Il paradiso dei dati di fabbrica: in che modo le aziende sfruttano al meglio le informazioni sulla macchina e sulla produzione
Pubblicato il 25 settembre 2020 a AI

Approccio al progetto sulla scienza dei dati: preparazione, analisi e sviluppo di applicazioni, valutazione e manutenzione
La scienza dei dati industriali è una disciplina piuttosto nuova. Questo è il motivo per cui non esiste ancora un approccio universalmente valido per ogni azienda. Ogni soluzione e applicazione richiede analisi e modellazione dei dati personalizzate per ottenere i migliori risultati possibili. Tuttavia, è utile un approccio standard: il modello CRANY-DM (Cross-Industry Standard Process for Data Mining) è l'approccio più comune, che OMRON ha semplificato e personalizzato in un approccio del tutto nuovo. Le quattro fasi di questo approccio includono preparazione, analisi e sviluppo delle applicazioni, valutazione e manutenzione. Ulteriori informazioni su queste fasi sono disponibili nell'infografica.Fase 1: preparazione
La fase di preparazione è la più importante. Un progetto di scienza dei dati non avrà mai successo se l'obiettivo non è chiaro. Pertanto, in questa prima fase importante, tutti i partecipanti e gli esperti del settore prima affrontano il problema o il requisito specifico per poi raggiungere un obiettivo del progetto chiaramente definito. In seguito, analizzano nel dettaglio la macchina e/o il processo di produzione per ottenere una panoramica dei dati già disponibili e di quelli che devono ancora essere raccolti. In questo processo, è possibile raccogliere e analizzare un set di dati iniziale come una sorta di studio di fattibilità. Al termine della fase di preparazione viene prodotto un report che fornisce informazioni sul valore generato previsto e un ROI realistico.Fase 2: analisi e sviluppo delle applicazioni
- Raccolta dei dati: i dati vengono raccolti da varie fonti, dai dati non elaborati dei sensori alle informazioni provenienti dai sistemi MES.
- Pre-elaborazione dei dati: i dati raccolti vengono preparati per la fase di analisi, trasformati, uniti e puliti.
- Analisi dei dati: vengono applicati gli algoritmi di analisi sviluppati e i modelli di machine learning.
- Applicazione: i risultati e le conclusioni dell'analisi dei dati sono resi disponibili. Alcuni esempi sono le visualizzazioni personalizzate in base alla situazione, al gruppo di riferimento o come feedback sulla macchina.