Jak dane z czujników fabrycznych stają się użytecznymi informacjami decyzyjnymi

Nowoczesne fabryki generują niezwykłe ilości danych z czujników. Czujniki fotoelektryczne wykrywają produkty, enkodery śledzą ruch, kamery kontrolują powierzchnie, a czujniki drgań monitorują urządzenia wirujące. Pomiary temperatury, ciśnienia, odległości, momentu obrotowego, prędkości, położenia i dźwięku przepływają nieprzerwanie przez systemy produkcyjne.

Mimo to wiele zakładów nadal wykorzystuje tylko niewielką część tych informacji. Czujnik zmienia stan, programowalny sterownik logiczny reaguje, a pierwotny pomiar znika w kolejnym cyklu pracy maszyny. Sygnał wykonuje swoje bezpośrednie zadanie sterujące, ale jego szersza wartość operacyjna pozostaje niewykorzystana.

Ta luka stanowi jedną z najważniejszych szans we współczesnym przemyśle wytwórczym. Zakłady doskonale radzą sobie z gromadzeniem sygnałów, ale w wielu z nich nadal mniej skutecznie przekształca się te sygnały w wiedzę na potrzeby utrzymania ruchu, informacje dotyczące jakości, usprawnienia procesów i decyzje zarządcze.

Wyzwanie nie polega po prostu na instalowaniu większej liczby czujników. Chodzi o zbudowanie niezawodnej ścieżki od fizycznego pomiaru do działania operacyjnego. Ścieżka ta obejmuje kilka warstw technicznych, w tym urządzenia polowe, sterowanie maszyną, sieci przemysłowe, przetwarzanie brzegowe, przechowywanie danych, oprogramowanie analityczne i systemy przedsiębiorstwa.

Rysunek 1. Nowoczesne systemy produkcyjne generują ogromne ilości danych operacyjnych, choć znaczna ich część nigdy nie wychodzi poza podstawowe sterowanie maszyną.

Zrozumienie wzajemnego oddziaływania tych warstw pomaga producentom unikać odizolowanych projektów pilotażowych i rozproszonych platform danych. Zapobiega również częstemu błędowi: wysyłaniu każdego dostępnego pomiaru do centralnej bazy danych bez wcześniejszego określenia, w jaki sposób informacje będą wspierać produkcję.

Praktyczna strategia wykorzystania danych z czujników zaczyna się przy maszynie, przebiega przez sieć i kończy na użytecznej analityce operacyjnej. Każda warstwa pełni inną funkcję. Każda ma również własne wymagania dotyczące czasu reakcji, ograniczenia inżynieryjne i ryzyko awarii.

Różnica między sygnałem a informacją operacyjną

Sygnał z czujnika staje się użyteczną informacją dopiero wtedy, gdy system doda kontekst. Surowa wartość 68 niewiele znaczy bez jednostki, sygnatury czasowej, identyfikatora zasobu, stanu pracy, zakresu pomiarowego i odniesienia do procesu.

Wartość może oznaczać 68 stopni Celsjusza, 68 milimetrów, 68% obciążenia silnika lub 68 mikrometrów przemieszczenia. Nawet gdy znana jest jednostka inżynierska, interpretacja pomiaru może być trudna bez wiedzy o tym, co robiła maszyna.

Kontekst pozwala odróżnić anomalię procesu od normalnego działania. Wzrost drgań podczas przyspieszania może być spodziewany. Taki sam wzrost przy stałej prędkości może wskazywać na niewyważenie, poluzowanie, niewspółosiowość, zużycie łożyska lub zewnętrzne zakłócenie mechaniczne.

Stan produkcji również ma znaczenie. Ciśnienia rejestrowanego podczas czyszczenia, przezbrajania, rozgrzewania, postoju i produkcji z pełną wydajnością nie zawsze można oceniać według tego samego limitu. Analityka ignorująca stan pracy często generuje fałszywe alarmy.

Z tego powodu analityka operacyjna wymaga czegoś więcej niż śledzenia trendów historycznych. System musi łączyć pomiary z trybem pracy maszyny, recepturą produktu, zleceniem produkcyjnym, partią materiału, działaniem operatora, historią konserwacji i warunkami środowiskowymi.

Przejście od sygnału do informacji można przedstawić jako sekwencję. Czujnik najpierw wykrywa stan fizyczny. Następnie sterownik interpretuje ten stan w ramach procedury sterowania. Sieć przesyła dane, urządzenie brzegowe je porządkuje, a platforma analityczna ocenia je w czasie.

Na końcowym etapie pomiar powinien wspierać konkretną decyzję. Może ona dotyczyć zatrzymania maszyny, dostosowania wartości zadanej, zaplanowania kontroli, wymiany narzędzia, odrzucenia produktu lub zmiany okresu między przeglądami.

Bez tej ścieżki decyzyjnej gromadzenie danych może stać się kosztownym magazynowaniem informacji. Dlatego udane projekty zaczynają się od pytań operacyjnych, a nie od zakupu technologii.

