COVID-19 versnelt evolutie van data-acquisitie & analytics

Data-acquisitiestrategieën evolueren in het tijdperk van COVID-19, gedreven door toegenomen eisen voor remote data visualisatie en realtime, data-gedreven beslissingen. Human-machine interface (HMI) en supervisory control and data acquisition (SCADA) systemen worden nog belangrijker om digitale transformatie te bereiken omdat ze analytics op edge devices kunnen uitvoeren, wat de agiliteit en veerkracht fundamenteel voor succes biedt.

Verbinden met sensoren nieuw en oud

Traditionele instrumenten en nieuwere Internet of Things (IoT) sensoren geïnstalleerd op veldapparatuur liggen in nabijheid van edge devices, die omgekeerd grote hoeveelheden geproduceerde data kunnen vastleggen zoals pompdrukken of machinebedrijfscondities. International Data Corporation (IDC) voorspelt dat 79,4 zettabytes aan data zullen worden gecreëerd door de IoT alleen in 2025, maar al deze raw data zal niet noodzakelijk inzichten produceren. In plaats daarvan, zal waarde alleen gecreëerd worden door het verkrijgen en toepassen van informatie, kennis en inzichten afgeleid van het analyseren van raw data, wat eindgebruikers in staat stelt processen te verbeteren.

Slimme sensoroplossingen zijn vandaag beschikbaar voor het comprimeren, filteren, of converteren van realtime signalen naar het gewenste formaat voor analyse; echter, er zijn veel legacy-apparaten al in dienst met proprietaire protocollen die ook opgenomen moeten worden voor een complete data-gedreven transformatie. Omdat HMI/SCADA software installaties al bij de edge zijn, is het natuurlijk en gemakkelijk om deze software te gebruiken voor zowel communiceren met legacy-apparaten als samenwerken met slimme sensoren om realtime, data-gedreven besluitvorming te ondersteunen.

Analytics naar de edge brengen

HMI/SCADA software capabel van het uitvoeren van geavanceerde analytics op edge devices zal een cruciale rol spelen in de controle, visualisatie, en formulering van inzichten en kennis uit realtime data. Omdat het al gebruikt wordt voor visualisatie en controle, biedt HMI/SCADA software momenteel monitoring en controle van operaties (Figuur 1).

Vooruitgaand, kan HMI/SCADA software essentiële context leveren aan realtime data ter ondersteuning van data-gedreven besluitvorming. Het kan ook bekende patronen detecteren en anomalieën ontdekken, en kan voorspellen en operators waarschuwen voor aanstaande storingen goed van tevoren. Inferentie en lokale actie kunnen afgehandeld worden op het edge device of edge server, terwijl geaggregeerde data of voorspellende modellering in de cloud uitgevoerd kan worden. Geavanceerde analytics breidt de traditionele mogelijkheden van HMI/SCADA uit zodat gebruikers de root cause van gebeurtenissen en gedragingen kunnen begrijpen alsook toekomstige condities kunnen voorspellen.

Het implementeren van mobiele HMI/SCADA applicaties met analytics aan de netwerkrand biedt organisaties een additioneel niveau van flexibiliteit om intelligente mobiele diensten voor remote werknemers te ondersteunen. Deze mobiele applicaties kunnen rijke dataverzameling van remote apparaten benutten en deze delen met een edge server voor verdere aggregatie en analyse voordat het naar de cloud gestuurd wordt voor machine modeling en andere analyses.

Nauwe integratie van analytics met HMI/SCADA applicaties, gedefinieerd als embedded analytics, is aan het stijgen vanwege de behoefte om data om te zetten in kennis. Allied Market Research voorspelt dat de markt voor embedded analytics zal uitbreiden van $25,13 miljard in 2016 naar $60,28 miljard in 2023. Wanneer traditionele HMI/SCADA software verbeterd wordt door embedded analytics mogelijkheden, krijgen gebruikers een betere applicatie-ervaring door inzicht en actie in dezelfde applicatie te mergen.

Resultaten van embedded analytics omvatten key performance indicators (KPIs), statistische evaluaties, en waarschuwingen dicht bij waar operators hun werk doen en waar beslissingen gemaakt worden. Deze vraag om digitale transformatie dichter bij de edge te duwen waar de data verzameld wordt bestaat vanwege de druk om data-gedreven beslissingen sneller te maken. Met de behoefte aan versnelling naar near-real-time reacties, hebben operators geen tijd meer om terug te keren naar de control room voor analyse.

Machine Learning en Algoritmes

Data analytics haalt betekenisvolle inzichten uit realtime en andere databronnen. Machine learning is een vorm van analytics die algoritmes gebruikt om data te extraheren, ervan te leren, en dan de toekomst te voorspellen gebaseerd op historische data. Algoritmes veranderen een dataset in een model. De optimale algoritme training — of leren — methode hangt af van het type problemen dat opgelost wordt, de beschikbare rekenbronnen, en de aard van de data. Twee toonaangevende leermethoden zijn supervised en unsupervised.

