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

Historians или архиваторы данных процессов - оптимизируем будущее, опираясь на прошлое

Historians или архиваторы данных процессов - оптимизируем будущее, опираясь на прошлое

Линдси Финк и Деннис Нэш

Архиваторы данных процессов могли быть нужными в силу регуляторных требований или как резервное хранилище данных, и изначально рассматривались многими как статья расходов и нечто, имеющее очень ограниченную ценность. СХД были дорогими, поэтому объем данных был ограниченным. Впрочем, этот подход изменялся, по мере того, как цена хранения данных падала, а ценность аналитики росла.
 
Во времена возникновения АПД специалисты АСУ ТП в централизованном зале управления, как правило, активно мониторили большой объем данных, имеющих «немедленную ценность». Лучшей практикой в то время считалось постоянно мониторить изменения в работе предприятия с помощью простых бумажных логгеров данных. Эти «космические» технологии серьезно ограничивали эффективность персонала, поскольку их осведомленность о проблемах на производстве ограничивалась информацией, разбросанной по разрозненным рулонам бумаги. Анализ эффективности различных контуров управления был очень затратным по времени. А сверхусилия, необходимые для оценки эффективности взаимодействия между различными контурами, делали этот анализ совершенно бесполезным. К счастью, АПД исправил эту ситуацию. 
 
Сегодня АПД – ключ к владению критически важной для бизнеса информацией о производительности предприятия. Когда-то АПД собирали данные с частотой от 1 до 5 минут. Сегодня эти интервалы составляют доли секунд для различных процессов, происходящих в самых различных частях предприятия и инфраструктуры АСУ ТП. Благодаря «выросшему разрешению», или детализации, персонал теперь может анализировать ранее скрытые недостатки в работе систем. А грамотный персонал может многое обнаружить, анализируя прошлые записи, для того, чтобы избежать простоев в будущем и повысить эффективность производства.
 

Рис. 1. Подобно технологиям предиктивной аналитики, решения CLPM активно мониторят работу основных производственных ресурсов, и являются регуляторно-управляющими системами предприятия. Будучи частью революции ПИВ, эти решения фокусируются на улучшении операционных процессов на уровне цеха. 

Объемы доступных теперь данных поражают. В АПД и других базах данных теперь столько данных, что они стали основной движущей силой бума промышленного интернета вещей (ПИВ). Согласно данным IDC Research, эта движущая сила нарастает в прогрессии – в декабре 2014 года IDC предсказала, что вселенная ПИВ достигнет объема в 3 триллиона гигабайтов уже к 2020 г. Это в 10 раз больше показателей четырехлетней давности. Этот быстрый рост объемов данных объясняется преимущественно снижением цен на датчики и СХД. И эти цены будут падать и дальше – как будет расти скорость генерации новых данных. Так что сегодня промышленные предприятия имеют доступ к более финансово оправданным средствам сбора и хранения данных.
 

Рис. 2. Залипание (клапанов) широко признано самой распространенной проблемой, влияющей на эффективность контуров управления. Сегодняшние решения CLPM позволяют идентифицировать эту проблему и количественно оценить ее влияние. 

 
Требуется помощь: возможности ПИВ
 
Хотя объемы данных, доступных сегодня для анализа, поражают, вычислительные возможности компьютеров, а также программные решения для бизнес-аналитики не отстают в развитии. Так же как и АПД, вычислительные возможности эволюционировали, и с точки зрения финансовых затрат и возможностей. Стоимость хранения единицы информации продолжает стремительно уменьшаться, а скорость обработки – стремительно расти. В 1980 году 1 Мб памяти стоил десятки тысяч долларов, а сегодня 32 Гб флеш-накопитель будет стоить меньше $10. Микропроцессор Intel 8088, выпущенный в начале 80-ых гг. мог обрабатывать до 330 тыс. инструкций за цикл. Процессоры Pentium III выпущенные в 1999 году могли обрабатывать уже более 2 млн. инструкций. Процессоры сегодняшнего дня быстрее на порядки. Уже эти два фактора очень сильно ускорили драматические изменения в сценариях использования АПД в промышленности.
 
ПО также выиграло в результате постоянной эволюции ИТ, в т. ч., достижений в области многопоточных вычислений. Достаточно вспомнить о динамической кластеризации, алгоритмах машинного обучения, которые гиганты промышленной автоматизации применяют на основе сверхсложных технологий предиктивной аналитики. На основе использования АПД, стало возможным находить виртуальные отпечатки прошедших событий – как нормальных, так и чрезвычайных. В применении к текущим процессам, эта комплексная аналитика позволяет предсказывать отказы и избегать излишних затрат, связанных с незапланированными отказами. Применение этих технологий в аспекте больших данных и аналитики существенно повышает время доступности оборудования.
 