Dane na poziomie maszyny nadal mają najwyższy priorytet czasowy

To na poziomie maszyny dane z czujników po raz pierwszy wpływają na produkcję. Jego podstawowym zadaniem jest działanie deterministyczne. System sterowania musi odczytywać wejścia, wykonywać logikę i aktualizować wyjścia w przewidywalnym czasie.

Na tym poziomie podstawowe produkty do pomiaru i detekcji nadal są niezbędne. Czujniki fotoelektryczne potwierdzają obecność produktu. Czujniki indukcyjne wykrywają metalowe obiekty. Enkodery dostarczają informacji zwrotnej o położeniu i prędkości. Przetworniki ciśnienia monitorują układy pneumatyczne i hydrauliczne. Kamery kontrolują komponenty i kierują ruchem robotów.

Urządzenia te przekształcają zdarzenia fizyczne w informacje elektryczne lub cyfrowe, które maszyny mogą interpretować. Ich bezpośredni cel jest zwykle prosty: sprawdzić stan i wywołać właściwą reakcję.

Enkoder może wskazywać, że przenośnik osiągnął zadaną pozycję. Sterownik zatrzymuje wtedy napęd lub przechodzi do kolejnego etapu sekwencji. Kamera może wykryć wadliwe opakowanie i uruchomić mechanizm odrzucający kilka stanowisk dalej.

Czujnik zbliżeniowy może potwierdzić, że siłownik zakończył skok. Presostat może uniemożliwić pracę maszyny, gdy ciśnienie zasilania spadnie poniżej bezpiecznego progu. Czujnik bezpieczeństwa może odłączyć moment napędowy, gdy operator wejdzie do strefy chronionej.

Te zadania wymagają szybkiego i niezawodnego przetwarzania danych. Nie mogą czekać na platformę chmurową ani bazę danych dla przedsiębiorstw. Blokady sterowania, pętle ruchu i funkcje ochrony maszyny muszą pozostać lokalne w systemie automatyki.

Ten podział ma kluczowe znaczenie. Analityka może wspierać sterowanie, ale nie powinna wprowadzać nieprzewidywalnych opóźnień sieciowych do funkcji maszynowych wymagających reakcji w czasie krytycznym. Najszybsze decyzje dotyczące ochrony i sterowania powinny być podejmowane w pobliżu urządzeń.

Producenci powinni zatem unikać traktowania wszystkich danych z czujników jednakowo. Niektóre dane sterują maszynami w milisekundach. Inne wspierają decyzje dotyczące utrzymania ruchu w perspektywie dni lub tygodni. Architektura powinna odzwierciedlać te różne horyzonty czasowe.

Warstwa maszynowa również określa jakość danych. Nieprawidłowe skalowanie, niestabilne okablowanie, niewłaściwy montaż, nieodpowiednie częstotliwości próbkowania i niespójna konfiguracja urządzeń zanieczyszczą każdą wyższą warstwę analityczną.

Żadna platforma programowa nie jest w stanie w pełni zrekompensować niewiarygodnych pomiarów obiektowych. Przed zbudowaniem pulpitów nawigacyjnych inżynierowie muszą potwierdzić, że czujniki zostały prawidłowo dobrane, zamontowane, skalibrowane i są właściwie utrzymywane.

Podstawowe czujniki często zawierają więcej informacji, niż wykorzystuje PLC

Tradycyjne programy sterowania często sprowadzają działanie czujnika do jednego warunku logicznego. Urządzenie staje się włączone albo wyłączone, obecne albo nieobecne, sprawne albo wadliwe.

Takie podejście jest odpowiednie dla wielu sekwencji maszynowych, ale może ukrywać dodatkowe informacje. Czujnik odległości może dostarczać ciągły pomiar, nawet gdy PLC wykorzystuje tylko próg przełączania. Inteligentny czujnik fotoelektryczny może raportować natężenie sygnału, poziom zabrudzenia, temperaturę pracy i stan diagnostyczny.

Enkoder może dostarczać położenie na potrzeby sterowania, a jednocześnie generować dane o zmianach prędkości, przyspieszeniu, kierunku i synchronizacji. System wizyjny może przekazywać wynik pozytywny lub negatywny, zachowując jednocześnie pomiary dotyczące wymiarów, kontrastu, orientacji, jakości kodu lub lokalizacji wady.

Niewykorzystane informacje mogą ujawniać stopniowe zmiany procesu. Spadek natężenia sygnału optycznego może wskazywać na zabrudzenie soczewki. Wydłużający się czas ruchu siłownika może sugerować wyciek powietrza, tarcie lub zacieranie mechanizmu. Wzrost prądu silnika podczas powtarzalnego ruchu może wskazywać na zmiany obciążenia lub zużycie elementu.

Wzorce te rzadko powodują natychmiastową awarię. Mogą jednak dostarczać wczesnych oznak pogorszenia stanu. Kluczowe jest zachowanie pomiaru, zanim program sterujący sprowadzi go do prostego bitu stanu.

