Analitik Big Data: Buka Pengelaran Miliran di Manufaktur dengan Meningkatkan Efisiensi Proses
Manufacturing Engineering: Data mining dan Big Data adalah topik yang sedang hangat. Perusahaan Anda mengembangkan perangkat lunak process mining; bagaimana perbedaannya dengan data mining?
Alex Rinke: Data mining tradisionalnya berorientasi KPI [key performance indicator], difokuskan pada mengidentifikasi pola untuk memprediksi tren masa depan dan menganalisis data untuk menciptakan wawasan yang dapat ditindaklanjuti. Bisnis menggunakan data mining untuk menarik kesimpulan dan memecahkan masalah spesifik, tetapi process mining memiliki pendekatan yang sama sekali berbeda. Teknologi process mining memanfaatkan event logs untuk menciptakan rekonstruksi visual dari setiap proses dalam kondisi ‘as-is’, dan tiba-tiba, alih-alih menyisir kumpulan data untuk menemukan pola yang relevan, pengguna sebenarnya dapat melihat bagaimana proses berjalan secara real-time. Kami suka menggambarkan perbedaan antara data mining dan process mining sebagai menyorot dengan senter dalam kegelapan versus menyalakan saklar lampu; kedua pendekatan berguna, tetapi satu jelas lebih unggul untuk visibilitas penuh.
ME: Apa yang secara spesifik ditawarkan process mining untuk operasi manufaktur diskrit?
Rinke: Keuntungan kritis dari process mining adalah bahwa ia secara dasar dapat diterapkan pada setiap proses, dan itu termasuk operasi manufaktur. Jika event logs sedang dibuat, process mining dapat menggambarkan gambaran yang lebih jelas tentang bagaimana operasi sebenarnya berjalan. Hal itu dikatakan, manufaktur diskrit adalah industri yang stand untuk mendapatkan wawasan paling banyak dari process mining, dan pelanggan seperti Siemens, ABB, dan 3M hanyalah beberapa dari perusahaan yang bergantung secara besar-besaran pada process mining untuk meningkatkan fleksibilitas dan efisiensi operasi mereka.
Kasus penggunaan umum yang kami temukan di ruang lingkup manufaktur adalah meningkatkan kepatuhan jadwal, memantau otomatisasi, pemodelan kapasitas, dan pengurangan limbah, dan process mining telah terbukti sangat berharga untuk semua area ini. Misalnya, ABB adalah salah satu bisnis manufaktur terbesar dan paling kompleks di dunia yang saat ini menggunakan process mining untuk berbagai proses, dari proses purchase-to-pay hingga proses produksinya. Karyawan dari pabrik ABB di Hanau, Jerman, dulu mengekstrak evaluasi dari sistem SAP mereka beberapa kali sehari, mengimpornya ke Excel, dan menggunakan rumus kompleks untuk menganalisis dan memahami proses. Saat ini, pemimpin tim produksi dan assembly yang relevan di ABB menerima e-mail pertama kali pagi hari yang menguraikan varian produksi hari sebelumnya, waktu throughput, dan jumlah penolakan. Dan penting untuk dicatat bahwa kami tidak hanya membicara tentang KPI di sini—ekosistem proses penuh pabrik segera terlihat dengan process mining, membuat penemuan ketidakefisienan menjadi sangat mudah. Sulit untuk memecahkan masalah yang Anda ketahui, tetapi hampir mustahil untuk memecahkan masalah yang belum Anda temukan.
ME: Bagaimana mesin process mining Celonis Proactive Insights bekerja?
Rinke: Celonis PI adalah tambahan yang sangat menarik untuk teknologi inti kami, dengan janji besar untuk memberikan nilai berkelanjutan kepada pelanggan kami. Pada dasarnya, algoritma machine learning yang kami lapisi ke atas Celonis mengambil kasus penggunaan sebelumnya dan membangun di atasnya, bertindak sebagai konsultan bisnis otomatis dan merekomendasikan perbaikan. Kemampuan pengenalan pola otomatis berarti bahwa jika Celonis pernah menemui ketidakefisienan yang sama di masa lalu, ia akan dapat memberikan kembali solusi yang relevan untuk mengatasi ketidakefisienan tersebut. Jika kita membayangkan Celonis sebagai MRI untuk proses bisnis, maka PI seperti dokter otomatis untuk menafsirkan hasil pemindaian MRI tersebut.
