Konventionella datasystem är utformade för automatiserad analys, fördefinierade arbetsflöden och instrumentpaneler för rutinmässig övervakning och rapportering. De är bra, men inte tillräckliga för problemlösning i verkliga livet, som är komplex och icke-linjär till sin natur. 

När en processingenjör måste hantera nya fenomen eller oväntade problem krävs ad hoc-dataanalys. Detta utforskande arbete följer sällan en strikt, systemdriven sekvens; istället fortskrider det i odefinierade undersökningssteg, vilket kräver att analytiker anpassar sitt tillvägagångssätt när insikterna ständigt utvecklas. 

För att denna väsentliga, kreativa problemlösning ska blomstra måste dataanalysplattformen ge enskilda användare möjlighet att enkelt och intuitivt skapa och finjustera sin miljö för specifika uppgifter. 

Anpassning: Nyckeln till agil problemlösning och processoptimering 

Ett mycket effektivt dataanalysverktyg måste tjäna användarens ”tankeflöde”, inte tvinga dem att följa ett stelt teoretiskt arbetsflöde. Denna flexibilitet realiseras genom djupa personaliseringsmöjligheter:

1. Anpassning i farten: Förmågan att definiera sina egna arbetsytor, anpassa layouten och välja visualiseringsalternativ via intuitiv dra-och-släpp-funktionalitet är avgörande. Detta gör det möjligt för processexperter att skräddarsy instrumentpaneler och skapa ad hoc-diagram på några sekunder för att kontextualisera ett specifikt problem.
2. Intuitiv dataförfining: Rådata erbjuder sällan omedelbart tillförlitliga analysresultat. Domänexpertis behövs för att bedöma vilka värden som är irrelevanta, vilket kräver verktyg som stöder omedelbar datarensning, filtrering och förfining. Detta inkluderar den avgörande förmågan att kompensera för komplexa processfördröjningar för att säkerställa tillförlitliga korrelationsfynd.
3. Ad hoc-beräkningsmotor: För att härleda verkligt användbara mätningar behöver användare ofta kombinera information från flera källor, utföra enhetskonverteringar eller skapa nya beräknade mätningar (mjuka sensorer). System måste inkludera en inbäddad beräkningsmotor som gör det möjligt för användare att enkelt skapa och använda dessa anpassade mätningar i diagram och analyser som om de vore verkliga fysiska mätningar.
4. Tillgänglig orsak-och-verkan-analys: Att förstå ”varför” är det ultimata målet. Systemet måste ge användare möjlighet att intuitivt tillämpa avancerade analysmetoder för att avslöja dolda orsak-och-verkan-relationer. Denna funktionalitet måste vara intuitiv, vilket gör det möjligt för processexperter att diagnostisera källan till avvikelser utan att kräva datavetenskaplig intervention. 

De bästa dataanalysverktygen kombinerar automatiserings- och anpassningsmöjligheter 

För effektiv dataanalys och användning möjliggör de bästa dataanalysystemen både automatiserad analys och flexibel anpassning. 

Standardvyer och automatiserade rapporter uppfyller behovet av konsistens och kunskapsspridning, men de är otillräckliga för de agila, spontana kraven på modern problemlösning och processoptimering. 

Den konkurrensfördel tillhör organisationer som implementerar system som gör det möjligt för användare att sömlöst ändra dataset, vyer och analytiska parametrar, vilket säkerställer att systemet alltid är exakt anpassat till den unika uppgiften – oavsett hur ny – som användaren försöker lösa.

 

---

Vill du ha mer insikter?

Vårt säljteam är fullt av experter på dataanalys som är redo att hjälpa dig. Läs mer om Wedge industriellt dataanalysverktyg.

I den hårt konkurrensutsatta pappersindustrin är konsekvent, högkvalitativt papper inte bara ett mål – det är grunden för lönsamhet och kundnöjdhet. Traditionella metoder för att övervaka papperskvalitet räcker dock ofta inte till, vilket gör att värdefulla insikter går förlorade och kostar tid och pengar. Denna artikel utforskar hur integrering av Cross Direction (CD) profilmätningar med processdata kan övervinna dessa utmaningar och erbjuda ett smartare tillvägagångssätt för papperstillverkning.

