Manufacturing Intelligence - skab maksimal værdi ud af dine data. Georg Ørnskov Rønsch DAu - den 13/3-2014

Størrelse: px

Starte visningen fra side:

Download "Manufacturing Intelligence - skab maksimal værdi ud af dine data. Georg Ørnskov Rønsch DAu - den 13/3-2014"

Bo Thøgersen
10 år siden
Visninger:

1 Manufacturing Intelligence - skab maksimal værdi ud af dine data Georg Ørnskov Rønsch DAu - den 13/3-2014

2 Oversigt over præsentationen» Generel information Fakta og historie» Motivation Manufacturing Intelligence skaber overblik» Fra tidsseriedata til MI MI - Step by step» Perspektiver Opsamling og muligheder

Intelligence skaber overblik» Fra tidsseriedata til MI

3 Generel information» Fakta og historie Fakta om Fertin Pharma A/S» Største produktkategori er nikotintyggegummi (årlig kapacitet: over 2 milliarder stykker tyggegummi)» Privatejet og styret af Bagger-Sørensen Gruppen» Fertin Pharma har fremstillet medicinsk tyggegummi siden 1991» Medicinsk tyggegummi produceres i henhold til cgmp i to fabrikker, hvoraf den ene er FDA-godkendt» Over 500 medarbejdere, omkring 225 i produktionen» Omsætning 2013: 87 millioner euro» Mere end m 2 cgmp laboratorie-, produktions- og pakkefaciliteter» Ligger i Vejle, Danmark

Medicinsk tyggegummi produceres i henhold til cgmp i to fabrikker, hvoraf den ene er FDA-godkendt» Over 500 medarbejdere, omkring 225 i

4 Vores produkter» Medicinsk tyggegummi i verdensklasse Vores kunder tæller blandt andre: Global rækkevidde» Europa» Nordamerika» Japan» Australien» Indien

5 Motivation

6 Motivation» Manufacturing Intelligence skaber overblik GEOR,

7 Motivation» Fra databaser til Manufacturing Intelligence Effekt Årsag Illustration af datastruktur LIMS Overblik over forskellige datapunkter Axapta Laboratorieanalyser: Råvarer Mellemprodukter Behov for produktionsserver til sammenstilling af data og håndtering af tidsseriedata Frigivelsesanalyser Valg af leverandør - Q2/Q Batch og lagerstyring: Råvarer batch ID Lagerbeholdning Logbøger Kassationer/spild

produktionsserver til sammenstilling af data og håndtering af tidsseriedata Frigivelsesanalyser Valg af

8 Motivation» Fra databaser til Manufacturing Intelligence Illustration af datastruktur Effekt Årsag Axapta LIMS Behov for produktionsserver til sammenstilling af data og håndtering af tidsseriedata Sammenstilling af data Wonderware Intelligence Visualisering Tableau

til sammenstilling af data og håndtering af tidsseriedata

9 Motivation» Målsætning og koncept Øge tilgængeligheden af informationer om produktion og produkt. Gøre det muligt at fange afvigende trends før det fører til OOE/OOS m.m. Skabe mulighed for øget procesforståelse, reducering af variation og gode produkter hver gang. Site ETL is short for Extract, Transform, Load Historian GB P1 P2 P3 Data Pakkeri LMIS Excel Axapta GEOR,

ligt at fange afvigende trends før det fører til OOE/OOS m.

10 Motivation» Opdeling og anvendelse Design/opbygning Sammenstilling af data på tværs at databaser Udvælgelse og definering af procesparametre LCM MI MVDA Opfølgning på produkt og produktion i forhold til myndighedskrav Dokumentation af produktion i kontrol Skal køre i et valideret miljø Øge indsigt og procesforståelse Opfølgning på nøgleparametre Anvendelse af informationer til produktions- og produktforbedring LEAN Hypotesegenerering Opdage og forstå sammenhænge Statistisk opfølgning GEOR,

kontrol Skal køre i et valideret miljø Øge indsigt og procesforståelse Opfølgning på nøgleparametre Anvendelse af

11 Fra tidsseriedata til MI

12 Koncept» Tidsseriedata til MI (en batch fra valsen i P2) Ca. 50 variable Ca målepunkter pr variabel Overblik.? GEOR,

13 Koncept» Tidsseriedata til MI (et GB kog) 100,0 90,0 80,0 70,0 60,0 50,0 40,0 Tid 1 30,0 20,0 10,0 0,0 GEOR,

14 Beskrivelse af variationen i viskositet - med eksisterende procesvariable Model med procesvariable: 50 % (20 % valideret) af variationen i viskositeten, hvilket er beskedent. Der opnås en model med en prædiktionsfejl på 2300 cp GEOR,

valideret) af variationen i viskositeten, hvilket er

15 Beskrivelse af variationen i viskositet - med afledte værdier fra effektkurverne Model med score vektorer fra PCA på effektkurverne: 36 % (28 % valideret) af variationen i viskositeten, hvilket er beskedent. Der opnås en model med en prædiktionsfejl på 2300 cp GEOR,

% (28 % valideret) af variationen i viskositeten, hvilket er

16 Beskrivelse af variationen i viskositet - med kombineret datasæt Model med kombineret data (procesvariable og afledte): 70 % (60 % valideret) af variationen i viskositeten, hvilket er beskedent. Der opnås en model med en prædiktionsfejl på 1700 cp GEOR,

valideret) af variationen i viskositeten, hvilket er beskedent.

17 Opsamling og perspektiver

18 Fremtiden i praksis» Opsamling og anvendelse af data Udvælgelse Af variabel MVDA Sammenstilling af data PCA Scores GEOR,

19 Værdi for Fertin» Hvad kan vi bruge MI til?» Produktudvikling - Systematisk opsamling af erfaringer på eksisterende produkter og vurdering af disse i forhold til formulering af nye produkter.» Produktionsopfølgning - Indvirkning af råvarer på proces og produkt m.m. - Hurtig overblik ved OOE/OOS - Product Quality Review (PQR)» Procesforståelse - Visualisering af variation og systematik

disse i forhold til formulering af nye produkter.

20 Tak for jeres opmærksomhed! - Let the dataset change your mindset! Hans Rosling

Relaterede dokumenter

Georg Ørnskov Rønsch Fra BIG DATA til information Datakilder, Transformation, Visualisering og modellering

Georg Ørnskov Rønsch Fra BIG DATA til information Datakilder, Transformation, Visualisering og modellering Georg Ørnskov Rønsch 2016-04-07 Fra BIG DATA til information Datakilder, Transformation, Visualisering og modellering Oversigt over præsentationen» Generel information om Fertin Pharma Fakta og historie»