Панели мониторинга BI интегрируют данные интеллектуального производства для значимой аналитики

Появление промышленного Интернета вещей и интеллектуальных предприятий выдвинуло новые требования в системах аналитики нового поколения, чтобы разблокировать операционные данные новыми способами. Хотя интеллектуальная промышленная аналитика появилась сравнительно недавно, активность начинает расти. Задача будет заключаться в выявлении значимых тенденций на основе данных, извлеченных из нескольких промышленных точек взаимодействия с Интернетом вещей, помимо простого сохранения содержимого в операционных журналах.

Умная фабрика, созданная датчиками Интернета вещей (IoT), должна быть соотнесена с другими корпоративными точками данных, а поиск смысла должен стать регулярной частью повседневных рабочих процессов, а не мимолетным моментом.

Для интеграции данных Интернета вещей в обычные процессы требуется аналитическое программное обеспечение. Это программное обеспечение основано на технологиях искусственного интеллекта и машинного обучения. Другая часть уравнения - соединители Интернета вещей, которые связывают информационные панели ИТ-бизнес-аналитики с производственными данными.

Хотя панели управления бизнес-аналитикой уже давно являются частью скрытой аналитики, большинство из них до недавнего времени не могли должным образом обрабатывать вводимые данные промышленного Интернета вещей. Чтобы умные предприятия избегали разрозненных данных, крайне важно выбрать панели управления бизнес-аналитикой, оснащенные соответствующей аналитикой. Сегодня многие информационные панели объединяют промышленный Интернет вещей с доступом к озерам данных - обширным пулам хранения, предназначенным для агрегирования больших объемов неструктурированной информации, - или облачным базам данных.

«Данные умного предприятия имеют много общего с данными, которые поступают от других подразделений компании», - сказал Энно де Бур, партнер McKinsey. «Чтобы быть ценным, он должен использоваться для информирования при принятии решений». В противном случае нет смысла собирать и агрегировать огромные объемы данных.

По всей цепочке создания стоимости

По словам де Бур, который возглавляет работу McKinsey в области цифрового производства и ее сотрудничество со Всемирным экономическим форумом в рамках сети Global Light House, чтобы быть по-настоящему ценными, данные заводских цехов должны быть интегрированы по всей цепочке создания добавленной стоимости.

Благодаря более эффективному использованию аналитики, де Бур видит индивидуализированное производство, которое влияет на все, «от поиска компонентов до доставки последней мили».

Аналитика бизнес-аналитики сегодня является общей чертой корпоративных ИТ-продуктов. Но применить эту технологию для операций оказалось сложнее. По данным ResearchAndMarkets.com, несмотря на внедряемые блокираторы, ожидается, что к 2026 году мировой рынок достигнет 16 миллиардов долларов.

Система показателей Smart Factory Analytics

Многие поставщики сейчас стремятся предоставлять улучшенную промышленную аналитику и информационные панели бизнес-аналитики. На переднем крае рынка интеллектуальных заводов находятся ABB, Honeywell International, Robert Bosch, Siemens и другие.

Когда дело доходит до сбора, обработки, хранения и анализа данных интеллектуального производства, ИТ-гиганты с заметным влиянием на производство являются частью этого микса. Главные из них - IBM, Hewlett Packard Enterprise и SAP. Инновационные стартапы в области обработки данных также ориентированы на специализированные требования интеллектуальной производственной аналитики, такие как Cloudera и DataStax.

Поскольку облако становится центром производственной аналитики, лидеры облачных сервисов Amazon Web Services, Google и Microsoft создают специализированные конвейеры обработки данных. Игроки, в свою очередь, поддерживают информационные панели бизнес-аналитики конечных пользователей, такие как Looker, Microsoft, Tableau и другие.

Создание умного завода

Создание умной фабрики аналитики - сложная задача. Согласно отчету IBM о цифровой трансформации, типичное производственное предприятие может создать более 2200 данных за один месяц, и большая часть этих данных не подвергается анализу. Приток данных, которые остаются не проанализированными, усугубляет проблему затянувшихся промышленных проектов IoT-proof-of-concept (POC).

Большая часть промышленных данных создается вне ИТ, подчеркивает Маниш Чавла, генеральный менеджер IBM по отраслям, энергетике, ресурсам и производству. Он указал, что в последнее время усилия отрасли сосредоточены на улучшении проектной основы; плохое планирование может продлить время подготовки POC.

«Люди пытались построить пентхаус без фундамента», - сказал он.

Чавла также сказал, что IBM недавно работала вместе с Siemens и Red Hat над кроссплатформенным подходом для выполнения аналитики с промышленной платформы Интернета вещей Siemens, MindSphere, ближе к заводской границе.

«SAP работает над тем, чтобы позволить клиентам анализировать сочетание исторических данных, ориентированных на временные ряды, а также данных Интернета вещей и бизнеса», - сказал Доминик Метцгер, вице-президент и руководитель отдела управления продуктами, производства и промышленного Интернета вещей SAP. Архиватор данных - это программная функция, которая регистрирует результаты производственных ИТ-процессов для целей управления.

Для Мецгера одним из ключевых изменений последних лет является степень стандартизации обработки данных. «Он стал более экономичным и масштабируемым», - сказал Мецгер, сославшись на озера данных как на инструмент аналитики для умных предприятий.

