從工廠車間的工業(yè)資產(chǎn)收集和分析數(shù)據(jù)幾乎不會成為前沿技術(shù)。多年以來，車間經(jīng)理和他們的同事已經(jīng)分析了工業(yè)機(jī)器數(shù)據(jù)，以向生產(chǎn)警報發(fā)出警報，識別質(zhì)量故障，或作為旨在提高性能的資產(chǎn)調(diào)整指南，更多信息盡在振工鏈。

隨著工業(yè)資產(chǎn)通過傳感器進(jìn)行數(shù)字化并通過工業(yè)物聯(lián)網(wǎng)（IIoT）進(jìn)行連接，制造商仍希望分析機(jī)器數(shù)據(jù)以提高生產(chǎn)效率，減少停機(jī)時間，控制成本并促進(jìn)更好的決策制定。然而，就規(guī)模而言，目標(biāo)職位已發(fā)生重大變化。今天的制造商們正在努力進(jìn)行批發(fā)轉(zhuǎn)型，而不是由工廠經(jīng)理或維護(hù)人員分析電子表格中特定資產(chǎn)的歷史數(shù)據(jù)來進(jìn)行適度的更改。他們的目標(biāo)是創(chuàng)建靈活，智能的運(yùn)營，使資產(chǎn)和系統(tǒng)的網(wǎng)絡(luò)可以實(shí)現(xiàn)近乎全面自動化。

在預(yù)測性維護(hù)，實(shí)時質(zhì)量控制和根本原因分析的場景測試等領(lǐng)域中進(jìn)行此類智能操作的引擎是高級分析，由人工智能（AI）和機(jī)器學(xué)習(xí)提供支持。雖然分析類別在工業(yè)界仍然有些模糊，但用例已經(jīng)引起了巨大的興趣和增長。根據(jù)IoT Analytics，工業(yè)AI和分析市場在2019年達(dá)到150億美元，其中最大的用例是預(yù)測性維護(hù)，近四分之一的受訪者（24.3％）引用其次，其次是質(zhì)量檢查和保證（20.5％），制造流程優(yōu)化（16.3％）和供應(yīng)鏈優(yōu)化（8.4％）。

工業(yè)分析應(yīng)用的激增根源于對利用車間或基于現(xiàn)場的工業(yè)資產(chǎn)（包括機(jī)器人，自動化單元，石油鉆機(jī)和風(fēng)力渦輪機(jī)）產(chǎn)生的大量數(shù)據(jù)的渴望。隨著各行各業(yè)的制造商加大數(shù)字化工作的力度，IDC Insights估計，這家典型的工廠每天將產(chǎn)生超過1TB的數(shù)據(jù)，并期望在未來五年中，該數(shù)字將乘以5到10之間的倍數(shù)，具體取決于行業(yè)。

“這就是促使公司開發(fā)或購買這些分析工具的原因-沒有它們，數(shù)據(jù)就沒有其他關(guān)系了，” IDC制造洞察力和能源洞察力集團(tuán)副總裁Kevin Prouty說。“對于擁有Excel電子表格的工程師來說，要分析的數(shù)據(jù)太多。”

企業(yè)分析與工業(yè)分析的對比

大多數(shù)制造商都同意這樣一種觀念，即可以利用數(shù)據(jù)的豐富性來帶來底線影響，無論這是在增加利潤，提高生產(chǎn)率，還是同時提高利潤。問題在于，數(shù)據(jù)以不同的格式散布在筒倉中，沒有上下文，并且大部分存儲為時間序列數(shù)據(jù)，大多數(shù)企業(yè)分析和結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)設(shè)計的大數(shù)據(jù)工具都無法充分處理這些數(shù)據(jù)。此外，數(shù)十年來，Excel一直是該領(lǐng)域中首選的分析工具，但它效率低下，并且任何見解都只能由一位工程師來解決一個特定的問題。

