Hlavní navigace

Průmysl je plný dat, ale málokterý podnik je umí využít

24. 1. 2022

Sdílet

 Autor: Soitron
Snad každý manažer průmyslového podniku by chtěl zvýšit kvalitu výroby, optimalizovat běh výrobních linek a spotřebu energií či předvídat poruchy strojů a zařízení dříve, než způsobí drahý výpadek. Tento cíl je možné dosáhnout prostřednictvím analýzy relevantních dat ze strojů a zařízení.

Práce s nasbíranými daty má bezpochyby velký potenciál, a to jak při zvyšování produktivity a kvality, tak i při optimalizaci nákladů. Na popsané přínosy však dosáhnou pouze podniky, které dokáží data efektivně sbírat a uchovávat pro další analýzu. K tomu potřebují řešení s odpovídající architekturou jak na úrovni IT neboli datového úložiště a zpracování dat, tak na úrovni provozní technologie (OT), čili snímání dat, a nakonec i na úrovni přenosu dat mezi OT a IT.

Jaká data jsou k dispozici 

Se sběrem dat dnes již většina průmyslových podniků nějaké zkušenosti má. Obvykle zaznamenávají údaje z výrobního nebo montážního procesu, například kdy začal a jak dlouho trval výrobní cyklus a jaký materiál nebo polotovar byl použit. Podniky mají pak přesný přehled o zásobách surovin či dílů na skladě nebo o množství vyrobených produktů, ale většinou nesledují parametry při výrobě, které mohou ovlivňovat kvalitu nebo nepřetržitost produkce. Jedná se o snímání fyzikálních parametrů při výrobě nebo montáži, například teploty, tlaku, průtoku nebo vibrací. Výsledky jejich analýzy můžou vést k optimalizaci výroby nebo identifikaci nutnosti údržbového zásahu a tím předcházení nečekaným odstávkám. 

Překážky ve sběru dat

Sbírat potřebná data však není vždy snadné. Důvody mohou být různé. Některé starší stroje a zařízení nemusí potřebná data například poskytovat vůbec. Novější stroje to sice dokáží, ale často pouze ve formátu specifickém pro daného výrobce průmyslových technologií. V jiných případech se data získaná z výrobního a montážního procesu udržují pouze po dobu trvání procesu a pro následnou analýzu jsou již nedostupné. Výsledkem jsou pak nepropojené ostrovy dočasně dostupných dat, na základě, kterých výrobní manažeři nemohou získat ucelený přehled o průběhu výroby s možností analyzovat příčiny problémů. Také nejsou schopni v souvislosti s energiemi identifikovat ztráty nebo odběrové špičky a předejít například pokutám za překračování kapacit ani optimalizovat kontrakty s dodavateli energií.

Další překážkou bývá chybějící moderní IT infrastruktura. Například zastaralá databáze nedokáže uchovávat velké objemy dat z výroby, ani v nich neumožňuje rychle a efektivně vyhledávat a analyticky je zpracovat. Aby měl podnik k dispozici data pro zlepšení kvality výroby, prediktivní údržbu či energetický management, potřebuje mít univerzální technologickou architekturu, která dokáže sbírat a uchovávat data z různých systémů, strojů a zařízení. Jde o nezbytný základ pro pozdější analýzy a vyhodnocování dat, na jejichž základě se dají dělat manažerská rozhodnutí. 

Správná architektura

V podnicích se pro tento účel zavádí řešení průmyslového internetu věcí (Industrial IoT – IIoT). V mnoha případech je potřeba propojit stroje čili OT se světem ukládání a zpracování dat, neboli IT. Příkladem takového propojení je použití OPC UA, což je zkratkou pro Open Platform Communication Unified Architecture. Jedná se o komunikaci, komunikační protokol a architekturu určenou pro průmyslovou automatizaci. Centrem komunikace mezi stroji v provozu a IT komponenty řešení je pak OPC UA server, například KEPserverEX, představující vlastně komunikační „hub“ umožňující komunikaci proprietárních systémů a zařízení od různých výrobců. To pak vede k nasazení moderních řešení průmyslového internetu věcí (IT + industrial OT = IIoT).

Taková řešení umožňují sbírat data prakticky z libovolných systémů, čidel či zařízení. Údaje následně směřují do databáze, kupříkladu Elasticsearch, která je dokáže uchovávat dlouhodobě (nejen během produkčního cyklu) a hlavně efektivně a rychle v nich vyhledávat. To vytváří předpoklady pro následné analytické zpracování a vizualizaci dat. Například v open-source nástroji Grafana.

Cloud22

Cesta k umělé inteligenci

Otevřená architektura využívající výše zmíněná řešení, jsou našimi specialisty nadesignovaná a pro většinu průmyslových podniků z pohledu možnosti sbírat a využívat data generačním krokem vpřed, který je navíc i nákladově efektivní – nejen díky možnosti nahrazení hardwarových komponent softwarem, ale i pro využití open-source softwaru a úspoře financí za komerční licence.

Jednotnou univerzální architekturu lze využít pro sběr dat souvisejících s procesem výroby (teplota, tlak, průtoky kapalin a plynů, vibrace, odběry el. proudu apod.) a pro následnou analýzu, výsledky, které mohou mít zásadní vliv na kvalitu a životnost výrobků. Zároveň ji lze použít jak na predikování poruchovosti strojů a zefektivnění údržby, tak na optimalizaci spotřeby energií, plynu, stlačeného vzduchu a vody, zvýšení průmyslové bezpečnosti, nebo pro jakoukoli budoucí aplikaci s využitím technologií strojového učení a umělé inteligence.


Teodor Škereň - Soitron

odborník na IoT společnosti Soitron

Autor článku