制造商与数据集成相关的主要挑战

随着数字传感技术和物联网 (IoT) 的兴起，制造商现在越来越多地在日常运营中处理大量数据。此类数据流源自整个组织的不同来源，例如机器传感器、供应链、监管要求、财务绩效、原材料库存和人员绩效。

单独的每个数据通常对任何制造商都没有用，除非它足够集成以在企业级别提供足够的图片。随着数据的复杂性和数量的增长，数据的后续整合也成为数据科学家面临的新问题。本文介绍了制造商与数据集成相关的主要挑战。

挑战 #1 低质量数据

数据集成的最大挑战之一是其质量差。如果单个数据点不正确，则在与其余数据点集成以形成数据库时，可能会在更大范围内被误导。质量差通常源于数据收集协议的不一致或数据管理过程中人为过度参与。

人类容易犯错误；两名负责检查机器健康状况的机器操作员可能会根据他们的能力水平、经验以及在某种程度上他们的偏见对机器做出不同的判断。此外，其他错误可能包括记录重复、印刷错误和记录丢失。

制造商用来减轻人为错误的最简单技术之一是在数据收集中保持一致性。这可以像多次记录以获得精确结果一样简单，也可以像制定严格的标准操作程序(SOP) 一样复杂。更常见的是，操作员必须从清单中挑选来收集数据，而不是写长篇故事来讲述他们在制造生产线上的发现。

另一种有用的方法是通过培训员工了解制造流程和机器来提高能力。随着物联网的进步，制造商现在将传感器直接放置在机器上，机器会自动实时收集数据并将其发送到服务器，然后再集成到大型数据库中。这种即时收集、处理和集成数据的好处是它的便利性和及时性可用作提高精益绩效和整体业务效率的触发器。

挑战 #2 处理大数据

随着数据随着时间的推移变得越来越大，与其集成相关的挑战也变得复杂。这意味着简单地对每个数据点执行手动检查的过程将不起作用。相反，必须定义数据质量指标以根据阈值自动跟踪数据点。

此外，大数据意味着更多种类和数量的数据，可能会带来一系列集成复杂性。更大的容量将需要更快、更强大的处理器来实现及时集成。

例如，在快节奏的制造环境中，生产线上的产品质量可能需要通过基于深度学习的计算机视觉算法进行筛选。现在，如果处理器的速度不够快，无法在紧迫的时间内处理数据点，则可能会影响整体生产效率。

同样，大数据也将涉及考虑各种数据参数。这些参数可能看起来相互排斥，但从精益效率的角度来看，它们之间可能仍然存在间接相关性，因此会对整个制造过程产生影响。

挑战#3 数据的优先级

数据的优先级是在集成之前值得考虑的另一个影响。并非每条数据都是相关的——因此，收集、处理和整合它们不仅会浪费金钱，而且最终很可能会误导数据管理结果。

最好的方法是根据数据点对制造运营的影响的严重程度对数据点进行优先级排序。制造商可能会使用故障模式影响和关键性分析 (FMECA ) 等技术来提出应收集和集成的数据点，以适应制造产品的新兴故障模式。

挑战 #4 数据安全

数据安全是数据集成面临的新兴挑战之一。在传统的制造环境中，并非每条数据都在云上，因为它可能只是在一张纸上或一些离线工作站上。这为孤岛数据集提供了固有的网络安全性。 

随着基于云的数据集成的出现，实际上每组数据现在都暴露在云中，进而容易受到越来越多的网络攻击、恶意软件和勒索软件威胁，从而增加了数据损坏或受损的风险。为实现安全数据集成而应考虑的一些重要方面是保护数据沿袭、保护敏感数据以及定义明确的协议以将新数据与旧数据集成。 

结论

简而言之，高质量和相关数据的存在是有效决策的基石。现代制造商目前正在处理大规模数据，作为其日常运营的一部分。这使他们在处理和管理其产品和流程的数据时面临前所未有的挑战。为了实现安全操作，重要的是数据安全有效地集成以形成一个大数据库。