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.
Analityka strumieniowa i rozproszona
Rozwiązanie do analityki przemysłowej powinno obsługiwać „w locie, na żywo” odpowiednie strumienie danych, pochodzące z maszyn, sprzętu i systemów, w celu generowania ciągłych przepływów informacji, przy małych czasach opóźnienia, w niektórych przypadkach spełniających wymagania stawiane systemom czasu rzeczywistego o ostrych ograniczeniach czasowych (hard real-time system). W przeciwieństwie od tego modelu, rozpowszechnione podejście stosowane w wielu rozwiązaniach analityki IIoT, oparte jest na zapytaniach pasywnych, bardziej odpowiednich dla generowania raportów biznesowych, niż wyników aktywnej analityki. Niemniej jednak tradycyjna analityka, zorientowana wsadowo i oparta na zapytaniach, jest nadal użyteczna albo do tworzenia czy ulepszania modelowania analitycznego, albo do podejmowania decyzji przez ludzi, operatorów, menadżerów, co może obejmować identyfikowanie makroskopowych wzorców i trendów procesowych.
W złożonych, wielowarstwowych, rozproszonych systemach przemysłowych, rozwiązanie analityczne także musi być rozproszone. Oznacza to, że może ono wykonywać analizy w pobliżu źródeł danych i punktów decyzyjnych, gdzie potrzebne są wyniki tych analiz. W typowej architekturze IIoT (rys.2) analityka może być wdrożona w bramach sieciowych IIoT w warstwie sterowania, na skrajui warstwy operacji, w centrach danych przedsiębiorstw, albo w Chmurze.
Jeżeli ta sama, leżąca poniżej platforma posiada możliwość wdrożenia jej w różnych warstwach architektury, to przemysłowa platforma analityczna umożliwia dynamiczne dopasowanie obciążenia roboczego i dystrybucję analityki w tych warstwach, równoważąc potrzeby jasnego podejmowania decyzji i dostępności danych oraz zasobów obliczeniowych i sieciowych.
Przy wykorzystaniu analityki rozproszonej, przemysłowa platforma analityczna umożliwia analityce brzegowej:
- Zapewnianie szybkiej odpowiedzi poprzez unikanie długiego opóźnienia sieciowego.
- Zapewnienie wysokiej niezawodności poprzez unikanie przerwania operacji na skutek przerw w przesyle danych w sieci lub awarii w systemie scentralizowanym.
- Wymuszenie większego stopnia zabezpieczenia i ochrony prywatności poprzez utrzymywanie danych w bezpiecznych domenach, oraz
- Niższe koszty pracy sieci poprzez zredukowanie objętości danych przesyłanych przez tę sieć.
Aby w pełni wykorzystać zalety analityki IIoT, rozwiązanie analityczne musi wpływać na automatyczny, dynamiczny i ciągły proces transformacji strumienia danych maszynowych w użyteczne informacje, konwersję tych użytecznych informacji na działania i zastosowanie tych działań zwrotnie w stosunku do maszyn, operacji i procesów biznesowych.
Rozwiązanie to analizuje strumienie danych, pochodzących z systemów sterowania, w tym sterowników PLC oraz systemów SCADA i poprzez specyficzne dla domeny aplikacje dostarcza ciągłe, informacje zwrotne do tych systemów, co oznacza dostrajanie punktów nastaw układów sterowania, trybów pracy lub innych parametrów. Operacyjne informacje użyteczne, pochodzące z analityki, są także dostępne dla aplikacji biznesowych.
Analizowanie dużych zbiorów danych bezpośrednio w bramach sieciowych IIoT, zapewnia dostarczanie dokładniejszych i mniej opóźnionych informacji zwrotnych lokalnie do systemów sterowania, nawet gdy połączenia sieciowe z wyższymi warstwami architektury stają się niedostępne. Informacje podsumowujące z lokalnej analityki mogą być wysłane do centralnego komponentu w warstwie operacyjnej, w celu dalszej agregacji oraz innej analizy na wyższym poziomie.
Ta funkcjonalność rozproszonej analityki strumieniowej może i powinna być wdrażana na poziomie platformy, w ten sposób chroniąc dewelopera aplikacji analitycznej i jej użytkownika przed koniecznością wnikania w jej nieodłączną złożoność funkcjonalną.
