع کنترلی و سایر عملکردهای شرکتی است.

هیمس می‌گوید:« آن‌چه که مشکل است، گرفتن داده‌ها از منابع مختلف تنها در یک محیط ترکیبی است. این مشکل برای سالیان زیادی وجود داشته است. داده‌های بسیاری موجود هستند، اما پیمایش در این داده‌ها، ترکیب‌ آن‌ها با داده‌های شرکتی، ترکسیب آن‌ها با داده‌های PLM و ERP یک چالش است. گرفتن اطلاعات از سطوح مختلف سیستم و دراختیار گرفتن آن‌ها برای استفاده کار دشواری است.»

مسئله پیچیده دیگر مربوط به «داده‌های تاریک» است. بیشتر داده‌های جمع‌آوری شده در «دریاچه‌»های عظیمی قرار می‌گیرند که چیزی بیش از یک محل تخلیه داده بدون هیچ‌گونه ساختاری برای داده‌ها نیست. این مسئله استخراج هرگونه مقدار باارزشی را برای تیم هوش تجاری مشکل می‌سازد. هیمس می‌گوید :« باید به آن‌جا بروید و آن‌چه را که به دنبال آن بوده‌اید را پیدا کنید و آن‌ اطلاعات را با هم تجمیع کنید. تقریبا در هر شرکتی بخش‌های بزرگی وجود دارند که امروزه این کار را انجام می‌دهند. آن حجم از داده‌ها می‌تواند مانع کسب بینش‌های سریع شده و بنابراین، سبب هدایت تصمیم‌گیری‌های بهتری شود.»

«از طرف دیگر، هنگامی که شما درحال تلاش برای بهره‌گرفتن از هوش مصنوعی یا یادگیری ماشین هستید، به طور کلی، هرچه داده‌ها بیشتری داشته باشید، فرصت‌های بهتری خواهید داشت چراکه شما از قدرت کامپیوتر برای پردازش آن‌ها بهره می‌برید. هرچه داده‌های بیشتری داشته‌باشید، احتمال این‌که بتوانید الگوها و مدل‌های یادگیری ماشین قابل‌اطمینان‌تری ایجاد کنید، بیشتر شده بنابراین، می‌توانید کسب‌و کار خود را از دیدگاهی پیش‌بینی‌کننده یا تجویز‌کننده اداره کنید.»

مسیری به سوی داده‌های باارزش

طبق گفته‌های هیمس، مسیری به سمت مدیریت موفقیت‌آمیز داده‌ها ۳ مبحث مرتبط با انتقال دیجیتال، کارخانه متصل به شبکه و محصول متصل به شبکه را دنبال می‌کند. «انتقال دیجیتال متکی بر یک رشته دیجیتال در کسب‌وکار شما است که از ۳ ستون به عنوان ۳ منبع اصلی اطلاعاتی آن تشکیل شده‌است. اولین ستون، مهندسی متصل به شبکه‌ محیط مدیریت چرخه‌حیات محصول است. این مورد شامل داده‌هایی با جزئیات دقیق درباره محصول، داده‌های زنجیره تأمین، اطلاعات مربوط به تولید و داده‌های مربوط به کیفیت محصولات است.

«ستون دوم، کارخانه متصل به شبکه است که تمامی داده‌های مربوط به فروشگاه را تا لایه‌ای درون کسب‌وکار شما می‌کشاند به گونه‌ای که قابل دسترسی و کاملا قابل دیدن باشد.»

«سومین ستون محصول متصل به شبکه است. این منبع غنی از اطلاعات درباره آن‌چه در حال وقوع برای محصولی است که ساخته‌اید و به سوی مشتریانتان فرستاده‌اید. این که آن‌ها درحال انجام چه کاری با این محصول هستند؟ عملکرد این محصول چگونه است؟ چه زمانی باید سرویس شود؟»

تمامی آن نقاط باید برای تشکیل یک رشته دیجیتالی گرد هم آیند. «ما به مشتریان خود می‌گوییم که آن‌ها باید با بدست گرفتن کنترل آن انبار اطلاعاتی‌‌ای که سرتاسر زنجیره تأمین دراختیار دارند شروع کرده و ساختن داده‌های موجود که در دسترس آن‌ها است را آغاز نمایند.

«این همان‌جایی است که پی می‌بریم که پلتفرم‌های اینترنت اشیاء از جمله ThingWorx با جداسازی سیستم‌های ثبت از سیستم‌های درگیر با انسان نقش حیاتی بازی کرده و پیچیدگی آن سیستم‌های تجاری موجود را از بین می‌برند، به عنوان مثال، محیط ERP.

«تنها با پیونددادن داده‌های مربوط به عملکرد محصول به داده‌های مربوط به تولید محصول و درک شجره‌نامه محصول، قادرخواهید بود تا آن‌چه که به نمای محوری محصول شما تبدیل می‌شود را تکرار نمایید. این همان مفهوم گرد هم آوردن آن منابع داده و فراهم‌آوردن آن سودهای حاشیه‌ای است که به شما این امکان را می‌دهد تا کامل‌ترین نمایی را که می‌توانید از محصول خود تولیدکنید، مشاهده نمایید.

