工业分析可实现轻松地对问题建模并可视化见解

电子说

1.2w人已加入

描述

从工厂车间的工业资产收集和分析数据几乎不会成为前沿技术。多年以来,车间经理和他们的同事已经分析了工业机器数据,以向生产警报发出警报,识别质量故障,或作为旨在提高性能的资产调整指南,更多信息尽在振工链。

随着工业资产通过传感器进行数字化并通过工业物联网(IIoT)进行连接,制造商仍希望分析机器数据以提高生产效率,减少停机时间,控制成本并促进更好的决策制定。然而,就规模而言,目标职位已发生重大变化。今天的制造商们正在努力进行批发转型,而不是由工厂经理或维护人员分析电子表格中特定资产的历史数据来进行适度的更改。他们的目标是创建灵活,智能的运营,使资产和系统的网络可以实现近乎全面自动化。

在预测性维护,实时质量控制和根本原因分析的场景测试等领域中进行此类智能操作的引擎是高级分析,由人工智能(AI)和机器学习提供支持。虽然分析类别在工业界仍然有些模糊,但用例已经引起了巨大的兴趣和增长。根据IoT Analytics,工业AI和分析市场在2019年达到150亿美元,其中最大的用例是预测性维护,近四分之一的受访者(24.3%)引用其次,其次是质量检查和保证(20.5%),制造流程优化(16.3%)和供应链优化(8.4%)。

工业分析应用的激增根源于对利用车间或基于现场的工业资产(包括机器人,自动化单元,石油钻机和风力涡轮机)产生的大量数据的渴望。随着各行各业的制造商加大数字化工作的力度,IDC Insights估计,这家典型的工厂每天将产生超过1TB的数据,并期望在未来五年中,该数字将乘以5到10之间的倍数,具体取决于行业。

“这就是促使公司开发或购买这些分析工具的原因-没有它们,数据就没有其他关系了,” IDC制造洞察力和能源洞察力集团副总裁Kevin Prouty说。“对于拥有Excel电子表格的工程师来说,要分析的数据太多。”

企业分析与工业分析的对比

大多数制造商都同意这样一种观念,即可以利用数据的丰富性来带来底线影响,无论这是在增加利润,提高生产率,还是同时提高利润。问题在于,数据以不同的格式散布在筒仓中,没有上下文,并且大部分存储为时间序列数据,大多数企业分析和结构化和非结构化数据设计的大数据工具都无法充分处理这些数据。此外,数十年来,Excel一直是该领域中首选的分析工具,但它效率低下,并且任何见解都只能由一位工程师来解决一个特定的问题。

企业信息技术(IT)和运营技术(OT)小组在数据收集和分析中所采用的方法也存在差异。大多数企业分析工作都涉及提取数据,对其进行规范化,然后将其放置在中央存储库或数据湖中(最有可能在云中),以使各种业务用户可以进行不同类型的分析。从OT的角度来看,数据收集和分析工作大部分是本地的和战术性的。“ OT人知道如何在单个工厂中针对单个问题为单个机器构建分析模型,他们可以在Excel中或通过开源平台手动进行分析”

工业分析和一般企业分析之间的另一个巨大差距是对机器的特定性质的了解,以及为历史学家以及监督控制和数据采集(SCADA)系统中收集的数据提供上下文的能力。与金融系统中的结构化内容不同,时间序列数据缺少用于理解原始数据集如何与特定过程或条件相关的上下文,例如,可能存在哪些因素影响泵的运行。没有适当的环境,就不可能充分利用数据来提高运营绩效,状态监控或预测性或规范性维护应用程序。

“解决问题需要上下文,” OSIsoft的云,社区和渠道副总裁Bry Dillion说,该公司为PI System进行销售,以收集和集中来自各种来源的时间序列数据。“如果要流传输与泵相关联的数据,则必须了解数据集与获取该上下文的过程之间的关系。如果您只是优化通过泵的流量而又不知道校准或流量,则有可能将泵优化到泵破裂的位置。您不仅可以引入原始数据,还希望机器学习能够解决这些问题。”

