Inteligentný prístup k analytikám pre prevádzkových technikov, Prehľadové články, Rubriky,

Na zlepšenie výkonu procesov a celkovej účinnosti sa vyžaduje istá úroveň prevádzkovej inteligencie a pochopenia údajov. Prevádzkoví technici a iní zamestnanci musia byť schopní rýchlo a efektívne vyhľadať údaje z istého časového úseku a vizualizovať všetky súvisiace prevádzkové udalosti. Súčasťou toho sú časové rady údajov generované prevádzkovými riadiacimi a automatizačnými systémami, laboratóriami a inými systémami výrobného podniku, rovnako ako aj prostredníctvom bežných poznámok a pozorovania operátorov a technikov.

Predpovedajte výkon procesu už dnes

Prevádzkoví technici a operátori by mali byť s cieľom udržania bezporuchového chodu prevádzky schopní presne predpovedať výkon procesu alebo výstup (výsledok) dávkových procesov pri súčasnom eliminovaní chybnej interpretácie udalostí a výsledkov. Presné predpovedanie procesných udalostí vyžaduje presnú historizáciu procesov alebo vyhľadávacie nástroje na časové rady údajov a schopnosť aplikovať význam/zmysel na určité opakujúce sa vzory identifikované v rámci procesných údajov.

Aj keď v súčasnosti už máme na trhu priemyselného softvéru k dispozícii rôznorodé riešenia na analýzu procesov, tieto softvérové nástroje, väčšinou postavené na historizačných moduloch, vyžadujú veľký podiel interpretácie a narábania s údajmi a nie sú automatizované. Zvyčajne vytvárajú trendové grafy alebo exportujú surové údaje do Microsoft Excel. Tieto nástroje sa používajú aj na vizualizáciu a interpretáciu údajov z procesov a zvyčajne ich poznáme ako aplikácie na vytváranie trendov, reportov a rôznych informačných obrazoviek. To nám môže pomôcť, ale tieto nástroje nie sú zvyčajne dobré na predpovedanie výsledkov.

Prediktívne analytiky, relatívne nový rozmer analytických nástrojov, nám môžu poskytnúť hodnotný obraz o tom, čo sa môže v budúcnosti udiať na základe historických údajov – štruktúrovaných aj neštruktúrovaných. Mnohé nástroje na prediktívnu analýzu začínajú tým, že využívajú podnikový prístup a vyžadujú sofistikovanejšie distribuované výpočtové platformy, napr. Hadoop alebo SAP Hana. Tieto platformy sú výkonné a prínosné pre mnohé analytické aplikácie, avšak reprezentujú komplexnejší prístup k správe prevádzkových aj celopodnikových údajov. Spoločnosti, ktoré takýto prístup riadenia podnikových údajov využívajú, musia často zamestnávať špecialistov na údaje, ktorých úlohou je pomôcť podniku usporiadať a „vyčistiť“ ich. Navyše špecialisti na údaje až tak dobre nepoznajú samotné procesy ako prevádzkoví technici a operátori, čo limituje ich schopnosť dosahovať najlepšie možné výsledky.

Navyše mnohé z týchto pokročilých nástrojov sú vnímané ako „čierne skrinky“, pri ktorých používateľ pozná len ich vstupy a očakávaný výstup bez akéhokoľvek prehľadu o to, ako sa k výsledku dospelo. Je pochopiteľné, že pre mnohé prevádzkové úlohy a úlohy súvisiace s technickými aktívami podniku je tento prístup príliš nákladný a časovo náročný. To je dôvod, prečo veľa dodávateľov dokáže osloviť len 1 % kritických prostriedkov podniku a ignorujú mnohé iné príležitosti na zlepšenie procesov.

