TIBCO数据分析：TIBCO制造解决方案

bb原文：https://community.tibco.com/wiki/tibco-spotfire-and-tibco-streambase-manufacturing-solutions#toc-5

目录

• 介绍和概述
• 目前的制造业演示
• 制造业概况
• 主要功能： 
• 关键用例
• 核心制造用例
• 产品和工艺的质量和可靠性
• 概观
• 机器学习
• 实验设计
• 可靠性和保修索赔
• 工厂监控和OEE
• 预测性和预定设备维护
• 过程控制和异常报告
• 休哈特和多变量控制图
• 使用AI检测时间序列数据中的复杂异常
• 学到更多

---

介绍和概述

目前的制造业演示

智能制造：数据推动创新 - 在过去十年中，制造业发生了重大转变。处理流传感器数据的新功能，以及大数据和机器学习技术，正在推动制造从反应性问题解决到主动管理设备，流程和产品质量，目标是在问题出现之前进行干预。智能制造，也称为工业4.0，为下一次工业革命奠定了基础。使用Smart Factory系统，可以汇总，分析和处理所有相关数据。我们将此称为制造智能，为决策者提供竞争优势。

 smart_manufacturing_distn.pdf

人工智能和机器学习，核心到边缘：工业物联网中的应用 - 工业设备的远程实时监控与现代分析技术相结合，为能源，物流和制造等行业带来了巨大价值。提出了一种架构，用于将所有关键功能集成到强大的企业解决方案中。我们将展示如何使用TIBCO Spotfire，TIBCO Data Science和TIBCO StreamBase来监控和控制设备和流程。该演示文稿包括几个真实的客户案例研究和示例。

 iiot_applications_distn.pdf

制造业概况

智能制造和工业4.0计划正在改变制造业格局。智能工厂，产品，服务和供应链由最新的机器学习，物联网，大数据和实时监控技术提供支持。领先的制造商和设备供应商已经通过提高产品质量，设备利用率，产量，效率和盈利能力获得竞争优势。我们通过部署这些技术为整个组织提供支持，帮助客户最大化其所有供应商，流程，设备和产品数据的价值。

• 观看TIBCO 智能制造解决方案的网络研讨会
• 查看智能制造的幻灯片演示文稿
• 阅读解决方案简介：   工业4.0时代的制造业智能和物联网

现代可视化，统计和机器学习工具提供了丰富的分析制造数据的方法。TIBCO能够构建广泛的解决方案，以更好地了解设备，流程，产品，运营，客户和销售; 然后根据获得的见解采取行动。

TIBCO Solutions在以下行业的许多制造公司中使用：半导体，电子和医疗设备; 汽车与航空; 设备制造，制药; 化学品，金属和采矿以及消费品。  

该领域的一些关键能力和用例包括：

主要功能： 

• 通过交互式可视化和内置统计信息进行临时数据发现
• 使用内置的TIBCO Enterprise Runtime for R，Statistica  和其他（SAS，Matlab等）引擎，将高级分析和机器学习无缝集成到仪表板中
• 通过Spark，Hadoop和其他连接器进行大数据分析
• 计划使用流传感器数据进行实时警报
• 企业级平台可快速轻松地配置成本最低的定制解决方案
• 云，桌面，平板电脑或移动设备上提供的仪表板

关键用例

• 产品质量和可靠性
• 机器学习准确地建模和预测设备，过程和产品结果
• 过程控制和能力与警报
• 设备维护：预测性，基于状态并安排警报
• 工厂监控包括管理仪表板，   KPI图表  和OEE。 
• 供应链：需求预测，库存优化，供应商绩效
• 资源建模和优化
• 客户分析 - 客户和产品细分，交叉销售/向上销售机会
• 销售 - 定价优化和帐户管理

          OEE全球运营仪表板

阅读  制造用例概述数据表

物联网时代的制造分析：  网络研讨会，提供Spotfire如何解决关键制造用例的摘要概述：   观看视频，   查看幻灯片 

核心制造用例

产品和工艺的质量和可靠性

概观

深入了解质量和可靠性问题。Spotfire可帮助制造商识别，理解并最大限度地减少因流程变化，进货，测试或设计而导致的问题。许多市场力量正在推动对产品质量和可靠性分析的浓厚兴趣。随着精益和六西格玛制造方法在行业中占据一席之地，客户的期望继续提高。可靠性故障比以往更加明显，有时也更昂贵。同时，技术，全球化和监管的力量使我们的质量和可靠性计算变得更加复杂和紧迫。许多世界上最大的制造商正在转向使用TIBCO Spotfire来更早地发现问题，更快速有效地响应，然后构建更好的产品。

