![Aw Web Feature2](https://img.automationworld.com/files/base/pmmi/all/image/2022/10/AW_WebFeature2.6340c4c53199e.png?auto=format%2Ccompress&q=70&w=400)
如果他们在某种程度上使用了大数据,那么很难找到一家公司不称赞大数据在预测和实时洞察方面的优点。特别是工业大数据——特别是从连接互联网的自动化设备(从传感器到工厂地板机器)发出的大量和多样化的时间序列数据——对于那些希望将数据提取为见解、推动更好的业务和工厂绩效的公司来说,具有显著和可证明的商业价值。
虽然听起来很时髦,但大数据这个词只是最近才出现的。几十年来,公司一直在从工厂车间和油田资产中收集时间序列数据。然而,这些数据中的大部分仍然未被使用,被困在孤立的、专有的历史记录和监督控制和数据采集(SCADA)系统中,这些系统通常不容易访问,更难以与其他相关业务数据融合,从而产生广泛的可操作的见解。虽然工厂经理和维护工人长期以来一直在分析来自特定工厂地面资产的数据——主要是使用电子表格——但这很少(如果有的话)是考虑到广泛的业务转型。
多亏了边缘计算和云计算、数据采集和历史工具、人工智能(AI)和机器学习(ML)分析等技术进步的推动,这一切都发生了变化。通过这些技术,制造商可以将孤立的数据和专有系统转化为灵活、智能的工厂车间和工业操作,从而实现近乎实时的整体自动化和优化。他们正在构建下一代系统,能够筛选工业大数据的数量和种类,以提高运营水平和优化性能,包括降低维护成本,确保接近零停机时间,提高产品质量,并通过引入新服务推动额外的收入流。
策划一个成功的工业大数据分析项目需要对许多核心技术组件进行投资。混合的关键是:
除了提供一些基础级别的分析和报告功能外,大多数DAQ系统都记录、存储和可视化数据。最近,数据采集系统正在与实时控制应用程序集成,将快速获取数据的能力与使用高度确定性数据对事件做出反应的可能性相结合。这些新功能还允许制造商根据历史趋势跟踪和衡量当前性能。
虽然它的功能与数据采集系统没有太大区别,但区别在于它们收集数据的设计方式。DAQs从各种传感器收集高速和低速数据,通常有一个非常强大的计算系统内置或连接到它们。DAQs还可以处理信号条件——这是处理传感器数据的基本能力。
虽然历史学家可以收集像DAQs这样的直接传感器数据,但他们也可以从更大的系统和设备收集数据;然而,它们的速度往往比DAQ系统慢。虽然历史学家可以实时收集数据,但他们的主要目的是收集较长时间内的数据——几天、几周或几个月——而不是特定的短期数据。
在制造业中使用的两种基本类型的历史学家是:
- 时间序列数据库,用时间戳记录数据,以简化跟踪和监控;而且
- 操作历史学家,它结合历史学家软件和时间序列数据库,用于快速检索为工业4.0和物联网应用收集的大量数据。
与其他数据收集技术一样,数据库是任何CMMS的核心,但它不仅仅是一个现场数据捕获工具。它提供的见解有助于减少停机时间和帮助故障排除。这就是为什么CMMS技术经常用于创建报告和识别关键性能指标。
边缘和云计算:随着越来越多的传感器、plc和其他设备连接到工业物联网(IIoT),就需要将额外的计算能力转移到更接近数据生成源的地方。使计算能力更接近网络的边缘——例如,直接在车间,或在远程石油钻井平台或风力涡轮机现场——能够有效地处理关于工业资产状况和性能的实时数据,而不存在传统的延迟挑战,因为将数据传输到中央网络系统进行监视、分析,甚至实时自动化。边缘功能还支持在高带宽连接不容易获得的情况下使用iiot的用例,例如在农村地区或偏远的工厂站点。
边缘功能对于授权新的数据驱动用例(如预测性维护或实时质量管理)非常重要。在这些情况下,工厂地面设备和工业资产在边缘被持续监测和分析,实施纠正措施,包括诊断检查,启动维护工作订单,甚至启动基于特定条件的维护行动。