Obmedzenia softvéru na modelovanie údajov

Vyžadujú výrazný inžiniering: Na získanie výsledkov/modelov sa vyžaduje mazanie, filtrovanie, modelovanie, ohodnocovanie a iterovanie údajov
Citlivé na zmeny: Používatelia vyžadujú trvalé školenia
Nevyhnutní sú špecialisti na údaje: Podniky musia prijímať ďalších pracovníkov alebo technikov, ktorým trvá dlhý čas, kým sa z nich stanú špecialisti na údaje
Nefunguje systém „pripoj a funguj“: Inštalácia a nasadenie vyžadujú veľa času a peňazí
Inžiniering čiernej skrinky: Používatelia nemôžu vidieť, ako vzniká výsledok

Riaďte rozsiahle údaje bez špecialistov na údaje

Existuje len niekoľko dodávateľov riešení, ktorí majú iný prístup k analýzam procesných údajov z priemyselných prevádzok a využívajú jedinečné viacrozmerné možnosti vyhľadávania pre majiteľov podnikov. Uvedený prístup kombinuje vizualizáciu historických časových radov údajov a pokrýva zhodné vzory z histórie, čím sa poskytujú kontextové súvislosti z údajov získaných technikmi a operátormi.

Ideálne riešenie rozpoznávania vzorov umožňuje nasadenie virtuálneho servera. Vďaka tomu sa možno ľahko pripojiť k lokálnej kópii podnikového historizačného databázového archívu, pričom časom sa vyvíja ku škálovateľnej architektúre, ktorá komunikuje s dostupnými podnikovými distribučnými platformami. Tieto novšie technológie využívajú „objavovanie vzorov na základe vyhľadávania a prediktívnej analýzy procesov“, smerované na priemerného používateľa. Zvyčajne ich nasadenie nezaberie viac ako dve hodiny bez potreby inštalácie riešenia na modelovanie údajov alebo zamestnávania špecialistov na údaje. Tieto softvérové aplikácie, často nazývané „svojpomocné analytiky“, prinášajú do rúk prevádzkových expertov, technikov a operátorov silu rozsiahleho vyhľadávania a analýzy, takže najlepšie odhalia oblasti zlepšenia.

Ďalším problémom, ktorý sa typicky spája s časovými radmi údajov uloženými v historizačných moduloch, je chýbajúci mohutný vyhľadávací mechanizmus a nemožnosť efektívne opisovať údaje. Kombináciou možnosti vyhľadávania nad časovými radmi prevádzkových údajov a údajov od operátorov a pracovníkov zo súvisiacich oddelení dokážu používatelia podstatne presnejšie predpovedať stavy, ktoré sa vyskytnú alebo by sa mohli vyskytnúť v rámci ich spojitých a dávkových priemyselných procesov.

Podľa Petra Reynoldsa, staršieho konzultanta spoločnosti ARC Advisory Group, „vznikajú nové platformy, ktoré operátorom umožnia vyhľadávať záznamy v kontexte historických údajov a prevádzkových informácií. V čase, keď výrobný priemysel čelí odchodu 30 % skúsených odborníkov z dôvodu dôchodkového veku, je uchovanie znalostí kľúčovou úlohou pre mnohé priemyselné organizácie.“

Svojpomocné vytváranie analýz prináša:

cenovo efektívne virtuálne nasadenie (typu „pripoj aj funguj“) v rámci existujúcej infraštruktúry,
hlboké znalosti o prevádzkových procesoch aj o technikách na analýzu údajov bez potreby využitia špecializovaných odborníkov na údaje,
jednoduchú škálovateľnosť aktivít a prostredia rozsiahlych údajov na úrovni celej firmy,
nástroje na prediktívnu analýzu procesov (zisťovanie, diagnostika a predpovedanie) nezávislé od modelov, ktoré nenahrádzajú, ale naopak dopĺňajú a rozširujú existujúce informačné architektúry na historizáciu údajov.

Lepší spôsob vyhľadávania

Využívanie rozpoznávania vzorov a algoritmov strojového učenia dovoľuje používateľom nachádzať trendy v procesoch špecifických udalostí či detegovať anomálie procesov, čo tradičné desktopové historizačné nástroje neumožňujú. Podobne ako hudobná aplikácia Shazam, sú aj svojpomocné analýzy postavené na identifikácii dôležitých vzorov v rámci údajov alebo „obsahu s veľkým významom“ a párovaní týchto vzorov s podobnými, ktoré sa nachádzajú v ich databáze, namiesto toho, aby bolo potrebné párovať každú jednu notu v rámci pesničky. Aplikácia Shezam dokáže vďaka tomuto prístupu veľmi rýchlo a presne identifikovať pesničky, lebo ak by to trvalo dlhšie, používateľ takéto vyhľadávanie nepoužije.

