COVID-19 stimuleert data-acquisitie en analyse-evolutie

Strategieën voor data-acquisitie evolueren in het tijdperk van COVID-19, gedreven door verhoogde vereisten voor datavisualisatie op afstand en realtime, datagestuurde beslissingen. Human-machine interface (HMI) en toezichthoudende controle en data-acquisitie (SCADA)-systemen worden nog belangrijker om digitale transformatie te realiseren, omdat ze analyses kunnen uitvoeren op edge-apparaten, wat de flexibiliteit en veerkracht biedt die essentieel zijn voor succes.

Verbinding maken met nieuwe en oude sensoren

Traditionele instrumenten en nieuwere Internet of Things (IoT)-sensoren die op veldapparatuur zijn geïnstalleerd, bevinden zich in de buurt van randapparatuur, die op hun beurt grote hoeveelheden geproduceerde gegevens kunnen vastleggen, zoals pompdrukken of bedrijfsomstandigheden van machines. International Data Corporation (IDC) voorspelt dat in 20251 alleen al door het IoT 79,4 zettabyte aan gegevens zal worden gecreëerd, maar al deze onbewerkte gegevens zullen niet noodzakelijkerwijs inzichten opleveren. In plaats daarvan wordt alleen waarde gecreëerd door het verkrijgen en toepassen van informatie, kennis en inzichten die zijn afgeleid van het analyseren van onbewerkte gegevens, waardoor eindgebruikers in staat worden gesteld om processen te verbeteren.

Er zijn tegenwoordig slimme sensoroplossingen beschikbaar voor het comprimeren, filteren of converteren van realtime signalen naar het gewenste formaat voor analyse; er zijn echter al veel oudere apparaten in gebruik met eigen protocollen die ook moeten worden opgenomen voor een volledige gegevensgestuurde transformatie. Omdat HMI/SCADA-software-installaties zich al in de buurt van de edge bevinden, is het natuurlijk en handig om deze software te gebruiken voor zowel communicatie met oudere apparaten als voor samenwerking met slimme sensoren om realtime, gegevensgestuurde besluitvorming te ondersteunen.

Analytics naar de edge brengen

HMI/SCADA-software die geavanceerde analyses op edge-apparaten kan uitvoeren, zal een cruciale rol spelen bij de controle, visualisatie en formulering van inzichten en kennis uit realtime gegevens. Omdat het al wordt gebruikt voor visualisatie en besturing, biedt HMI/SCADA-software momenteel bewaking en besturing van bewerkingen (Afbeelding 1).

In de toekomst kan HMI/SCADA-software essentiële context bieden aan realtime gegevens ter ondersteuning van gegevensgestuurde besluitvorming. Het kan ook bekende patronen detecteren en afwijkingen ontdekken, en kan operators ruim van tevoren voorspellen en waarschuwen voor dreigend falen. Inferentie en lokale actie kunnen worden afgehandeld op het edge-apparaat of de edge-server, terwijl geaggregeerde gegevens of voorspellende modellering in de cloud kunnen worden uitgevoerd. Geavanceerde analyse breidt de traditionele mogelijkheden van HMI/SCADA uit, zodat gebruikers de hoofdoorzaak van gebeurtenissen en gedrag kunnen begrijpen en toekomstige omstandigheden kunnen voorspellen.

Het inzetten van mobiele HMI/SCADA-applicaties met analyse aan de rand van het netwerk biedt organisaties een extra niveau van flexibiliteit om intelligente mobiele diensten voor externe werknemers te ondersteunen. Deze mobiele applicaties kunnen gebruikmaken van uitgebreide gegevensverzameling van externe apparaten en deze delen met een edge-server voor verdere aggregatie en analyse voordat ze naar de cloud worden verzonden voor machinemodellering en andere analyses.

Nauwe integratie van analytics met HMI/SCADA-applicaties, gedefinieerd als embedded analytics, neemt toe vanwege de noodzaak om data om te zetten in kennis. Allied Market Research voorspelt dat de markt voor embedded analytics zal groeien van $ 25,13 miljard in 2016 tot $ 60,28 miljard in 2023 2. Wanneer traditionele HMI/SCADA-software wordt verbeterd door embedded analytics-mogelijkheden, krijgen gebruikers een betere applicatie-ervaring door inzicht en actie samen te voegen in hetzelfde applicatie.

Resultaten van embedded analytics omvatten key performance indicators (KPI's), statistische evaluaties en waarschuwingen in de buurt van waar operators hun werk doen en waar beslissingen worden genomen. Deze vraag om digitale transformatie dichter bij de rand te brengen waar de gegevens worden verzameld, bestaat vanwege de druk om sneller gegevensgestuurde beslissingen te nemen. Door de noodzaak om te versnellen naar bijna-realtime reacties, hebben operators geen tijd meer om terug te keren naar de controlekamer voor analyse.

Machine learning en algoritmen

Gegevensanalyse haalt zinvolle inzichten uit realtime en andere gegevensbronnen. Machine learning is een vorm van analyse waarbij algoritmen worden gebruikt om gegevens te extraheren, ervan te leren en vervolgens de toekomst te voorspellen op basis van historische gegevens. Algoritmen maken van een dataset een model. De optimale trainings- of leermethode voor algoritmen hangt af van het soort problemen dat wordt opgelost, de beschikbare computerbronnen en de aard van de gegevens. Er zijn twee toonaangevende leermethoden onder toezicht en zonder toezicht.