Producenci maszyn mogą wspierać ten cel, projektując wielokrotnego użytku struktury danych. Każdy ważny zasób powinien mieć zdefiniowane tagi określające stan pracy, polecenie, sprzężenie zwrotne, liczbę cykli, stan alarmowy, wartość procesu, stan diagnostyczny i jakość danych.

Spójne nazewnictwo również ma znaczenie. Porównywanie danych staje się trudne, gdy jedna linia używa nazwy „Motor_Spd”, druga „DriveSpeed”, a trzecia „ConveyorRPM” dla tego samego pojęcia.

Ustandaryzowany model zasobów ogranicza nakład pracy związany z integracją. Pomaga także zespołom utrzymania ruchu, operacyjnym i analitycznym interpretować dane bez odtwarzania logiki każdego programu PLC.

Dane z systemów wizyjnych i enkoderów mogą wykraczać poza bezpośrednie sterowanie

Kamery przemysłowe i enkodery szczególnie dobrze ilustrują różnicę między danymi sterowania a danymi analitycznymi. Oba urządzenia wspierają natychmiastowe funkcje maszyny, a jednocześnie mogą dostarczać cennych danych historycznych.

Kamera 2D lub 3D może rejestrować geometrię, kolor, kontrast, stan powierzchni, orientację oraz informacje zawarte w kodzie. System sterowania może potrzebować jedynie wyniku pozytywnego lub negatywnego. Inżynierowie jakości mogą potrzebować znacznie więcej.

Historyczne dane z inspekcji mogą pokazać, czy wskaźniki wad zmieniają się w zależności od zmiany, partii dostawcy, gniazda formy, prędkości produkcji lub warunków otoczenia. Obrazy wad mogą wspierać analizę przyczyn źródłowych i pomagać w doskonaleniu algorytmów rozpoznawania.

Zamiast bezterminowo rejestrować każdy obraz w wysokiej rozdzielczości, zakłady mogą przechowywać wybrane dowody. Przykłady obejmują obrazy odrzuconych produktów, obrazy wykonane przy wartościach bliskich granicom tolerancji, okresowe obrazy referencyjne lub obliczone cechy inspekcyjne.

Enkodery oferują podobne możliwości. Ich głównym zadaniem jest zapewnienie dokładnego sprzężenia zwrotnego położenia i prędkości. Jednak historyczne dane o ruchu mogą ujawniać rozwijające się problemy mechaniczne.

Powtarzające się zmiany błędu położenia mogą wskazywać na wydłużenie paska, przemieszczenie sprzęgła, luz zwrotny lub zmienność obciążenia. Wydłużenie czasu ustalania może sugerować tarcie lub pogorszenie dostrojenia serwonapędu. Krótkotrwałe zakłócenia prędkości mogą ujawniać sporadyczny kontakt z produktem lub zakłócenia mechaniczne.

Rysunek 2. Czujniki maszyny mogą wspierać natychmiastowe sterowanie, a jednocześnie ujawniać zmiany obciążenia, dokładności, zużycia i stabilności procesu.

Takie zastosowania analityczne wymagają odpowiednich strategii próbkowania i przechowywania danych. Rejestrowanie jednej wartości średniej co godzinę nie ujawni krótkotrwałego zakłócenia ruchu. Rejestrowanie danych co mikrosekundę bez ograniczeń czasowych powoduje niepotrzebne obciążenie pamięci masowej i sieci.

Właściwa częstotliwość próbkowania zależy od zjawiska fizycznego. Powolny dryft temperatury może wymagać jednej próbki co kilka sekund. Analiza ruchu może wymagać znacznie szybszego próbkowania. Monitorowanie drgań może wymagać danych przebiegu czasowego i przetwarzania w dziedzinie częstotliwości.

Zespoły inżynieryjne powinny dobierać częstotliwość próbkowania do trybów awarii i charakterystyki procesu. Większa liczba próbek nie gwarantuje automatycznie lepszych wniosków.

Przekształcanie danych reaktywnych we wskaźniki stanu

Analityka na poziomie maszyny często zaczyna się od tworzenia wskaźników stanu na podstawie danych już dostępnych w systemie sterowania. Wskaźniki te podsumowują zachowanie bez zastępowania pierwotnej funkcji sterowania.

Rozważmy siłownik pneumatyczny. Sterownik PLC już rejestruje moment zadziałania elektrozaworu wyjściowego oraz moment zmiany stanu czujnika położenia krańcowego. Różnica między tymi znacznikami czasu odpowiada czasowi ruchu.

Śledzenie czasu ruchu przez tysiące cykli może ujawnić stopniową degradację. Wydłużenie czasu wysuwu może wskazywać na niskie ciśnienie, ograniczenie przepływu, zużycie uszczelnienia, zanieczyszczenie, niewspółosiowość lub narastający opór mechaniczny.

Ta sama metoda ma zastosowanie do styczników, zaworów, stołów indeksujących, zacisków, drzwi, podnośników i mechanizmów transferowych. Wiele elementów maszyn ma mierzalne czasy reakcji.