企業(yè)信息技術(shù)（IT）和運(yùn)營技術(shù)（OT）小組在數(shù)據(jù)收集和分析中所采用的方法也存在差異。大多數(shù)企業(yè)分析工作都涉及提取數(shù)據(jù)，對其進(jìn)行規(guī)范化，然后將其放置在中央存儲庫或數(shù)據(jù)湖中（最有可能在云中），以使各種業(yè)務(wù)用戶可以進(jìn)行不同類型的分析。從OT的角度來看，數(shù)據(jù)收集和分析工作大部分是本地的和戰(zhàn)術(shù)性的。“ OT人知道如何在單個工廠中針對單個問題為單個機(jī)器構(gòu)建分析模型，他們可以在Excel中或通過開源平臺手動進(jìn)行分析”

工業(yè)分析和一般企業(yè)分析之間的另一個巨大差距是對機(jī)器的特定性質(zhì)的了解，以及為歷史學(xué)家以及監(jiān)督控制和數(shù)據(jù)采集（SCADA）系統(tǒng)中收集的數(shù)據(jù)提供上下文的能力。與金融系統(tǒng)中的結(jié)構(gòu)化內(nèi)容不同，時間序列數(shù)據(jù)缺少用于理解原始數(shù)據(jù)集如何與特定過程或條件相關(guān)的上下文，例如，可能存在哪些因素影響泵的運(yùn)行。沒有適當(dāng)?shù)沫h(huán)境，就不可能充分利用數(shù)據(jù)來提高運(yùn)營績效，狀態(tài)監(jiān)控或預(yù)測性或規(guī)范性維護(hù)應(yīng)用程序。

“解決問題需要上下文，” OSIsoft的云，社區(qū)和渠道副總裁Bry Dillion說，該公司為PI System進(jìn)行銷售，以收集和集中來自各種來源的時間序列數(shù)據(jù)。“如果要流傳輸與泵相關(guān)聯(lián)的數(shù)據(jù)，則必須了解數(shù)據(jù)集與獲取該上下文的過程之間的關(guān)系。如果您只是優(yōu)化通過泵的流量而又不知道校準(zhǔn)或流量，則有可能將泵優(yōu)化到泵破裂的位置。您不僅可以引入原始數(shù)據(jù)，還希望機(jī)器學(xué)習(xí)能夠解決這些問題。”

核心組件

工業(yè)分析可以采用多種形式，但是有些核心組件和屬性似乎在各個平臺之間是通用的。盡管企業(yè)分析中的許多繁重工作都發(fā)生在云中，但是工業(yè)分析軟件需要強(qiáng)大的邊緣處理功能，因?yàn)樾枰鯇?shí)時且靠近源地處理和分析數(shù)據(jù)，以避免延遲和安全問題

與基于云的工業(yè)分析相比，支持AI的邊緣處理可提供更好的性能，同時還可確保更高的安全性。由Nvidia Jetson平臺提供支持的研華Edge AI系統(tǒng)可以代替車間工人進(jìn)行的傳統(tǒng)視覺質(zhì)量檢查。在這種情況下，支持多種AI模型的邊緣服務(wù)器系統(tǒng)將對餅干工廠中的烘焙食品進(jìn)行實(shí)時檢查，從而自動設(shè)置烘烤時間和烤箱溫度，以確保更一致，更高質(zhì)量的餅干生產(chǎn)。

研華服務(wù)器級產(chǎn)品產(chǎn)品經(jīng)理James Yung表示：“我們專注于邊緣而不是云，因此我們可以保護(hù)數(shù)據(jù)并保持?jǐn)?shù)據(jù)的安全和機(jī)密。” “如果將數(shù)據(jù)發(fā)送到云，返回響應(yīng)可能需要很長時間。”

鑒于工廠底層數(shù)據(jù)的異構(gòu)性，工業(yè)分析平臺必須同時具有通過某種方式對數(shù)據(jù)進(jìn)行規(guī)范化和上下文化來吸收不同信息類型的能力。具體來說，客戶需要在從設(shè)備或生產(chǎn)線生成數(shù)據(jù)的那一刻就了解上下文，但是，仍然難以從不同的邊緣設(shè)備收集高速OT上下文數(shù)據(jù)，更不用說以結(jié)構(gòu)化的方式將其打包以進(jìn)行配對了與第三方工業(yè)數(shù)據(jù)源或?qū)⑵渖嫌伟l(fā)送到IT應(yīng)用程序以獲取企業(yè)范圍的見解。