Innowacja platformy
Przemysłowa platforma analityczna powinna dostarczać narzędzi do obsługi kluczowych wyzwań w operacjach przemysłowych, w tym adoptowalności danych, możliwości wykonywania analityki i stałej poprawy efektywności i niezawodności tych operacji. Przykład takiej platformy (od firmy Thingwise) pokazano na rys. 3.
Jednym z dużych wyzwań przy uruchamianiu sieci IIoT jest interoperacyjność danych. Jest to szczególnie isitine przy wdrażaniu systemów IIoT w inwestycjach typu modernizacyjnego lub przebudowy, realizowanych z ponownym wykorzystaniem terenów, budynków lub obiektów infrastruktury przemysłowej, często zdegradowanych, którym nadaje się nowe funkcje, W tego typu inwestycjach koegzystują i działają różne typy i modele starszych układów sterowania i maszyn. Dane zbierane z tych maszyn są różnych typów i posiadają różne formaty oraz reprezentują różne poziomy jakości.
Aby sprostać wyzwaniom interoperacyjności danych, przemysłowa platforma analityczna powinna dostarczyć potężny, ale zarazem łatwy w użyciu zestaw narzędzi, algorytmów itp. do przetwarzania danych, niezbędny do realizacji koniecznych transformacji tych danych. Skonfigurowane przepływy przetwarzania danych umożliwią adaptację protokołów, transformację syntaktyczną, przypisanie semantyczne i oparte na polityce firmy zarządzanie jakością danych, w tym walidację, filtrowanie, duplikację i inne. Przepływy przetwarzania także pozwolą wzbogacanie danych (łącząc dodatkowe metadane ze strumieniami danych maszynowych), oraz inne przetwarzanie danych, wymagane dla analityki jakości danych. Aby zrealizować cel projektu bez konieczności lub z minimalnymi zmianami kodu aplikacji, te przepływy przetwarzania danych powinny być skonfigurowane przy użyciu języka dziedzinowego (declarative-domain specific language, DDSL).
Wykrywanie anomalii, przechwyt znaczących wzorców oraz przewidywanie trendów ze strumieni danych maszynowych na żywo, są kolejnymi wyzwaniami dla analityki w środowiskach produkcyjnych. Silnik analityczny musi zapewniać wielomodową, napędzaną zdarzeniami analitykę strumieniową, aby spełniać wysokie wymagania analityki przemysłowej. Mogą one obejmować tradycyjną analizę statystyczną, kompleksowe przetwarzanie zdarzeń, oraz oparte na uczeniu maszynowym rozpoznawanie i klasyfikację wzorców w szeregach czasowych. Wzięte razem te trzy typy analizy zapewniają wysoki poziom synergii.
Konwencjonalna analiza statystyczna danych maszynowych podsumowuje wyniki w przedziałach czasowych, przestrzennych i logicznych. Ponadto ustanawia normy, za pomocą których identyfikowane są elementy wyróżniające się – pozytywnie lub negatywnie w działaniu całego parku maszynowego.
Kompleksowe przetwarzanie zdarzeń koreluje zdarzenia przechwytywane ze strumieni danych maszynowych w domenach czasowych, przestrzennych i logicznych, w celu identyfikacji podstawowych przyczyn zdarzeń i uruchamiania działań, kiedy są one konieczne.
Oparte na uczeniu maszynowym rozpoznawanie i klasyfikacja wzorców, wykorzystują przeszkolone modele dla algorytmów uczenia maszynowego, w celu identyfikowania specyficznych wzorców w strumieniach danych maszynowych. Działa to dobrze w rozpoznawaniu ważnych cech zachowań maszyn, poprzez korelowanie wielu wyników pomiarów fizycznych, pochodzących z czujników w maszynach, ponieważ dane te zmieniają sie w czasie. Przeszkolony model może być wykorzystany w rozwiązaniu analitycznym do automatycznego wykrywania znaczących cech setek lub tysięcy maszyn, w czasie niemal rzeczywistym. Jest to szczególnie użyteczne dla automatycznego wykrywania anomalii maszynowych, diagnostyki awarii i konserwacji zapobiegawczej.
Podczas gdy każde z tych trzech podejść może być wdrożone na poziomie ogólnym platformy, to często istnieje potrzeba aplikacji funkcji analitycznych użytkownika, takich jak oparte na modelowaniu fizycznym, dla wyznaczonych maszyn, jako część przepływu analitycznego. Platforma powinna umożliwiać użycie takich rozszerzeń.