Uvedené technológie tvoria mimoriadne dôležitú vrstvu nových systémových technológií. Využívajú existujúce databázy historických údajov a vytvárajú údajovú vrstvu ukladanú do stĺpcov na indexovanie časových radov údajov. Tieto systémy novej generácie dokážu bez problémov spolupracovať s historizačnými nástrojmi od popredných dodávateľov. Zvyčajne sú navrhnuté tak, že ich možno jednoducho nainštalovať a nasadiť cez virtuálne zariadenie bez toho, aby ovplyvnili existujúcu infraštruktúru historizačných nástrojov.

Na čo sa zamerať pri hľadaní riešení v oblasti svojpomocných analýz:

ukladanie do stĺpcov s indexovaním historických údajov v pamäti;
technológie vyhľadávania postavené na porovnávaní vzorov a na algoritmoch strojového učenia, umožňujúce používateľom hľadať trendy v historických údajoch definujúce podmienky a udalosti, ktoré sa v procesoch udiali;
diagnostické možnosti na rýchle hľadanie príčin detegovaných anomálií a situácií v procesoch;
riadenie znalostí a udalostí a vytváranie súvislostí medzi údajmi z procesu,
identifikácia, zber a spoločné využívanie dôležitých analýz procesov z miliárd údajových bodov;
zozbieranie znalostí, ktoré podporia manuálne vytvorenie rámcov udalostí či poznámok od používateľov, alebo tých, ktoré sa vytvárajú automaticky prostredníctvom aplikácií tretích strán; tieto anotácie sú viditeľné v rámci kontextu príslušného trendu;
možnosti monitorovania, ktoré spájajú prediktívne analýzy a včasné varovania pred neštandardnými procesnými udalosťami v rámci uložených vzorov alebo vyhľadávaní z histórie a ktoré využívajú živé údaje z procesov; operátori tak majú k dispozícii momentálny prehľad o tom, či sú aktuálne zmeny procesu v súlade s očakávaným
stavom a ak nie sú, dokážu proaktívne nastaviť parametre.

Posun v prístupe k analýzam

Technologické bojové pole pre výrobné spoločnosti a priemyselné organizácie sa zmenili. Aby tieto subjekty dokázali zostať konkurencieschopné, musia pri nachádzaní oblastí, v ktorých možno zlepšiť efektívnosť, využívať analytické nástroje. „Objavuje sa neodkladná potreba vyhľadávania v časových radoch údajov a ich kontextovej analýzy doplnenej o záznamy od technikov aj operátorov, čo umožní rýchlejšie prijímať a vykonávať rozhodnutia s vyššou kvalitou. Ak chcú používatelia predpovedať degradovanie procesu či zlyhanie zariadenia alebo iného technického aktíva, musia byť schopní pozerať sa ďalej ako len na nástroje na historizáciu a časové rady údajov a musia byť schopní vyhľadávať, učiť sa experimentovaním a odhaľovať vzory v nekonečnom počte údajov, ktoré v ich prevádzkach existujú,“ dodáva P. Reynolds.

Našťastie, tieto nové modely na analýzu procesov dokážu podporiť „prezbrojenie“ tradičných vizualizačných nástrojov na zobrazenie histórie procesov, a to pri minimálnych finančných a časových nákladoch.

O autorovi

Bert Baeck je spoluzakladateľ a výkonný riaditeľ spoločnosti TrendMiner. V rámci svojej profesionálnej kariéry sa už desať rokov venuje problematike rozsiahlych údajov, analýzam a výrobnému priemyslu. Skôr ako založil TrendMiner, pracoval v spoločnosti Bayer MaterialScience (dnes známej ako Covestro) na pozícii technika optimalizácie procesov. B. Baeck je ostrieľaný technik, rozhľadený mysliteľ, ktorý má obchodné zručnosti a silnú osobnosť. Získal tituly v odbore počítačových vied a mikroelektroniky na Univerzite Ghent. Jeho osobným mottom je: „Chyba nie je to najhoršie. Horšia je priemernosť.“

Publikované so súhlasom ISA.

Zdroj: Baeck, B.: Smarter access to analytics for process engineers. [online]. In: InTech, november – december 2016. Citované 15. 5. 2017. Dostupné na: https://www.isa.org/intech/201612web/ .