Przemysłowe 
platformy analityczne

Współczesne narzędzia analityki przemysłowej pozwalają zamieniać dane procesowe z maszyn i urządzeń na praktyczne informacje, dzięki czemu stanowią siłę napędową inteligentnych operacji przemysłowych i procesów biznesowych. Przemysłowa platforma analityczna może być solidnym fundamentem pod budowę efektywnie działających mechanizmów zarządzania produkcją i utrzymania ruchu dzięki konwergencji technologii operacyjnych (Operations Technology – OT) i informatycznych (Information Technologies – IT), dostosowaniu niezbędnych narzędzi IT oraz wprowadzaniu 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. Dzięki zastosowaniu narzędzi analityki do przetwarzania olbrzymich ilości danych procesowych zbieranych z podłączonych do sieci maszyn uzyskuje się wgląd w ich pracę oraz możliwość wykorzystania tych informacji do wdrożenia inteligentnych procedur czy operacji w procesach biznesowych.

Dane, analityka i aplikacje są kluczowymi elementami w inteligentnych cyklach życia, które zmieniają dane w użyteczne informacje, a te w konkretne działania (rys. 1). Są one możliwe do zastosowania w pętlach sterowania oraz w operacjach i działaniach biznesowych. To właśnie analityka jest centrum i głównym silnikiem, który napędza każdą z tych inteligentnych pętli oraz umożliwia tworzenie wartości dodanej w sieci IIoT.

Rys. 1. Analityka jest silnikiem napędzającym każdą z pętli inteligentnych operacji i procesów, tworzących w efekcie wartość dodaną aplikacji w sieci IIoT.

Wartość analityki

Sprzęt produkcyjny w typowym współczesnym środowisku przemysłowym można scharakteryzować 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 alarmy oparte na przekroczeniu wartości progowej. W zasadzie większość z tych systemów nie uzyskała dotąd korzyści z możliwości wdrożenia zaawansowanej analityki, jaka rozwinęła się w ciągu ostatniej dekady. Z drugiej strony te przemysłowe systemy sterowania mają wiele podłączonych czujników oraz korzystają z zaawansowanych możliwości zbierania danych, które pozwalają na błyskawiczne dostarczanie wielu informacji dotyczących stanów pracy maszyn i urządzeń procesowych. Jest to istotna wartość dodana ukryta w tych właśnie danych. Dzięki podłączeniu do sprzętu produkcyjnego systemy SCADA i DCS są w stanie zbierać dane z tych urządzeń, a następnie umożliwić zastosowanie zaawansowanej analityki, aby uzyskać i przedstawić lub od razu wykorzystać wartościowe, użyteczne informacje dotyczące operacji realizowanych przez sprzęt.

To zaś 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 eliminowanie go w celu zredukowania zużycia energii i materiałów,

→ optymalizację parku maszynowego poprzez dynamiczne dostosowywanie poziomu działania poszczególnych urządzeń na podstawie dostępności zasobów, kosztów działania i zapotrzebowania na produkcję.

Dzięki integracji z systemami informatycznymi przedsiębiorstwa inteligencja operacyjna, wynikająca bezpośrednio z efektywnej analityki danych maszynowych, może być łączona z użytecznymi informacjami biznesowymi w celu wzmocnienia procesów biznesowych oraz planowania np. łańcucha dostaw czy zasobów, harmonogramowania prac i zarządzania relacjami z klientami, a także 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 – przyp. tłum.), poprawia bezpieczeństwo pracowników, a nawet ułatwia pojawianie się nowych aplikacji, produktów i usług. One to finalnie wzmacniają konkurencyjność, tworzą nową wartość biznesową i przynoszą 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 pozwala na monitorowanie i wykrywanie wzorców w strumieniach danych na żywo w sposób bardziej skuteczny i często bardziej niezawodny. Jest to szczególnie istotne w przypadku złożonego rozpoznawania wzorców, wymagającego korelacji zbiorów danych o wysokiej objętości w długich przedziałach czasowych. Te rodzaje wzorców mogą nie być łatwo wykrywalne przez ludzkie oko.

Modele analityczne, przy wykorzystaniu najnowszych technologii uczenia maszynowego, mogą nawet ulepszać się same, dzięki samouczeniu się na podstawie gromadzonego „doświadczenia”. W rzeczywistości analityka może pozwolić na monitorowanie dużych zasobów sprzętowych przez całą dobę, z utrzymaną wciąż na tym samym poziomie skutecznością. 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, uwolniło ich zaś od wykonywania powtarzających się, nużących zadań.