Безусловно, ПИВ и перспективы улучшенной операционной аналитики заняли ведущее место в заголовках публикаций и умах. Однако, основное внимание уделяется влиянию ПИВ на цепочки поставщиков, а не на улучшение операционных процессов цехового уровня.
 
Ценность ПИВ заключается в исчерпывающем доступе к информации и эффективной совместимости информационных систем. По оценке McKinsey & Company общая ценность среды ПИВ достигнет $11.1 трлн к 2025. Затраты на оптимизацию промышленных операций и оборудования за это же время достигнут $3.7 трлн. В свете этих огромных планов, растут и ожидания того, что ПИВ и АПД создадут дополнительные преимущества и для текущей операционной деятельности. В особенности, инженерному персоналу требуются инструменты, которые позволят использовать АПД в локальных масштабах для получения имеющей практическую ценность аналитики, поддерживающей безопасную и прибыльную операционную деятельность. 
 
Перспектива с точки зрения предприятия
 
Решения по мониторингу эффективности контуров управления (Control loop performance monitoring или CLPM) появились в самом начале этого тысячелетия. Они обещали сделать возможным в режиме реального времени и в рамках всего предприятия анализ эффективности ПИД-контуров управления, на основе доступа к данным из АПД. Улучшенная осведомленность о регуляторном уровне управления дополняет другие надзорные возможности управления. Изначально снабженные набором ключевых показателей эффективности (KPIs), решения CLPM позволяют производственному персоналу проактивно реагировать на изменения, влияющие на эффективность отдельных контуров управления, отдельных единиц оборудования или даже всего производство. Эффективность этих ранних решений сильно зависела от доступа к производственным данным в «высоком разрешении». Без этого условия, решения CLPM оказывались ограниченными в своей способности точно оценивать факторы, влияющие на производство в целом и на управление в особенности.
 
«Залипание», статическое трение, которое необходимо преодолеть для начала движения физических объектов, является главной механической проблемой инженеров АСУ ТП. Связана ли она с клапаном, задвижкой или другим конечным элементом управления (final control element или FCE), эта проблема препятствует эффективному управлению процессом. FCE под влиянием залипания не может эффективно реагировать на изменения в процессных переменных контура управления. Реакция становится возможной, зачастую, при применении избыточного усилия.
 
Хотя дополнительное усилие позволяет FCE преодолеть статическое трение, добавление усилия, как правило, переводит процесс в цикл, который требует повторных реакций от FCE и приводит к повышенному износу процессного оборудования. Ранние решения CLPM занимались поиском таких ситуаций, однако им часто не хватало «разрешения» для выделения ключевых признаков или получения дополнительной информации.
 
Важно не только определить факт «залипания», но и измерить его. С доступом к данным с высоким разрешением, большинство решений CLPM теперь могут обнаружить неправильно действующие FCE, а также измерить величину «залипания». Комбинация этих двух наборов данных позволяет производственному персоналу оценивать реальный эффект «залипания» для управления процессами и производительность предприятия. Кроме того, он позволяет персоналу правильно расставить приоритеты в использовании всегда ограниченных ресурсов при устранении этих механических ошибок.
 
Как и в случае с предиктивной аналитикой и другими продвинутыми технологиями аналитики, решения CLPM много приобрели благодаря росту ресурсов, хранящихся в АПД. Благодаря добавлению статистических корреляций и функций анализа взаимодействий, а также доступу к данным в «высоком разрешении», ценность решений CLPM поднялась от простого задания мониторинга эффективности отдельных контуров управления до более значимой задачи оптимизации процессов в масштабах всего предприятия. И многие из возможностей оптимизации имеют свои корни как раз в обычных событиях различных процессов.
 
Фиксация обычных событий
 
Внимательное изучение содержимого АПД открыло новые источники ценных данных в виде обычных событий контуров управления. Изменения контрольных точек – среди бесчисленных, и вроде бы обычных событий, записываемых АПД. Изменения в уставках, или ручные изменения выходных данных – любые эти события приводят к изменениям в выходе соответствующих ПИД-контуров, и встречаются они довольно часто. На типичном предприятии могут происходить сотни, а то и тысячи подобных событий каждый день. Подобно стресс-тестированию во время настройки ПИД-контура, уставки могут обеспечить информацию, необходимую для моделирования динамики контура и генерации параметров настройки.
 
Способность автоматически фиксировать и моделировать ручные изменения выхода с помощью исторических процессных данных впервые появилась в 2005 году. Везде где возможно, функция применяла традиционные процедуры моделирования процессов и настройки ПИД-контроллеров. По мере изоляции ручных изменений выхода, решения CLPM оказывались способны установить динамическую связь между выходом контроллера контура и процессной переменной. Смоделированное отношение затем могло быть использовано для вычисления модели первого уровня. Впрочем, колеблющиеся условия процессов, обычные для процессов промышленного производства, как правило ограничивали эффективность функции.
 