ME: Produsen mana yang menggunakan teknologi ini, dan bagaimana mereka menerapkannya?
Rinke: ABB, 3M, dan Siemens adalah beberapa pelanggan Celonis, dan mereka telah menerapkan teknologi process mining di berbagai proses dan membuatnya tersedia untuk berbagai macam karyawan. Siemens, misalnya, memilih untuk memberdayakan stafnya dengan mengadopsi penerapan yang luas; beberapa ribu karyawan Siemens menggunakan Celonis setiap hari untuk mendapatkan pemahaman tentang apa yang sebenarnya terjadi dalam proses mereka. Pemasok bahan, manajemen vendor, produksi dan assembly, layanan bersama—setiap proses ini dibuat transparan dan lebih mudah dipahami ketika saklar lampu dinyalakan.
ME: Industri manufaktur mana yang paling dapat memanfaatkan process mining?
Rinke: Keindahan process mining adalah bahwa ia sepenuhnya relevan untuk semua industri, manufaktur atau tidak. Kami telah melihat departemen pengadaan yang sepenuhnya diubah dan dibuat lebih efisien, dan pabrik dibuat lebih cerdas dengan mencapai transparansi data penuh. Tren saat ini adalah menuju ‘Industri 4.0’ dan pabrik pintar yang self-optimizing, dan salah satu aspek inti dari tren ini adalah transparansi informasi—Celonis Process Mining adalah solusi siap pakai untuk mencapai tingkat transparansi tersebut.
ME: Apa yang akan terjadi dengan operasi manufaktur yang menggunakan machine learning dan AI yang dibundel dalam analitik data process mining Anda?
Rinke: Potensi AI dalam perangkat lunak process mining adalah tak terbatas, karena seiring sistem mengagregasi lebih dan lebih informasi yang dibangun pada lebih dan lebih kasus penggunaan, Celonis menjadi semakin cerdas. Seperti semua aplikasi machine learning dan AI, sistem hanya menjadi lebih baik dalam mengidentifikasi pola seiring lebih banyak data yang dimasukkan. Alih-alih bergantung pada analisis manual yang kompleks dari proses, kami berharap Celonis PI akan mengembalikan hasil instan. Pertimbangkan proses produksi yang macet yang menyebabkan keterlambatan di pabrik—dan bayangkan bahwa Anda tidak memiliki ide di mana macetnya terjadi, atau dampak dari macetan tersebut. Celonis dapat dengan mudah mengidentifikasi sumber macetan, dan PI akan memberikan rekomendasi tentang cara mengatasi secara efektif penyebab utama macetan tersebut. Ini adalah waktu yang menarik untuk produsen di setiap industri.
Epicor Menjabat Stephen Murphy sebagai CEO
Pengembang ERP Epicor Software Corp. (Austin, TX) mengumumkan pada 5 Oktober bahwa Joe Cowan, presiden dan CEO Epicor, akan pensiun pada akhir Oktober. Dewan direksi Epicor telah mengangkat Stephen Murphy, mantan presiden OpenText (Waterloo, Ontario), sebagai CEO Epicor.
Sebelum bergabung dengan Epicor, Murphy adalah presiden OpenText, pengembang perangkat lunak manajemen informasi perusahaan (EIM) senilai 2 miliar dolar. Karir Murphy mencakup lebih dari 20 tahun di sektor teknologi, termasuk posisi kepemimpinan penjualan dan operasi di Oracle, Sun Microsystems, dan Manugistics, serta pengalaman manufaktur dan distribusi dalam memimpin strategi logistik dan rantai pasokan global serta implementasi ERP besar dengan Accenture dan Procter & Gamble. Murphy memiliki MBA dari Harvard Business School dan Bachelor of Science in Mechanical Engineering dari University of California, Davis.
