Публикация пресс-релизов Поиск по компании
Решения, технологии, стандарты Рынок, отрасль, люди Основы
Отменить подписку Подписка
Производители Системные интеграторы Дистрибьюторы
Продукты месяца Поиск по категории Добавить продукт
Добавить мероприятие
Добавить вакансию Специалисты по АСУ ТП, КИП Специалисты по электротехнике, энергетике Главные инженеры, технологи, электрики Менеджеры по продажам, консультанты, другое
Технические требования Публикация статей Публикация пресс-релизов Media Kit 2014
 


 

Решения, технологии, стандарты - статьи Ua.Automation.com

Big Data в АСУ ТП

Big Data в АСУ ТП
Мэтью Литлфильд
 
Я обычно сравниваю сегодняшнюю шумиху, окружающую промышленный интернет вещей (ПИТ), с пузырем «доткомов» 15 лет назад. И хотя краткосрочные ожидания тогда намного превысили краткосрочные приобретения, никто не может отрицать стратегическую трансформационную мощь интернета. ПИТ, возможно, не принесет драматических изменений в 2016 г., но в 2020 или 2025, когда мы все оглянемся назад, чтобы оценить пройденный путь, скорее всего мы поймем, что революция свершилась именно в 2016. 
 
В промышленной отрасли мы живем под благословением (или проклятием) циклов технологических обновлений длиной в десятилетия. Сюда стоить добавить процессы выбора технологий длительностью месяцы, а то и годы. Это преимущество, так как покупаемая технология выбирается надолго, и должна обеспечивать возврат инвестиций намного дольше, чем в других отраслях. И это недостаток, так как из-за редкости шансов получить новую технологию мы, получая такую возможность, часто откусываем больше, чем можем прожевать, или, наоборот оказываемся парализованы страхом нового, или слишком увлекаемся поисками новой блестящей игрушки. Наверное ни одна новая технология не обещала столько руководителям промышленных предприятий, сколько аналитика больших данных. Это новая технология, захватывающая воображение и предлагающая находить ранее неизвестные корреляции между данными, которые смогут обеспечить несказанную экономию издержек, улучшение качества, а также, эффективность цепей поставок. Учитывая такой масштаб обещаний важно, чтобы руководители не попадались в ловушку обещаний и вместо этого фокусировались на решении бизнес проблем, а не приобретении очередной интересной «штуковины».  
 
Ничего нового?
 
В основном, промышленные предприятия сейчас стараются решить те же проблемы, что стоят перед ними вот уже не первое десятилетие. Качество, стоимость, реагирование заказчиков, разрозненные источники информации, устаревшее оборудование, непонятный ROI. Тот факт, что эти проблемы оказалось не так легко проследить и измерить в прошлом, является причиной огромного внимания, которое аналитика больших данных получает сегодня. Компании разочарованы отсутствием прогресса при использовании устаревшего оборудования и рассматривают аналитику больших данных в качестве нового перспективного подхода. 
 
Некоторые промышленные компании сегодня не рассматривают аналитику больших данных (АБД) как путь к решению новых проблем с помощью новых технологий. «Разрыв» в знаниях хорошо задокументирован в промышленной отрасли, и возникновение новых моделей для фиксации знаний, а также, удаленное обслуживание являются одними из относительно новых проблем отрасли, решаемых с помощью аналитики больших данных. И пусть меньшинство – около 5% промышленных компаний или даже меньше – но некоторые компании рассматривают АБД как путь к тому, чтобы быть не только промышленной, но и цифровой компанией. 
 
Компании используют эти новые возможности или для того, чтобы создавать новую добавленную стоимость – через нулевые простои или измерение производительности – или предлагать новые бизнес-модели, такие как сдача оборудования в аренду, или обеспечение энергоресурсами по требованию. Примеры компаний, сделавших такой переход, включают Heidelberg Press (большие печатные прессы), Konecranes (большие краны и подъемное оборудование), Fanuc (роботехника), Trane (промышленный обогрев, вентиляция, кондиционирование воздуха).
 