Как и большинство ПО для управления тех времен, ранние решения CLPM с функцией активного моделирования сталкивались со сложностями при точном определении сильно варьирующихся условий процессов. Неустойчивое поведение было – и остается по сей день – характерной чертой данных, порождаемых системами промышленного управления. Хотя АПД уже содержали необходимые детали, инновации в моделировании нестабильных состояний (NSS-modelling), которые окончательно разрешили данную проблему, пришли на рынок промышленной автоматизации только к 2008 году. И еще четыре года понадобилось на их включение в платформы CLPM.
 
Преодоление исторических вызовов
 
Данные высокого разрешения из АПД повысили точность математической модели, однако традиционные технологии настройки контроллера по-прежнему требуют стабильного состояния в начале проверки на любом этапе. Стабильное состояние обеспечивает известное условие с помощью которого можно установить модельные параметры первого порядка. Автоматизированная процедура оптимизации затем может позволить выделить модель, которая наиболее точно отражает подлинную динамику процесса. Без такого стабильного состояния, однако, ПО моделирования и настройки постоянно давали сбои. Не существовало определенного состояния, на котором можно было бы основать модельные параметры.
 

Рис. 3. Моделирование NSS может весьма точно отображать высокодинамичные процессные условия, характерные для промышленной среды. Верхний тренд показывает модель (синий), которая аккуратно описывает колеблющуюся динамику процессных данных (зеленый).  

При рассмотрении вопроса со стоимостью, учитывайте роль АПД в сохранении данных, используемых в настройке контура и оптимизации процесса. В руководстве 2001 года, озаглавленном Инвестируйте в управление — получайте прибыль, представившая его организация Carbon Trust (www.carbontrust.com) указала, что регулярное повторение процесса настройки контроллера дает прибавку в производительности в 2-5% и до 5-10% прибавки в прибыли. Для средних размеров электростанции это может означать до $2 млн прибавки к обороту. Для типичного химического предприятия – до $5 млн. Из-за огромного разнообразия производственных процессов, требующих настройки, и включающих нестабильные состояния, базовые требования к данным нельзя было было соблюсти до появления моделирования нестабильных состояний, которое установило новые стандарты. 
 
Оно устранило необходимость в стабильности состояний и открыло новые возможности настройки контуров и оптимизации процессов. Вне зависимости от того, попали ли данные в АПД из открытого или закрытого контура, и какова природа процесса, моделирование нестабильных состояний надежно обеспечивает параметры настройки повышающие производительность. На еще более базовом уровне моделирование нестабильных состояний разрешило проблему, беспокоившую многих практиков.
 
Подчиняя себе инновации
 
CLPM-решения в комбинации с NSS-моделированием дают производителям выгоду бесконечных возможностей оптимизации практически в режиме реального времени, на основе данных из АПД. Эвристика в ПО автоматически устраняет данные из АПД, вызванные различного рода возмущениями, и большинство ежедневных изменений уставок совершаются в ходе автоматического моделирования. По мере улучшения технологий многозадачных приложений, решения CLPM становятся способны легко анализировать изменения тысяч уставок и генерировать тысячи моделей каждый день. Соответственно, они могут совершать комплексный анализ многочисленных моделей, связанных с одним и тем же ПИД-контуром, демонстрируя ее эффективность в различных операционных условиях.
 

Рис. 4. CLPM-решения открывают возможности дальнейшей оптимизации автоматическим выделением и моделированием ежедневных величин уставок, хранящихся в ИАД. Благодаря агрегации этих моделей CLPM-решения показывают, как параметры настройки эволюционируют с течением времени.  

Комбинация данных высокой детализации, вычислительной мощности и улучшенной аналитики позволяет CLPM-решениям обеспечивать ценные «инсайты». На самом деле пределы параметров настройки для индивидуальных ПИД-контуров может основываться на  усредненных данных сотен моделей. Можно увидеть, как оптимальный диапазон настроек меняется с течением времени. И что немаловажно, отдельные резкие колебания будут иметь минимальное влияние на результат.
 
В результате достижений в области вычислительной техники и ПО для аналитики, биты и байты, хранящиеся в типичном АПД, стали намного более ценными. Технологии, подобные CLPM-решениям, используют новые возможности для того, чтобы на основе самых обычных производственных событий генерировать добавленную стоимость. CLPM-решения уже не ограничены обычными тревогами и KPI, а обеспечивают подлинные ПИВ-возможности для персонала.