Průmysl 4.0

Pět výzev spojených s velkými daty

Demystifikujte potřebu velkých dat a prostudujte si pět výzev souvisejících se sběrem dat.

Pojem velká data (Big Data) se již široce využívá a zdá se, že všichni naléhají na využívání nástrojů a metod velkých dat, což zahrnuje i průmyslové aplikace. Buďte úspěšnější tím, že demystifikujete velká data a pět souvisejících výzev.

1. Datové typy a struktura

Většina lidí ve výrobním průmyslu již slyšela o „velkých datech“. To, co vlastně velká data představuje, je už méně jasné. Stručně řečeno, velká data je všeobjímající termín pro tradiční data a data generovaná mimo tradiční zdroje dat. V kontextu výrobního závodu lze tato tradiční data rozdělit do dvou proudů: Data provozních technologií (PT) a data informačních technologií (IT). Data PT závodu se skládají z dat alarmů a událostí, kolekcí datových skladů, atd. Data IT závodu jsou data systému plánování podnikových zdrojů (ERP), která se primárně týkají výroby, nákupu a protokolů přístupu.

Tradičně jsou IT a PT data jsou uložena v unikátních systémech a strukturách. Velká data jsou „multistrukturovaná“, což znamená, že systém má k dispozici potřebné nástroje pro správu znalostí pro přístup k různým datům z různých zdrojů a jejich kontextualizaci pro účely analýz a zpráv.

2. Škálovatelnost dat a kontext

Kromě ukládání a získávání dat musí být systémy velkých dat schopny rychle najít a analyzovat data na vyžádání, aniž by byl systém ovlivněn rozsahem a tempem získávání dat a dotazování. To se označuje jako škálovatelnost velkých dat a je to jeden z prvních problémů u systémů velkých dat. Mezi další problémy patří spolehlivost systému (výkon) a podpora rozhodování pro analýzy v reálném čase. Analýzy zahrnují strojové učení (ML) a umělou inteligenci (AI), které mohou pomoci při hledání anomálií dat, předvídání budoucího chování pro účely výroby, správy zařízení a prognóz a poskytování podrobných scénářů pro podporu rozhodování.

3. Účinnost integrace dat

Po zjištění kontextu velkých dat se určení potřeb stává jednodušším. Nicméně určit, kdy a jak jsou velká data zapotřebí, je již komplikovanější. Integrace systému velkých dat vyžaduje rozsáhlé úsilí a odhodlání celé organizace, nikoli pouze týmu IT.

Na detailní úrovni mohou být informační kapsy v organizaci neviditelné nebo někdy záměrně utajeny, aby se zabránilo „Hawthornskému efektu“ (když pozorování může změnit chování). Ignorování těchto faktorů může někdy znamenat rozdíl mezi investováním milionu dolarů a úsporou milionů.

Při modernizaci distribuovaného řídicího systému (DCS) je integrace systému velkých dat pro získání širšího přehledu nad rámec rozpočtu a rozsahu záběru jednoho týmu závodu.

4. Ukládání dat

Pokud musí být požadovaná data ukládána lokálně (z důvodu zabezpečení nebo ochrany soukromí), jsou již existující data uložena strukturálně a musí být pouze analyzována a kontextualizována s jinými daty, například prostřednictvím OPC serveru. Použití vzdálené analýzy a vizualizace pomocí řídicích panelů a datových konektorů je finančně efektivnější, zejména při poskytování podobné podpory rozhodování jako při implementaci velkých dat. Mnoho průmyslových odvětví spojuje rozmanité zdroje dat. Analýzy a postřehy přinášejí mnohostranné zvýšení produktivity a efektivity. Raní uživatelé systému velkých dat získají konkurenční výhodu oproti těm, kteří se spoléhají na integrované tradiční analýzy dat. Většina odvětví potřebuje tradiční analýzy dat stejně jako velká data.

5. Upgrade systému velkých dat

Jedny z největších výzev spojených s velkými daty vyvstávají při plánování upgradu systému velkých dat. Rozsáhlé řešení může být průběžně rozšiřováno tak, aby integrovalo novější zdroje dat a může být navrženo pro upgrady bez ovlivnění funkčnosti a výkonu. Pro většinu organizací to znamená přesun služeb na cloud, modernizaci systémů pro lepší monitorování dat a protokolování a téměř vždy zvyšování lidského kapitálu se schopnostmi implementovat řešení velkých dat napříč odděleními a funkcemi. Pracovníci odpovědní za otázky zabezpečení závodu musí zvážit vyšší náklady na údržbu interních datových serverů se specializovaným týmem podpory systému. Škálovatelnost systému nemusí být tak účinná jako nasazení v cloudu.

Společnosti, které pracují s průmyslovým internetem věcí (IIoT) a velkými daty, mají velký zájem na prosazování řešení velkých dat. I když je z dlouhodobého hlediska výhodnější mít systém velkých dat, stávající systémy i s jejich nedostatky mohou být naplněny lépe organizovaným přístupem k tradičnímu řízení a analýze dat. Tradiční sběr dat, sledování trendů a monitorování mohou mít mnohem vyšší přínos pro úsporu nákladů.

Důkladně naplánované tradiční technologie analýzy dat musí předcházet implementaci velkých dat. Teprve pak může organizace zjistit, čeho by systémy velkých dat mohly dosáhnout.

Qasim Maqbool je hlavní technik platformy řešení průmyslové inteligence a Ahmed Habib je marketingový manažer společnosti Intech Process Automation. Společnost Intech Process Automation je obsahovým partnerem vydavatelství Control Engineering. Upravil Mark T. Hoske, obsahový ředitel, Control Engineering, CFE Media, mhoske@cfemedia.com.

Zdroj