          设备通用性分析 - 机器对纸巾产品质量的影响

对于半导体制造商，良率分析可包括晶圆图，分区，图案和缺陷分析

          半导体晶圆产量分析

阅读  产品质量和可靠性数据表

了解Statistica如何使用Product Traceability附件帮助了解处理对产品特性的影响

阅读  六西格玛数据表  - 六西格玛是一种企业管理方法，旨在通过减少错误，异常值和流程可变性来提高性能。

机器学习

机器学习 是高级分析的最新发展，可帮助发现复杂制造问题的原因，并准确预测何时以及如何改进维护和操作。以下资产概述了相关的机器学习技术，以及它们如何应用于产量和质量改进，预测和基于状态的维护，市场的微细分和资源优化。  观看视频。  查看幻灯片。  阅读白皮书。

 机器学习 - 过程测量对产品产量的影响 - 显示非线性和相互作用

了解更多：

• 阅读关于创建大数据分析工作流的博客文章，该工作流使用机器学习算法来了解制造业大数据产品质量问题
• 观看有关集成Spotfire和H20机器学习的视频演示，其中包含制造质量用例
• 访问Machine Learning Wiki页面
• 从Community Exchange 下载用于制造的机器学习分析模板和数据功能

实验设计

实验设计是实验识别最重要因素并找到最佳设置以改进工艺和产品的重要工具。Statistica具有分数阶乘，Box-Behnken，Central Composite，Optimal，Mixture，Taguchi和许多其他设计类型的设计和分析的综合能力。它还具有预测分析器，可同时优化多个响应。 

可靠性和保修索赔

了解Spotfire如何帮助您监控和预测索赔率。分析可靠性故障的根本原因并分析保修维修和呼叫中心活动。

          汽车模型所有部件的保修分析

    阅读  保修和可靠性数据表

    查看保修索赔演示

了解客户如何解决Spotfire的质量和可靠性问题：

• Dialog Semiconductor
• 硬盘制造商
• REC太阳能电池
• Triquint半导体 

工厂监控和OEE

现代工厂装有复杂，昂贵的设备。制造商希望通过最大化设备正常运行时间，产品产量和质量以及最大限度缩短周期时间，从工厂设备中获取最大价值。识别处理中的瓶颈，采取主动行动以应对发展情况，提高操作系统意识，这些都是传感器驱动的制造监控的关键主题。

整体设备效率或OEE是设备生产率的高级衡量标准。OEE模型结合了设备可用性，性能和质量的衡量标准。 

• 可用性是设备可用于运行的时间百分比......或正常运行时间。计划停机，计划外停机和非计划停机（假期或培训）都会导致可用性损失。
• 性能是工作中心生产产品的速度，以其设计速度的百分比表示。绩效损失分为由于费率或运营效率低下造成的。速率损失是由设备运行速度低于理论速度引起的。运营损失可以进一步细分为工程损耗和待机损失。当生产将设备转换为工程设备时，通常会进行测试或实验，从而发生工程损失。当设备可用但没有产品或操作员运行时，会发生待机损耗。
• 质量是良好的单位产生占总单位开始的百分比。有时也称为First Pass Yield或FPY。返工和废料导致质量损失
• OEE的计算方法是将可用性，性能和质量百分比相乘。

您可以在此处找到有关OEE的更多信息。 

在高科技制造加速器包含组件允许不要使用整体设备效率（OEE）建立的指标的生产线性能监控。它捕获来自生产设备上的传感器的数据馈送，验证馈送，并根据可配置的业务规则评估数据。它包括在自定义Web仪表板中可视化所有这些活动的组件，允许操作员在发现生产问题时采取纠正措施。

