اتصال صنعتی و DataOps: آزادسازی ارزش داده‌های تولید

وقتی داده وجود دارد اما استفاده نمی‌شود

کف کارخانه‌ها هر ثانیه حجم عظیمی از داده تولید می‌کنند. بااین‌حال، بیشتر این داده‌ها داخل کنترلرها، حسگرها و تجهیزات قدیمی محبوس می‌مانند. مهندسان اغلب زمان بیشتری را صرف استخراج داده می‌کنند تا استفاده واقعی از آن.

این چالش رویکردی جدید را شکل داده است. تولیدکنندگان به‌جای وادار کردن یک سیستم به انجام همه کارها، اکنون نرم‌افزارهای اتصال‌پذیری را با پلتفرم‌های عملیات داده ترکیب می‌کنند. این دو در کنار هم، سیگنال‌های پراکنده را به هوش عملیاتی قابل‌استفاده تبدیل می‌کنند.

تبدیل سیگنال‌های خام ماشین به هوش تولیدی ساختاریافته و قابل‌استفاده.

رفع مانع داده

چرا دسترسی به داده‌های ماشین دشوار است

بیشتر خطوط تولید، تجهیزات مربوط به چندین دهه را در کنار هم دارند. ممکن است یک کنترلر مدرن در کنار سیستم‌های قدیمی کار کند که از پروتکل‌های کاملاً متفاوتی استفاده می‌کنند. هر دستگاه زبان خاص خود را دارد.

این تنوع یک گلوگاه فنی ایجاد می‌کند. مهندسان برای استخراج مقادیر پایه، باید چندین استاندارد ارتباطی را بشناسند.

از رجیسترهای خام تا اطلاعات معنادار

حتی پس از برقراری اتصال، داده فاقد زمینه است. یک مقدار رجیستر به‌تنهایی عملکرد، کیفیت یا بهره‌وری را توضیح نمی‌دهد. پیش از امکان‌پذیر شدن تحلیل، سیستم‌ها به تفسیر نیاز دارند.

داده بدون ساختار نمی‌تواند از داشبوردها، ابزارهای گزارش‌گیری یا برنامه‌های مبتنی بر هوش مصنوعی پشتیبانی کند.

دو سیستم، دو مسئولیت

پلتفرم‌های اتصال‌پذیری، ارتباط با ماشین را مدیریت می‌کنند

نرم‌افزارهای اتصال‌پذیری بر جمع‌آوری قابل‌اعتماد داده تمرکز دارند. آن‌ها پروتکل‌های اختصاصی را به قالب‌های استانداردی مانند OPC UA یا MQTT ترجمه می‌کنند.

این رویکرد نیاز به کدنویسی سفارشی را از بین می‌برد. مهندسان می‌توانند با استفاده از درایورهای ازپیش‌ساخته، به پلتفرم‌های متنوع PLC، از جمله سیستم‌های اتوماسیون زیمنس یا کنترلرهای آلن-بردلی، متصل شوند.

پلتفرم‌های عملیات داده، سیگنال‌ها را به بینش تبدیل می‌کنند

پس از دسترس‌پذیر شدن داده، پلتفرم‌های عملیات داده به آن ساختار و معنا می‌دهند. آن‌ها ورودی‌های خام را به شاخص‌های تولیدی مانند توان عملیاتی، زمان توقف و نرخ کیفیت سازمان‌دهی می‌کنند.

این تبدیل به سیستم‌های کسب‌وکار اجازه می‌دهد داده‌ها را بدون شناخت پروتکل‌های صنعتی مصرف کنند.

پلتفرم‌های اتصال‌پذیری و عملیات داده با تقسیم مسئولیت‌ها، بهره‌وری و مقیاس‌پذیری را بهبود می‌دهند.

مهندسی خط لوله داده

استانداردسازی در لبه شبکه

پلتفرم‌های اتصال‌پذیری، داده‌ها را در ساختارهایی یکپارچه و سازگار نرمال‌سازی می‌کنند. این کار تضمین می‌کند که سیستم‌های پایین‌دست، بدون توجه به منشأ ماشین، مجموعه‌داده‌هایی یکنواخت دریافت کنند.