Informacyjne mogą być także różnice między kolejnymi cyklami. Średni czas skoku może nadal być akceptowalny, podczas gdy jego zmienność rośnie. Zwiększająca się zmienność może wskazywać na niestabilne zasilanie powietrzem, niejednorodne obciążenie lub występujące okresowo tarcie mechaniczne.

Dane silnika i napędu stanowią kolejne łatwo dostępne źródło informacji. Prąd, moment obrotowy, błąd prędkości, obciążenie cieplne, czas pracy, liczba uruchomień i historia usterek mogą już znajdować się w napędzie.

Zamiast od razu instalować dodatkowy czujnik, inżynierowie mogą najpierw przeanalizować dane diagnostyczne dostępne za pośrednictwem sieci napędu. Rosnące zapotrzebowanie na moment obrotowy podczas stałej pracy maszyny może sygnalizować zużycie lub opór produktu.

Należy jednak ostrożnie interpretować wskaźniki wywnioskowane z danych. Sam prąd silnika nie identyfikuje konkretnej usterki mechanicznej. Wskazuje zmianę obciążenia. Personel utrzymania ruchu nadal potrzebuje wiedzy o procesie i dodatkowych dowodów.

Dobra analityka zawęża obszar poszukiwań. Nie udaje, że jeden sygnał wyjaśnia każdą awarię.

Przetwarzanie brzegowe nie pozwala, aby sieć stała się wysypiskiem danych

W miarę jak maszyny wytwarzają coraz bogatsze dane, przetwarzanie brzegowe zyskuje na znaczeniu. Urządzenie brzegowe przetwarza informacje blisko ich źródła, zanim przekaże wybrane wyniki do systemów wyższego poziomu.

Taki układ ogranicza zapotrzebowanie na pasmo, skraca czas reakcji i zmniejsza ilość niepotrzebnie przechowywanych danych. Umożliwia także kontynuowanie lokalnej analityki, gdy połączenie z systemem nadrzędnym jest niedostępne.

Przetwarzanie brzegowe może wykonywać filtrowanie, agregację, normalizację, kompresję, wykrywanie zdarzeń, konwersję protokołów i lokalną wizualizację. Może obliczać średnie, odchylenia standardowe, szybkości zmian, czasy cykli, zużycie energii na jednostkę lub wskaźniki stanu.

W monitorowaniu drgań procesor brzegowy może przekształcać dane przebiegów o wysokiej częstotliwości na całkowity poziom drgań, wartości szczytowe, pasma częstotliwości i cechy diagnostyczne. Sieć maszynową muszą opuszczać jedynie istotne zdarzenia lub zagregowane trendy.

W przypadku aplikacji wizyjnej warstwa brzegowa może przechowywać odrzucone obrazy, przesyłając jednocześnie kategorie wad i pomiary. W przypadku enkodera może obliczać odchylenie położenia i powtarzalność cyklu zamiast przekazywać każdy impuls.

Takie podejście zachowuje surowe dane tam, gdzie mają one bezpośrednią wartość, a jednocześnie udostępnia znaczące cechy innym systemom.

Logika brzegowa powinna pozostać przejrzysta i łatwa w utrzymaniu. Ukryte obliczenia wewnątrz nieudokumentowanej bramy mogą powodować długoterminowe problemy z obsługą. Inżynierowie potrzebują jasnych definicji każdej wartości pochodnej, w tym jednostek, częstotliwości aktualizacji, limitów i warunków resetowania.

Warstwa brzegowa musi również obsługiwać nieprawidłowe dane. Odłączony czujnik, nieaktualna wartość, przekroczenie limitu czasu komunikacji lub pomiar poza zakresem nie powinny być interpretowane jako prawidłowe zero.

Flagi jakości danych pomagają aplikacjom niższego poziomu odróżniać rzeczywiste warunki procesu od awarii aparatury pomiarowej. Bez tych flag systemy analityczne mogą uczyć się na podstawie uszkodzonych danych i generować mylące wnioski.

Warstwa sieciowa łączy urządzenia, nie zarządzając procesem

Warstwa łączności przesyła informacje między czujnikami, sterownikami, urządzeniami brzegowymi, systemami nadrzędnymi, bazami danych historycznych i aplikacjami korporacyjnymi. Jej zadanie wykracza poza przesyłanie pakietów. Musi zachowywać synchronizację czasową, tożsamość, jakość i bezpieczeństwo.

Współczesne zakłady rzadko korzystają z jednego standardu komunikacji. Pojedynczy obiekt może łączyć okablowanie dyskretne, sygnały analogowe, IO-Link, przemysłowe protokoły oparte na Ethernet, sieci szeregowe, systemy magistrali obiektowej, urządzenia bezprzewodowe i interfejsy specyficzne dla danego dostawcy.

Ta heterogeniczność odzwierciedla dziesięciolecia inwestycji w urządzenia. Nowe projekty analityczne muszą zazwyczaj łączyć nowoczesne urządzenia ze starszymi maszynami, zamiast zastępować całą architekturę zakładu.