在大多数支持iiot的工业大数据用例中,不是在边缘系统或基于云的系统中决定支持预测性维护或资产优化应用程序的问题。通常情况下,公司会将边缘和云功能结合起来,通过云提供额外的存储和计算可伸缩性,同时提供一种方法来聚合来自无数工业资产和边缘计算系统的数据,甚至是用于分析的多个工厂车间操作。
虽然运营人员已经在构建分析模型方面取得了早期的成功(通常是针对工厂中的一台机器或特定用例的Excel电子表格),但他们在将这些努力转化为整个工厂的智能方面缺乏经验,更不用说对跨越全球的工厂的运营了。历史学家和SCADA系统收集的数据的独特性质也不同于我们更熟悉的企业分析。虽然财务或客户系统中的企业数据通常结构良好,但时间序列数据缺乏理解如何应用原始数据来理解特定流程的状态或生产线上的材料状况的上下文。下一代分析工具增加了建模和机器学习功能,以发现模式,分类和工厂的数字双胞胎,以便发现异常和停机问题容易解决。
如果没有提供这些上下文的技术,制造商将很难充分利用数据来驱动工业4.0应用程序,如持续的操作性能改进、状态监测或预测性或规范性维护应用程序。
分析软件可以使用独立的技术,从各种连接的设备接收数据。它也可以包括在边缘和云计算技术中,数据收集和分析在一个系统中进行。许多制造商采用一种混合方法,使用边缘和云技术进行分析——边缘计算分析实时数据,用于日常运营洞察,云计算用于战略运营和业务应用的长期分析。
为了更好地理解行业(包括离散的制造和加工)是如何收集和分析数据的,驱动他们关于数据的决策的业务因素,他们使用的技术类型,以及他们关于数据收集和分析技术的选择和使用的建议,自动化世界进行了研究,从终端用户和系统集成商收集数据。
虽然大多数终端用户(86%)表示,他们专门为生产改进计划从设备和设备中收集数据,但大多数人是在过去五年内才开始这样做的。只有27%的受访者表示,他们为此类目的收集数据的时间超过了6年。
与这些终端用户的结果一致,71%的工业系统集成商报告称,他们的客户对数据收集和分析的兴趣显著增加。
在最终用户的回复中,一个有趣的地方是98%的公司计划在未来两年内从他们的生产系统中收集更多的数据。然而,只有30%的公司计划为了具体的运营改进而这样做。
这可能表明,在那些已经收集和分析数据几年的人当中,许多人可能已经发现了许多改进生产操作的方法,可能正在寻找利用他们收集的数据来实现其他战略业务目的。
如果你是那些不积极收集和分析数据以提高生产的公司之一,那么你的大多数同行在这方面也相对较新。然而,由于有如此多的企业积极追求这一目标,那些还没有通过数据分析来提高产量的公司只是少数,被认为是该领域的落后者。这意味着你的竞争只会变得更加困难,因为你的数据分析竞争对手会在你之前发现改善他们生产操作的方法。
数据收集水平
纵观整个行业的数据收集活动的深度,53%的终端用户表示,他们的生产系统或相关设备中只有不到50%用于数据收集。相比之下,系统集成商注意到,在他们的客户中,只有42%的客户从不到50%的生产系统或设备收集数据。
在另一端,集成商受访者指出,29%的客户从他们所有的生产系统/设备收集数据。对于集成商受访者来说,这可能有点高估了,因为只有5%的终端用户受访者表示,他们超过90%的系统/设备连接到数据收集上。
在中间层(51%-90%的系统是连接的)受访者中也存在显著差异。只有29%的集成商表示,他们的客户连接了51%-99%的系统/设备,而42%的终端用户估计,他们的系统/设备连接了51%-90%的数据收集。
在终端用户中,用于数据收集和分析的前三个原因是特定线路或设备操作的改进(70%)、维护操作的改进(65%)以及作为整体工业4.0/数字化转型计划的一部分(54%)。