从Exchange 下载Hi Tech Manufacturing Accelerator

观看高科技制造加速器的视频  

预测性和预定设备维护

连接传感器数据的扩展为监控现场和工厂的机器性能和故障创造了新的商机。服务组织具有向用户提供期权的最佳销售机会，以最大化其资产价值。制造商可以增加正常运行时间，降低成本，并优化工厂车间昂贵设备的流程。TIBCOSpotfire®通过监控和响应传感器数据中的关键信号，帮助组织优化维护计划。一般而言，固定资产 - 车辆，工厂和机械，通信设备和计算机，甚至建筑物，正变得越来越智能。但它们也变得越来越复杂，维修费用也越来越高。Spotfire可以帮助您更全面地了解这些机器，实时监控它们，并对即将发生的问题做出更快的反应 TIBCO支持以下维护用例：•预测性维护，自动通知即将发生的故障•最小化计划维护成本•设备故障的根本原因分析。 

          显示预测泵的实时仪表板失败

阅读机器传感器和维护分析数据表 

观看使用泵传感器数据预测和防止故障的简短视频

阅读Spotfire和OSIsoft PI System Interactive Analytics数据表 - 分析OSIsoft PI System数据，与其他数据源混合并在Spotfire中可视化，为产品质量，运营，分布式资产和物联网带来新的，丰富的见解。 

了解更多：

• 观看机器管理中的事件分析网络研讨会
• 下载并试用社区交流中的工业设备加速器  

过程控制和异常报告

休哈特和多变量控制图

控制图广泛用于制造业，技术和许多其他领域。它们是预警系统的基础，可监控关键指标，检测与基线的偏差，并生成自动警报。了解TIBCO如何支持许多类型的休哈特和自定义图表; 集成限制生成，存储和部署; 选择规则来检测失控点; 标记和注释; 管理和运营仪表板; 定期或实时警报; 过程能力研究和根本原因下钻

          过程控制摘要，深入到控制图

观看过程控制网络研讨会视频。   查看  幻灯片 

从Exchange 下载可与您自己的数据一起使用的Spotfire 质量控制图表 模板和数据功能。

在Spotfire中插件的警报，您可以直接从任何Spotfire中分析文件配置警报，可用于当任何控制图上的规则违反提醒。它是TIBCO Spotfire的扩展，通过警报任务与自动化服务集成。该任务可以生成电子邮件，文本或弹出警报。   

尝试动态控制图演示

Statistica具有全面的开箱即用过程控制功能，包括  质量控制图表，多变量统计过程控制以及用于自动监控大量图表的监控和警报服务器。这些功能已与Spotfire集成，以可视化数据。 

使用AI检测时间序列数据中的复杂异常

以下是使用深度学习自动编码器进行制造中异常检测的近期工作的演示文稿。在动态的制造环境中，仅仅寻找已知的过程问题可能是不够的，但对于发现和应对新的，以前看不见的模式和问题也很重要。单变量和线性多变量统计过程控制方法传统上一直用于制造以检测异常。随着设备，工艺和产品复杂性的增加，这些更传统的方法可能会错过多变量异常，这些异常也涉及显着的相互作用和非线性。这是一种使用深度学习自动编码器识别复杂异常的方法。一旦检测到异常，就会生成指纹，以便对其进行分类和聚类，能够调查集群的原因。随着新数据流的进入，可以对其进行实时评分，以识别新的异常情况，将其分配给集群并做出响应以缓解潜在问题。这些工具不再是数据科学家的专属。在初始配置之后，所示方法可以由没有深入数据科学专业知识的工程师常规使用。观看视频并查看以下幻灯片：      

 anomaly_detection_in_manufacturing_video.mp4

 anomaly_detection _-_ semicon_west _-_ katz_alperin_final.pdf

学到更多

从TIBCO Exchange下载制造业模板，数据功能和加速器。    

访问  Spotfire社区Wiki 主页：这是一个广泛的，不断扩展的链接Wiki页面集合的起点，涵盖了Spotfire的所有内容。链接到这些主要主题登录页面的全面，最新信息：入门，数据访问和争吵，可视化，地图，高级分析，应用程序和垂直解决方案，扩展Spotfire，管理，合作伙伴等。  

 

附件

附件	尺寸
process_control_webinar_slides.pdf	6.91 MB
manufacturing_analytics_in_the_age_of_iot_dist.pdf	12.07 MB
DS-Spotfire中通制造概述-print.pdf	1.44 MB
DS-Spotfire中-保修分析，print.pdf	1.23 MB
bigdatablog4puttingitalltogether.pdf	903.43 KB

 

如需要联系TIBCO原厂的Spotfire采购，各位可以访问如下链接

https://www.tibco.com/company/locations

中国北京Main Office Phone

+86 10 8341 3723

或者新加坡热线:

+65 6304 5260