Tento pokrok šiel ruka v ruke s rozširovaním pripojených snímačov a čoraz lacnejším úložným priestorom, čo viedlo k vytvoreniu priemyselného internetu vecí (IIoT), ktorý by mal podľa spoločnosti IDC Research do roku 2020 generovať viac ako 4 bilióny gigabajtov dát ročne. Riešenia na analýzu údajov majú pozitívny vplyv na rastúci objem údajov v mnohých odvetviach, od maloobchodu až po financie. Tak prečo nie sú tieto riešenia široko využívané vo výrobných procesoch? Prečo je také ťažké s toľkými údajmi a s prísľubom nových technológií aplikovať tieto technológie v procesoch výroby a získavať rovnaké výhody ako ostatné sektory? Prečo majú výrobné spoločnosti stále pocit, že majú príliš veľa údajov a príliš málo informácií zároveň?
Podľa spoločnosti Seeq táto medzera medzi výrobnými spoločnosťami, ktoré spracúvajú údaje, a získanými poznatkami existuje preto, že niektoré riešenia na analýzu údajov nedokážu úplne využiť jedinečné výzvy a príležitosti v priemyselnej výrobe. Zhromažďovanie údajov z rôznych zdrojov (napr. historické procesy, snímače) je obzvlášť náročné na analytické riešenia, ktoré neboli vyvinuté špeciálne pre priemyselnú výrobu. Keď hovoríme o riešeniach na analýzu údajov, myslíme akýkoľvek softvér, ktorý umožňuje procesným inžinierom alebo vedcom:
- vytvoriť očistenú a sústredenú množinu údajov na analýzu prostredníctvom ich zhromažďovania z rôznych zdrojov vrátane historických grafov, offline údajov, údajov z výrobných systémov a relačných databáz;
- preskúmať prevádzkové údaje pomocou „samoobslužných“ nástrojov určených na rýchlu analýzu alarmov, procesov alebo údajov o aktívach na ad hoc alebo pravidelné reportovanie;
- publikovať alebo šíriť štatistiky a prehľady v celej organizácii tak, aby bolo možné realizovať akcie odvíjajúce sa od zozbieraných údajov alebo povoliť prediktívnu analýzu prichádzajúcich údajov.
Mnohé riešenia na analýzu údajov vyzerajú tak, že ponúkajú niektoré alebo všetky tieto vlastnosti – s cieľom konečne odstrániť medzeru medzi údajmi a poznatkami. No sú naozaj úspešné, resp. aké sú vôbec kritéria, ktoré určujú úspech?
V tomto článku uvádzame päť otázok, o ktorých sa domnievame, že by si ich mal položiť každý nákupca vo výrobnom procese pri hodnotení riešenia dátovej analýzy.
1. otázka
Je riešenie na analýzu údajov navrhnuté špeciálne pre priemyselnú výrobu a dokáže spracovať časovo citlivé údaje a vyriešiť zložité výrobné problémy?
Analytické riešenie by malo zvládnuť náročný presun synchronizovaných údajov zbieraných v časových intervaloch z rôznych zdrojov, takže vaši odborníci budú mať prehľadnú a presnú množinu údajov, s ktorou môžu pracovať.
Prečo je to dôležité?
Každý, kto pracuje s procesnými výrobnými údajmi, vie, že sú iné ako „klasické“ údaje. Bez ohľadu na odvetvie – od farmaceutického priemyslu až po ťažbu ropy a zemného plynu – získané údaje a príslušné aktíva prinášajú spletité vzťahy a kontextové výzvy. Či už pozeráte na rafinériu, výrobnú linku alebo farmu veterných turbín, všade sú historizačné moduly, ktoré zbierajú údaje z rozličných protokolov od rozdielnych dodávateľov pomocou rôznorodých technológií rozličného veku a s rozličným spôsobom implementácie. Tieto systémy zvyčajne produkujú údaje s takou rýchlosťou a v takých objemoch, z ktorých by iné odvetvia dostali závrat, a v takých nerovnomerných intervaloch, ktoré by mohli zmiasť aj bežné analytické riešenia. Kým budú tieto údaje užitočné, treba ich očistiť.