Wymagania dotyczące analityki

Aby sprostać potrzebom różnych gałęzi przemysłu produkcyjnego, rozwiązanie analityki przemysłowej powinno się charakteryzować kilkoma ważnymi cechami i funkcjami. Pierwsza z nich to: dostarczyć poprawne wyniki i „nie szkodzić”. Jej realizacja wymaga efektywnych narzędzi i zabezpieczeń w ich aplikacji. Ponadto musi być możliwe ciągłe stosowanie procedur analityki. Wymaga to jednak znacznych 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 – w bramach sieciowych IoT znajdujących się bezpośrednio przy sprzęcie oraz 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 funkcjonować 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 utrzymaniu. Redukcja złożoności wdrożenia i działania systemu przyspiesza osiągnięcie sukcesu z implementacji rozwiązań IIoT dzięki zmniejszeniu kosztów jej opracowania, ryzyka i czasu TtV (Time-to-Value – w biznesie: czas, jaki upływa pomiędzy zamówieniem specyficznej wartości a początkową dostawą tej wartości – przyp. tłum.)

Przemysłowa platforma analityczna

W porównaniu z rozwiązaniem tworzonym na zamówienie klienta przemysłowa platforma analityczna może uprościć proces wdrożenia sieci IIoT, dzięki czemu będą one bardziej efektywne, niezawodne i skalowalne. Może ona zaoferować wiele istotnych korzyści wynikających z opcji uczenia maszynowego, analizy dużych zbiorów danych (Big Data), 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 mieć 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 bram sieciowych (gateways) IoT,

→ możliwą do realizacji analitykę, która zamienia dane na użyteczne informacje, a użyteczne informacje na działania,

→ analitykę wielomodelową z wielowymiarową agregacją statystyczną, kompleksowym przetwarzaniem zdarzeń (Complex-Event Processing – CEP) i rozpoznawaniem wzorców na podstawie uczenia maszynowego, co pozwalana 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 dla umożliwienia łatwej integracji,

→ proste dostosowanie do użytkownika, z możliwością łatwej konfiguracji pożądanych strumieni danych, ich przetwarzania i analizowania,

→ zabezpieczenie dzięki rygorystycznemu projektowaniu, wdrożeniu i walidacji, zgodnie z najlepszymi praktykami zabezpieczania.<—newpage—>

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 do tego modelu rozpowszechnione podejście stosowane w wielu rozwiązaniach analityki IIoT jest oparte na zapytaniach pasywnych, bardziej odpowiednich do generowania raportów biznesowych niż wyników aktywnej analityki. Niemniej jednak tradycyjna analityka, zorientowana wsadowo i oparta na zapytaniach, jest nadal użyteczna albo przy tworzeniu czy ulepszaniu modelowania analitycznego, albo przy podejmowaniu decyzji przez ludzi, 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 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 krawędzi warstwy poziomu operacyjnego, w centrach danych przedsiębiorstw albo w tzw. chmurze.

Jeżeli ta sama platforma może być wdrożona w różnych warstwach architektury, to przemysłowa platforma analityczna umożliwia dynamiczne dopasowanie obciążenia roboczego i dystrybucję analityki w tych warstwach, równoważąc potrzeby w celu trafnego podejmowania decyzji i zapewnienia dostępności danych oraz zasobów obliczeniowych i sieciowych.

Dzięki wykorzystaniu analityki rozproszonej przemysłowa platforma analityczna zapewnia analityce brzegowej:

→ szybką odpowiedź dzięki unikaniu długiego opóźnienia sieciowego,

→ wysoką niezawodność dzięki unikaniu przerwania operacji na skutek przerw w przesyle danych w sieci lub awarii w systemie scentralizowanym,

→ większy stopień zabezpieczenia i ochrony prywatności poprzez utrzymywanie danych w bezpiecznych domenach,

→ niższe koszty pracy sieci dzięki zredukowaniu 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.

Takie rozwiązanie analizuje strumienie danych pochodzących z systemów sterowania, w tym sterowników PLC oraz systemów SCADA, i poprzez specyficzne dla domeny aplikacje dostarcza w ciągły sposób informacji zwrotnych do tych systemów, co oznacza dostrajanie punktów nastaw układów sterowania, trybów pracy lub innych parametrów. Operacyjne użyteczne informacje pochodzące z analityki są także dostępne dla aplikacji biznesowych.

Analizowanie dużych zbiorów danych bezpośrednio w bramach sieciowych IIoT umożliwia 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.

Rys. 2. Jeżeli ta sama platforma może być wdrożona w różnych warstwach architektury, przemysłowa platforma analityki umożliwia dodatkowo dynamiczne dopasowanie 
obciążenia.

