Analýza korelácií a príčin

Analýza korelácií a príčin v digitálnom dvojčati pomáha hľadať opakujúce sa vzorce a koreňové príčiny udalostí v spoločnom modeli haly. Korelácia skúma, ktoré udalosti nastali na rovnakom mieste a v rovnakom čase alebo ktoré kombinácie sa opakujú pred čakaním, zápchou či falošným poplachom. Analýza príčin zisťuje, ktoré z týchto kombinácií výsledok skutočne spôsobili. Závod tak môže odstrániť príčinu a nemusí každú zhodu okolností považovať za pravidlo. Obe analýzy potrebujú udalosti, ktoré sú už spoločne zaznamenané v priestore a čase. Z tabuľky kódov prestojov bez údajov o stanovišti nemožno zistiť odpovede na tieto otázky o dianí v hale.

Na prevádzkovom digitálnom dvojčati začínajú ľudia takéto súvislosti hľadať pohľadom na mapu. Linke chýba materiál, hoci v susednej uličke stojí vysokozdvižný vozík, poplach na rampe sa zhoduje s otvorenými dverami pod odsávaním alebo buffer sa zaplní nad kapacitu pri každej špičke na príjme. Dvojča tieto súvislosti zachováva na mape, takže obchôdzka haly nie je jediným spôsobom, ako ich zistiť. V pozadí závod ukladá priestorovo orientovaný súbor dát, teda podobu priestorovo-časových dát pre závod. Neskôr strojové učenie a prediktívne dvojča automatizujú hľadanie rovnakých súvislostí naprieč mnohými zmenami. Korelácia z týždňa s malým množstvom dát je ešte len náhodnou zhodou. Na určenie príčiny treba spoločne ukladať údaje o rovnakých miestach a typoch udalostí počas mnohých zmien.

Pre tímy v závode je to dôležité, pretože optimalizácia celej haly zahŕňa takúto analýzu rovnako ako okamžité obmedzovanie jázd naprázdno. Logistika naďalej potrebuje vyhľadávanie v reálnom čase. Tím neustáleho zlepšovania a vedenie potrebujú záznam, ktorý vysvetlí, prečo linke opakovane chýba materiál. Bez analýzy korelácií a príčin v priestorovej histórii zostane dvojča náhradou vysielačky a nikdy sa z neho nestane optimalizačná vrstva, ktorú sľubovala ďalšia fáza programu.

Hlavné súčasti

Spoločné miesto a čas: Polohy, čas zotrvania a stav systémov sú zachytené v jednom modeli haly. Dve udalosti sa tak dajú porovnať podľa vzájomnej blízkosti, nie ako riadky z oddelených obrazoviek.

Najprv korelácia: Ktoré súbehy a postupnosti udalostí sa opakujú pred zastavením, chybným pracovným príkazom alebo zablokovanou uličkou? Takéto porovnanie je užitočné na aktuálnej mape aj v uložených záznamoch zmien.

Potom príčina: Ktoré kombinácie udalostí spôsobujú výsledok a ktoré ho iba sprevádzajú? Cieľom je zmena, za ktorú niekto zodpovedá, napríklad presunutie parkovacieho miesta, zmena výzvy na materiál alebo oprava prepojenia údajov o dverách, nie iba prehľadnejší graf.

Podrobná priestorová história: Automatizovaná analytika závisí od priestorovo orientovaného súboru dát. Pekná mapa v reálnom čase, ktorá neukladá priebeh zmeny, neskôr neposlúži na analýzu príčin v celej hale.

Určená zodpovedná osoba: Majstri reagujú na súvislosti v reálnom čase. Tímy neustáleho zlepšovania a spoľahlivosti riešia vzorce opakujúce sa počas týždňov. Bez zodpovednej osoby zostane analytika iba snímkou v prezentácii.

Využitie vo výrobe a logistike

Logistika a výroba používajú koreláciu v reálnom čase, aby vysvetlili nedostatok materiálu na konkrétnom mieste: voľný vozík je nablízku, súprava dielov mešká o dve stanovištia ďalej alebo vozík zaparkovaný v koridore prekáža milk-runu. Rovnaký postup pomáha pri optimalizácii logistiky, keď sa otázka zmení z „kde je vozík“ na „ktorá kombinácia udalostí nás opakovane stojí hodinu“.