Aby toho nebolo málo, všetky tieto udalosti a signály nemajú súvisiaci kontext, ktorý by bol pre ne zmysluplný. Tento problém sa ďalej zhoršuje pri zostavovaní údajových množín z viacerých zdrojov, ktoré vyžadujú pridanie týchto kľúčových vzťahov.
Napokon treba dodať, že je problém vôbec sa orientovať v procese výroby. Snímače majú časové značky, ktoré treba zosúladiť a agregovať v určitých časových intervaloch. Je ťažké získať odpovede na tie najjednoduchšie otázky a prekonať prekážky, ktoré transakčné údaje nemajú.
Je riešenie na analýzu údajov navrhnuté špeciálne pre priemyselnú výrobu a dokáže spracovať údaje časových radov a vyriešiť zložité výrobné problémy?
Čo je potrebné?
Mnohé analytické nástroje, reporty či priemyselné riadiace systémy môžu byť zdrojom údajov, avšak výrobný podnik nemá veľa možností na výber riešenia, ktoré dokáže koordinovať a agregovať všetky údaje nápomocným spôsobom. Pri vyhodnocovaní tejto prvej otázky by ste mali zvážiť, ako jednoducho dokáže analytické riešenie jeho používateľovi vybrať vhodné časové úseky na analýzu, synchronizovať vstupy z rôznych riadiacich systémov, snímačov a iných zdrojov (ktoré môžu prichádzať v rôznych intervaloch) a poskytnúť tak presný prehľad o aktivitách v rámci vybraného časového okna.
Analytické riešenie by malo zvládnuť náročný presun synchronizovaných údajov zbieraných v časových intervaloch z rôznych zdrojov, takže vaši odborníci budú mať prehľadnú a presnú množinu údajov, s ktorou môžu pracovať. Takéto riešenie od nich nebude vyžadovať sťahovanie údajov z rôznych zdrojov (riadiacich systémov, databáz, snímačov, excelovských tabuliek…) a ručne ich usporiadať ešte skôr, ako sa vôbec nejaká analýza začne. Dobrý analyzačný nástroj zároveň podporuje najpoužívanejšie analytiky a výstupné formáty pre časovo rozlíšiteľné údaje, ako je vyhľadávanie vzorov, vyhľadávanie hodnoty či rozptylové diagramy.
2. otázka
Spolieha sa analytické riešenie na vašich odborníkov alebo na odborníkov, dodávateľov riešenia?
Analytické riešenia pre priemyselnú výrobu by mali dať silu do rúk ľudí, ktorí môžu najefektívnejšie vytvoriť pozitívne výsledky.
Prečo je to dôležité?
Dajte si pozor na odborníkov na koreláciu. Mnohí dodávatelia analytických riešení poznajú veľmi dobre svoju vlastnú technológiu, ale o výrobných procesoch veľa nevedia. Napríklad analytické riešenie môže povedať, že prevádzkovateľovi ropného poľa klesá produkcia v určitom vrte, ale nenavedie operátora k tomu, aby skontroloval konkrétne zariadenia, čo riešenie zamerané na priemysel dokáže. Nedostatok procesných alebo vertikálnych odborných znalostí môže smerovať k zameraniu sa na analýzu samotnú a nie na dôsledky akýchkoľvek zistení – naopak kladie dôraz na vzájomné súvislosti pred výsledkami.