SAP рассматривает встраивание аналитики данных Интернета вещей в бизнес-процессы как ключевой следующий шаг в своей стратегии Индустрии 4.0, которую она назвала Индустрией 4. Индустрия 4 - это эталонная архитектура, охватывающая рабочие процессы из таких источников, как историки данных, пограничные сервисы и облако или ERP. системы с возможностями бизнес-аналитики.

Для аналитики требуется объем данных

Эволюция аналитики умных фабрик осложняется силами, влияющими на аналитику в целом. Например, рост прогнозной и предписывающей аналитики на основе искусственного интеллекта и машинного обучения создает несколько проблем при внедрении. По словам Эд Куоко, вице-президента по искусственному интеллекту и аналитике в PTC, здесь пользователям следует действовать осмотрительно, используя аналитику, чтобы глубже погрузиться в операционную деятельность.

По словам Куоко, при внедрении аналитики для диагностики, например, бывают случаи, когда простой статистический контроль процессов может быть предпочтительнее машинного обучения или решений типа ИИ.

«Без больших объемов исторических данных хорошего качества вы не сможете получить желаемое», - добавил он.

Поставщик платформы Интернета вещей PTC тесно сотрудничает с конечными пользователями и другими производителями программного обеспечения, чтобы предоставлять аналитические данные от фабрики до конечного бизнес-пользователя, а иногда и обратно. Так обстоит дело с недавней сделкой, согласно которой фреймворк Fujitsu Smart Factory использует платформу дополненной реальности PTC Vuforia и платформы ThingWorx для передачи аналитической информации рабочим.

Новая графика для Google Analytics

Технология графических данных, долгое время находившаяся на периферии сцены расширенного анализа данных, получила признание на заводах и в других местах. Графические базы данных, такие как Aura Enterprise от Neo4j, доказали свою полезность и поместили интеллектуальную производственную аналитику пользователей в контекст и позволили совместным проектам, которые выявляют новые операционные эффективности.

В отличие от реляционных баз данных, которые лежат в основе большей части аналитики данных и хранят данные в строках и столбцах, графические форматы данных используют сопоставления данных для управления сложными связями между элементами данных. Целевые секторы Neo4j включают автомобилестроение, гарантийное обслуживание, аналитику, управление цепочками поставок и медицинские инструменты. По словам Эми Ходлер, директора Neo4j по графической аналитике и программам искусственного интеллекта, в частности, медицинский сектор продемонстрировал способность графических баз данных способствовать сотрудничеству между командами.

По словам Ходлера, компания по производству медицинского оборудования, которая пыталась отслеживать отказы до отгрузки продукта, нашла графические методы Neo4j полезными. Выявление таких отказов обычно требует детективной работы, потому что все компоненты неисправного прибора должны быть отслежены, чтобы определить, несут ли они ответственность за отказ.

Чтобы предоставить анализ в руки большего числа пользователей, Neo4j предлагает соединители, которые связывают его модели данных графов с панелями визуализации и обнаружения данных, такими как Tableau, Tibco Spotfire и другие. Компания также предлагает собственные инструменты визуализации Bloom.

Также к множеству визуальных панелей мониторинга подключаются инструменты управления программным обеспечением от DataStax, компании, которая в значительной степени привела к коммерциализации базы данных NoSQL с открытым исходным кодом. Корпоративная версия продукта DataStax поддерживает обработку данных в виде графиков. Среди создателей приложений Интернета вещей, использующих это программное обеспечение, является компания Locstat из Южной Африки, которая развернула продукт для анализа данных датчиков и потоковой аналитики в реальном времени.

«Визуализация становится все более важным элементом в попытках понять, что происходит в среде Интернета вещей, в частности, когда вы имеете дело с довольно сложной системой», - сказал Маттиас Брохелер, главный технолог DataStax.

Он добавил, что инструменты визуальной аналитики помогают операционному персоналу, разработчикам и другим людям. В то же время Брохелер отметил, что некоторые решения на умных предприятиях требуют немедленного реагирования. Эта движущая сила лежит в основе новых форм аналитической обработки, которые без вмешательства человека автономно обнаруживают аномалии в производственных цехах и реагируют на них.

До свидания, разрозненные хранилища данных

«На умных предприятиях менеджеры, полевые операции и группы ИТ-разработчиков должны работать вместе, как и при любой другой трансформации бизнеса», - сказал де Боер из McKinsey.

«Преобразования терпят неудачу, когда команды работают разрозненно, и только одна функция управляет попытками инициировать изменения», - сказал он в интервью по электронной почте. По словам де Бур, стремление к демократизации данных требует, чтобы люди во всей организации понимали силу новых технологий и способы их использования.

Для производственного сектора важна роль операционного персонала в демократизации данных.

«С инструментами аналитики в руках операционного персонала компании смогут более легко разрабатывать решения, отвечающие бизнес-задачам», - сказал де Боер.

Де Бур из McKinsey указал на программы академии аналитики, организованные членами Global Lighthouse Network, и заявил, что участие могут получить все заинтересованные стороны, в том числе все, от совета директоров до производственного персонала.