 
Аналитика больших данных в промышленности
 
Визуализация и аналитика не являются чем-то новым для промышленности. Как правило эти функции реализовывались продуктами вендоров, специализирующихся на промышленной аналитике (enterprise manufacturing intelligence или EMI) или функциями EMI, встроенными в ERP, или системами управления операционной деятельностью на производстве (manufacturing operations management или MOM). Типы данных, которые подлежат анализу – структурированные или полуструктурированные данные из баз данных приложений или архивов исторических данных. В некоторых случаях – данные от оборудования. Типы представляемой после этого информации включают данные об эффективности производства и их анализ, к примеру: общую эффективность оборудования (OEE), расположение «бутылочных горл» в производственных линиях, качество выпускаемой продукции. В том, что касается статистического управления процессами, могут даже делаться рекомендации операторам для проактивного улучшения будущей производительности. В каждом из этих сценариев, есть ясный и легко демонстрируемый ROI. Во многих из них измерения и сравнения продемонстрировали, что вышеупомянутые технологии могут повысить ОЕЕ на 10% и больше.  
 
Впрочем, эти продукты и сценарии явно «не дотягивают» до предназначения и ценности аналитики больших данных. Прежде всего – «большие данные» это не просто объем. Петабайтов самих по себе явно недостаточно. Об аналитике больших данных лучше думать в контексте таких понятий как объем, скорость и разнообразие. Большинство традиционных вендоров EMI делают упор на объем, уделяют внимание скорости и зачастую игнорируют разнообразие. 
 
Для того, чтобы взять под контроль все эти параметры, компаниям необходима полноценная платформа больших данных, или даже интернета вещей – с драйверами, шлюзами, транспортной сетью, а также первоклассными аналитическими возможностями для быстрой и эффективной работы с данными. Кроме того, нужна гибридная (облачная и локальная) вычислительна среда с традиционной реляционной базой данных, традиционным архивом исторических событий и Hadoop-возможностями. 
 
И, наконец, нужна схема данных, которая быстро и эффективно объединит различные типы данных – финансовые транзакции, операционные транзакции, разработку продуктов, симуляции, данные от оборудования, веб-данные, геоданные,  а также алгоритмы, обеспечивающие и традиционные аналитические функции на производстве и новые, включая нейросети и машинное обучение. 
 
С полным набором таких возможностей, промышленные предприятия получат доступ к всем видам аналитики: дескриптивной, диагностической, предиктивной, предписывающей. Все они являются важной частью обеспечения интеллектуальных, и «знающих» друг о друге операционных процессов, а также важны для продвижения от операционной деятельности в режиме реального времени к предиктивному производству и, в конечном итоге, к автономному.
 
В одном ритме с потребителем
 
Популярность платформ, подобных IBM-овской Watson, выигравшей в американском игровом шоу Jeopardy, бесспорна. Уже всем ясна мощь новых вычислительных систем. Watson является компьютерной системой, отвечающей на вопросы, заданные на естественном языке, разработанной специалистами IBM в рамках проекта DeepQA. Постепенно аналитика больших данных станет частью приложений нового поколения, охватывающих все уровни иерархии систем, точно так же, как BI стал частью ERP а EMI – частью MOM.
 
Одним из обещаний аналитики больших данных и ИВ является трансформация моделей традиционных иерархических систем, используемых на промышленных предприятиях, и, как правило, описанных моделями Пэрдью или ISA-95. По целому ряду причин, традиционная иерархическая модель так и не смогла обеспечить «соединенности» на уровнях цеха или центрального офиса. Активное использование «доморощенных» систем на разных уровнях модели, использование различных сетей и стандартов безопасности на корпоративном и производственном уровнях, различные модели данных и многое другое ограничивают долгосрочную пригодность текущих архитектур.
 