Kľúčom k pozitívnym výsledkom v priemyselnej výrobe je posilnenie odborných znalostí pracovníkov z danej oblasti. Typická priemyselná organizácia má k dispozícii veľké množstvo odborných znalostí rozložených naprieč rôznymi oddeleniami vrátane skúsených technikov procesov, analytikov, architektov, vedúcich tímov a ďalších technických odborníkov. Títo skúsení používatelia v prvej línii majú často desiatky rokov skúseností, podrobnú znalosť procesov a histórie spoločnosti, situačnú informovať o svojich prevádzkach a o plynulosti v oblasti zariadení, snímačov a iných prvkov. Majú pokročilé technické vzdelanie a skúsenosti, aby mohli klásť inteligentné a produktívne otázky. Bohužiaľ, títo zamestnanci sú často obmedzovaní starnutím softvérových nástrojov, z ktorých väčšina bola vytvorená v polovici alebo koncom 90. rokov. Vedia, že majú správne otázky, ale pomocou existujúcich nástrojov na analýzu údajov sa k odpovediam na tieto otázky dostanú len ťažko a bude to časovo náročné.
Čo je potrebné?
Balíkové analytické riešenia nebudú múdrejšie ako technici procesov a špecialisti na kvalitu, ktorí v prevádzke pracujú každý deň, a nemali by sa ani tak tváriť. Riešenia na analýzu údajov by naopak mali vašim odborníkom uľahčovať prístup a prácu s údajmi, ktoré potrebujú, aby mohli využiť svoje špecifické odborné znalosti.
Procesní technici vynikajú pri riešení problémov a realizácii postupných zlepšení prostredníctvom štúdia toho, ako nepatrné zmeny ovplyvňujú výkon zariadení alebo prevádzky. Riešenia, ktoré šetria čas technikov tým, že im pomáhajú oddeliť premenné, znamenajú obrovský prínos, pretože používatelia sa môžu sústrediť na vykonávanie zmien a modelovanie výsledkov namiesto zbierania, usporadúvania a prípravy údajov.
Analytické riešenia pre výrobné procesy by mali byť silnými nástrojmi v rukách ľudí, ktorí dokážu čo najefektívnejšie vytvárať najlepšie výstupy, a to pomocou nástrojov a funkcií produktivity. To všetko im pomôže pri využívaní, čistení, vyhľadávaní a vizualizácii prevádzkových údajov, hľadaní súvislostí medzi nimi a šírení postrehov – a to bez potreby využívať na to odborníkov na IT. Ak dáte správne nástroje do rúk správnym ľuďom, okamžite môžete vidieť pozitívne výsledky.
3. otázka
Je predajca analytického riešenia viac zameraný na riešenie problémov alebo na technológiu samotnú ?
Analytické riešenia pre priemyselnú výrobu by sa mali prispôsobiť existujúcim infraštruktúram informačných systémov a mali by sa snažiť vylepšiť ich, nemali by nútiť podnik neustále používať najnovšie technológie a prispôsobovať sa im.
Prečo je to dôležité?
Sme uprostred prevratnej vlny inovácií, ktorá zahŕňa softvérové inovácie s Big Data, inováciu hardvéru zdokonalenú vysoko škálovateľnou výpočtovou architektúrou dostupnou podľa potreby a inováciu kognitívnych výpočtov, ktorá vychádza z neustáleho pokroku v strojovom a hĺbkovom učení. Tento rýchly pokrok viedol k dvom veľkým problémom každého, kto sa snažil porovnávať analytické riešenie pre výrobné spoločnosti. Po prvé, novovznikajúce technológie – Big Data, prediktívna analýza, strojové učenie, cloud computing – uzavreli kruh o prínosoch a vplyvoch. Možnosti týchto technológií prekonali naše chápanie. Namiesto toho, aby sme diskutovali o tom, prečo by sme mali prijať konkrétnu inováciu, rozhovor sa príliš často zameriava na to, akú technológiu treba používať, často s väčším nadšením pre konkrétnu technológiu než pre skutočné výhody.