核心组件

工业分析可以采用多种形式,但是有些核心组件和属性似乎在各个平台之间是通用的。尽管企业分析中的许多繁重工作都发生在云中,但是工业分析软件需要强大的边缘处理功能,因为需要近乎实时且靠近源地处理和分析数据,以避免延迟和安全问题

与基于云的工业分析相比,支持AI的边缘处理可提供更好的性能,同时还可确保更高的安全性。由Nvidia Jetson平台提供支持的研华Edge AI系统可以代替车间工人进行的传统视觉质量检查。在这种情况下,支持多种AI模型的边缘服务器系统将对饼干工厂中的烘焙食品进行实时检查,从而自动设置烘烤时间和烤箱温度,以确保更一致,更高质量的饼干生产。

研华服务器级产品产品经理James Yung表示:“我们专注于边缘而不是云,因此我们可以保护数据并保持数据的安全和机密。” “如果将数据发送到云,返回响应可能需要很长时间。”

鉴于工厂底层数据的异构性,工业分析平台必须同时具有通过某种方式对数据进行规范化和上下文化来吸收不同信息类型的能力。具体来说,客户需要在从设备或生产线生成数据的那一刻就了解上下文,但是,仍然难以从不同的边缘设备收集高速OT上下文数据,更不用说以结构化的方式将其打包以进行配对了与第三方工业数据源或将其上游发送到IT应用程序以获取企业范围的见解。

为了解决此问题,自动化合作伙伴罗克韦尔自动化和PTC创建了智能对象,这是一种灵活的数据模型,可以自动发现并收集具有丰富上下文的高速OT数据,从而使上游IT应用程序可以使用它们,例如企业资源计划和产品生命周期。管理系统。罗克韦尔自动化数字转换总监Gaurav Verma解释说:“智能对象可以快速解锁您在边缘收集的上下文OT数据,并使其与下游的所有IT应用程序兼容。”“ IT应用程序可以在企业级收集很多业务见解,但是如果没有智能对象,这是不可能的。”

Sight Machine还严重依赖建模层来区分其制造分析平台。该软件执行自动且连续的数据获取过程,包括使用专家系统和机器学习分类器来准备过程数据和产品数据并使其与环境相关。最终结果是工厂车间的数字孪生,它使用机器学习和高级分析功能,可以发现异常并提供见解,以帮助减少停机时间。

不管采用哪种方法,大多数工业分析工具和平台都结合了某种形式的AI和机器学习,以帮助发现大量的资产数据中的模式,以建立资产和生产车间流程的模型,并使流程自动化更智能的操作。AI驱动的分析模型可以成为生产线中的关键任务元素,从而创建一个数字孪生模型,例如,允许啤酒厂模拟,测试和优化其流程,并分析数十万个参数以了解并预测对啤酒质量的影响。

事实证明,至关重要的新兴工业分析平台的另一个要素是公民开发人员功能的相似性,它使OT专业人员(不仅仅是IT和数据科学家)可以轻松地对问题建模并可视化见解。

与平台方法不同,Seeq称其数据分析软件专为帮助过程工程师和主题专家与大规模时间序列数据进行交互和建模而设计。Seeq副总裁兼首席营销官Michael Risse表示,Seeq不会与某些大型工业分析平台竞争,而是连接到存储在各种过程历史学家和SCADA系统以及PTC ThingWorx和Siemens Mindsphere等IIoT平台中的数据。

考虑到工厂自动化的复杂性和工业数据的多样性,将没有一种适合所有用例和所有方案的分析产品。相反,专家说,组织需要考虑长期战略和他们正在寻找解决的问题,以便为工作选择合适的工具。“不要在工具集之间划清界限,重要的是将所有内容放到桌面上,看看它们如何协同工作,” GE Digital电力和油气业务部门产品管理副总裁Steve Deskevich说。“不要将工业分析视为附带项目,因为如果这样做,您将花费大量时间和精力在一个很酷的工程项目上,但不一定会改变业务运作方式,更多信息尽在振工链。”

责任编辑:gt

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分