為了解決此問題，自動化合作伙伴羅克韋爾自動化和PTC創(chuàng)建了智能對象，這是一種靈活的數(shù)據(jù)模型，可以自動發(fā)現(xiàn)并收集具有豐富上下文的高速OT數(shù)據(jù)，從而使上游IT應(yīng)用程序可以使用它們，例如企業(yè)資源計劃和產(chǎn)品生命周期。管理系統(tǒng)。羅克韋爾自動化數(shù)字轉(zhuǎn)換總監(jiān)Gaurav Verma解釋說：“智能對象可以快速解鎖您在邊緣收集的上下文OT數(shù)據(jù)，并使其與下游的所有IT應(yīng)用程序兼容。”“ IT應(yīng)用程序可以在企業(yè)級收集很多業(yè)務(wù)見解，但是如果沒有智能對象，這是不可能的。”

Sight Machine還嚴(yán)重依賴建模層來區(qū)分其制造分析平臺。該軟件執(zhí)行自動且連續(xù)的數(shù)據(jù)獲取過程，包括使用專家系統(tǒng)和機(jī)器學(xué)習(xí)分類器來準(zhǔn)備過程數(shù)據(jù)和產(chǎn)品數(shù)據(jù)并使其與環(huán)境相關(guān)。最終結(jié)果是工廠車間的數(shù)字孿生，它使用機(jī)器學(xué)習(xí)和高級分析功能，可以發(fā)現(xiàn)異常并提供見解，以幫助減少停機(jī)時間。

不管采用哪種方法，大多數(shù)工業(yè)分析工具和平臺都結(jié)合了某種形式的AI和機(jī)器學(xué)習(xí)，以幫助發(fā)現(xiàn)大量的資產(chǎn)數(shù)據(jù)中的模式，以建立資產(chǎn)和生產(chǎn)車間流程的模型，并使流程自動化更智能的操作。AI驅(qū)動的分析模型可以成為生產(chǎn)線中的關(guān)鍵任務(wù)元素，從而創(chuàng)建一個數(shù)字孿生模型，例如，允許啤酒廠模擬，測試和優(yōu)化其流程，并分析數(shù)十萬個參數(shù)以了解并預(yù)測對啤酒質(zhì)量的影響。

事實(shí)證明，至關(guān)重要的新興工業(yè)分析平臺的另一個要素是公民開發(fā)人員功能的相似性，它使OT專業(yè)人員（不僅僅是IT和數(shù)據(jù)科學(xué)家）可以輕松地對問題建模并可視化見解。

與平臺方法不同，Seeq稱其數(shù)據(jù)分析軟件專為幫助過程工程師和主題專家與大規(guī)模時間序列數(shù)據(jù)進(jìn)行交互和建模而設(shè)計。Seeq副總裁兼首席營銷官M(fèi)ichael Risse表示，Seeq不會與某些大型工業(yè)分析平臺競爭，而是連接到存儲在各種過程歷史學(xué)家和SCADA系統(tǒng)以及PTC ThingWorx和Siemens Mindsphere等IIoT平臺中的數(shù)據(jù)。

考慮到工廠自動化的復(fù)雜性和工業(yè)數(shù)據(jù)的多樣性，將沒有一種適合所有用例和所有方案的分析產(chǎn)品。相反，專家說，組織需要考慮長期戰(zhàn)略和他們正在尋找解決的問題，以便為工作選擇合適的工具。“不要在工具集之間劃清界限，重要的是將所有內(nèi)容放到桌面上，看看它們?nèi)绾螀f(xié)同工作，” GE Digital電力和油氣業(yè)務(wù)部門產(chǎn)品管理副總裁Steve Deskevich說。“不要將工業(yè)分析視為附帶項(xiàng)目，因?yàn)槿绻@樣做，您將花費(fèi)大量時間和精力在一個很酷的工程項(xiàng)目上，但不一定會改變業(yè)務(wù)運(yùn)作方式，更多信息盡在振工鏈。”

責(zé)任編輯：gt