Za druhé, skutočné tempo nedávnych inovácií znamená, že sa príliš málo zameriavame na zaradenie nových riešení do existujúcich prostredí. Technológie, ktoré generáciám vydržali posledné desaťročia, v súčasnosti vydržia mesiace. Mnoho spoločností sa stratí v hmle technologických diskusií namiesto toho, aby sa sústredili na konečné výsledky; technici nemusia nutne chcieť technológie, chcú riešenie a lepší pohľad dovnútra. Technológia je len jeden prostriedok (dôležitý), ktorý dáva technikom prehľad potrebný na zlepšovanie.
Čo je potrebné?
Svet Big Data, prediktívnej analýzy, strojového učenia a cloud výpočtov musí byť obrátený dovnútra – od technologicky orientovaného revolučného prístupu k používateľskému vývoju zameranému na riešenie problémov. Technici nemôžu začať len tým, že „budú zbierať množstvo údajov zo snímačov“ – to nie je triviálna úloha. Je to často začiatok dlhšieho procesu, ktorý zahŕňa čistenie, pridávanie kontextu a uskutočňovanie výpočtov. Ide o proces, ktorý musí využívať ťažko získané poznatky a inštitucionálne znalosti technikov.
Analytické riešenia pre výrobné spoločnosti by sa mali prispôsobiť existujúcim infraštruktúram informačných systémov a skôr ich zlepšovať, než nútiť podnik, aby neustále dobiehal a adaptoval sa na najnovšie technológie. Riadiace systémy, historické výrobné záznamy, ERP systémy a špecializované aplikácie a procesy sú tie, na ktorých stojí vaše podnikanie.
Priemyselní výrobcovia potrebujú analytické riešenia, ktoré sa ľahko zapracujú do týchto prostredí prostredníctvom rozhraní, napríklad s firmami Emerson, Honeywell, OSIsoft, Siemens a ďalšími systémami a zvyšujú ich hodnotu tým, že rozširujú svoju funkčnosť a umožňujú ľahko používať údaje, ktoré zhromažďujú, generujú a zdieľajú novými spôsobmi. Lepšie je využiť existujúce investície, ako neustále robiť nové.
4. otázka
Vyžadujú analytické riešenia presun, duplikáciu alebo transformáciu údajov?
Analytické riešenia pre priemyselnú výrobu by mali jednoducho zhromažďovať údaje z rôznych zdrojov a vykonávať komplexné výpočty potrebné na synchronizáciu údajov, ktoré boli zbierajú v rôznych časových intervaloch.
Prečo je to dôležité?
Hľadanie súvislostí bola pri výrobných údajoch vždy náročná úloha, často vyžadovala manuálne úsilie a starostlivú prácu v programe Microsoft Excel na definovanie vzťahov medzi relevantnými údajmi. Historické údaje prešli dlhú cestu z pohľadu sledovania trendov a kontroly, ale „export do Excelu“ zostáva najdôležitejšou črtou „skutočnej práce“ zhromažďovania údajov, kontextu a modelovania.
Farmaceutický inžinier by mohol mať napríklad niekoľko hypotéz na vysvetlenie zlej dávky – od chyby konkrétneho operátora cez prácu údržby na bioreaktore až po špecifické variácie surovín. Na overenie týchto hypotéz existujú údaje, ale vyžadujú spojenie rôznych databáz, často cez viaceré dátové úložiská a potom možno vytvoriť kontext, z ktorého možno vyhodnotiť údaje. Tento proces hľadania vzájomných súvislostí má mnohé názvy vrátane problémov s údajmi, harmonizácie údajov či miešania údajov – pre mnohé analytické riešenia však tieto údaje stále vyžadujú manuálnu transformáciu a kontrolu duplicity. Duplikovanie pridáva životnému prostrediu skryté náklady zvýšením požiadaviek na skladovanie a potrebnú šírku pásma.
Čo je potrebné?