اضافه‌کردن «المان مربوط به افراد»

نتیجه ارتباطات ایمن، تبادل ایمن داده‌ها بین فناوری اطلاعات و فناوری عملیاتی است که این مسئله به عنوان ستون فقرات دیجیتالی‌شدن در نظر گرفته می‌شود. این مسئله مغهومی است که از زمان شروع صنعت ۴.۰ (industry 4.0) به خوبی درک شده‌است، اما همچنان مورد بحث قرار دارد.

 هیمس‌ می‌گوید :«درک من از فناوری عملیاتی باید سبب تقویت زیرساخت‌های فناوری اطلاعات شود. برای سال‌های زیادی،‌ فناوری عملیاتی محیط همکف کارخانه‌ای بوده‌است که تیم کارخانه آن را درک می‌کرده‌اند. آن‌ها آن را راه‌اندازی کردند و به خوبی کار کرد. محصولات ساخته شدند و این مسئولیت آن‌ها بود. امروزه آن گروه باید از ارتباطات کارآمدی از چشم‌انداز شبکه استفاده کنند. شما باید قادر باشید تا داده‌های فناوری عملیاتی را وارد جهان فناوری اطلاعات کنید که بسیار پیچیده‌است، زیرا ملاحظات مربوط به شبکه معین و مسائل امنیتی‌ای وجود دارند که لزوما برای سازمان‌های فناوری اطلاعات شناخته‌شده نیستند، اما این مسائل به دلایل خوبی در سمت فناوری عملیاتی راه‌اندازی شده‌اند تا از تجهیزات محافظت کنند. هنگامی که درباره همگرای فناوری عملیاتی (OT) با فناوری اطلاعات (IT) سخن به میان می‌آوریم، آن‌چه که به طور معمول مشاهده می‌کنیم محیط‌های دشوار بیشتری برای گرفتن داده‌های اولیه و بالابردن آن‌ها تا لایه IT‌ است.

آینده داده‌ها

رایانش لبه‌، یک مفهوم است که به طرز قابل توجهی میان تولیدکنندگانی که به دنبال مسیری به سوی آینده دیجیتالی هستند، رشد کرده‌است. این مفهوم تولید‌کنندگان را قادر می‌سازد تا داده‌ها را به صورت محلی پردازش و فیلتر کنند که نتیجه این امر کاهش تعداد داده‌های ارسالی به یک سرور مرکزی، در یک سایت یا در یک فضای ابری است. صنعت ۴.۰ درجایی که اکنون قرار دارد، دارای موانعی است که از موفقیت آن جلوگیری می‌کنند. رایانش در لبه، راه‌حلی برای عبور از بسیاری از این موانع است.

هیمس می‌گوید :« ما اخیرا با یک مشتری برای نگاه به موارد استفاده مختلفی که آن‌ها در فروشگاه دارند ملاقات کردیم. این بحث حول این بود که آیا ارسال داده‌ها به سمت یک دیتاسنتر کاری منطقی است یا استفاده از رایانش لبه. دربسیاری از موارد، این مسئله تابعی از فرکانس است.

«اگر یک مورد استفاده برای کنترل پردازش آماری باشد، فرکانس مورد نیاز بوده و تصحیح علت دفعات بسیار زیادی در هر ثانیه اتفاق می‌افتد شاید حتی صدها بار در یک ثانیه. یک پهنای‌باند یا تاخیر به آسانی وجود ندارد تا به شما اجازه دهد که اطلاعات را به سمت یک دیتاسنتر ارسال کنید، پاسخ را دریافت کرده و بدون سرمایه‌گذاری قابل توجهی آن را به انجام برسانید. برای من، این یک مثال عالی برای مناسب بودن ظرفیت رایانش لبه‌ای برای تجهیزات است. اما بسیاری از نمونه‌های دیگری موجود هستند که در آن‌‌ها استفاده از دیتاسنتر مورد مناسبی است.

علاوه بر این، توانایی قرار دادن آن‌همه داده در یک موقعیت مکانی سبب سرعت‌بخشیدن به استخراج بینش از آن‌ها می‌شود. این کار به یک شرکت امکان می‌دهد تا از هوش تجاری چه در فضای ابری و چه در یک دیتاسنتر بهره‌مند شود.

هیمس نتیجه‌ می‌گیرد :«گرچه شما می‌خواهید اطلاعات را برای کار شرکت خود دریافت نمایید، من فک‌ می‌کنم این مسئله باید قدم بعدی باشد، هم از یک چشم‌انداز مهندسی با مدیریت چرخه‌حیات محصول و هم از نقطه‌نظر یک محیط CAD. بسیار جالب است که ساخت و مهندسی بخش‌های مختلف، آخرین مواردی هستند باید با ظرفیت‌های فضای ابری سازگار شوند، اما این مسئله در درجه اول به امینت‌ داده‌ها و نگرانی‌ها در حوزه IP‌مربوط می‌شود. با گذشت زمان، انعطاف‌پذیری مقیاس‌بندی و اندازه‌گیری فضاهای ابری، سبب جذابیت آن برای هرکسی که دارای ابتکار رشته دیجیتال در تجارت خود است، می‌شود.»

پیام بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *