اتصال صنعتی و داده‌محوری: گشودن ارزش داده‌های تولید

وقتی داده وجود دارد اما استفاده نمی‌شود

خطوط تولید کارخانه‌ها هر ثانیه حجم عظیمی از داده‌ها را تولید می‌کنند. با این حال، بیشتر این داده‌ها در داخل کنترل‌کننده‌ها، حسگرها و تجهیزات قدیمی قفل شده باقی می‌مانند. مهندسان اغلب زمان بیشتری را صرف استخراج داده‌ها می‌کنند تا استفاده واقعی از آن‌ها.

این چالش رویکرد جدیدی را شکل داده است. به جای اینکه یک سیستم همه کارها را انجام دهد، تولیدکنندگان اکنون نرم‌افزارهای اتصال را با پلتفرم‌های DataOps ترکیب می‌کنند. این دو با هم سیگنال‌های پراکنده را به هوش عملیاتی قابل استفاده تبدیل می‌کنند.

تبدیل سیگنال‌های خام ماشین به هوش تولید ساختار یافته و قابل استفاده.

شکستن سد داده‌ها

چرا داده‌های ماشین دسترسی دشواری دارند

اکثر خطوط تولید ترکیبی از تجهیزات چندین دهه مختلف هستند. یک کنترل‌کننده مدرن ممکن است در کنار سیستم‌های قدیمی با پروتکل‌های کاملاً متفاوت کار کند. هر دستگاه زبان خاص خود را دارد.

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

از رجیسترهای خام تا اطلاعات معنادار

حتی پس از اتصال، داده‌ها فاقد زمینه هستند. مقدار یک رجیستر به تنهایی عملکرد، کیفیت یا بهره‌وری را توضیح نمی‌دهد. سیستم‌ها نیاز به تفسیر دارند تا تحلیل ممکن شود.

بدون ساختار، داده‌ها نمی‌توانند از داشبوردها، ابزارهای گزارش‌دهی یا برنامه‌های مبتنی بر هوش مصنوعی پشتیبانی کنند.

دو سیستم، دو مسئولیت

پلتفرم‌های اتصال ارتباط ماشین را مدیریت می‌کنند

نرم‌افزار اتصال بر جمع‌آوری داده‌های قابل اعتماد تمرکز دارد. این نرم‌افزار پروتکل‌های اختصاصی را به فرمت‌های استانداردی مانند OPC UA یا MQTT ترجمه می‌کند.

این رویکرد نیاز به کدنویسی سفارشی را حذف می‌کند. مهندسان می‌توانند با استفاده از درایورهای از پیش ساخته شده به پلتفرم‌های متنوع PLC، از جمله سیستم‌های اتوماسیون زیمنس یا کنترل‌کننده‌های آلن-برادلی متصل شوند.

پلتفرم‌های DataOps سیگنال‌ها را به بینش تبدیل می‌کنند

پس از دسترسی به داده‌ها، پلتفرم‌های DataOps ساختار و معنا به آن اضافه می‌کنند. آن‌ها ورودی‌های خام را به شاخص‌های تولید مانند توان عملیاتی، زمان توقف و نرخ کیفیت سازماندهی می‌کنند.

این تبدیل به سیستم‌های کسب‌وکار اجازه می‌دهد بدون نیاز به درک پروتکل‌های صنعتی، داده‌ها را مصرف کنند.

پلتفرم‌های اتصال و DataOps مسئولیت‌ها را تقسیم می‌کنند تا کارایی و مقیاس‌پذیری را بهبود بخشند.

مهندسی خط لوله داده

استانداردسازی در لبه

پلتفرم‌های اتصال داده‌ها را به ساختارهای یکنواخت تبدیل می‌کنند. این اطمینان می‌دهد که سیستم‌های پایین‌دستی مجموعه داده‌های یکسانی دریافت می‌کنند، بدون توجه به منبع ماشین.

همچنین ادغام با سیستم‌های SCADA، MES و پلتفرم‌های تحلیل ابری را ساده می‌کند.

مدل‌سازی زمینه‌ای برای عملیات

سیستم‌های DataOps زمینه عملیاتی را اعمال می‌کنند. آن‌ها سیگنال‌ها را به وضعیت‌های ماشین، خطوط تولید و انواع محصول نگاشت می‌کنند.

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

پردازش در لبه بار سیستم را کاهش می‌دهد

به جای ارسال داده خام به ابر، پلتفرم‌های DataOps اطلاعات را به صورت محلی پردازش می‌کنند. آن‌ها شاخص‌های کلیدی را قبل از انتقال محاسبه می‌کنند.

این کار مصرف پهنای باند را کاهش داده و زمان پاسخ برای تصمیم‌گیری را بهبود می‌بخشد.

جداسازی جمع‌آوری و پردازش داده‌ها وضوح و عملکرد سیستم را بهبود می‌بخشد.

استقرار واقعی در یک خط تولید

یک خط بسته‌بندی با چندین ماشین را در نظر بگیرید. هر واحد جریان داده خاص خود را با پروتکل‌های مختلف تولید می‌کند.

پلتفرم اتصال این سیگنال‌ها را جمع‌آوری و استاندارد می‌کند. سپس پلتفرم DataOps آن‌ها را به یک مدل تولید واحد ترکیب می‌کند.

اپراتورها خروجی‌های واضحی مانند تعداد تولید، نرخ رد و عملکرد ماشین دریافت می‌کنند. نیازی به تفسیر دستی نیست.

جریان‌های کاری ساختار یافته امکان جریان بی‌وقفه داده از ماشین‌ها به پلتفرم‌های تحلیلی را فراهم می‌کنند.

جایی که این رویکرد صنعت را تغییر می‌دهد

سیستم‌های تولید به سمت مدل‌های تصمیم‌گیری در زمان واقعی حرکت می‌کنند. داده‌ها باید سریع‌تر منتقل شده و معنای بیشتری داشته باشند.

جداسازی اتصال از مدل‌سازی داده اجازه می‌دهد هر لایه به طور مستقل تکامل یابد. این انعطاف‌پذیری از مقیاس‌پذیری بلندمدت پشتیبانی می‌کند.

همچنین با روندهای محاسبات لبه و استراتژی‌های تحول دیجیتال همسو است.

دیدگاه عملی از میدان

از دید مهندسی، این معماری یک ناکارآمدی دیرینه را حل می‌کند. پروژه‌های سنتی نیاز به سفارشی‌سازی سنگین در هر سطح داشتند.

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

به نظر من، این مدل به استاندارد کارخانه‌های مدرن تبدیل خواهد شد. این بازتابی است از نحوه عملکرد سیستم‌های صنعتی در محیطی مبتنی بر داده.

نویسنده: مایکل ترنر، تحلیل‌گر سیستم‌های صنعتی. ۱۲ سال تجربه در ادغام اتوماسیون و معماری نرم‌افزار صنعتی. نقش‌های پروژه‌ای سابق شامل استقرار PLC زیمنس و ادغام سیستم SCADA اشنایدر الکتریک.