Som en klok gammal man en gång sa: Du kan bevisa vad som helst med hjälp av fakta. Okej, det var Homer Simpson, men du måste erkänna att han har en poäng.

Du behöver data för att fatta databaserade beslut, men utmaningen är att ju mer data du har, desto lättare blir det att missbruka data för att tjäna de slutsatser du vill dra. Med stora datamängder och bra verktyg kan det till och med vara bedrägligt lätt att göra det.

När datamängden är stor är det tidskrävande att påpeka svagheter i analysen. Och även om du gör det kan det vara för sent att ändra något, om åtgärder redan har vidtagits.

Det idealiska arbetsflödet för databehandling

Om du är ute efter genuina och hållbara förbättringar börjar arbetsflödet för databehandling med ett öppet sinne. Det ideala arbetsflödet ser ut så här:

1. Ställ öppna frågor
2. Samla in data
3. Förädla uppgifterna
4. Analysera
5. Diagnostisera

Dessa steg måste upprepas flera gånger för att testa olika scenarier. Först därefter är det dags för slutsatser och beslut.

Att göra dataanalyser på hög nivå kräver mod

Det här arbetssättet kräver en del mod, eftersom resultat och fakta kan vara fula, obehagliga eller oönskade. För att hålla sig på rätt spår behöver du också en hög moral och etik. Och du vill väl hålla dig på rätt spår, eller hur?

 

---

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.

De flesta industriella dataanalyser baseras på tidsseriedata. Denna typ av data har ett värde eller en processparameter för varje tidsstämpel. Till exempel processautomation producerar den typen av data: mätvärden, börvärden, styrsignaler osv. En annan vanlig analystyp är händelse- eller transaktionsdataanalys, där värdena är kopplade till händelser, som även kan ha en tidsrelation.

I vissa typer av produktion eller processer är datan vektordata till sin natur. Oftast används vektordata för att analysera ark- eller plåtliknande produkter, såsom papper eller valsad metall. De analyserade uppgifterna är i vektorformat och produceras vanligtvis av profilskannrar, inspektionskameror m.m. Grafiska 2D-profilkartor är ett typiskt sätt att visualisera skannerdata.

Det finns fler möjligheter att använda vektordata än traditionella profilmätningar. Vektordata kan vara vilka data som helst som har flera datapunkter i samma tidsstämpel. Till exempel kan frekvensspektret hanteras som vektorer – varje tidsstämpel har ett unikt frekvensspektrum. Eller en vektor kan vara en form som extraheras från kamerasystem.

Moderna metoder och lämpliga verktyg tar fram värdet i vektordatan

Grafiska 2D-vektorkartor är det typiska sättet att visualisera vektordata. Dessutom kan en del statistiska värden presenteras. De rätta verktygen kan avslöja högvärdig information i vektordatan, till exempel långvariga förändringar med gradvisa växlingar som inte går att upptäcka med enbart visuell övervakning. Dessutom kan intelligent matematisk databehandling avslöja dolda värdefulla fenomen i data.

Det bästa värdet genereras genom att kombinera vektordata med vanlig processinformation (tidsseriedata). Med hjälp av nya metoder kan du diagnostisera grundorsaker och konsekvenser och förhållanden mellan vektor- och tidsserie-/händelsedata.

När analysmetodik och procedurer är tillförlitliga, snabba och användarvänliga är även resultaten tillförlitliga och går snabbt att få fram. Detta är extremt viktigt, eftersom man annars låter bli att analysera på grund av den höga arbetsbelastningen eller för att analysresultaten kan vara felaktiga.

Ladda ner vitboken gratis!

Ladda ner den kostnadsfria vitboken som förklarar hur du kan kombinera analysen av tvärriktningsprofiler med processmätningar. Den innehåller även en del exempelberäkningar och redovisar analysmetoden.

 

---

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.

En av de vanligaste användningarna av Wedge är att jämföra en utvald period med en annan tidsperiod och ta reda på vad som har gjorts annorlunda. Denna typ av studie är nödvändig när en tekniker vill fastställa eller optimera bästa praxis för drift av en anläggning. En sådan jämförelse avslöjar vanligtvis om förändringar av processförhållanden har en betydande inverkan på processprestanda, vilket ofta leder till fler utvecklingsaktiviteter.

