Hur tillämpar du industridata till din produktion?

Det kan tyckas att de flesta tillverkningsföretag drunknar i industridata, men strävar fortfarande efter att dra nytta av de möjligheter detta ger. Vi ger dig en praktisk guide i sju steg.

En modern industrianläggning kan producera en terrabyte av industridata varje dag. Med en våg av ny teknik inom artificiell intelligens och maskininlärning samt instrumentpaneler med realtidsdata står vi inför stora möjligheter för optimerad produktion. Oplanerat underhåll av produktionsutrustning borde vara ett minne blott.

Ändå är detta inte fallet år 2021. Tillgång till stora mängder industridata är inte synonymt med att användas för något användbart. Industriella data kommer obehandlade och måste bearbetas innan det verkliga värdet kan extraheras. Verktygen som används för detta måste också kunna hantera en expansion av fabriksanläggningen.

Så hur gör man industriella data lämpliga för din användning? Med de nämnda utmaningarna i åtanke presenterar vi en steg-för-steg-guide.

Projektet startar med att definiera ett tydligt use case. Det kan vara maskinunderhåll, processförbättringar, produktionsuppföljning, förbättrad kvalitet eller uppföljning av spårbarhet. Som en del av use caset måste företagets olika beslutsfattare identifiera projektets omfattning. Det är viktigt att olika roller är involverade för att gemensamt komma överens om projektets gemensamma mål.

När ni har identifierat era affärsmål och use case måste ni bestämma vilka system som behövs för att uppnå dessa mål. Ställ er dessa frågor:

Dokumentera dina svar och gå sedan vidare till nästa steg där du kommer att identifiera dina datakällor för projektet.

Industridata är en viktig komponent för att hantera användningsfallet. Att skaffa industridata och omvandla den till användbar information kan vara utmanande. Därför är det viktigt att ha en överblick över tillgänglig data.

En typisk, modern industrianläggning har hundratals till tusentals maskindelar och utrustning som kontinuerligt producerar data via PLC, maskinkontroller eller distribuerat styrsystem (DCS). Nyare automationssystem kan också innehålla smarta sensorer och smarta ställdon.

Automationsdata är främst för att hantera, optimera och styra processen. Dessa uppgifter är relaterade till processkontroll och gäller inte underhåll, produktkvalitet eller spårbarhet.

Datastrukturen från PLC och kontroller har minimal beskrivande information. Datapunkterna hänvisas ofta till med kryptisk namngivning eller till adressplatsen i minnet.

Automatiseringen i en fabrik utvecklas över tid med maskiner och utrustning från olika leverantörer av hårdvara. Detta är hårdvara som förmodligen är programmerad och definierad av leverantören. Som ett resultat ser man unika datormodeller gjorda för varje enskild maskin, med avsaknad av en gemensam standard för fabrik och organisation.

För att förstå de specifika utmaningarna bör datakällorna dokumenteras. Sedan kan du ställa följande frågor för att beskriva vilken tillgänglig data du behöver för att uppnå projektmålen:

Med projektplanen på plats börjar systemintegrationen med att skapa säkra källor och målsystem. Det är viktigt att förstå vilka protokoll som jobbar på och vilka säkerhetsrisker och fördelar de ger. 

Många system stöder öppna protokoll för att definiera kontaktpunkter och kommunikation. Typiska öppna protokoll inkluderar OPC UA, MQTT, REST, ODBC och AMQP. Det finns också många slutna protokoll och API -system som definieras av applikationsleverantören. Ställ följande frågor:

Vissa protokoll och system stöder certifikat som utbyts mellan applikationer. Andra protokoll stöder användarnamn och lösenord eller tokens som matas in manuellt i anslutningssystemet eller genom en tredjepartsvalidering. Förutom användarsäkerhet stöder vissa protokoll krypterade datapaket, som förhindrar att data läses i en insiderattack. Slutligen finns det protokoll som stöder datautentisering. Det betyder att även om uppgifterna visades av en tredje part kommer det inte att vara möjligt att ändra den.

Säkerhet handlar inte bara om användarnamn, lösenord, kryptering och autentisering, utan också om integrationsarkitektur. Protokoll som MQTT kräver endast utgående öppningar i brandväggar och hindrar hackare från att komma åt interna nätverk. Denna typ av protokoll föredras av säkerhetstjänstemän.

Distributionen av analys eller IloT försenas ofta av variationen i data som kommer från fabriken. Maskinleverantörer, systemintegratörer och tillverkare har inte fokuserat på att skapa datastandarder, utan snarare utveckla system över tid och anpassa sig därefter. Som ett resultat kan varje maskin ha olika datormodeller. Detta tillvägagångssätt har fungerat för engångsprojekt, men nuvarande IloT-projekt kräver mer skalbarhet.

När modelleringen är klar bör dataströmmarna kontrolleras modell för modell. Detta görs vanligtvis genom att identifiera modellen, målsystemet och frekvensen eller utlösaren för rörelsen. Med tiden kommer dataöverföringar att kräva övervakning och kontroll.

Fabriker och andra industrimiljöer förändras med tiden. Utrustning byts ut, program ändras, produkter designas om, system uppgraderas och nya användare behöver ny information för att göra sitt jobb. Mitt i denna förändring kommer OT- och IT -proffs att samarbeta om nya projekt som syftar till att förbättra produktivitet, effektivitet och säkerhet. Det kommer att krävas Industriella data som är standardiserad och kontextualiserad. Ett verktyg behövs för att utföra denna uppgift i stor skala – som en DataOps -lösning. Genom att använda en integrationshub kan man samla in data från olika utrustningar på ett ställe, sedan standardisera och kontextualisera.

Det första steget i modellering av data är att definiera standardmodeller i målsystemet för att uppfylla projektets affärsmål. Kärnan i modellen är realtidsdata från maskiner och automationsutrustning. De flesta datapunkter i realtid kommer från en enda datakälla. När en specifik datapunkt inte finns kan andra datapunkter användas med logik. Data kan också analyseras eller hämtas från andra datafält. Eventuellt kan ytterligare sensorer läggas till för att tillhandahålla nödvändig data.

Dessa modeller bör innehålla attribut för beskrivande data, som vanligtvis inte lagras i industriella enheter, men är användbara vid matchning och utvärdering av data i målsystem. Beskrivande data kan vara plats, serienummer, måttenhet, operatörsområde eller annan kontextuell information. När standardmodellerna väl har gjorts bör de vara avsedda för varje maskin, process eller industriell utrustning. Detta är vanligtvis en manuell uppgift, men kan påskyndas om det finns konsistens från enhet till enhet och kartläggningen redan finns i Excel eller ett annat format, eller om en inlärningsalgoritm kan användas.