Z normaliziranim pregledom proizvodnih linij lahko proizvodna podjetja uresničijo izrazite prednosti v obliki povečanja učinkovitosti, povečanega pretoka, izboljšane kakovosti in zmanjšanja porabe dobrin v svojem podjetju. Kako pa je to mogoče doseči?
Potrebno je obravnavati vrsto podatkovnih izzivov, ki zagotavljajo dostopne in zaupanja vredne podatke za razvoj vpogleda v naše proizvodne linije:
Razbijanje podatkovnih silosov
To je za proizvajalce dobro dokumentiran izziv, povezan z integracijo OT in IT podatkov, pridobivanjem podatkov različnih generacij opreme ter ravnanjem s strukturiranimi in nestrukturiranimi vrstami podatkov. Medtem ko večina proizvajalcev poroča, da je povezovanje podatkov med generacijami opreme eden njihovih najbolj perečih izzivov, vse večja uporaba podatkovnih jezer in vse več rešitev za integracijo poskušajo podpreti sposobnost proizvajalcev, da premagajo ta izziv.
Kontekstualizacija in razumevanje podatkov
V globji stopnji kompleksnosti je treba podatke, ki so integrirani v podatkovna jezera, kontekstualizirati, tako da lahko potrošniki razumejo, kateri podatki so povezani s katero proizvodno linijo. Načini poimenovanja za ERP, MES in zgodovinske podatke se običajno razlikujejo v vsakem sistemu. Kontekstualiziranje podatkov omogoča uporabniku, da hitro poišče vse podatke, povezane s posebnim procesom, na kateri koli proizvodni liniji, ne da bi moral razumeti vsak vir podatkov in njegovo strukturo. Čeprav mnogi poskušajo ta izziv rešiti ročno, bo avtomatizacija tega procesa ključnega pomena za razumevanje obsežnih industrijskih podatkov po vseh proizvodnih linijah.
Ustvarjanje dinamičnega podatkovnega modela
Skratka, cilj ni ustvariti univerzalni podatkovni model, ki bi lahko veljal za vse primere uporabe proizvodnih linij, temveč se osredotočiti na primere uporabe z velikim učinkom in predstaviti dinamične modele, ki bodo podpirali te primere uporabe. Čeprav je modeliranje podatkov dobro dokumentirana tema (npr. Standardi ISO in ISA-95), implementacija standardov pogosto predstavlja izziv. Ti so namreč preveč preprosti, da bi zadostili vsem potrebam organizacije, ali preveč zapleteni za izvajanje v praksi. Ko razmišljamo o tem, kako modelirati podatke o proizvodnih linijah, moramo uravnotežiti potrebo po celovitosti s potrebo po pospešitvi časa do izkaza dodane vrednosti pri izvedbi primerov uporabe. Podatkovni model za digitalizacijo mora vsebovati sestavne dele za večkratno uporabo in sestavne dele, vendar pa mora biti tudi prilagodljiv, da ustreza edinstvenim potrebam potrošnika ali primera uporabe.
Medtem ko proizvodna podjetja že desetletja uspešno obvladujejo razlike med proizvodnimi linijami, bodo imeli tisti, ki bodo lahko normalizirali podatke o svojih proizvodnih linijah, posebne prednosti pri povečanju pretoka, izboljšanju kakovosti in zmanjšanju porabe dobrin v svojem podjetju.