Proste dostosowanie do użytkownika
Sprawdzonym sposobem na uproszczenie konfiguracji jest użycie bezkodowego projektu, opartego na konfiguracjach deklaracyjnych. Mogą one być użyte do dopasowania do wymagań użytkownika takich procesów, jak pozyskiwanie, przetwarzanie i analiza danych dla specyficznych przypadków użycia. To ułatwia adoptowanie do wielu protokołów, formatów oraz specyficznych cech przetwarzania i analizy danych, niewymagających opracowania czy zmieniania żadnego kodu. Pozwala to na szybką konfigurację początkowych aplikacji analitycznych oraz iteracyjnie zwiększa ich możliwości. Na przykład mogą być dodane nowe strumienie danych lub modele analityczne, bez wpływania na istniejące już operacje. To także pozwala deweloperowi na szybkie obejrzenie wyników zmian i w ten sposób na bardzo potrzebne eksperymentowanie przy zajmowaniu się analityką przemysłową.
Starannie zaprojektowany język konfiguracyjny umożliwia zlokalizowanej w niższych warstwach systemu przemysłowej platformie analitycznej na transparentne skalowanie, gdy objętości danych zwiększają się po dodaniu nowych maszyn i gdy złożoność obliczeniowa wzrasta po wdrożeniu bardziej zaawansowanej analityki.
Rozwiązanie analityki przemysłowej dostarcza nową wartość dla organizacji przemysłu produkcyjnego, przetwórczego i hybrydowego, poprzez umożliwienie inteligentnego monitorowania i zautomatyzowanego nadzoru nad sprzętem. Użyteczne informacje o maszynach i urządzeniach, otrzymywane na podstawie analizy w czasie rzeczywistym danych maszynowych, mogą być przekładane na automatyczne lub półautomatyczne działania, które poprawiają ogólną efektywność produkcji i minimalizują możliwe straty, spowodowane awariami lub przestojami.
Jednocześnie, bez względu na to jak atrakcyjne może się wydawać wdrożenie rozwiązania analitycznego, opisane w niniejszym tekście wyzwania techniczne mogą skutecznie odstraszyć wiele firm i przedsiębiorstw przed pójściem tą drogą. Rolą przemysłowej platformy analitycznej jest zatem usuwanie największych wyzwań technicznych oraz redukowanie złożoności, pracochłonności i ryzyk we wdrażaniu sieci IIoT. Taka platforma będąc rozwiązaniem “pod klucz”, tworzonym przez ekspertów od najnowszych technologii i czerpiącym korzyści z ekonomii skali, może być znacznie bardziej ekonomiczna, niż rozwiązanie tworzone na zamówienie klienta, szczególnie biorąc pod uwagę obecny szybki postęp technologiczny. Ogólnie rzecz biorąc, pomaga ona poprawić wyniki ekonomiczne oraz tworzyć wartość dodaną szybko i opłacalnie.
O autorach:
Shi-Wan Lin wniósł do firmy Thingwise ponad 20 letnie doświadczenie z pracy w takich firmach, jak Intel, Sarvega, Lucent Technologies i Motorola. Przed założeniem Thingwise był on głównym technologiem d/s strategii i technologii Internetu Rzeczy w firmie Intel. Dr. Lin jest współprzewodniczącym różnych grup technicznych Konsorcjum Internetu Przemysłowego (Industrial Internet Consortium), Publicznej Grupy Roboczej d/s Systemów Cyber-Fizycznych (Cyber-Physical Systems Public Working Group) amerykańskiego Narodowego Instytutu Standaryzacji i Technologii (National Institute for Standards and Technology, NIST), oraz Grupy d/s Wspólnych Zadań (Joint Task Group) pomiędzy Platformą Przemysł 4.0, a Konsorcjum Internetu Przemysłowego.
Alexander Lukichev jest ekspertem od architektury oprogramowania i ekspertyz inżynierskich w takich dziedzinach, jak infrastruktura sieci, obliczenia rozproszone, oprogramowanie dla przedsiębiorstw, platformy Big Data, usługi w chmurze i projektowanie zabezpieczeń systemów. Bezpośrednio przed wspólnym założeniem firmy Thingwise pracował przez ponad 10 lat w firmie Intel na różnych stanowiskach, związanych z tworzeniem oprogramowania.