Perangkat Lunak untuk Mengoptimalkan Aerostruktur Komposit Semua
Ketika Stratolaunch Systems Corp. (Seattle) meluncurkan pesawat komposit semua Stratolaunch untuk persiapan pengujian di tanah di Gurun Mojave musim semi ini, pesawat raksasa ini menunjukkan betapa jauhnya desain dan manufaktur materi komposit telah berkembang dalam beberapa tahun terakhir. Bulan lalu, fase pertama pengujian mesin pada enam mesin turbofan Pratt & Whitney pesawat telah selesai.
Pesawat terbesar di dunia menurut sayap—lebih lebar dari lapangan bola panjang—dibuat hampir sepenuhnya dari materi komposit, yang memberikan karakteristik beban ringan, kekakuan dan kekuatan tinggi yang semakin diminati di bidang penerbangan, otomotif, olahraga, medis, dan industri. Perangkat lunak optimasi HyperSizer Collier Research (Newport News, VA) digunakan secara luas oleh produsen Scaled Composites untuk mengoptimalkan struktur fuselage dan sayap komposit pesawat.
HyperSizer, paket perangkat lunak pertama yang dikomersilkan dari NASA, telah digunakan pada berbagai macam proyek penerbangan dan industri lain yang terbuat dari materi komposit atau logam. Perangkat lunak secara otomatis melakukan desain, analisis stres dan optimasi ukuran, biasanya mengurangi berat struktur sebesar 20-40%.
“Untuk memastikan penggunaan materi yang paling efisien dalam struktur komposit berukuran apa pun, diperlukan penggunaan yang efektif alat desain dan optimasi manufaktur sejak tahap paling awal,” kata Presiden Collier Research Craig Collier.
Pesawat Stratolaunch adalah ciptaan pendiri Stratolaunch System Corp. Paul G. Allen. Punya dua fuselage yang dihubungkan oleh satu sayap raksasa dan didorong oleh enam mesin yang akan memungkinkannya untuk lepas landas dari landasan pacu membawa beban hingga 550.000 lb (247.500 kg). Pada ketinggian cruise pesawat penumpang komersial, platform peluncuran udara Stratolaunch akan melepaskan beban kendaraan peluncuran luar angkasa dan kembali ke bandara untuk digunakan kembali. Demonstrasi peluncuran pertama diperkirakan akan berlangsung setidaknya pada 2019.
Untuk sayap raksasa Stratolaunch, batasan lenturan adalah faktor signifikan yang perlu dipertimbangkan. Panel fuselage duel diukur untuk kekuatan, stabilitas, dan mode kegagalan sarang madu. Dengan menggunakan HyperSizer, tim stres memiliki akses ke serangkaian lengkap analisis kegagalan otomatis yang mencakup analisis free-body cepat; penyesuaian ukuran laminat diskrit; analisis kegagalan komposit berbasis ply; metode analisis sarang madu seperti kerutan, geser inti, tegangan datar dan intracell dimpling; dan scripting API untuk mendorong beban dari spreadsheet Excel.
Collier melihat evolusi berkelanjutan dalam integrasi perangkat yang digunakan untuk desain dan manufaktur komposit. “Perangkat lunak HyperSizer dapat memberikan wawasan tentang seberapa dapat diproduksi suatu struktur dan apakah mungkin ada masalah manufaktur,” kata Craig Collier. “Ia dapat mengintegrasikan preferensi pembuatan laminat dalam pemikiran desain tahap awal; kemudahan manufaktur menjadi pengaruh besar dengan desain kekuatan struktur laminat.”
Rilis Baru
Pengembang PLE (Product Line Engineering) BigLever Software (Austin, TX) dan Method Park (Pittsburgh), penyedia manajemen proses rekayasa, telah mengembangkan PLE Process Framework berbasis fitur baru, yang menyediakan template siap pakai dari praktik terbaik yang telah memungkinkan keberhasilan PLE.