系统集成商也将这些应用列为他们认为工业客户收集和分析数据的三大原因,但顺序有所不同。集成商表示,他们的客户100%的数据收集和分析都用于维护运营改进,而只有40%的客户提到了工业4.0/数字化转型计划和具体的线路/设备改进。
40%的集成商提到的另一个原因是FOMO(害怕错过)潜在的未确定的改进。一位被调查者表示,现在对远程操作的重视使得组织“不想错过任何可能导致错误决策的数据点”。
使用的技术类型
十多年来,数字转型、物联网、工业4.0和智能制造一直是工业技术讨论的主要话题。但现实情况是,大多数制造商依赖的数据收集和分析技术,早在如今受到广泛关注的技术发展之前就存在了。
这并不是说更新的收集和分析技术将被废弃——当然事实并非如此。例如,边缘技术和云技术正被广泛应用于整个行业。即便如此,它们仍有很大的增长空间。只有29%的系统集成商客户使用混合云/边缘技术,14%使用独立的云系统。
根据我们的调查结果,大多数制造商依赖于三种数据收集和分析方法,其中只有两种会被认为是自动化技术。
系统集成商受访者说,57%的客户仍然依赖手写数据收集,然后输入电子表格软件。整合商还指出,57%的客户还使用历史学家,这是一项出现于1980年的技术。(编者注:受访者被允许勾选多个类别的数据收集类型,以更准确地反映一个设施中多种技术的使用情况;因此,百分比将超过100%)。
占43%的是计算机化维护管理系统(CMMS),这是一项在20世纪60年代中期首次出现的技术。Integrator的受访者还提到了数据采集技术的使用,这也是一项自20世纪60年代以来一直在使用的技术。
回应我们调查的最终用户仍然将CMMS和手写/电子表格列为使用的前两种数据收集和分析方法,尽管他们的百分比与集成商不同。根据最终用户的反馈,44%的用户使用cmms——这与集成商报告的43%基本一致。然而,最终用户报告只有29%依赖于手写和电子表格的组合使用,这与集成商的57%的回答有很大的不同。尽管这种差异可以归因于许多因素,但很难忽视的一种可能性是,许多终端用户可能更倾向于不提及他们在2022年对手写数据收集的依赖。
值得注意的是,与集成商相比,终端用户受访者更广泛地使用了云和边缘技术。虽然没有集成商在其客户的设施中使用独立的边缘技术,但27%的最终用户报告了使用情况。此外,26%的终端用户表示使用了独立的云技术,而集成商的回答是14%。终端用户对使用边缘/云混合技术的反应与集成商的反应更为一致——23%的终端用户提到了使用边缘/云混合技术,而集成商指出的这一比例为29%。
更仔细地观察终端用户对云和边缘技术使用的反应,37%的人特别提到使用边缘/云混合环境进行数据分析。相比之下,32%的公司使用边缘技术进行分析,28%的公司使用云计算。
作为我们研究的最后一步,我们请集成商和最终用户受访者根据他们在这两方面的经验,提供关于选择和使用数据收集和分析技术的最佳建议。
集成商强调的要点包括:
- 从小处开始,但要确保用于这些小规模应用程序的技术可以在整个工厂和企业中扩展。
- 专注于改进过程,而不是试图达到一个具体的数字。
- 不要忽视数据管理和数据治理,因为数据标准化是成功的下游分析的关键。
- 首先检查我们的操作,以确定应该从哪里开始收集和分析数据,以便制定有意义的决策策略。
- 当您回顾技术领域时,请仔细评估您是否拥有内部资源来有效地支持这项工作,或者是否需要外部帮助。
最终用户的建议往往更关注于从劳动力中不同的群体中收集输入:
- 要认识到,数据分析本身往往是改进运营所需的间接度量。因此,计划围绕关键性能指标的确定进行创新,并让过程专家与数据专家一样多(如果不是更多的话)参与其中。
- 确保让员工直接参与到生产过程中。管理人员并不总是有正确的观点来发现数据中的机会。
- 不要低估你的内部工程和操作专业知识,因为它们可以提供技术提供的额外好处。