IT dla zarządzających w przemyśle
Udostępnij Udostępnij Udostępnij Udostępnij Print

Przemysłowe platformy analityczne – korzyści dla producentów

-- poniedziałek, 03 lipiec 2017

Wyzwania i korzyści z zastosowania aplikacji analitycznych dla Przemysłowego Internetu Rzeczy (IIoT) są zarówno wskaźnikiem jak i swoistą wartością, jaką oferuje analityka i przetwarzanie danych procesowych.

Analityka przemysłowa, która znajduje się w sercu transformacji przemysłowych sieci automatyki i monitoringu w kierunku implementacji Przemysłowego Internetu Rzeczy (Industrial Internet of Things, IIoT), jest silnikiem, który zmienia dane procesowe z maszyn i urządzeń w praktyczne informacje, stanowiąc siłę napędową inteligentnych operacji przemysłowych i procesów biznesowych.

Czy to zastosowana w tzw. produkcji dyskretnej, czy też produkcji na masową skalę, przemysłowa platforma analityczna może być solidnym fundamentem pod budowę tego potężnego silnika i ułatwić konwergencję technologii operacyjnych (operations technology, OT) i informatycznych (information technologies, IT), poprzez adoptację niezbędnych narzędzi i technologii informatycznych oraz wprowadzanie innowacji procesowych na podstawie wymagań operacyjnych.

Rozwiązania i technologie sieci IIoT dążą do połączenia maszyn, sprzętu i przemysłowych systemów sterowania (industrial control systems, ICSs) z systemami informatycznymi przedsiębiorstw, procesami biznesowymi i ludźmi (obsługa, zarządzanie). Poprzez zastosowanie analityki do olbrzymich ilości danych procesowych, zbieranych z podłączonych do sieci maszyn, uzyskujemy wgląd w pracę tych maszyn i możliwości wykorzystania tych informacji do wdrażania inteligentnych procedur czy operacji w samych maszynach oraz procesach biznesowych. Dane, analityka i aplikacje są kluczowymi elementami w inteligentnych cyklach życia, które zmieniają dane w użyteczne informacje, a te użyteczne informacje w konkretne działania (rys.1). Są one możliwe do realizacji w pętlach sterowania, operacji i działań biznesowych. To właśnie analityka jest centrum i głównym silnikiem, który napędza każdą z tych inteligentnych pętli oraz tworzenie wartości dodanej w sieci IIoT.

Wartość analityki

Sprzęt produkcyjny w typowym, współczesnym środowisku przemysłowym można najlepiej opisać, jako cyfrowe systemy automatyki, tworzone z wykorzystaniem mikrokontrolerów (MCU) i programowalnych sterowników logicznych (programmable logic controllers, PLC). Wiele z nich jest podłączonych do informatycznych, sieciowych systemów nadzorujących przebieg procesów technologicznych i produkcyjnych (supervisory control and data acquisition, SCADA) lub rozproszonych systemów sterowania (distributed control systems, DCS) i zdalnie monitorowanych oraz sterowanych.

Stany pracy (operational states) sprzętu są monitorowane przez ludzi – operatorów, którzy w niektórych przypadkach są wspomagani przez proste algorytmy analityczne, takie jak np. alarmy oparte na przekroczeniu wartości progowej. W zasadzie większość z tych systemów nie uzyskała dotąd korzyści z możliwości zaawansowanej analityki, jaka rozwinęła się w ciągu ostatniej dekady. Z drugiej strony te przemysłowe systemy sterowania posiadają wiele podłączonych czujników oraz korzystają z zaawansowanych możliwości zbierania danych, które pozwalają na dostarczania bogatych i błyskawicznych informacji dotyczących stanów pracy maszyn i urządzeń procesowych. Jest to istotna wartość dodana, ukryta w tych właśnie danych. Poprzez podłączenie do sprzętu produkcyjnego, systemy SCADA i DCS są w stanie zbierać dane z tego sprzętu, a następnie zastosować zaawansowaną analitykę, aby uzyskać i przedstawić lub od razu wykorzystać wartościowe użyteczne informacje, dotyczące operacji realizowanych przez sprzęt.