Ta funkcjonalność rozproszonej analityki strumieniowej może i powinna być wdrażana na poziomie platformy analitycznej. Dzięki temu deweloper aplikacji analitycznej i jej użytkownik będą chronieni przed koniecznością wnikania w jej złożoność funkcjonalną.

Innowacja platformy

Przemysłowa platforma analityczna powinna dostarczać narzędzi do obsługi głównych wyzwań w operacjach przemysłowych, w tym możliwości dostosowania danych, analizy i ciągłej poprawy efektywności i niezawodności tych operacji. Przykład takiej platformy pokazano na rys. 3.

Jednym z dużych wyzwań przy uruchamianiu sieci IIoT jest interoperacyjność danych. Jest to szczególnie istotne 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 mają różne formaty danych czy standardy komunikacji oraz reprezentują różne poziomy jakości.

Aby sprostać wyzwaniom interoperacyjności danych, przemysłowa platforma analityczna powinna dostarczyć potężnego, ale zarazem łatwego w użyciu zestawu narzędzi, algorytmów itp. do przetwarzania danych, niezbędnego do 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 na wzbogacanie danych (łącząc dodatkowe metadane ze strumieniami danych maszynowych) oraz inne przetwarzanie danych, wymagane do analityki ich jakości. Aby zrealizować cel projektu bez konieczności zmian lub z małymi modyfikacjami kodu aplikacji, 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 to kolejne wyzwania dla analityki w środowiskach produkcyjnych. Dlatego też 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. Zastosowane 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 wypracowane modele dla algorytmów uczenia maszynowego do 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 się w czasie. Wypracowany model może być wykorzystany w rozwiązaniu analitycznym do automatycznego wykrywania znaczących cech setek lub tysięcy maszyn w czasie niemal rzeczywistym. Jest to szczególnie użyteczne do automatycznego wykrywania anomalii maszynowych, diagnostyki awarii i konserwacji zapobiegawczej.

Każde z tych trzech podejść może być wdrożone na poziomie ogólnym platformy, jednak często istnieje potrzeba aplikacji funkcji analitycznych użytkownika, takich jak oparte na modelowaniu fizycznym, w odniesieniu do wyznaczonych maszyn, jako część przepływu analitycznego. Platforma powinna umożliwiać użycie takich rozszerzeń.

Rys. 3. Wykrywanie anomalii, przechwytywanie znaczących wzorców i przewidywanie trendów ze strumienia danych maszynowych 
„na żywo” to niektóre z zadań wykonywanych przez analitykę przemysłową w środowisku produkcyjnym.

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 adaptowanie do wielu protokołów, formatów oraz specyficznych cech przetwarzania i analizy danych, niewymagających opracowania czy zmiany 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 w analityce przemysłowej eksperymentowanie.

Starannie zaprojektowany język konfiguracyjny umożliwia zlokalizowanej w niższych warstwach systemu przemysłowej platformie analitycznej transparentne skalowanie, gdy objętości danych zwiększają się po dodaniu nowych maszyn i gdy złożoność obliczeniowa wzrasta po wdrożeniu bardziej zaawansowanej analityki.

Podsumowanie

Rozwiązanie analityki przemysłowej to nowa wartość dla przemysłu produkcyjnego, przetwórczego i hybrydowego, polegająca na umożliwieniu 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 artykule wyzwania techniczne mogą skutecznie odstraszyć wiele firm i przedsiębiorstw przed pójściemtą drogą. Rolą dobrej przemysłowej platformyanalitycznej jest zatem usuwanie największych wyzwań technicznych oraz redukowanie złożoności, pracochłonności i ryzyka przy wdrażaniu sieci IIoT. Taka platforma, będąca rozwiązaniem „pod klucz”, tworzonym przez ekspertów od najnowszych technologii i czerpiącym korzyści z ekonomii skali, może być znacznie bardziej opłacalna niż rozwiązanie tworzone na zamówienie klienta, szczególnie w kontekście obecnego szybkiego postępu technologicznego. Podsumowując, pomaga ona poprawić wyniki ekonomiczne oraz szybko i opłacalnie tworzyć wartość dodaną.

Autorzy:

Shi-Wan Lin ma ponad 20-letnie doświadczenie w pracy w takich firmach, jak Intel, Sarvega, Lucent Technologies i Motorola. Przed założeniem Thingwise był głównym technologiem ds. strategii i technologii Internetu Rzeczy w firmie Intel. 

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 założeniem firmy Thingwise pracował przez ponad 10 lat w firmie Intel.