Urządzenia Sensor Integration Gateway i Sensor Integration Machine rozwiązują część tego problemu. Brama może zbierać informacje z wielu czujników i udostępniać je za pośrednictwem protokołu przemysłowego wyższego poziomu.

Na przykład master IO-Link umożliwia zgodnym czujnikom wymianę wartości procesowych, parametrów, danych identyfikacyjnych i informacji diagnostycznych za pośrednictwem znormalizowanych połączeń punkt-punkt.

Ta funkcja upraszcza wymianę urządzeń i konfigurację. Zamiast ręcznie konfigurować każdy wymieniony czujnik, system sterowania lub urządzenie nadrzędne może przywrócić zdefiniowane parametry.

Urządzenia Sensor Integration Machine dodają lokalne możliwości obliczeniowe. Mogą zbierać dane z kilku typów czujników, przetwarzać je i prezentować platformom programowym lub aplikacjom przemysłowym w spójnym formacie.

Urządzenia te pełnią funkcję agregatorów, mostów protokołów i komputerów brzegowych. Ich wartość rośnie, gdy zmniejszają złożoność integracji, zamiast tworzyć kolejną odizolowaną wyspę danych.

Zakłady rozbudowujące tę warstwę mogą zapoznać się z odpowiednimi komponentami przemysłowej komunikacji i sieci podczas integrowania bram, urządzeń zdalnych, sterowników i systemów nadrzędnych w ramach zróżnicowanych platform automatyki.

IO-Link zapewnia diagnostykę bez zastępowania deterministycznego sterowania

IO-Link jest szczególnie przydatny tam, gdzie zakłady chcą uzyskać więcej informacji diagnostycznych z konwencjonalnych czujników i elementów wykonawczych. Zachowuje proste połączenie urządzeń punkt-punkt, jednocześnie dodając komunikację cyfrową.

Sterownik może odbierać podstawową wartość procesu wraz z identyfikacją urządzenia i informacjami o jego stanie. W zależności od urządzenia dostępne dane mogą obejmować temperaturę pracy, jakość sygnału, ostrzeżenia o zanieczyszczeniu, liczbę cykli przełączania, wartości konfiguracji i zdarzenia diagnostyczne.

Te dodatkowe informacje wspierają utrzymanie ruchu i przyspieszają rozwiązywanie problemów. Technik może szybciej odróżnić zablokowaną ścieżkę optyczną od awarii urządzenia lub problemu z okablowaniem.

Identyfikacja urządzeń ogranicza również błędy podczas wymiany. Personel utrzymania ruchu może sprawdzić, czy zainstalowany model odpowiada wymaganej konfiguracji.

Jednak IO-Link nie tworzy automatycznie użytecznej analityki. Zakłady nadal potrzebują uporządkowanych tagów, zasad przechowywania danych, priorytetów alarmów i procesów utrzymania ruchu.

Gromadzenie każdego dostępnego bajtu diagnostycznego bez określenia jego przeznaczenia może przeciążyć zespoły inżynierskie. Projekt powinien wskazać, które stany sygnalizują pogorszenie, które wymagają natychmiastowego działania, a które służą wyłącznie do rozwiązywania problemów.

Praktyczne wdrożenie można rozpocząć od kilku urządzeń o wysokiej wartości. Czujniki narażone na zanieczyszczenia, częstą regulację, uszkodzenia mechaniczne lub trudny dostęp często stanowią najlepszy punkt wyjścia.

Inżynierowie mogą wtedy porównywać ostrzeżenia diagnostyczne z rzeczywistymi ustaleniami z prac konserwacyjnych. Taka walidacja pozwala określić, czy informacje przewidują przydatne zdarzenia, czy tylko dodają szum.

Normalizacja danych jest ważniejsza niż konwersja protokołu

Podłączenie urządzeń za pomocą wspólnego protokołu nie gwarantuje, że ich dane będzie można porównywać. Dwa czujniki mogą komunikować się prawidłowo, a jednocześnie używać różnych jednostek, skal, konwencji nazewniczych, kodów stanu i częstotliwości aktualizacji.

Jedno urządzenie do pomiaru temperatury może raportować stopnie Celsjusza jako wartość zmiennoprzecinkową. Inne może przesyłać liczbę całkowitą wymagającą podzielenia przez dziesięć. Trzecie może podawać stopnie Fahrenheita, chyba że zostanie ręcznie skonfigurowane.

Normalizacja przekształca te różnice w spójne reprezentacje inżynierskie. Ustanawia również wspólne definicje stanu zasobu, ważności alarmu, jakości danych i źródła pomiaru.

Tożsamość zasobu wymaga szczególnej uwagi. Baza danych musi rozróżniać fizyczny czujnik, miejsce jego instalacji, monitorowane przez niego urządzenie oraz proces produkcyjny obsługiwany przez to urządzenie.

Czujnik może zostać wymieniony, podczas gdy miejsce pomiaru pozostaje bez zmian. Analiza historyczna powinna być kontynuowana po wymianie, jednak dokumentacja konserwacyjna powinna nadal wskazywać pierwotne i zastępcze urządzenie.