По мере того, как и унаследованные приложения и приложения нового поколения «обустраиваются» на платформе ИВ, именно новые приложения будут задавать новые, ранее невиданные в промышленной среде стандарты. По сути, вендоры будут конкурировать не с традиционными промышленными приложениями, а с удобством таких потребительских сервисов и приложений, как Uber, Waze или Amazon. Для победы в этой гонке, приложениям необходимо ориентироваться на мобильный формат, а также, создавать инструменты социального взаимодействия, поиска, интуитивного анализа больших данных, естественным образом встроенные в эти приложения. 
 
Операционное совершенство и трансформация производства
 
Чтобы помочь руководителям высшего звена, операционным менеджерам и всей организации воспользоваться преимуществами аналитики больших данных, следует начать со стратегических инициатив, а не с жажды нового. Ведущие компании опираются в своих инициативах на ключевые возможности персонала, процессов и технологий. Они используют концепции вроде операционного совершенства, разработанные при участии многих ведущих обрабатывающих и производственных предприятий для обеспечения кросс-функционального взаимодействия между подразделениями по охране труда, обеспечению качества, операционному управлению производством и другими ради обеспечения достижения организационных целей. 
 
Используя проверенные модели, такие как операционное совершенство, в качестве основы, компании объединяют сферы бизнеса, такие как энергия, защита здоровья и окружающей среды, качество, производственные операции, эффективность оборудования для того, чтобы быть в состоянии осуществлять настоящую промышленную трансформацию. Это подразумевает объединение руководителей бизнес-подразделений и ИТ-подразделений, создание кросс-функциональных производственных групп. И роль ИТ-службы в этом процессе сложно переоценить.
 
Исходя из необходимости и опыта, ИТ-лидеры часто более сфокусированы на избегании внедрения технологий ради самых технологий. У них это ярче выражено, чем у кого-либо. Они сплошь и рядом бывают более догматичны в вопросах трансформации бизнес-процессов, оценки ROI и рисков до начала технологических процессов. Многие из них проходили через ад «разборок», связанных с неудачными ERP-проектами, выбившимися из бюджета и начатыми без должного бизнес-планирования – за исключением фразы генерального: «Нам это нужно для управления нашим бизнесом».  
 
Создав надежную основу для кроссфункционального взаимодействия, включающего ИТ-службу и службу промышленной автоматизации, компании могут быстро приступать к внедрению платформы для аналитики больших данных. При начале этого процесса необходимо помнить, что заранее не будет известно, какие данные потребуются, какие будут ценными, а какие – бесполезными. Также невозможно предсказать все потенциальные преимущества. В свете этой неясности, сделайте процесс поэтапным, двигающимся от меньшего к большему. Не бойтесь неудач, быстро учитесь, быстро адаптируйтесь – и быстро показывайте результаты. Это противоречит всему, к чему привыкли в промышленности с ее монолитными системами. И по этой причине, кстати, провалилось так много технологических проектов. По этой же причине необходимо убедиться в том, что выбранная платформа для аналитики больших данных и интернета вещей гибкая и легко адаптируемая. Нельзя тратить недели или месяцы на очистку данных или внесение новых типов данных в модель. К тому моменту, как это произойдет, ситуация уже изменится. Очистка и анализ данных должны происходить легко и быстро – в течении минут или часов. 
 
Наконец, начиная путешествие к аналитике больших данных надо побеспокоиться о людях и обучении. В Cisco, к примеру, есть своя команда из более 80 специалистов в области данных, пришедших в основном из компаний-партнеров, и прошедших 2-летнее обучение. К счастью, промышленным компаниям, как правило, не надо начинать с самого начала – у них уже есть понимание того, как строить процесс обучения. 20 лет тому назад, Six Sigma захватила промышленный мир и специалистов по производству начали обучать финансам и статистике в объемах, достаточных для того, чтобы они могли извлекать данные о стоимости производства. Теперь понадобится произвести такую же революцию в области аналитики больших данных. Компаниям придется инвестировать в сотрудников, сотрудникам придется инвестировать в самих себя – и вместе это позволит сдвинуть отрасль вперед, к новым перспективам.