隨著數字傳感技術和物聯網 (IoT) 的興起，制造商現在越來越多地在日常運營中處理大量數據。此類數據流源自整個組織的不同來源，例如機器傳感器、供應鏈、監管要求、財務績效、原材料庫存和人員績效。

單獨的每個數據通常對任何制造商都沒有用，除非它足夠集成以在企業級別提供足夠的圖片。隨著數據的復雜性和數量的增長，數據的后續整合也成為數據科學家面臨的新問題。本文介紹了制造商與數據集成相關的主要挑戰。

挑戰 #1 低質量數據

數據集成的最大挑戰之一是其質量差。如果單個數據點不正確，則在與其余數據點集成以形成數據庫時，可能會在更大范圍內被誤導。質量差通常源于數據收集協議的不一致或數據管理過程中人為過度參與。

人類容易犯錯誤；兩名負責檢查機器健康狀況的機器操作員可能會根據他們的能力水平、經驗以及在某種程度上他們的偏見對機器做出不同的判斷。此外，其他錯誤可能包括記錄重復、印刷錯誤和記錄丟失。

制造商用來減輕人為錯誤的最簡單技術之一是在數據收集中保持一致性。這可以像多次記錄以獲得精確結果一樣簡單，也可以像制定嚴格的標準操作程序(SOP) 一樣復雜。更常見的是，操作員必須從清單中挑選來收集數據，而不是寫長篇故事來講述他們在制造生產線上的發現。

另一種有用的方法是通過培訓員工了解制造流程和機器來提高能力。隨著物聯網的進步，制造商現在將傳感器直接放置在機器上，機器會自動實時收集數據并將其發送到服務器，然后再集成到大型數據庫中。這種即時收集、處理和集成數據的好處是它的便利性和及時性可用作提高精益績效和整體業務效率的觸發器。

挑戰 #2 處理大數據

隨著數據隨著時間的推移變得越來越大，與其集成相關的挑戰也變得復雜。這意味著簡單地對每個數據點執行手動檢查的過程將不起作用。相反，必須定義數據質量指標以根據閾值自動跟蹤數據點。

此外，大數據意味著更多種類和數量的數據，可能會帶來一系列集成復雜性。更大的容量將需要更快、更強大的處理器來實現及時集成。

例如，在快節奏的制造環境中，生產線上的產品質量可能需要通過基于深度學習的計算機視覺算法進行篩選。現在，如果處理器的速度不夠快，無法在緊迫的時間內處理數據點，則可能會影響整體生產效率。

同樣，大數據也將涉及考慮各種數據參數。這些參數可能看起來相互排斥，但從精益效率的角度來看，它們之間可能仍然存在間接相關性，因此會對整個制造過程產生影響。

挑戰#3 數據的優先級

數據的優先級是在集成之前值得考慮的另一個影響。并非每條數據都是相關的——因此，收集、處理和整合它們不僅會浪費金錢，而且最終很可能會誤導數據管理結果。

最好的方法是根據數據點對制造運營的影響的嚴重程度對數據點進行優先級排序。制造商可能會使用故障模式影響和關鍵性分析 (FMECA ) 等技術來提出應收集和集成的數據點，以適應制造產品的新興故障模式。

挑戰 #4 數據安全

數據安全是數據集成面臨的新興挑戰之一。在傳統的制造環境中，并非每條數據都在云上，因為它可能只是在一張紙上或一些離線工作站上。這為孤島數據集提供了固有的網絡安全性。

隨著基于云的數據集成的出現，實際上每組數據現在都暴露在云中，進而容易受到越來越多的網絡攻擊、惡意軟件和勒索軟件威脅，從而增加了數據損壞或受損的風險。為實現安全數據集成而應考慮的一些重要方面是保護數據沿襲、保護敏感數據以及定義明確的協議以將新數據與舊數據集成。

結論

簡而言之，高質量和相關數據的存在是有效決策的基石。現代制造商目前正在處理大規模數據，作為其日常運營的一部分。這使他們在處理和管理其產品和流程的數據時面臨前所未有的挑戰。為了實現安全操作，重要的是數據安全有效地集成以形成一個大數據庫。