Synchronizacja czasowa jest równie ważna. Danych z kilku sterowników nie można dokładnie oceniać, gdy ich zegary znacznie się różnią. Analiza sekwencji, odtwarzanie przebiegu zdarzeń i badanie zależności przyczynowo-skutkowych zależą od wiarygodnych znaczników czasu.

Zakłady powinny określić spójną strategię synchronizacji czasu. Powinny również udokumentować, czy znaczniki czasu pochodzą z czujnika, sterownika, bramy, serwera czy bazy danych.

Opóźnienia w sieci mogą wpływać na kolejność zdarzeń. Wartość, która dotrze do serwera jako pierwsza, mogła nie wystąpić jako pierwsza w procesie. Znaczniki czasu ze źródła pomagają zachować rzeczywistą sekwencję.

Rysunek 3. Dane na poziomie sieci stają się wartościowe, gdy wiele urządzeń udostępnia spójne informacje o czasie, kontekście, nazewnictwie i jakości.

Przepustowość sieci musi odpowiadać przypadkowi użycia danych

Wolumen danych z czujników może szybko wzrosnąć. Kilka bitów stanu generuje minimalny ruch sieciowy. Wiele kamer o wysokiej rozdzielczości, przebiegi drgań i szybkie pomiary ruchu tworzą zupełnie inne wymagania.

Zakłady powinny obliczyć wolumen danych przed wdrożeniem. Obliczenia powinny uwzględniać częstotliwość próbkowania, rozmiar wartości, liczbę urządzeń, narzut protokołu, okres przechowywania, redundancję oraz przewidywany wzrost.

Dane powinny być również klasyfikowane według pilności. Polecenie sterujące ma inne wymagania czasowe niż cotygodniowy trend konserwacyjny. Mieszanie ich bez segmentacji może zagrozić zarówno wydajności, jak i cyberbezpieczeństwu.

Projekt sieci przemysłowej może obejmować oddzielne strefy sterowania maszynami, ruchu nadzorczego, gromadzenia danych w historianie, dostępu inżynierskiego i integracji z systemami przedsiębiorstwa.

Zarządzane przełączniki, mechanizmy jakości usług, redundancja i monitorowanie ruchu mogą poprawić niezawodność. Technologia nie zastępuje jednak dokumentacji. Inżynierowie nadal potrzebują dokładnych schematów sieci, wykazów urządzeń, przypisań portów, rejestrów oprogramowania układowego oraz konfiguracji zapasowych.

Zakłady powinny również określić zachowanie systemu podczas utraty komunikacji. Maszyna nie powinna stawać się niebezpieczna z powodu niedostępności serwera analitycznego.

Sterowanie lokalne musi być kontynuowane zgodnie z projektem maszyny. Bramy powinny w odpowiednich przypadkach buforować dane, oznaczać przerwy w komunikacji i przywracać synchronizację po ponownym nawiązaniu połączenia.

Brakujące dane muszą pozostać widoczne. Ciche uzupełnianie luk poprzednimi wartościami może prowadzić do powstawania fałszywych trendów. Aplikacje analityczne powinny odróżniać stabilny proces od okresu, w którym nie była dostępna prawidłowa wartość pomiaru.

Cyberbezpieczeństwo zaczyna się od ograniczenia zbędnych połączeń

Każda nowa ścieżka danych stwarza potencjalne konsekwencje operacyjne i związane z cyberbezpieczeństwem. Połączenie sieci czujników z oprogramowaniem przedsiębiorstwa może ujawnić urządzenia, które wcześniej były odizolowane.

Bezpieczna architektura wykorzystuje segmentację, kontrolowane interfejsy, uwierzytelniony dostęp, uprawnienia zgodne z zasadą najmniejszych uprawnień oraz monitorowane ścieżki komunikacji.

Platformy analityczne zazwyczaj potrzebują dostępu tylko do odczytu, aby przetwarzać dane. Nie powinny automatycznie otrzymywać uprawnień do zmiany logiki sterowników, parametrów czujników, ustawień napędów ani limitów bezpieczeństwa.

Dostęp do zapisu powinien być ograniczony i uzasadniony. Silnik rekomendacji może sugerować zmianę wartości zadanej, ale zatwierdzona warstwa sterowania powinna ją zweryfikować i zastosować.

Zdalny dostęp serwisowy wymaga podobnej dyscypliny. Dostęp tymczasowy, uwierzytelnianie wieloskładnikowe, rejestrowanie aktywności i określone procedury zatwierdzania zmniejszają ryzyko.

Kolejną kwestią jest zarządzanie urządzeniami. Inteligentne czujniki i bramy mogą zawierać oprogramowanie układowe, interfejsy internetowe, dane uwierzytelniające, certyfikaty i pliki konfiguracyjne. Zasoby te wymagają ewidencji oraz zarządzania cyklem życia.

Domyślne hasła i niezarządzane oprogramowanie układowe mogą podważyć nawet dobrze zaprojektowany projekt analityczny. Zakłady powinny uwzględniać urządzenia brzegowe i inteligentne czujniki w swoim programie bezpieczeństwa technologii operacyjnej.

