Eficiencia general del equipo
¿Qué es la Efectividad General del Equipo?
La Efectividad Global del Equipo(OEE) es una métrica de qué tan bien se utiliza una operación de manufactura (instalaciones, tiempo y material) en comparación con su máximo potencial, durante los períodos en que está programada para funcionar. Identifica el porcentaje del tiempo de fabricación que es realmente productivo. Un OEE es un dashboard que muestra el rendimiento total de un proceso discreto o continuo. La OEE se maximiza al 100 % y significa que solo se producen piezas buenas (100 % de calidad), a la máxima velocidad (100 % de rendimiento) y sin interrupciones (100 % de disponibilidad).
Medir el OEE es una de las mejores prácticas de fabricación. Al medir el OEE y las pérdidas subyacentes, se puede obtener información valiosa sobre cómo mejorar sistemáticamente el proceso de fabricación. El OEE es una métrica efectiva para identificar pérdidas, comparar el progreso y mejorar la productividad de los equipos de fabricación (es decir, eliminar el desperdicio).
¿Por qué es esto importante?
El OEE se ha utilizado como la principal métrica de fabricación durante décadas. Históricamente, el monitoreo de OEE utilizaba la recopilación manual de datos directamente de las máquinas por lotes y calculaba la métrica. En sí mismo, el OEE es un panel reactivo que supervisa el rendimiento pasado e histórico. El verdadero poder del OEE reside en guiar la implementación de casos de uso que mejoren sus componentes, como el mantenimiento predictivo para mejorar la disponibilidad o el control de calidad que aprovecha la visión por computadora para mejorar la calidad, los cuales son de naturaleza predictiva.
¿Cuáles son las capacidades diferenciadas de Databricks?
- El lakehouse de Databricks utiliza tecnologías que incluyen Delta, DLT, Autoloader y Photon para permitir a los clientes disponer de los datos para tomar decisiones en tiempo real.
- El lakehouse para MFG admite los trabajos de datos más grandes a intervalos casi en tiempo real. Por ejemplo, los clientes traen casi 400 millones de eventos por día desde sistemas de registro transaccional a intervalos de 15 segundos. Debido a la interrupción en los informes y el análisis que ocurre durante el procesamiento de datos, la mayoría de los clientes minoristas cargan datos en su almacén de datos durante un lote nocturno. Algunas empresas incluso están cargando datos semanal o mensualmente.
- Una arquitectura basada en eventos de lakehouse proporciona un método más simple de ingerir y procesar datos por lotes y transmisión que los enfoques heredados, como las arquitecturas lambda. Esta arquitectura maneja la captura de datos modificados y proporciona cumplimiento ACID a las transacciones.
- DLT simplifica la creación de canalizaciones de datos y crea automáticamente un linaje para ayudar con la administración continua.
- El lakehouse permite la ingesta de datos en tiempo real y el análisis de datos de transmisión. Los almacenes de datos requieren la extracción, transformación, carga y extracción adicional del almacén de datos para realizar cualquier análisis.
- Photon ofrece un rendimiento de consultas récord, lo que les permite a los usuarios consultar incluso los conjuntos de datos más grandes para impulsar decisiones en tiempo real en herramientas de inteligencia empresarial.
¿Qué desafíos de datos se deben abordar para desarrollar capacidades predictivas de OEE?
- Manejo del volumen y la variedad de datos de IoT—Para habilitar los casos de uso predictivos integrados en la OEE de los fabricantes, la Lakehouse procesa todo tipo de estructuras y esquemas de datos diversos, desde lecturas intermitentes de temperatura, presión y vibraciones por segundo hasta el procesamiento de datos completamente no estructurados (p. ej., imágenes, videos, texto, datos espectrales) u otras formas, como señales termográficas o acústicas, provenientes del borde y entregados a través de diversos controladores y protocolos compatibles.
- Gestionar la complejidad de los datos en tiempo real: Para impulsar el monitoreo continuo de procesos, la optimización del rendimiento o el mantenimiento predictivo, el Lakehouse permite el análisis en tiempo real de los datos de streaming. El lakehouse ingiere, almacena y procesa eficazmente datos de streaming en tiempo real o casi en tiempo real para proporcionar información valiosa y acciones al instante.
- Liberar los datos de silos independientes—Los procesos especializados (plataformas de innovación, QMS, MES, etc.) dentro de la cadena de valor favorecen las fuentes de datos dispares y las plataformas de gestión de datos que se adaptan a soluciones únicas y aisladas. Estas soluciones puntuales y limitadas restringen el valor empresarial al considerar solo una fracción de la información valiosa que pueden ofrecer los datos de toda la empresa; además, las soluciones duplicadas y aisladas dividen el negocio, lo que limita las oportunidades de colaboración. Además, el Lakehouse ingiere, almacena, gestiona y procesa datos de streaming de todos los puntos de la cadena de valor, los combina con fuentes de Data Historians, ERP, MES y QMS, y los aprovecha para generar información de valor y procesable.
- Capacidades analíticas diversas—Los data warehouses heredados ofrecen una capacidad limitada para proporcionar estadísticas y análisis sobre el uso y el rendimiento de la plataforma. Para las soluciones de IoT de fabricación conectada, el Lakehouse proporciona una amplia gama de opciones de análisis, que incluyen desde análisis SQL y capacidades de búsqueda hasta herramientas para respaldar el machine learning y el modelado, junto con una estrecha integración con las principales soluciones de business intelligence (BI) que ofrecen capacidades especializadas de dashboard y business analytics.
- Capacidades de modelado predictivo—Las capacidades de modelado predictivo son clave para generar información de valor, y el Lakehouse proporciona capacidades de aprendizaje automático basadas en notebooks usadas para predecir y prevenir perturbaciones antes de que afecten las operaciones.