Údržba a správa budov využívajú koreláciu, keď sa porucha a určitý stav budovy vyskytnú v tej istej uličke. Môže ísť o otvorenú rampu pod odsávaním alebo o vyslanie nožnicovej plošiny kvôli poplachu senzora, ktorý v skutočnosti spôsobovali dvere. Súvislosti medzi systémami v prevádzkovom dvojčati fungujú na rovnakom princípe, iba využívajú viac zdrojov dát na mape.

Tímy neustáleho zlepšovania a vedenie zodpovedné za viac hál používajú uložené korelácie a analýzu príčin na porovnanie zmien a závodov v spoločnom modeli. Zmeny v rozvrhu pracovníkov, usporiadaní a toku materiálu sa tak opierajú o dôkazy namiesto jednotlivých skúseností. Keď je súbor dát dostatočne podrobný, môže z neho neskôr čerpať aj prediktívna analytika.

Prínosy a úskalia

Prínosom je optimalizácia celej haly, pri ktorej možno určiť miesto aj príčinu problému. Kilometre najazdené naprázdno a opakované čakanie prestávajú byť len predmetom správ z vysielačiek. Keď je prepojenie viditeľné, ubúda falošných poplachov. Budúce prediktívne analýzy vychádzajú z obrazu reality a nemusia vytvárať vstupné premenné z tabuliek s nedostatkom údajov.

Úskalím je uspokojiť sa s obrazovkou logistiky v reálnom čase a považovať dvojča za hotové. Koreláciu bez ukladania údajov nemožno využívať vo väčšom rozsahu. Ak sa príčina určí na základe jedného nevydareného popoludnia, vznikne nesprávne pravidlo. Nepostačí ani digitálne vlákno transakcií bez priestorového kontextu, pretože udalosti v ňom nie sú priradené k spoločnému stanovišťu v modeli, ktorý ľudia používajú pri obchôdzke haly.

Súvisiace pojmy

Analýza korelácií a príčin vychádza z priestorovo orientovaného súboru dát, ktorý vytvára prevádzkové digitálne dvojča. Pripravuje pôdu pre prediktívne dvojča a prediktívnu analytiku. Nie je totožná s krivkou prediktívnej údržby jedného stroja v samostatnom produkte, hoci obe môžu byť súčasťou jedného programu a mať rôznych zodpovedných pracovníkov.

Časté otázky

Je sledovanie mapy v reálnom čase už koreláciou? Áno, keď súvislosti posudzuje človek. Automatizovaná analýza korelácií a príčin potrebuje údaje z mnohých zmien uložené v spoločnom modeli, aby kombinácia udalostí predstavovala opakujúci sa vzorec a nie iba jedno popoludnie.

Potrebujeme na to presnosť lokalizácie pod jeden meter? Pri hľadaní vzorcov v celej hale zvyčajne nie. Lokalizácia so strednou presnosťou približne 1 až 3 m (3 až 10 ft) spolu s pomenovanými stanovišťami a buffermi stačí pre väčšinu súvislostí v logistike a pri čakaní. Vyššia presnosť je dôležitá pri určovaní presnej polohy na podlahe. Mnohé zakázané zóny fungujú aj pri strednej presnosti.

Čím sa táto analýza líši od dashboardov s KPI? KPI môže ukázať, že linka zaostáva. Analýza korelácií a príčin skúma, ktoré miesto a ktoré udalosti v jeho okolí tomuto zaostávaniu opakovane predchádzajú, a to v modeli haly, ktorý ľudia poznajú.

Kedy financovať analytiku a kedy vyhľadávanie v reálnom čase? Obe oblasti si zaslúžia financovanie ako rovnocenné prínosy dvojčaťa. Vyhľadávanie v reálnom čase sa vypláca počas aktuálnej zmeny. Súbor dát a analytika pomáhajú riešiť opakované zápchy a ďalší cyklus optimalizácie. Ak jedna z týchto oblastí chýba, dvojča napĺňa svoj prísľub iba spolovice.