Bezpieczeństwa nie należy dodawać po wdrożeniu. Strefy sieciowe, przepływy danych, role użytkowników, metody tworzenia kopii zapasowych i procedury odzyskiwania danych powinny zostać zdefiniowane podczas opracowywania architektury.

Warstwa przedsiębiorstwa łączy pomiary z wynikami biznesowymi

Warstwa analityki na poziomie przedsiębiorstwa wykorzystuje dane z czujników w wielu maszynach, liniach produkcyjnych lub zakładach. Jej celem nie jest samo wyświetlanie większej liczby pulpitów nawigacyjnych. Powinna łączyć zachowanie urządzeń z mierzalnymi wynikami operacyjnymi.

Przykłady obejmują skrócenie przestojów, zwiększenie uzysku, zmniejszenie zużycia energii, wydłużenie okresu eksploatacji zasobów, ograniczenie nakładu pracy przy konserwacji, szybsze rozwiązywanie problemów i większą stabilność tempa produkcji.

Na tym poziomie dane z czujników mogą być łączone z systemami realizacji produkcji, skomputeryzowanymi systemami zarządzania utrzymaniem ruchu, bazami danych jakości, harmonogramami produkcji, systemami zarządzania zapasami i platformami planowania zasobów przedsiębiorstwa.

Dodatkowy kontekst pozwala zadawać bardziej wartościowe pytania. Zamiast pytać, czy silnik się przegrzewa, przedsiębiorstwo może sprawdzić, czy wzrost temperatury koreluje z typem produktu, prędkością produkcji, warunkami otoczenia, historią konserwacji lub zużyciem energii.

Zamiast zliczać odrzucone produkty, analitycy mogą ustalić, które kategorie wad występują w zależności od partii materiału, receptury maszyny, stanu oprzyrządowania, zmiany lub dostawcy.

Analityka na poziomie przedsiębiorstwa umożliwia również porównywanie podobnych zasobów. Zakład może eksploatować dwadzieścia porównywalnych pomp. Jedna z nich może zużywać więcej energii, silniej wibrować lub wymagać częstszej konserwacji w podobnych warunkach pracy.

Takie porównanie może ujawnić problemy, których nie wykrywają stałe limity alarmowe. Pompa może pozostawać poniżej progu alarmowego, a jednocześnie działać znacznie gorzej niż podobne urządzenia.

Jednak porównywanie wymaga znormalizowanych danych i dokładnego kontekstu operacyjnego. Nie należy szeregować zasobów bez uwzględnienia prędkości, obciążenia, płynu procesowego, cyklu pracy i warunków środowiskowych.

Konserwacja predykcyjna zaczyna się od zdefiniowanych trybów awarii

Konserwacja predykcyjna pozostaje jednym z najczęstszych zastosowań analityki danych z czujników. Jest również jednym z najczęściej błędnie rozumianych.

Celem nie jest przewidywanie każdej awarii z doskonałą dokładnością. Praktycznym celem jest odpowiednio wczesne wykrywanie istotnego pogorszenia stanu, aby usprawnić decyzje dotyczące utrzymania ruchu.

Dobry projekt zaczyna się od określenia zasobu i mechanizmu awarii. Inżynierowie powinni ustalić, w jaki sposób komponent ulega awarii, jakie zmiany fizyczne zachodzą wcześniej oraz które pomiary mogą je wykryć.

W przypadku łożyska przydatne informacje mogą obejmować drgania, temperaturę, prędkość, stan smarowania i obciążenie. W przypadku filtra najbardziej jednoznacznym wskaźnikiem może być różnica ciśnień. W systemie pneumatycznym spadek ciśnienia i czas przesuwu siłownika mogą ujawnić nieszczelność.

W przypadku połączenia elektrycznego wzrost temperatury pod obciążeniem może wskazywać na zwiększający się opór. W przypadku pompy może być konieczna łączna ocena drgań, ciśnienia, przepływu, prądu silnika i warunków procesu.

Po zrozumieniu mechanizmu awarii zespół może dobrać odpowiednie cechy i wartości graniczne. System może wykorzystywać stałe wartości progowe, tempo zmian, odchylenia statystyczne, porównania z podobnymi urządzeniami, analizę częstotliwości lub modele uczenia maszynowego.

Proste metody często zapewniają dobre wyniki. Jasno zdefiniowany limit trendu może być bardziej użyteczny niż złożony model, którego personel utrzymania ruchu nie potrafi zinterpretować.

Modele powinny również wspierać wyjaśnialne decyzje. Zespół utrzymania ruchu chętniej podejmie działanie, gdy system wskaże narastające drgania o określonej częstotliwości oraz wzrost temperatury łożyska.

Ogólny wskaźnik stanu spadający z 82 do 74 ma mniejszą wartość diagnostyczną, chyba że widoczne są czynniki składowe.

