COVID-19 ускоряет эволюцию сбора данных и аналитики

Стратегии сбора данных развиваются в эре COVID-19, движимые увеличенными требованиями к удаленной визуализации данных и принятию решений в реальном времени на основе данных. Человеко-машинные интерфейсы (HMI) и системы supervisory control and data acquisition (SCADA) становятся еще более важными для достижения цифровой трансформации, потому что они могут выполнять аналитику на периферийных устройствах, обеспечивая гибкость и устойчивость, фундаментальные для успеха.

Подключение к датчикам новым и старым

Традиционные инструменты и более новые датчики Internet of Things (IoT), установленные на полевом оборудовании, находятся в непосредственной близости к периферийным устройствам, которые в свою очередь могут захватывать большие объемы производимых данных, таких как давления насосов или операционные условия машин. International Data Corporation (IDC) прогнозирует, что 79,4 зеттабайта данных будет создано только IoT в 2025 году, но все эти сырые данные не обязательно дадут инсайты. Вместо этого ценность будет создана только путем получения и применения информации, знаний и инсайтов, полученных из анализа сырых данных, уполномачивая конечных пользователей улучшать процессы.

Умные сенсорные решения доступны сегодня для сжатия, фильтрации или конвертации сигналов реального времени в желаемый формат для анализа; однако есть много устаревших устройств уже в службе с проприетарными протоколами, которые также должны быть включены для полнойデータ-ориентированной трансформации. Поскольку установки HMI/SCADA ПО уже находятся рядом с периферией, естественно и удобно использовать это ПО для обоих: коммуникации с устаревшими устройствами и сотрудничества с умными датчиками для поддержки принятия решений в реальном времени на основе данных.

Принесение аналитики к периферии

HMI/SCADA ПО, способное выполнять продвинутую аналитику на периферийных устройствах, сыграет ключевую роль в контроле, визуализации и формулировке инсайтов и знаний из данных реального времени. Потому что оно уже используется для визуализации и контроля, HMI/SCADA ПО в настоящее время обеспечивает мониторинг и контроль операций (Рисунок 1).

Двигаясь вперед, HMI/SCADA ПО может поставлять необходимый контекст к данным реального времени в поддержку принятия решений на основе данных. Оно также может обнаруживать известные паттерны и обнаруживать аномалии, и может предсказывать и предупреждать операторов о надвигающейся неисправности задолго до ее наступления. Вывод и локальное действие могут быть обработаны на периферийном устройстве или периферийном сервере, в то время как агрегированные данные или предиктивное моделирование могут выполняться в облаке. Продвинутая аналитика расширяет традиционные возможности HMI/SCADA, так пользователи могут понимать корневую причину событий и поведений, а также предсказывать будущие условия.

Развертывание мобильных HMI/SCADA приложений с аналитикой на краю сети предлагает организациям дополнительный уровень гибкости для поддержки интеллектуальных мобильных сервисов для удаленных работников. Эти мобильные приложения могут использовать богатый сбор данных от удаленных устройств и делиться им с периферийным сервером для дальнейшей агрегации и анализа перед отправкой в облако для машинного моделирования и других анализов.

Тесная интеграция аналитики с HMI/SCADA приложениями, определенная как встроенная аналитика, на подъеме из-за необходимости трансформировать данные в знания. Allied Market Research прогнозирует расширение рынка встроенной аналитики с $25,13 млрд в 2016 до $60,28 млрд к 2023 году. Когда традиционное HMI/SCADA ПО улучшается встроенными аналитическими возможностями, пользователи получают лучший опыт приложения путем слияния инсайта и действия в одно приложение.

Результаты встроенной аналитики включают ключевые показатели эффективности (KPI), статистические оценки и алерты близко к тому, где операторы делают свою работу и где принимаются решения. Этот спрос на продвижение цифровой трансформации ближе к периферии, где данные собираются, существует из-за давления принимать решения на основе данных быстрее. С необходимостью ускорения до почти реального времени ответов, операторы больше не имеют времени возвращаться в комнату управления для анализа.

Машинное обучение и алгоритмы

Аналитика данных извлекает значимый инсайт из данных реального времени и других источников данных. Машинное обучение — форма аналитики, использующая алгоритмы для извлечения данных, обучения из них и затем прогнозирования будущего на основе исторических данных. Алгоритмы превращают набор данных в модель. Оптимальный метод обучения алгоритма — или обучение — зависит от вида решаемых проблем, доступных вычислительных ресурсов и природы данных. Два ведущих метода обучения — контролируемое и неконтролируемое.