FALL 1: En tidsperiod jämförd med en känd referensperiod

Första veckan i november förra året var framgångsrik: produktionsvolymerna var stora, kvaliteten bra och den nominella energiförbrukningen var relativt låg.

Sedan dess har ditt team försökt uppnå samma produktionsnivå. De senaste två veckorna har återigen varit utmanande. Du vill förstå vad skillnaden är mellan det du gör nu och det du gjorde i november.

Hur kan du göra det?

Du kan spara referensperioder i Wedge. En sparad period kan vara en framgångsrik testperiod, och en annan kan vara en benchmark-period för produktion av din slutprodukt. En tredje period kan vara en period när kemikalieförbrukningen i din produktionslinje var anmärkningsvärt låg. De sparade perioderna är praktiska när du vill jämföra dina aktuella processförhållanden och driftpraxis med dem i referensperioden.

För det första kan du studera hur de intressanta mätvärdena uppför sig i målperioden (svart i figuren ovan), och hur de uppför sig under referensperioden (grönt). Detta är en snabb grafisk översikt och ett bra första steg för en bättre förståelse.

I nästa steg kan du tillämpa matematik. Vilka är medelvärden, minimum, maximum eller standardavvikelser för de valda signalerna under den valda perioden, och i andra hand under referensperioden.

Detta hjälper dig att förstå var de viktiga skillnaderna finns.

Till sist kan du be Wedge att lista alla signaler med en betydande avvikelse mellan den valda perioden och referensperioden. Systemet ger dig en omfattande lista med mätvärden i den detekterade förändringens storleksordning. Eftersom denna metod beaktar alla signaler upptäcks alla förändringar mellan målperioden och referensperioden.

FALL 2: En period med låg produktivitet jämförd med en period med hög produktivitet

 Ditt viktigaste nyckeltal för produktion är ton per timme. Enligt din erfarenhet är 17,5 ton/timme ett bra resultat, men under 15 ton/timme är oacceptabelt i det långa loppet. Du kanske vill analysera vad som görs annorlunda när det magiska resultatet 17,5 ton/timme uppnås, och vilka faktorer som förklarar ett dåligt resultat.

Wedge kan omvandla signalen för producerade ton och gränsvärden till en stegvis signal som visar om produktionen har legat på en hög nivå (17,5 ton/timme eller mer), en medelhög nivå (15–17,5 ton/timme) eller en låg nivå (15 ton/timme eller mindre). I figuren nedan betyder värdet 3 en hög nivå, 2 en medelhög produktion och 1 en låg produktivitet. Dessa data kan enkelt användas som grund för analys.

Med hjälp av Wedges standardfiltreringsfunktioner kan du börja med att kontrollera medelvärden och standardavvikelser för processvärden per produktionsnivå.

Sedan är det möjligt att fortsätta analysera med hjälp av Wedges uppsättning av analysverktyg. I detta fall visar histogrammen över råvarutemperatur och råvarukonsistens (låg produktion till vänster, hög till höger) tydliga skillnader i processförhållanden mellan perioder med hög och låg produktivitet.

FALL 3: En aavikande period jämförd med processens normaltillstånd

Du upptäcker en tidsperiod där något har varit annorlunda. Hur tar du reda på vilka förändringar i processförhållandena eller arbetsmetoderna som skulle kunna förklara den negativa eller positiva avvikelsen från den normala produktionen?

I det här fallet ser du till exempel att varmvattentemperaturen har varit instabil. Du kan i Wedge markera den intressanta perioden med gul färg. Den omgivande vita ytan markerar processens normaltillstånd.

I Wedge kan du jämföra den markerade ytan med normaltillståndet. Ett bra sätt att börja är statistiska metoder. I tabellen nedan har vi beräknat medelvärdet för varje börvärde i processen. Detta visar snabbt vilka driftparametrar som har förändrats. Den statistiska metoden kan självklart tillämpas på alla processer eller kvalitetsmått, och resultaten begränsas inte bara till medelvärden utan kan även vara min- eller maxvärden, standardavvikelser osv.

En annan metod för att spåra skillnader i börvärden eller driftförhållanden är Wedges verktyg för bästa korrelationer. Verktyget ger dig en lista över signaler med den största avvikelsen mellan en normal och en riktigt bra period. Detta kan anses vara en lista över orsaker som kan förklara den riktigt bra perioden. Utöver grundorsaken listas även konsekvenserna av avvikelsen.