Met supervised learning, wordt een algoritme gepresenteerd met een set inputs samen met hun gewenste outputs (ook labels genoemd). Het doel is om een regel te ontdekken die de computer in staat stelt om de relaties essentieel af te breken en te leren welke input data gemapt wordt naar de outputs en hoe.

Met unsupervised learning, wordt een algoritme gepresenteerd met een set inputs maar geen gewenste outputs (labels), wat betekent dat het algoritme structuur en patronen op zich moet vinden terwijl het duizenden datapunten beoordeelt en classificeert gebaseerd ontdekte patronen. Er zijn vier traditionele categorieën van analytics: descriptief, diagnostisch, voorspellend, en voorschrijvend, met een vijfde opkomend in de vorm van cognitief.

Descriptieve analytics beantwoordt de vraag „Wat gebeurt er?” Gebaseerd op realtime en verleden data, haalt het inzichten op over hoe het proces presteert door context aan de data te geven. Gebaseerd op realtime data, bieden HMI/SCADA applicaties met descriptieve analytics visualisatie van wat er gebeurt, alarm voor operators, en leveren details zoals datum/tijd van voorkomen, geassocieerde waarden, en machine-informatie.

Diagnostische analytics bouwt op descriptieve analytics om de vraag te beantwoorden, „Waarom is dit gebeurd?” Diagnostische analytics gebruikt statistieken om patronen te vinden en inzichten te bieden in realtime data. Typische toepassingen zijn identificatie van anomalieën en root causes (Figuur 2).

Voorspellende analytics bouwt op diagnostische analytics om de vraag te beantwoorden, „Wat zal er in de toekomst gebeuren en waarom?” Voorspellende analytics benut dezelfde historische data als de vorige twee typen analytics om wiskundige modellen te bouwen die gebruikt kunnen worden om inferenties te maken over wat er in de toekomst zal gebeuren, operators voorwaarschuwend voor toekomstige gebeurtenissen die productiviteit beïnvloeden (Figuur 3). Er zijn verschillende tools gebruikt voor voorspellende analytics inclusief:

• Anomalie detectie, die de vraag beantwoordt, „Is het gedrag anomaal?” Het vindt data die niet conform een verwacht patroon.
• Classificatie, die de vraag beantwoordt, „Zal deze machine of proces falen?” Het classificeert data in binaire categorieën zoals „Heeft dit product een defect? Ja of Nee.”
• Multi-class classificatie probeert de vraag te beantwoorden, „Zal deze machine of proces falen om reden X?” Het classificeert data in een van drie of meer categorieën zoals „Wat voor soort kwaliteitsdefect heeft dit product? Minor, major, of critical?”
• Regressie beantwoordt de vraag, „Hoe lang voordat deze machine of proces faalt?” Regressie gebruikt statistische processen voor het schatten van de relaties tussen een afhankelijke variabele en een of meer onafhankelijke variabelen.

Voorschrijvende analytics bouwt op voorspellende analytics om de vraag te beantwoorden, „Wat moeten we doen?” Voorschrijvende analytics biedt modellen om operators te informeren over aanbevolen acties. Optimalisatie en simulatie algoritmes worden vaak gebruikt voor voorschrijvende analytics. HMI/SCADA werkend met voorschrijvende analytics kan verschillende mogelijke acties voorschrijven en operators leiden naar een oplossing.

Cognitieve analytics bouwt op voorschrijvende analytics om de vraag te beantwoorden, „Waarom moet ik het doen?” Cognitieve analytics gebruikt technieken van self-learning algoritmes en deep learning om menselijk denken na te bootsen.

Next-Level Begrip

Descriptieve en diagnostische analytics gebruiken verleden data om uit te leggen wat er gebeurde en waarom het gebeurde terwijl voorspellende, voorschrijvende, en cognitieve analytics historische data gebruiken om te voorspellen wat er in de toekomst zal gebeuren samen met welke acties ondernomen moeten worden om een specifiek resultaat te beïnvloeden. In veel gevallen worden meerdere analytics en algoritmes simultaan gebruikt, met resultaten geaggregeerd voor betere besluitvorming.

HMI/SCADA software geïmplementeerd op een edge device kan een cruciale factor zijn in het leveren van analytics om organisaties te drijven naar betere data-gedreven besluitvorming zelfs vanaf remote locaties, wat competitiviteit verbetert.

Als er een zilveren lining is aan de COVID-19 pandemie, is het de manieren waarop bedrijven leren hun bedrijfsmodellen aan te passen aan meer realtime, data-gedreven besluitvorming. Door meer remote zichtbaarheid in processen te creëren die gebruikmaken van mensen, apparatuur, grondstoffen en faciliteiten, ontdekken bedrijven dat ze optimaal kunnen draaien door nauwere banden te bieden met klanten, werknemers en leveranciers.

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 - De groei in aangesloten IoT-apparaten wordt verwacht om 79,4ZB data in 2025 te genereren, volgens een nieuwe IDC voorspelling.
2. 1 juni 2020 - Globale Embedded Analytics Mark om $60,28 miljard te bereiken in 2023: AMR.