Utilization of process mining in discrete manufacturing processes : Integration of process mining to a data platform

Abstract

Process mining is an emerging topic in many areas, including the manufacturing domain. To enable further manufacturing optimization and increased production, there is a need for transparency and analysis of low-level data. Process mining addresses these needs through its visualization capabilities for large datasets and event-focused data analysis.

Fastems has developed a software platform, Factory Cockpit, to enhance production data visibility and access. This tool contains large amounts of data used for various production efficiency and visibility metrics, but process mining is not yet integrated into the tool. In this thesis, the data available in the Factory Cockpit environment is leveraged to enable process mining using two commercial tools, QPR ProcessAnalyzer and UiPath Process Mining. The thesis begins with an overview of current state of process mining with a discrete manufacturing focus, followed by an action research study on Factory Cockpit data to verify its applicability for process mining. Based on this, pilot studies and surveys consisting of a process mining demonstration for two pilot customers were conducted.

Key findings include the ease of analysing data through process mining visualizations and the potential for utilizing process mining for rework detection, conformance analysis, and KPI metric generation. Data quality challenges were discussed, and the need for process expertise to identify and act upon findings was highlighted. This need for expertise is a potential challenge in operational settings due to limited human resources available for process mining. With the requirements of time available to investigate the results and the needs for domain and process expertise from the manufacturing, it might be challenging to find the personnel resources to perform process mining in a company.

In conclusion, process mining in discrete manufacturing offers promising results, but identifying the most useful data points is time-consuming. The value proposition of process mining usage in discrete manufacturing is centred on performance, conformance, and efficiency analysis achieved through enhanced process visibility, transparency, and comparison metrics. A clear focus on process mining usage case, combined with customer and organizational support for actionable improvements, yields better results and engagement from the customer. Further research is needed to optimize data preprocessing and to develop a standardized API endpoint for easier data transfer between Factory Cockpit and process mining tools, thereby enabling continuous process mining and enhanced data utilization.

Prosessilouhinta on muodostumassa yhä merkittävämmäksi työkaluksi erityisesti valmistavan teollisuuden saralla. Jotta tuotantoa voidaan optimoida ja työskentelyä tehostaa, täytyy tuotantotiedon olla saavutettavissa ja yksityiskohtaisesti analysoitavissa. Prosessilouhinta vastaa näihin vaatimuksiin tarjoamalla keinoja suurten tietoaineistojen visualisointiin sekä tapahtumapohjaisen tuotantotiedon systemaattiseen käsittelyyn.

Fastemsin kehittämä sovellustuote, Factory Cockpit, on suunniteltu parantamaan asiakasyrityksen tuotantotiedon näkyvyyttä ja saavutettavuutta. Tuotetta käytetään tuotannon tehokkuuden ja läpinäkyvyyden mittaamisessa ja visualisoinnissa. Prosessilouhinta ei kuitenkaan kuulu vielä tuotteen työkaluvalikoimaan. Tässä diplomityössä Factory Cockpitissa olevaa tietoa hyödynnetään prosessilouhinnan tietolähteenä, ja prosessilouhinta suoritetaan kahta kaupallista työkalua käyttäen: QPR ProcessAnalyzer ja UiPath Process Mining -työkaluilla. Työn alussa käydään ensin läpi prosessilouhinnan nykyinen tila diskreetin valmistuksen näkökulmasta, sekä tutkitaan Factory Cockpitin tiedon soveltuvuutta ja käytettävyyttä prosessilouhintaan toimintatutkimuksen keinoin. Näiden tulosten pohjalta suoritetaan pilottihanke kahden asiakasyrityksen kanssa, joille esitellään prosessilouhinnan tulokset ja suoritetaan haastattelututkimukset.

Tutkimuksessa havaitaan, että prosessilouhintatyökalut mahdollistavat tuotantodatan helpon analysoinnin visualisointitoimintojensa avulla. Näitä käyttämällä voidaan tunnistaa osille tapahtunutta uudelleenkäsittelyä, prosessin vastaisia työnkulkuja sekä esittää suorituskykymittareita prosessin vaiheille. Samalla tuodaan esiin tiedon laatuun liittyviä haasteita. Prosessituntemuksen puute nousee yhdeksi keskeiseksi haasteeksi, erityisesti silloin, kun organisaatioissa on rajallisesti henkilöresursseja käytettävissä prosessilouhintaa varten. Prosessilouhinta on sekä aikaa vievää että erityisosaamista vaativaa, mikä voi vaikeuttaa soveltuvan henkilöstön löytämistä ja saavutettujen havaintojen käytäntöön viemistä yrityksissä.

Lopputuloksena prosessilouhinta tuotti diskreetin valmistuksen kontekstissa hyödyllisiä ja tuotantoa tukevia havaintoja. Kuitenkin visualisointien tutkinta ja olennaisen tiedon etsintä osoittautuivat aikaa vieviksi ja prosessituntemusta vaativiksi vaiheiksi. Prosessilouhinnan asiakasarvo keskittyi erityisesti suorituskyvyn, prosessin noudattamisen ja tehokkuuden arviointiin, jotka saavutettiin lisääntyneen prosessin näkyvyyden sekä uusien vertailumittareiden ja analyysimahdollisuuksien kautta. Prosessilouhinnan onnistumista edistää kohdennettu tarkastelu tiettyyn osa-alueeseen yhdessä asiakkaan kanssa sekä asiakasyrityksen tuki tiedon analysoinnissa. Jatkokehityksen ja -tutkimuksen kannalta esiin nousivat tarpeet optimoidulle tiedon esiprosessoinnille sekä standardoidun rajapinnan kehittämiselle Factory Cockpitin ja prosessilouhintatyökalujen välille. Tämä mahdollistaisi sujuvamman tiedonsiirron työkalujen välillä, helpottaisi prosessilouhinnan käyttöönottoa sekä loisi edellytyksiä korkealaatuisemman tiedon tarjoamiselle päätöksenteon tueksi.