Používatelia dosahujú zmysluplné výsledky, keď sa môžu sústrediť na analýzu údajov namiesto na zhromažďovanie a spracovanie vstupných informácií. Analytické riešenia pre priemyselné podniky by mali jednoducho zhromažďovať údaje z rôznych zdrojov a vykonávať komplexné výpočty potrebné na synchronizáciu dát, ktoré boli zhromaždené v rôznych intervaloch. Zároveň by mali umožniť technikom dať do súvislosti údaje bez toho, aby do procesu vstupovali IT alebo iní odborníci bez duplicity alebo transformácie údajov a bez vytvárania ďalších dátových úložísk.
5. otázka
Môže toto riešenie pomôcť vašim inžinierom pracovať tak rýchlo ako dokážu myslieť?
Analytické riešenia by mali uľahčiť technikom prácu s distribúciou ich práce a poskytnúť jedno centrálne miesto, kde sa môžu navzájom podeliť o získané skúsenosti a informácie.
Prečo je to dôležité?
Technici zvyčajne hľadajú údaje z konkrétneho dôvodu. Napríklad v systéme sa spustil poplach, niekto im položil otázku alebo potrebujú vygenerovať report. Tradičné analytické nástroje často vyžadujú špecializované zručnosti alebo syntax, takže tieto úlohy môžu byť ťažké a časovo náročné – a tieto nástroje dokážu v rámci organizácie ovládať iba niekoľkí ľudia.
Len niekoľko nástrojov je postavených na spolupráci a organizačných poznatkoch. Keď jeden používateľ vyčistí údaje pre projekt alebo vytvorí kontext a vzťahy medzi zdrojmi údajov, táto analýza a informácie sa často strácajú a iní používatelia ju nemôžu ani využívať, ani ju nemôžu nájsť.
Čo je potrebné?
Analytické riešenia údajov by mali byť dostatočne flexibilné na to, aby podporovali spoluprácu v reálnom čase a zároveň dodržiavali existujúce pracovné postupy. Technici by mali byť schopní komunikovať s nástrojmi spontánne a tak rýchlo, ako vytvárajú úlohy alebo navrhujú hypotézy. Používateľské rozhranie by malo umožňovať vyhľadávanie typu Google namiesto toho, aby žiadalo od používateľov znalosti nového prostredia.
Pohľad na problém získava hodnotou, až keď je zdieľaný. Napríklad jedna osoba môže poznať určitú množinu procesných údajov naozaj dobre a vie, ako tieto údaje očistiť a transformovať, zatiaľ čo iná osoba môže poznať ERP systém a ďalšia môže byť odborníkom v systéme údržby. Analytické riešenia by mali uľahčiť technikom distribúciu ich práce a zabezpečiť centrálne miesto spolupráce zamestnancov, kde sa môžu navzájom podeliť o získané skúsenosti a informácie.
Záver
Cieľom akéhokoľvek riešenia analýzy je pravdepodobne snaha zlepšiť výsledky v oblasti výnosov, marží, kvality a bezpečnosti. Takže tieto riešenia na analýzu údajov by mali čerpať zo všetkých súčasných technologických postupov s cieľom dosiahnuť tieto výsledky – bez toho, aby vaša organizácia musela žiadať odbornú pomoc, ako tieto základné technológie fungujú.
Rozsiahla rastúca medzera medzi údajmi a prehľadmi vo výrobných spoločnostiach sa začne uzatvárať, keď dodávatelia analytických riešení začnú umiestňovať procesného inžiniera a analytika (s akýmkoľvek titulom) do stredu obrazu. Títo ľudia majú skúsenosti, schopnosti a motiváciu klásť správne otázky a využívať poznatky získané z odpovedí. Analytické riešenia potrebujú odomknúť znalosti procesného inžinierstva takým spôsobom, ktorý bude pre používateľov vhodný.
Zdroj: 5 Questions to Ask When Selecting a Process Manufacturing Analytics Solution. White Paper, Seeq 2017. [online]. Citované 10. 1. 2018. Dostupné na www.info.smartindustry.com/white-paper-2017-seeq-5-questions-selecting-process-manufacturing-analytics.
-mk-