COVID-19 стимулирует эволюцию сбора данных и аналитики

Стратегии сбора данных развиваются в эпоху COVID-19 в связи с повышением требований к удаленной визуализации данных и принятию решений на основе данных в режиме реального времени. Человеко-машинный интерфейс (HMI) и системы диспетчерского управления и сбора данных (SCADA) становятся еще более важными для достижения цифровой трансформации, поскольку они могут выполнять аналитику на периферийных устройствах, обеспечивая гибкость и отказоустойчивость, необходимые для успеха.

Подключение к новым и старым датчикам

Традиционные инструменты и новые датчики Интернета вещей (IoT), установленные на полевом оборудовании, находятся в непосредственной близости от периферийных устройств, которые, в свою очередь, могут собирать большие объемы производимых данных, таких как давление насоса или условия работы машины. Международная корпорация данных (IDC) прогнозирует, что 79,4 зеттабайта данных будет создано только с помощью Интернета вещей в 2025 году1, но все эти необработанные данные не обязательно дадут понимание. Вместо этого ценность будет создаваться только путем получения и применения информации, знаний и идей, полученных в результате анализа необработанных данных, что позволит конечным пользователям улучшать процессы.

Сегодня доступны интеллектуальные сенсорные решения для сжатия, фильтрации или преобразования сигналов реального времени в желаемый формат для анализа; однако многие устаревшие устройства уже используются с проприетарными протоколами, которые также необходимо включить для полной трансформации на основе данных. Поскольку установки программного обеспечения HMI/SCADA уже близки к периферии, естественно и удобно использовать это программное обеспечение как для связи с устаревшими устройствами, так и для совместной работы с интеллектуальными датчиками для поддержки принятия решений на основе данных в реальном времени.

Перенос аналитики на периферию

Программное обеспечение HMI/SCADA, способное выполнять расширенную аналитику на периферийных устройствах, будет играть ключевую роль в управлении, визуализации и формулировании идей и знаний на основе данных в реальном времени. Поскольку оно уже используется для визуализации и управления, программное обеспечение HMI/SCADA в настоящее время обеспечивает мониторинг и управление операциями (рис. 1).

В будущем программное обеспечение HMI/SCADA может предоставить необходимый контекст для данных в реальном времени для поддержки принятия решений на основе данных. Он также может обнаруживать известные закономерности и обнаруживать аномалии, а также заблаговременно прогнозировать и предупреждать операторов о надвигающемся сбое. Выводы и локальные действия могут обрабатываться на пограничном устройстве или пограничном сервере, а агрегированные данные или прогнозное моделирование могут выполняться в облаке. Расширенная аналитика расширяет традиционные возможности HMI/SCADA, чтобы пользователи могли понять основную причину событий и поведения, а также предсказать будущие условия.

Развертывание мобильных приложений HMI/SCADA с аналитикой на границе сети предлагает организациям дополнительный уровень гибкости для поддержки интеллектуальных мобильных сервисов для удаленных сотрудников. Эти мобильные приложения могут собирать обширные данные с удаленных устройств и делиться ими с пограничным сервером для дальнейшей агрегации и анализа, прежде чем отправлять их в облако для машинного моделирования и других анализов.

Тесная интеграция аналитики с приложениями HMI/SCADA, определяемая как встроенная аналитика, растет из-за необходимости преобразовывать данные в знания. Allied Market Research прогнозирует, что рынок встроенной аналитики вырастет с 25,13 млрд долларов в 2016 году до 60,28 млрд долларов к 2023 году. приложение.

Результаты встроенной аналитики включают ключевые показатели эффективности (KPI), статистические оценки и оповещения, близкие к тому, где операторы выполняют свою работу и где принимаются решения. Это требование приблизить цифровую трансформацию к периферии, где собираются данные, существует из-за необходимости быстрее принимать решения на основе данных. Из-за необходимости ускорения реагирования почти в реальном времени у операторов больше нет времени возвращаться в диспетчерскую для анализа.

Машинное обучение и алгоритмы

Аналитика данных извлекает ценную информацию из источников данных в режиме реального времени и других источников. Машинное обучение — это форма аналитики, использующая алгоритмы для извлечения данных, извлечения уроков из них, а затем прогнозирования будущего на основе исторических данных. Алгоритмы превращают набор данных в модель. Оптимальный метод обучения алгоритму или обучения зависит от типа решаемых задач, доступных вычислительных ресурсов и характера данных. Два основных метода обучения с учителем и без учителя.

При обучении с учителем алгоритму предоставляется набор входных данных вместе с их желаемыми выходными данными (также называемыми метками). Цель состоит в том, чтобы найти правило, позволяющее компьютеру существенно разрушить отношения и узнать, какие входные данные сопоставляются с выходными и как.