To pozwala na:

  • Wykrywanie anomalii, diagnozowanie awarii, włączanie alarmów i podawanie wskazówek dotyczących usuwania awarii, co skróci czas przestojów.
  • Wykonywanie inteligentnego monitoringu wzorców wykorzystania maszyn do optymalizacji planów pracy i zwiększenia stopnia wykorzystania maszyn.
  • Poprawę kontroli jakości i skorelowanie jej z danymi pomiarowymi, dotyczącymi procesu produkcji, w celu optymalizacji parametrów operacji.
  • Przewidywanie potrzeb konserwacji w celu wykonywania napraw maszyn zanim nastąpi niespodziewana awaria, co pozwoli na uniknięcie przestojów i zredukowanie niepotrzebnego rutynowego serwisowania.
  • Wykrywanie wzorców marnotrawstwa i jego eliminowanie, w celu zredukowania zużycia energii i materiałów, oraz
  • Wykonywanie optymalizacji parku maszynowego, poprzez dynamiczne dostrajanie poziomu operacyjności poszczególnych urządzeń na podstawie dostępności zasobów, kosztów działania i zapotrzebowania na produkcję.

Dzięki integracji z systemami informatycznymi przedsiębiorstwa inteligencja operacyjna, wynikając bezpośrednio z efektywnej analityki danych maszynowych, może być łączona z użytecznymi informacjami biznesowymi, zarówno w celu wzmocnienia procesów biznesowych i planowania łańcucha dostaw oraz planowania zasobów, harmonogramowania prac i zarządzania relacjami z klientami, jak i dla celów inżynierskich - projektowych i procesowych. Wszystko to zwiększa produktywność i efektywność operacyjną, wzmacnia tzw. doświadczenie Klienta (Customer Experience, CE – suma wszystkich doświadczeń klienta, jakie wiążą się z daną marką, lub firmą), poprawia stan BHP, a nawet ułatwia pojawianie się nowych aplikacji, produktów i usług. One to w końcu wzmacniają konkurencyjność, tworzą nową wartość biznesową i potencjalnie przynoszą realny wynik biznesowy towarzyszący transformacji.

Wykorzystanie analityki w środowisku produkcyjnym zredukuje zależność od ludzi – operatorów w wykrywaniu wzorców i anomalii danych oraz zmniejszy obciążenie tych pracowników. Rozwiązanie analityki, korzystające z zaawansowanych algorytmów i technik analitycznych, może monitorować i wykrywać wzorce w strumieniach danych na żywo, w sposób bardziej skuteczny i często bardziej niezawodny. Jest to szczególnie istotne dla złożonego rozpoznawania wzorców, wymagającego korelacji zbiorów danych o wysokiej objętości. w długich okresach czasów. Te rodzaje wzorców mogą nie być łatwo wykrywalne przez ludzkie oko.

Przy wykorzystaniu najnowszych technologii uczenia maszynowego, modele analityczne mogą nawet ulepszać się same, poprzez samouczenie się na podstawie zgromadzonego „doświadczenia”. W rzeczywistości analityka może monitorować duże ilości sprzętu przez całą dobę, z utrzymaną wciąż na tym samym poziomie skutecznością. Ludzie, operatorzy będą informowani alarmami tylko o wykryciu istotnych wzorców, szczególnie tych wymagających ludzkiej interwencji czy dostrojenia parametrów sterowania. To uczyniłoby tych operatorów odpowiedzialnymi za “kontrolę misji” i sprawiło, że zajmowaliby się monitorowaniem jakości i produktywności, będąc uwolnionymi od wykonywania powtarzających się, nużących zadań.

Wymagania dotyczące analityki

Aby sprostać potrzebom różnych gałęzi przemysłu produkcyjnego, rozwiązanie analityki przemysłowej powinno posiadać kilka ważnych cech i funkcji. Pierwsza z nich to: dostarczyć poprawne wyniki i “nie szkodzić”. To wymaga efektywnych narzędzi analityki i zabezpieczeń w ich aplikacji. Dalej, jak można było się wcześniej przekonać, musi być możliwe ciągłe stosowanie procedur analityki. Jednak ciągła analiza, często wymaga istotnych ilości danych, które mają być przesłane od punktu ich zbierania do punktu analizy – punktu decyzyjnego.

