در چند سال گذشته، علوم داده شاهد هجوم گسترده ای در کاربردهای صنعتی مختلف در سراسر جهان بوده است. امروزه میتوانیم علم داده را در مراقبتهای بهداشتی، خدمات مشتری، دولتها، امنیت سایبری، مکانیک، هوافضا و سایر کاربردهای صنعتی مشاهده کنیم. در این میان، تولید برای دستیابی به هدف ساده Just-in-Time (JIT) اهمیت بیشتری پیدا کرده است. در 100 سال گذشته، تولید چهار انقلاب صنعتی بزرگ را پشت سر گذاشته است. در حال حاضر، انقلاب صنعتی چهارم را پشت سر می گذاریم، جایی که داده ها از ماشین ها، محیط زیست و محصولات جمع آوری می شوند تا به آن هدف ساده Just-in-Time نزدیکتر شویم..
“ساخت محصولات مناسب در مقادیر مناسب در زمان مناسب.”
ممکن است بپرسید چرا JIT در تولید بسیار مهم است؟ پاسخ ساده این است که هزینه ساخت را کاهش و محصولات را برای همه مقرون به صرفه تر می کند.
تاثیر علوم داده بر تولید
کاربردهای علوم داده در تولید کاربردهای مختلفی دارد که می توان به چند مورد اشاره کرد:
پیش بینی تعمیر و نگهداری
خرابی ماشین در ساخت بسیار گران است. توقف برنامه ریزی نشده تنها عامل اصلی هزینه های سربار تولید است که به طور متوسط 2 میلیون دلار در طول سه سال گذشته برای کسب و کارها هزینه داشته است. در سال 2014 میانگین هزینه توقف در هر ساعت 164000 دلار بود. تا سال 2016، این آمار با 59 درصد افزایش به 260000 دلار در ساعت رسید. این امر منجر به استقبال از فناوری هایی مانند نظارت بر شرایط و پیش بینی تعمیر و نگهداری شده است. دادههای حسگر از ماشینها به طور مداوم برای تشخیص ناهنجاریها (با استفاده از مدلهایی مانند PCA-T2، SVM یک کلاس، رمزگذار خودکار و رگرسیون لجستیک)، تشخیص حالتهای خرابی (با استفاده از مدلهای طبقهبندی مانند SVM، درختهای تصمیمگیری و شبکه های عصبی) , پیشبینی زمان شکست (TTF) (با استفاده از ترکیب تکنیکهایی مانند مدلهای تحلیل بقا، تاخیر، برازش منحنی و رگرسیون) و پیشبینی زمان نگهداری بهینه (با استفاده از تکنیکهای تحقیق در عملیات) مورد بررسی و نظارت قرار می گیرند.
پیش بینی فروش
پیشبینی روندهای آتی همواره به بهینهسازی منابع برای سودآوری کمک کرده است. این امر در صنایع مختلف مانند تولید، خطوط هوایی و گردشگری صادق بوده است. در تولید، دانستن حجم تولید پیش از موعد به بهینه سازی منابعی مانند زنجیره تامین، تعادل ماشین-محصول و نیروی کار کمک می کند. امروزه تکنیک هایی از مدل های رگرسیون خطی، ARIMA، تا مدل های پیچیده تر مانند LSTM برای بهینه سازی منابع استفاده می شود.
پیش بینی کیفیت
کیفیت محصولات خروجی از ماشین ها قابل پیش بینی است. تکنیکهای کنترل فرآیند آماری رایجترین ابزارهایی هستند که در سطح تولید پیدا میکنیم و به ما میگویند که آیا فرآیند تحت کنترل است یا خارج از کنترل است. استفاده از تکنیکهای آماری مانند رگرسیون خطی در زمان و کیفیت محصول در این مورد نتیجه میدهد.
بزرگی علوم داده در تولید
طبق یک برآورد برای ایالات متحده، «تجزیه و تحلیل کلان داده در بازار صنعت تولید در سال 2019, 904.65 میلیون دلار ارزش داشت و انتظار میرود تا سال 2025 به 4.55 میلیارد دلار برسد،. در برآورد دیگری، «TrendForce پیشبینی میکند که اندازه بازار جهانی راهحلهای تولید هوشمند از 320 میلیارد دلار آمریکا تا سال 2020 فراتر خواهد رفت. در گزارش دیگری بیان شد که «اندازه بازار جهانی تولید هوشمند طبق یک مطالعه جدید توسط Grand View Research, Inc، برآورد شده است تا سال 2025 به 395.24 میلیارد دلار برسد و CAGR 10.7٪ را ثبت کند.
چالش های علوم داده در تولید
چالش های مختلفی برای به کارگیری علم داده در تولید وجود دارد. برخی از رایج ترین موارد آنها عبارتند از:
https://mindmover.academy/data-science-in-manufacturing/