Bij begeleid leren wordt een algoritme gepresenteerd met een reeks inputs samen met de gewenste outputs (ook wel labels genoemd). Het doel is om een ​​regel te ontdekken die de computer in staat stelt om de relaties in wezen te doorbreken en te leren welke invoergegevens worden toegewezen aan de uitvoer en hoe.

Bij niet-gesuperviseerd leren wordt een algoritme gepresenteerd met een reeks invoer maar geen gewenste uitvoer (labels), wat betekent dat het algoritme zelf structuur en patronen moet vinden terwijl het duizenden gegevenspunten beoordeelt en classificeert op basis van ontdekte patronen. Er zijn vier traditionele categorieën van analyses:beschrijvend, diagnostisch, voorspellend en prescriptief, en een vijfde komt op in de vorm van cognitief.

Beschrijvende analyse geeft antwoord op de vraag "Wat gebeurt er?" Op basis van realtime en eerdere gegevens krijgt het inzicht in hoe het proces presteert door context aan de gegevens te bieden. Op basis van realtime gegevens bieden HMI/SCADA-toepassingen die gebruikmaken van beschrijvende analyses visualisatie van wat er gebeurt, melden alarmen voor de operators en leveren details zoals de datum/tijd van optreden, bijbehorende waarden en machine-informatie.

Diagnostische analyse bouwt voort op beschrijvende analyses om de vraag te beantwoorden:"Waarom is dit gebeurd?" Diagnostische analyse maakt gebruik van statistieken om patronen te vinden en inzicht te bieden in realtime gegevens. Typische toepassingen zijn de identificatie van anomalieën en hoofdoorzaken (Figuur 2).

Predictive analytics bouwt voort op diagnostische analyses om de vraag te beantwoorden:"Wat zal er in de toekomst gebeuren en waarom?" Voorspellende analyse maakt gebruik van dezelfde historische gegevens als de voorgaande twee soorten analyses om wiskundige modellen te bouwen die kunnen worden gebruikt om conclusies te trekken over wat er in de toekomst zal gebeuren, waardoor operators worden gewaarschuwd voor toekomstige gebeurtenissen die van invloed zijn op de productiviteit (Figuur 3). Er zijn verschillende tools die worden gebruikt voor voorspellende analyses, waaronder:

• Anomaliedetectie, die de vraag beantwoordt:"Is het gedrag abnormaal?" Het vindt gegevens die niet voldoen aan een verwacht patroon.

• Classificatie, die de vraag beantwoordt:"Zal deze machine of dit proces falen?" Het classificeert gegevens in binaire categorieën, zoals "Heeft dit product een defect? Ja of Nee.”

• Classificatie met meerdere klassen probeert de vraag te beantwoorden:"Zal deze machine of dit proces falen om reden X?" Het classificeert gegevens in een van drie of meer categorieën, zoals "Wat voor soort kwaliteitsgebrek heeft dit product? Minor, majeur of kritisch?”

• Regressie beantwoordt de vraag:"Hoe lang duurt het voordat deze machine of dit proces faalt?" Regressie gebruikt statistische processen om de relaties tussen een afhankelijke variabele en een of meer onafhankelijke variabelen te schatten.

Prescriptieve analyse bouwt voort op voorspellende analyses om de vraag te beantwoorden:"Wat moeten we doen?" Prescriptieve analyses bieden modellen om operators te informeren over aanbevolen acties. Optimalisatie- en simulatiealgoritmen worden vaak gebruikt voor prescriptieve analyses. HMI/SCADA die met prescriptieve analyse werkt, kan verschillende mogelijke acties voorschrijven en operators naar een oplossing leiden.

Cognitieve analyse bouwt voort op prescriptieve analyses om de vraag te beantwoorden:"Waarom zou ik het doen?" Cognitieve analyse maakt gebruik van technieken van zelflerende algoritmen en deep learning om het menselijk denken na te bootsen.

Begrip van het volgende niveau

Beschrijvende en diagnostische analyses gebruiken gegevens uit het verleden om uit te leggen wat er is gebeurd en waarom het is gebeurd, terwijl voorspellende, prescriptieve en cognitieve analyse historische gegevens gebruiken om te voorspellen wat er in de toekomst zal gebeuren en welke acties moeten worden ondernomen om een ​​specifiek resultaat te beïnvloeden. In veel gevallen worden meerdere analyses en algoritmen tegelijkertijd gebruikt, waarbij de resultaten worden samengevoegd voor een betere besluitvorming.

HMI/SCADA-software die op een edge-apparaat wordt geïmplementeerd, kan een belangrijke factor zijn bij het leveren van analyses om organisaties te stimuleren naar betere gegevensgestuurde besluitvorming, zelfs vanaf externe locaties, waardoor het concurrentievermogen wordt verbeterd.

Als er een lichtpuntje is aan de COVID-19-pandemie, dan zijn het de manieren waarop bedrijven leren om bedrijfsmodellen aan te passen aan meer realtime, datagestuurde besluitvorming. Door meer op afstand inzicht te creëren in processen waarbij mensen, apparatuur, grondstoffen en faciliteiten worden gebruikt, merken bedrijven dat ze optimaal kunnen werken door nauwere banden met klanten, werknemers en leveranciers te bieden.

Dit artikel is geschreven door Bruno Armond Crepaldi, chief technology officer bij ADISRA (Austin, TX). Voor meer informatie, bezoek hier .

Referenties

1. 18 juni 2019 - Volgens een nieuwe IDC-prognose zal de groei in verbonden IoT-apparaten in 2025 naar verwachting 79,4 ZB aan gegevens genereren.
2. 1 juni 2020 - Wereldwijde markt voor embedded analytics bereikt $ 60,28 miljard in 2023:AMR.