Varför traditionella metoder inte räcker till

I årtionden har papperskvalitet övervakats med hjälp av visuella 2D-profilkartor. Även om de är effektiva för att identifiera stora brister, har dessa kartor svårt att avslöja djupare, detaljerad information som är avgörande för att förstå kvalitetsavvikelser. Oförmågan att koppla dessa visuella kartor till processmätningar skapar en kritisk blind fläck, vilket gör det svårt att identifiera orsaken till störningar i papperskvaliteten. För att verkligen bemästra kvalitet behövs robusta metoder för att hantera omfattande historiska data och förstå effekten av förändringar i processvariabler på profilstabilitet.

Avkoda profilavvikelser

Inga två pappersprofiler är helt identiska. Även om en idealisk skanning skulle visa perfekt enhetliga värden, introducerar verklig produktion alltid viss variation. Målet är inte noll variation utan snarare värden som är normalt fördelade kring en inställningspunkt med minimal spridning. Att snabbt upptäcka avvikelser från detta optimala tillstånd är avgörande.

Profilförändringar faller främst i två kategorier:

• Förändringar i formen på skanningsvektorer: Dessa sträcker sig från enkla lutningar till komplexa U-former, S-former eller W-former.
• Förändringar i den statistiska fördelningen av skanningsvärden: Analysera egenskaper som medelvärde, avvikelse, fördelningssymmetri (skevhet) och den övergripande fördelningsformen (kurtosis).

Att kombinera insikter från profilkartor med processdatadynamik genererar specifika profilvariationsindex – mått som signalerar uppkomsten av profilavvikelser. Att spåra dessa index som trender möjliggör direkt analys tillsammans med andra processmätningar, vilket förbättrar förmågan att identifiera orsakerna till profilförändringar. Detta tillvägagångssätt möjliggör också effektiv studie av långsiktiga trender i pappersprofilens enhetlighet.

Introduktion av Wedge-fördelen

Trimbles Wedge-system erbjuder en transformativ lösning genom att behandla intrikata profildata med samma intelligens och flexibilitet som alla andra processmätningar. Detta avancerade dataanalysystem ger användare möjlighet att:

• Gå på djupet: Välj fritt vilken tidsram som helst för studier, oavsett om det är en enskild produktionskörning eller en specifik papperskvalitet över månader. Filtrera bort avvikande datapunkter för att säkerställa tydlig analys.
• Karakterisera avvikelser: Beräkna distinkta index som exakt karakteriserar och identifierar problem inom profilmätningar, vilket förvandlar visuella avvikelser till handlingsbara insikter.
• Avslöja grundorsaker: Jämför profilvariationsindex med processmätningar för att snabbt identifiera processförändringar som utlöser skiftningar i CD-profiler, vilket säkerställer konsekvent enhetligt och högkvalitativt papper.

Från övervakning till bemästring

Wedge-systemet använder avancerad mönsterigenkänning för att diagnostisera komplexa profilformer, såsom en W-formad profil. Det analyserar relevanta processmätningar för att identifiera korrelationer som inträffade samtidigt med eller före profilavvikelsen, och genererar en prioriterad lista över potentiella kandidater till grundorsaken till avvikelsen. Mönsterigenkänningsverktyget kompenserar för processfördröjningar, vilket säkerställer korrekt identifiering av grundorsaken.

Denna integrerade metodik förbättrar avsevärt förmågan att snabbt identifiera grundorsaken till pappersprofilproblem, vilket säkerställer konsekvent produktion av enhetliga, högkvalitativa CD-profiler. Kännetecknat av tillförlitlighet, snabbhet och användarvänlighet, strömlinjeformar Trimble Wedge-systemet diagnostikprocessen, höjer papperskvaliteten och bidrar till operativ effektivitet och hållbar lönsamhet.

Läs mer

Om du är intresserad av att fördjupa dig i de innovativa metoder som diskuteras i denna artikel erbjuder Trimble ett detaljerat white paper med titeln ”Improve Paper Quality by Combining Cross Direction (CD) Profile Measurements with Process Measurements.” Detta dokument ger en djupgående presentation av teknikerna och fördelarna med att integrera profil- och processdata. För att begära din kopia och få ytterligare insikter i att optimera papperstillverkning, vänligen kontakta wedgesales@trimble.com.