Jämförelser mellan olika tidsperioder och processtillstånd är startpunkten när man försöker hitta bästa driftspraxis och när man försöker uppnå bättre prestanda. Det är avgörande att det tillämpade systemet har stöd för ett effektivt arbetsflöde och gör att du kan hitta tendenser i en stor datamängd.

 

---

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.

Wedge gör det möjligt att använda avancerade algoritmer för att upptäcka mönster i process- och kvalitetsdata. Nedan presenterar vi fyra praktiska tillämpningar av mönsterigenkänning som hjälper Wedge-användare att få en bättre förståelse för förhållandet mellan orsak och verkan i processen.

FALL 1: Spåra grundorsaken till ett kvalitetsproblem

Du har ett kvalitetsproblem i en process. Det uppstår tjockleksavvikelser i slutprodukten, vilket orsakar materialspill och skrot. Din första prioritet är att förstå vad det är för underliggande orsaker som påverkar tjockleken.

Wedge går igenom alla andra mätningar och hittar mätningar som uppvisar ett liknande eller spegelvänt mönster samtidigt eller före tjockleksavvikelsen. Som ett resultat producerar Wedge-systemet en lista på grundorsakskandidater till kvalitetsproblemet.

Som Wedge-användare behöver du inte oroa dig för eventuella processförseningar, eftersom mönsterigenkänningsverktyget kompenserar fördröjningarna automatiskt.

FALL 2: Förstå konsekvenserna av råvaruförändringar

Förändringar i råvaran kan också påverka din process. Mönsterigenkänningsalgoritmerna i Wedge kan hjälpa dig att upptäcka dem.

Wedge jämför målmätningens form (förändring av råmaterial från typ ett till noll och tillbaka till ett) med andra signaler och listar de konsekvenskandidater som korrelerar bäst med avseende på målmätning och processfördröjning.

Det är ett utmärkt sätt att få nya kunskaper om målprocessens beteende.

FALL 3: Ta reda på vad som orsakar periodiska fluktuationer

En enstaka topp i en signal och/eller en nivåändring är mönster som är lätta att observera och spåra. Men vad gör du om dina målmätningar fluktuerar starkt men till synes slumpmässigt? Eller om du inte kan se något tydligt mönster eller det finns flera oberoende mönster som inverkar samtidigt? Det låter komplicerat, men för Wedge är det inte det.

Först hjälper Wedge dig att isolera olika mönster i signalen. Systemet visar vilka typer av fluktuationsmönster som finns och den relativa effekten av varje mönster. I praktiken får vi reda på om det finns periodiska fluktuationsmönster i datan, vilka periodlängder de identifierade mönstren har och vilken fluktuation som är starkast.

Sista steget är att diagnostisera vad som orsakar mönstren. Wedge kan till exempel utvärdera vad som orsakar de starkaste fluktuationerna i signalen (den röda med en periodlängd på 22 min och 39 s). I det här exemplet pekar data på temperaturen i den inkommande ångan som den starkaste grundorsakskandidaten.

FALL 4: Sök efter tidigare tidsperioder som liknar målperioden

Föreställ dig att du stöter på ett intressant processbeteende – till exempel att halten av en tillsatskemikalie är lägre än anvisat och att råmaterialets temperatur sjunker. Men ändå är slutproduktens kvalitet stabil. Då kanske du börjar fundera på om liknande händelser eller processförhållanden och driftmetoder har förekommit tidigare, eller om det bara är en engångshändelse.

Wedge kan hitta olika historiska perioder som uppvisar liknande mönster: samma händelse, processförhållande och/eller driftmetod som din målperiod. Hur spårar du olika perioder som har liknande mönster – händelser, processförhållanden och/eller driftmetoder – som din målperiod?

Wedge kan hjälpa dig med det.

Du kan välja målsignal och målmönsterbeteende. På bilden nedan är en signal vald och det gula området visar den intressanta perioden. Wedge studerade signalens historia och hittade en annan period då den valda signalen betedde sig på ett sätt som var relativt likt målperioden. Nu har du ringat in de huvudmisstänkta.

 

---

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.