С контролируемым обучением, алгоритм представляется с набором входов вместе с их желаемыми выходами (также называемыми метками). Цель — открыть правило, позволяющее компьютеру по сути разложить отношения и научиться, какие входные данные отображаются на выходы и как.

С неконтролируемым обучением, алгоритм представляется с набором входов, но без желаемых выходов (меток), что означает, что алгоритм должен находить структуру и паттерны самостоятельно, пока он оценивает и классифицирует тысячи точек данных на основе обнаруженных паттернов. Есть четыре традиционные категории аналитики: описательная, диагностическая, предиктивная и прескриптивная, с пятой появляющейся в форме когнитивной.

Описательная аналитика отвечает на вопрос «Что происходит?» На основе данных реального времени и прошлых, она получает инсайты о том, как процесс выполняется, предоставляя контекст к данным. На основе данных реального времени, HMI/SCADA приложения, использующие описательную аналитику, предоставляют визуализацию того, что происходит, анонсируют алермы для операторов и доставляют детали, такие как дата/время события, связанные значения и информация о машине.

Диагностическая аналитика строится на описательной аналитике, чтобы ответить на вопрос «Почему это случилось?» Диагностическая аналитика использует статистику для нахождения паттернов и предложения инсайтов в данные реального времени. Типичные использования — идентификация аномалий и корневых причин (Рисунок 2).

Предиктивная аналитика строится на диагностической аналитике, чтобы ответить на вопрос «Что произойдет в будущем и почему?» Предиктивная аналитика использует те же исторические данные, что и предыдущие два типа аналитики, для построения математических моделей, которые могут использоваться для вывода о том, что произойдет в будущем, предупреждая операторов о будущих событиях, влияющих на производительность (Рисунок 3). Есть несколько инструментов, используемых для предиктивной аналитики, включая:

• Обнаружение аномалий, отвечающее на вопрос «Поведение аномально?» Оно находит данные, не соответствующие ожидаемому паттерну.

• Классификация, отвечающая на вопрос «Эта машина или процесс провалится?» Она классифицирует данные в бинарные категории, такие как «У этого продукта дефект? Да или Нет.»

• Многоклассовая классификация пытается ответить на вопрос «Эта машина или процесс провалится по причине X?» Она классифицирует данные в одну из трех или более категорий, таких как «Какой вид дефекта качества у этого продукта? Незначительный, серьезный или критический?»

• Регрессия отвечает на вопрос «Как долго до того, как эта машина или процесс провалится?» Регрессия использует статистические процессы для оценки отношений между зависимой переменной и одной или более независимыми переменными.

Прескриптивная аналитика строится на предиктивной аналитике, чтобы ответить на вопрос «Что нам делать?» Прескриптивная аналитика предоставляет модели для информирования операторов относительно рекомендуемых действий. Оптимизация и симуляционные алгоритмы часто используются для прескриптивной аналитики. HMI/SCADA, работающее с прескриптивной аналитикой, может предписывать несколько разных возможных действий и направлять операторов к решению.

Когнитивная аналитика строится на прескриптивной аналитике, чтобы ответить на вопрос «Почему я должен это делать?» Когнитивная аналитика использует техники самообучающихся алгоритмов и глубокого обучения для эмуляции человеческого мышления.

Следующий уровень понимания

Описательная и диагностическая аналитика используют прошлые данные для объяснения того, что случилось и почему, в то время как предиктивная, прескриптивная и когнитивная аналитика используют исторические данные для прогнозирования того, что произойдет в будущем вместе с тем, какие действия должны быть предприняты для влияния на конкретный результат. Во многих случаях множественные аналитики и алгоритмы используются одновременно, с результатами, агрегированными для лучшего принятия решений.

HMI/SCADA ПО, развернутое на периферийном устройстве, может быть ключевым фактором в предоставлении аналитики для направления организаций к лучшему принятию решений на основе данных даже из удаленных мест, улучшая конкурентоспособность.

Если есть серебряная подкладка к пандемии COVID-19, это способы, которыми компании учатся адаптировать бизнес-модели к более реальному времени, принятию решений на основе данных. Создавая более удаленную видимость в процессы, использующие людей, оборудование, сырье и объекты, компании находят, что они могут работать более оптимально, обеспечивая более тесные связи с клиентами, сотрудниками и поставщиками.

Эта статья написана Бруно Армонд Крепалди, техническим директором ADISRA (Остин, TX). Для дополнительной информации, посетите здесь .

Ссылки

1. 18 июня 2019 — Рост подключенных IoT устройств ожидается сгенерировать 79,4 ZB данных в 2025 году, согласно новому прогнозу IDC.
2. 1 июня 2020 — Глобальный рынок встроенной аналитики достигнет $60,28 млрд к 2023 году: AMR.