Massa- och pappersindustrin utvecklas ständigt, pådrivet av behovet av att optimera processer och upprätthålla höga kvalitetsstandarder. Eftersom traditionella metoder för dataövervakning har svårt att hålla jämna steg med dessa krav, framträder innovativa dataanalysmetoder som viktiga verktyg. Denna artikel undersöker rollerna för ad hoc- och automatiserad dataanalys och belyser deras bidrag till att förbättra operativ effektivitet och beslutsfattande i denna komplexa sektor.

Ad hoc dataanalys: flexibilitet och utforskning

Ad hoc-dataanalys kännetecknas av sin flexibilitet och utforskande natur. Den är särskilt värdefull för att hantera nya och ofta oförutsedda frågor, felsökning och utforskning av nya fenomen. Detta tillvägagångssätt innebär en dynamisk studie av data, vilket gör det möjligt för analytiker att anpassa sina metoder baserat på utvecklande insikter och det aktuella problemet.

Ad hoc-analys är iterativ och icke-linjär, vilket ofta kräver flera cykler av att omdefiniera uppgifter, välja mätningar, förfina och analysera data samt dra slutsatser. Denna flexibilitet gör den idealisk för att generera nya insikter och förstå processbeteende dynamiskt. Till exempel när en fabrik upplever en plötslig försämring av papperskvaliteten, kan ad hoc-analys användas för att undersöka olika faktorer som råvarukvalitet, maskininställningar och miljöförhållanden. Genom att iterativt förfina sin analys kan analytiker identifiera specifika problem och vidta korrigerande åtgärder.

Den iterativa naturen hos ad hoc-analyser kan dock vara tidskrävande och kräver skickliga analytiker och betydande resurser. Dessutom kan bristen på fördefinierade arbetsflöden leda till variationer i analysprocessen, vilket potentiellt påverkar resultatens repeterbarhet.

Automatiserad dataanalys: konsistens och effektivitet

Till skillnad från ad hoc-metoder använder automatiserad dataanalys ett systematiskt och strukturerat tillvägagångssätt som utnyttjar befintlig processkunskap och kännetecknas av sin repeterbarhet.

Denna teknik betonar datavisualisering, förkonfigurerade arbetsflöden och processmodellering. Den inkluderar fördefinierade algoritmer, instrumentpaneler och rapporteringsverktyg för att bearbeta data. Till exempel kan automatiserade instrumentpaneler spåra nyckelprestandaindikatorer (KPI:er) såsom produktionshastighet, energiförbrukning och kvalitetsmått, vilket erbjuder insikter i realtid och varningar för snabb beslutsfattande.

Fördelarna med automatiserad analys inkluderar dess konsistens, effektivitet, skalbarhet och förmågan att sprida etablerad information över organisationen. Den är dock mindre anpassningsbar till nya eller oförutsedda situationer och förlitar sig starkt på befintlig förståelse. Felaktiga antaganden eller modeller kan leda till felaktiga resultat, och betydande initiala investeringar och löpande underhåll är nödvändiga för att bibehålla noggrannhet och relevans.

Integrera ad hoc- och automatiserade tillvägagångssätt

Både ad hoc- och automatiserad dataanalys spelar avgörande roller i massa- och pappersindustrin. Varje tillvägagångssätt har unika bidrag till processoptimering och beslutsfattande, och deras integration kan leda till mer robusta och anpassningsbara operationer.

Genom att integrera båda tillvägagångssätten kan organisationer uppnå en balans mellan flexibilitet och konsistens, vilket leder till förbättrad operativ effektivitet och förbättrad kvalitetskontroll. Ad hoc-analys ger flexibiliteten att svara på nya utmaningar och möjligheter, medan automatiserad analys säkerställer den breda tillämpningen av beprövade insikter. Insikter som erhålls från ad hoc-analys kan integreras i automatiserade arbetsflöden, vilket kontinuerligt förbättrar noggrannheten och relevansen hos automatiserade system.

Krav för dataanalysverktyg

För att effektivt stödja både ad hoc- och automatiserad dataanalys måste verktyg ha distinkta kapaciteter. För ad hoc-analys bör verktyg tillåta dynamisk datautforskning, stödja avancerade analytiska tekniker och underlätta ett iterativt arbetsflöde. De bör också integreras sömlöst med olika datakällor och erbjuda ett användarvänligt gränssnitt för att möjliggöra snabb anpassning till nya utmaningar.