Framework baru, yang saat ini tersedia, menggabungkan Stages Process Management System Method Park dengan metodologi PLE tiga lapis BigLever untuk memungkinkan perusahaan mempercepat transisi ke praktik PLE dan mencapai alignmen lintas fungsi di seluruh perusahaan. Perusahaan dapat menggunakan process framework untuk mengoptimalkan operasi PLE mereka dengan meningkatkan komunikasi dan kolaborasi di seluruh domain perangkat lunak, listrik, dan mekanis serta menghindari jebakan pendekatan ad-hoc dan satu kali. BigLever telah mengintegrasikan framework baru sebagai bagian kunci dari solusi onePLE holistik perusahaan.
PLE berbasis fitur secara dramatis menyederhanakan pembuatan, pengiriman, pemeliharaan, dan evolusi portofolio garis produk dengan menggunakan serangkaian aset rekayasa bersama, serangkaian fitur yang dikelola, dan cara efisien untuk mengotomatisasi produksi garis produk. Process framework baru menyediakan template Concept of Operations (ConOps) yang sepenuhnya dapat disesuaikan yang menguraikan struktur organisasi dan memasukkan struktur itu ke dalam gerakan dengan secara jelas mendefinisikan peran, tanggung jawab, dan proses organisasi yang diperlukan untuk beroperasi secara efektif di bawah paradigma PLE.
Boothroyd Dewhurst Inc. (Wakefield, RI), pengembang perangkat lunak Design for Manufacture and Assembly (DFMA), telah merilis versi terbarunya DFM Concurrent Costing Version 3.0. Dideploy sebagai alat analisis biaya untuk tim rekayasa dan pengadaan, perangkat lunak terbaru memungkinkan produsen untuk bergerak di luar model “harga”, yang didasarkan sebagian besar pada penawaran masa lalu, ke model biaya industri yang didasarkan pada data dan studi ilmiah. Hasilnya adalah pandangan “should cost” yang sangat andal dari produk yang menawarkan wawasan tentang driver biaya tersembunyi dan cara untuk mengoptimalkan baik desain maupun produksi, menurut perusahaan.
DFM 3.0 memungkinkan OEM dan pemasok mereka untuk mengeksplorasi penawaran dalam kerangka netral di mana tipe mesin, kecepatan, urutan pemrosesan dan tingkat otomasi optimal dibahas. Lingkungan yang lebih terinformasi ini dikatakan mendorong saran pemasok dan partner terpadu yang lebih dalam yang dibangun di sekitar keahlian, praktik biaya terbaik dan tujuan bersama.
Perbedaan antara model harga tradisional dan model biaya berbasis data dapat signifikan, mempengaruhi keputusan tentang wilayah atau negara mana produk dipindahkan untuk manufaktur. Produk yang dirancang dan dicetak biaya dengan benar cenderung tetap di lokasi manufaktur aslinya dan dekat dengan sumber daya yang ada. OEM dan pemasok dapat berkolaborasi di sekitar perangkat lunak DFM untuk mengatasi masalah strategis ini dan lainnya. Dilakukan awal dalam desain atau selama prototyping, analisis DFM mengurangi waktu ke pasar, mempengaruhi biaya langsung dan tidak langsung, dan membantu mengoptimalkan fungsionalitas produk. Ia dapat digunakan oleh individu atau tim dalam membuat keputusan trade-off untuk menurunkan biaya.
Beberapa highlight versi terbaru termasuk kalkulator geometri dalam DFM 3.0 yang disederhanakan dan diintegrasikan ke dalam panel respons utama perangkat lunak sehingga pengguna lebih baik dipandu melalui analisis biaya DFM bagian-bagian mereka.
Operasi manufaktur default dan perpustakaan proses berbasis pengguna telah disederhanakan dan panel Test View baru telah ditambahkan ke semua jendela formula. Pengembangan operasi dan proses pengguna yang disesuaikan menjadi lebih cepat dan lebih mudah, menurut perusahaan. Tampilan dan nuansa secara keseluruhan perangkat lunak DFM telah diperbarui untuk memberikan pengalaman pengguna yang lebih kohesif antara Design for Assembly (DFA) dan DFM should costing. Performa link perangkat lunak DFA/DFM telah ditingkatkan untuk integrasi data yang lebih mulus antara paket perangkat lunak.