A zatem rozwiązanie analityczne musi wspierać obsługę rozproszonych sieci automatyki i monitoringu, zarówno w bramach sieciowych IoT znajdujących się bezpośrednio przy sprzęcie, jak i w klastrze serwerów w zakładzie przemysłowym lub w zdalnym centrum danych i w Chmurze. Mogą być wymagane różne poziomy wdrażania takiej obsługi, w zależności od zakresu analizowanych danych. Na przykład analityka do porównywania pracy kilku fabryk, może działać lepiej w centrum danych przedsiębiorstwa. Analityka do lokalnego monitoringu nadzorującego, może działać lepiej bezpośrednio na styku sieci, pozwalając na wyższy stopień niezawodności, krótsze opóźnienie czasowe, mniejsze objętości transferu danych i lepszą kontrolę nad zbieranymi i analizowanymi danymi.

Inną, często pomijaną cechą rozwiązania analitycznego, jest jego ogólna złożoność. Rozwiązanie analityczne musi być łatwe w instalowaniu, konfiguracji i utrzymywaniu. Redukcja złożoności wdrażania i działania systemu, pomaga w przyśpieszeniu osiągnięcia sukcesu z wdrożenia sieci IIoT, poprzez zredukowanie kosztów jej opracowania, ryzyka i czasu TtV (time-to-value – w biznesie: okres czasu, jaki upływa pomiędzy zamówieniem specyficznej wartości, a początkową dostawą tej wartości)

Przemysłowa platforma analityczna

W porównaniu do rozwiązania tworzonego na zamówienie klienta, przemysłowa platforma analityczna może uprościć proces wdrażania sieci IIoT, czyniąc je bardziej efektywnym, niezawodnymi i skalowalnymi. Może ona zaoferować moc wynikającą z opcji uczenia maszynowego, analizy dużych zbirów danych BigData, obliczeń realizowanych w tzw. Chmurze i innych nowych technologii, bez konieczności bezpośredniego zajmowania się ich złożonością i zamawiania specjalistycznych ekspertyz.

Aby spełnić opisane wymagania, przemysłowa platforma analityczna powinna posiadać następujące funkcje i cechy:

  • Analitykę strumieniową, generującą ciągły strumień informacji w czasie niemal rzeczywistym, na podstawie danych maszynowych agregowanych na żywo.
  • Rozproszoną analitykę do przetwarzania danych: w Chmurze, na styku lokalnej sieci w hali fabrycznej i w modułach gateway’ów – bram sieciowych IoT.
  • Możliwą do realizacji analitykę, która zmienia dane w użyteczne informacje, a użyteczne informacje w działania.
  • Analitykę wielomodelową, z wielowymiarową agregacją statystyczną, kompleksowym przetwarzaniem zdarzeń (complex-event processing, CEP) i rozpoznawaniem wzorców na podstawie uczenia maszynowego, co pozwala na potężną i efektywną analizę zachowania się zarówno poszczególnych urządzeń (zasobów), jak i grup urządzeń.
  • Adaptacyjny przepływ danych, w celu adaptacji protokołów, normalizacji danych, ich walidacji i filtrowania zgodnie z podstawowymi założeniami polityki firmy, transformacji i wzbogacania danych, w celu umożliwienia łatwej integracji.
  • Proste dostosowanie do użytkownika, z możliwością łatwej konfiguracji pożądanych strumieni danych, ich przetwarzania i analizowania, oraz
  • Zabezpieczenie poprzez rygorystyczne projektowanie, wdrożenie i walidację, zgodnie z najlepszymi praktykami zabezpieczania.

W następnych akapitach te kluczowe cechy zostaną przedyskutowane bardziej szczegółowo.


Przeczytaj także

 

Zobacz także

  •   Wydarzenia  
  •   Katalog  

Wydarzenia

VeeamON Tour 2017
2017-09-07 - 2017-09-07
Miejsce: Warszawa
Robotech Robotics Technology Conference
2017-09-19 - 2017-09-19
Miejsce: Wrocław

Katalog

CAD-Project
CAD-Project
Stefana Czarnieckiego 35/9
53-626 Wrocław
tel. 717223347

zobacz wszystkie



Aktualne wydania
O nas   |   Reklama   |   Mapa strony   |   Kontakt   |   Partnerzy   |   
Copyright © 2003-2017 Trade Media International
zobacz nasze pozostałe strony
Trade Media International Inżynieria & Utrzymanie Ruchu Control Engineering Polska MSI Polska Inteligentny Budynek Design News Polska Almanach Produkcji w Polsce