При неконтролируемом обучении алгоритму предоставляется набор входных данных, но не нужные выходные данные (метки), что означает, что алгоритм должен самостоятельно находить структуру и шаблоны, поскольку он оценивает и классифицирует тысячи точек данных на основе обнаруженных шаблонов. Существует четыре традиционных категории аналитики:описательная, диагностическая, предсказательная и предписывающая, а пятая появляется в форме когнитивной.

Описательная аналитика отвечает на вопрос «Что происходит?» Основываясь на данных в реальном времени и прошлых данных, он получает представление о том, как работает процесс, предоставляя контекст для данных. Основываясь на данных в режиме реального времени, приложения HMI/SCADA, использующие описательную аналитику, обеспечивают визуализацию происходящего, оповещают операторов об аварийных сигналах и предоставляют подробные сведения, такие как дата/время возникновения, связанные значения и информация о машине.

Диагностическая аналитика основывается на описательной аналитике, чтобы ответить на вопрос:«Почему это произошло?» Диагностическая аналитика использует статистику для поиска закономерностей и предлагает анализ данных в реальном времени. Типичное использование — выявление аномалий и основных причин (рис. 2).

Предиктивная аналитика основывается на диагностической аналитике, чтобы ответить на вопрос:«Что произойдет в будущем и почему?» Прогнозная аналитика использует те же исторические данные, что и предыдущие два типа аналитики, для построения математических моделей, которые можно использовать для выводов о том, что произойдет в будущем, предупреждая операторов о будущих событиях, влияющих на производительность (рис. 3). Существует несколько инструментов, используемых для прогнозной аналитики, в том числе:

• Обнаружение аномалий, отвечающее на вопрос:«Является ли поведение аномальным?» Он находит данные, которые не соответствуют ожидаемому шаблону.

• Классификация, которая отвечает на вопрос:«Выйдет ли эта машина или процесс из строя?» Он классифицирует данные по двоичным категориям, таким как «Есть ли у этого продукта дефект? Да или нет».

• Мультиклассовая классификация пытается ответить на вопрос:«Выйдет ли эта машина или процесс из строя по причине X?» Он классифицирует данные по одной из трех или более категорий, таких как «Какой дефект качества у этого продукта? Незначительное, серьезное или критическое?»

• Регрессия отвечает на вопрос:«Сколько времени пройдет до того, как эта машина или процесс выйдет из строя?» Регрессия использует статистические процессы для оценки отношений между зависимой переменной и одной или несколькими независимыми переменными.

Предписывающая аналитика основывается на прогнозной аналитике, чтобы ответить на вопрос:«Что нам делать?» Предписывающая аналитика предоставляет модели для информирования операторов о рекомендуемых действиях. Алгоритмы оптимизации и моделирования часто используются для предписывающей аналитики. HMI/SCADA, работающие с предписывающей аналитикой, могут предписывать несколько различных возможных действий и направлять операторов к решению.

Когнитивная аналитика основывается на предписывающей аналитике, чтобы ответить на вопрос:«Почему я должен это делать?» Когнитивная аналитика использует методы самообучающихся алгоритмов и глубокого обучения для имитации человеческого мышления.

Понимание следующего уровня

Описательная и диагностическая аналитика используют прошлые данные, чтобы объяснить, что произошло и почему это произошло, в то время как прогнозная, предписывающая и когнитивная аналитика используют исторические данные, чтобы предсказать, что произойдет в будущем, а также какие действия следует предпринять, чтобы повлиять на конкретный результат. Во многих случаях одновременно используются несколько аналитических методов и алгоритмов, а результаты объединяются для более эффективного принятия решений.

Программное обеспечение HMI/SCADA, развернутое на периферийном устройстве, может стать ключевым фактором в обеспечении аналитики, позволяющей организациям принимать более эффективные решения на основе данных даже из удаленных мест, повышая конкурентоспособность.

Если у пандемии COVID-19 и есть положительная сторона, так это то, как компании учатся настраивать бизнес-модели для более оперативного принятия решений на основе данных. Обеспечивая более удаленную видимость процессов, в которых задействованы люди, оборудование, сырье и помещения, компании обнаруживают, что они могут работать более оптимально, обеспечивая более тесные связи с клиентами, сотрудниками и поставщиками.

Эта статья была написана Бруно Армондом Крепальди, техническим директором ADISRA (Остин, Техас). Для получения дополнительной информации посетите здесь .

Ссылки

1. 18 июня 2019 г. Согласно новому прогнозу IDC, в 2025 году число подключенных устройств Интернета вещей увеличится до 79,4 ЗБ данных.
2. 1 июня 2020 г. – объем мирового рынка встроенных средств аналитики к 2023 году достигнет 60,28 млрд долларов:AMR.