För automatiserad analys bör verktyg stödja fördefinierade arbetsflöden och modeller, möjliggöra övervakning av data i realtid, inkludera statistisk processkontroll (SPC) och vara skalbara för att hantera stora datavolymer. De bör också underlätta spridningen av etablerad kunskap över organisationen.

Slutsats

Sammanfattningsvis kan integrationen av ad hoc- och automatiserad dataanalys avsevärt förbättra massa-och pappersindustrins förmåga att optimera processer och upprätthålla höga kvalitetsstandarder. Genom att utnyttja styrkorna hos båda metoderna kan organisationer uppnå en balanserad strategi som är både anpassningsbar och konsekvent, vilket i slutändan leder till mer robusta och effektiva operationer.

Läs mer

För de som är intresserade av att utforska de innovativa metoder som diskuteras i denna artikel vidare, erbjuder Trimble ett omfattande white paper med titeln ”Innovative Data Analytics in the Pulp and Paper Industry: Balancing Ad Hoc Insights with Automated Consistency.” Detta dokument erbjuder en djupgående undersökning av teknikerna och fördelarna med att integrera ad hoc- och automatiserad dataanalys. För att begära en kopia och få ytterligare insikter i att optimera processer i massa- och pappersindustrin, vänligen kontakta wedgesales@trimble.com.

Mängden data som samlas in från industriella processer ökar i en allt snabbare takt. Moderna datorsystem gör det möjligt att lagra data under långa tidsperioder och med en mycket snabbare samplingsfrekvens än någonsin tidigare. Detta väcker en viktig fråga: Vad ska vi göra med all denna data?

BtoC-företagen har under flera år framgångsrikt samlat in och analyserat stora mängder komplex kundtransaktionsdata. Denna ”big data approach” syftar till att ge dem en konkurrensfördel gentemot sina rivaler. Industriella BtoB-företag är inte på samma nivå ännu, men den ständigt ökande konkurrensen tvingar dem att finjustera sina tillverkningsprocesser. Företagen tvingas producera bättre kvalitet i större mängder och samtidigt minska energiförbrukningen och råvarukostnaderna.

Dessa problem kan lösas genom att låta medarbetarna förbättra tillverkningsprocesserna baserat på uppmätta tidsseriedata.

Genom att tillämpa effektiva metoder och verktyg för datahantering kan industriföretag ta fram den outnyttjade potentialen i sina befintliga data, vilket leder till förbättrad processdiagnostik och en konkurrensfördel.

Utmaningar med att använda fragmenterad data

Under det senaste decenniet har digitala informations-, processtyrnings- och affärssystem blivit standardapplikationer inom massa- och pappersindustrin. Samtidigt har mängden data som samlas in och sparas ökat avsevärt, och den här trenden kommer att fortsätta i framtiden.

De system som används i fabrikerna är vanligtvis inriktade på antingen ett begränsat processområde (t.ex. råvaruhantering, lagerberedning, rullsektion) eller en begränsad datatyp (t.ex. data från styrslingor, processdata, kvalitetsdata och kostnadsdata).

Idag samlas enorma mängder data in, men endast en mindre del av dessa data utnyttjas. En produktionsanläggning eller ett helt företag skulle kunna uppnå stora fördelar om alla dessa data kombinerades sömlöst och medarbetarna fick en helhetsbild av processen.  

Kombinera domänexpertis med effektiv datahantering

Den insamlade datamassan innehåller en hel del outnyttjad potential för affärs- och processförbättringar. För att utnyttja denna potential krävs ett effektivt datahanteringssystem.

Ett effektivt datahanteringssystem gör det möjligt att kombinera alla datakällor i ett och samma system. Ett användarvänligt gränssnitt hjälper användaren att få fram användbar information och kunskap ur den enorma mängden data. Användaren ska inte behöva ägna mycket tid åt att få in data i datahanteringssystemet, utan i stället fokusera på att felsöka problemet, öka effektiviteten eller förbättra slutproduktens kvalitet.