این فرایند همچنین یکپارچه‌سازی با پلتفرم‌های SCADA، MES و تحلیل ابری را ساده‌تر می‌کند.

مدل‌سازی زمینه‌ای برای عملیات

سیستم‌های عملیات داده، زمینه عملیاتی را اعمال می‌کنند. آن‌ها سیگنال‌ها را به وضعیت ماشین، خطوط تولید و انواع محصولات نگاشت می‌کنند.

این مرحله، نقاط داده منفرد را به روایت‌های کامل عملیاتی تبدیل می‌کند.

پردازش در لبه، بار سیستم را کاهش می‌دهد

پلتفرم‌های عملیات داده به‌جای ارسال داده خام به ابر، اطلاعات را به‌صورت محلی پردازش می‌کنند. آن‌ها پیش از انتقال، شاخص‌های کلیدی را محاسبه می‌کنند.

این کار مصرف پهنای باند را کاهش می‌دهد و زمان پاسخ‌گویی برای تصمیم‌گیری را بهبود می‌بخشد.

جداسازی جمع‌آوری و پردازش داده، شفافیت و عملکرد سیستم را بهبود می‌دهد.

استقرار واقعی در یک خط تولید

یک خط بسته‌بندی با چندین ماشین را در نظر بگیرید. هر واحد، جریان داده مخصوص خود را با استفاده از پروتکل‌های متفاوت تولید می‌کند.

پلتفرم اتصال‌پذیری این سیگنال‌ها را جمع‌آوری و استاندارد می‌کند. سپس پلتفرم عملیات داده آن‌ها را در یک مدل تولید واحد ترکیب می‌کند.

اپراتورها خروجی‌های شفافی مانند تعداد تولید، نرخ اقلام مردود و عملکرد ماشین دریافت می‌کنند. هیچ تفسیر دستی موردنیاز نیست.

جریان‌های کاری ساختاریافته، انتقال یکپارچه داده از ماشین‌ها به پلتفرم‌های تحلیل را امکان‌پذیر می‌کنند.

جایی که این رویکرد صنعت را تغییر می‌دهد

سیستم‌های تولیدی به‌سوی مدل‌های تصمیم‌گیری بلادرنگ حرکت می‌کنند. داده باید سریع‌تر منتقل شود و معنای بیشتری داشته باشد.

جداسازی اتصال‌پذیری از مدل‌سازی داده به هر لایه اجازه می‌دهد مستقل از دیگری تکامل پیدا کند. این انعطاف‌پذیری از مقیاس‌پذیری بلندمدت پشتیبانی می‌کند.

این رویکرد همچنین با روندهای رایانش لبه و راهبردهای تحول دیجیتال همسو است.

نگاهی عملی از میدان

از دیدگاه مهندسی، این معماری یک ناکارآمدی دیرینه را برطرف می‌کند. پروژه‌های سنتی در هر سطح به سفارشی‌سازی گسترده نیاز داشتند.

با تقسیم مسئولیت‌ها، تیم‌ها زمان توسعه را کاهش می‌دهند و قابلیت اطمینان سیستم را بهبود می‌بخشند. نتیجه، زیرساخت داده‌ای تمیزتر و نگهداشت‌پذیرتر است.

از نظر من، این مدل به استاندارد کارخانه‌های مدرن تبدیل خواهد شد. این مدل نشان می‌دهد سیستم‌های صنعتی در محیطی داده‌محور چگونه باید عمل کنند.

نویسنده: مایکل ترنر، تحلیلگر سیستم‌های صنعتی. دارای ۱۲ سال تجربه در یکپارچه‌سازی اتوماسیون و معماری نرم‌افزارهای صنعتی. سوابق پروژه‌ای پیشین شامل استقرار PLCهای زیمنس و یکپارچه‌سازی سیستم‌های SCADA اشنایدر الکتریک است.