Sambanden mellan olika processfenomen är mycket komplicerade och flera mätningar påverkar varandra. Därför finns det ofta ett behov av att kombinera ursprungliga mätningar till nya och mer användbara mätningar, t.ex. att beräkna torrflödet baserat på ursprungliga flödes- och konsistensmätningar. För att möjliggöra denna typ av fri datamodifiering måste det finnas ett enkelt sätt att lägga till sina egna beräkningar i datahanteringssystemet.

Processen för dataanalys: Ett systemdrivet arbetsflöde eller ett människodrivet tankeflöde?

Processanalysen kan påbörjas när alla relevanta data finns tillgängliga i datahanteringssystemet. Bild 1 illustrerar det förenklade arbetsflödet för processdataanalys eller felsökningscykel.

Det första steget är att definiera målet: vad behöver vi ta reda på?

Nästa steg är att skapa en fungerande uppsättning mätningar. I det här skedet är det viktigt att kombinera data från olika källor i ett system. Dataanslutningen bör vara online för att undvika mödosam och långsam dataimport till analyssystemet. Data bör också vara nära realtid för att möjliggöra snabba reaktioner på situationer som uppstår.

Processdata innehåller alltid vissa dåliga värden, t.ex. kraftigt  avvikande värden, felaktiga värden och värden producerade efter att produktionen has körts ner. Den här typen av dåliga data påverkar analysresultaten i hög grad och därför måste dessa värden tas bort före analysen. För att utföra den här typen av datarensning på ett effektivt sätt bör verktyget stödja användarens processkunskap. En erfaren medarbetare med processkunskap är bäst på att bedöma vilka värden som är irrelevanta, och sedan ska dessa värden enkelt kunna tas bort från datasetet.

När data är rensade kan användaren utföra processanalys, t.ex. göra statistik- och korrelationsberäkningar. I det här steget är det vanligt att användaren redan har hittat användbar information i datan, men när det finns många mätningar kan det vara besvärligt. Datorkraft kan användas för att göra detta steg mycket mer effektivt. En dator kan snabbt kontrollera många process- och kvalitetsmätningar för att avgöra vilka som bäst korrelerar med det uppsatta målet. Systemet bör kunna rangordna mätningarna och ge en kandidatlista över de mätningar som verkar ha störst inverkan på målmätningen. I detta steg förvandlas data till information.

Det är viktigt att komma ihåg att användaren måste ha god processkunskap för att få användbara studieresultat och kunna dra tillförlitliga slutsatser. I det här steget förvandlas informationen till ny kunskap. Vid behov kan användaren omdefiniera uppgiften och starta om loopen igen.

I verkligheten är ett bra och effektivt arbetsflöde för dataanalys inte linjärt och enkelt enligt beskrivningen ovan, utan det ser mer ut som en spagettiboll.

Ny information och nya insikter uppstår oundvikligen när data bearbetas genom kreativa rensnings-, förädlings-, beräknings- och analysmetoder. Detta leder dataanalysen framåt. Ofta resulterar dessa nya insikter i att den ursprungliga frågan omdefinieras.

I ett effektivt arbetsflöde för dataanalys skapas nya insikter i alla steg. Dataanalyssystem bör stödja denna flexibla och kreativa arbetsstil. Användarna måste kunna modifiera datasetet, prova olika datarensningsscenarier och olika analysmetoder på ett smidigt sätt.

Bättre användning av data för att hantera produktivitets- och hållbarhetsutmaningar

Samtidigt som mängden data ökar i en allt snabbare takt minskar resurserna i bruken. Konkurrensen mellan företag och fabriker är hård, och situationen kommer inte att bli lättare i framtiden. Utöver allt detta ökar också vikten av att spara på naturresurserna.

Detta tvingar företagen att driva processerna på ett mer effektivt och hållbart sätt. Ett av de mest kostnadseffektiva sätten att uppnå målen är att utnyttja befintlig data mer effektivt.

I dag måste personalen på fabrikerna hantera många olika uppgifter samtidigt. Det innebär att de inte kan ägna mycket tid åt datahantering. Det behövs ett effektivt och intuitivt verktyg för att kombinera alla relevanta data i en och samma vy. Användare med god processkunskap måste snabbt och enkelt kunna få svar från systemet på frågor om processproblem

 

---

Vill du ha mer insikter?

Vårt säljteam är fullt av experter på dataanalys som är redo att hjälpa dig. Läs mer om Wedge industriellt dataanalysverktyg.