Zarządzanie alarmami decyduje o tym, czy analityka zyska zaufanie

System analityczny szybko traci wiarygodność, gdy generuje nadmierną liczbę alertów. Zespoły utrzymania ruchu zaczynają ignorować powiadomienia, gdy większość z nich nie wymaga działania.

Każdy alert powinien zatem mieć określone znaczenie, priorytet, właściciela, sposób reakcji i ścieżkę eskalacji. Komunikat powinien wskazywać zasób, stan, dowody potwierdzające oraz zalecaną inspekcję.

Alerty powinny również uwzględniać stan procesu. Ostrzeżenie o niskim przepływie może być nieistotne, gdy maszyna jest bezczynna. Wysoki poziom drgań może być oczekiwany podczas krótkiej fazy rozruchu.

Logika podtrzymania i opóźnienia może ograniczyć uciążliwe alarmy. Opóźnienia nie mogą jednak maskować szybko rozwijających się awarii. Właściwa konfiguracja zależy od procesu i ryzyka.

Zakłady powinny monitorować skuteczność alertów. Przydatne wskaźniki obejmują odsetek fałszywych alarmów, odsetek niewykrytych zdarzeń, czas reakcji, potwierdzone ustalenia, uniknięte przestoje oraz wygenerowane działania konserwacyjne.

Informacje zwrotne od techników są niezbędne. Po inspekcji technik powinien odnotować, czy alert wskazywał rzeczywisty problem, którego komponentu dotyczył oraz jakie działanie podjęto.

Te informacje zwrotne pomagają doskonalić wartości progowe i modele. Tworzą również cenną historię łączącą zachowanie czujników z ustaleniami fizycznymi.

Bez sprzężenia zwrotnego analityka pozostaje oderwana od rzeczywistości utrzymania ruchu. Platforma może nadal powtarzać ten sam niedokładny wniosek.

Analityka jakości może wykrywać dryf procesu, zanim wzrośnie odsetek odrzutów

Analityka danych z czujników nie ogranicza się do utrzymania urządzeń. Może również identyfikować zmiany wpływające na jakość produktu.

Tradycyjna kontrola jakości często koncentruje się na wynikach kontroli gotowych produktów. Produkt albo przechodzi kontrolę, albo ją oblewa. Gdy odsetek odrzutów rośnie, proces leżący u podstaw problemu mógł dryfować już od wielu godzin.

Połączenie danych kontrolnych ze stanem maszyny może zapewnić wcześniejsze ostrzeganie. Stopniowa zmiana wymiaru może korelować ze zużyciem narzędzia, temperaturą maszyny, zmianami ciśnienia, właściwościami materiału lub przesunięciem oprzyrządowania.

Systemy wizyjne mogą dostarczać informacji o lokalizacji, rozmiarze, orientacji i klasyfikacji wad. Czujniki procesowe mogą uzupełniać je o informacje o temperaturze, ciśnieniu, prędkości, sile i położeniu.

Analityka może następnie określić, które zmienne zmieniają się przed pojawieniem się wady. Celem nie jest jedynie wyjaśnienie odrzutów po zakończeniu produkcji, lecz sterowanie procesem, zanim wynik przekroczy limit specyfikacji.

Na przykład linia pakująca może nadal wytwarzać poprawne zgrzewy, podczas gdy rozkład temperatury szczęk zgrzewających staje się mniej równomierny. Trend czasu powrotu temperatury do właściwego poziomu może wskazywać na zużycie grzałki lub zanieczyszczenie.

Dział utrzymania ruchu może skontrolować urządzenie, zanim uszkodzenia uszczelnień się nasilą. Interwencja chroni zarówno jakość, jak i dostępność produkcyjną.

Statystyczne sterowanie procesem pozostaje wartościowe w tych zastosowaniach. Granice kontrolne mogą ujawnić nietypową zmienność, nawet gdy pomiary nadal mieszczą się w specyfikacji produktu.

Limity specyfikacji określają akceptowalny wynik. Statystyczne granice kontrolne wskazują, czy proces przebiega stabilnie. Mylenie tych pojęć może opóźnić działania korygujące.

Dane dotyczące energii stają się bardziej użyteczne po normalizacji względem produkcji

Monitorowanie energii to kolejne praktyczne zastosowanie danych z czujników i sterowników. Silniki, napędy, grzałki, sprężarki i media użytkowe mogą ujawniać wzorce zużycia.

Samo całkowite zużycie energii rzadko wyjaśnia wydajność. Należy uwzględnić tempo produkcji, rodzaj produktu, tryb pracy, warunki otoczenia i obciążenie urządzeń.

Maszyna może zużywać mniej energii podczas wolnej zmiany, ale więcej energii na każdą gotową jednostkę. Inna maszyna może wykazywać wyższe całkowite zużycie, ponieważ wytwarza znacznie większą ilość produktów.

Przydatne wskaźniki obejmują kilowatogodziny na jednostkę, zużycie sprężonego powietrza na cykl, zużycie pary na partię oraz szczytową moc podczas określonych operacji.

Dane z napędów mogą ujawnić, czy silniki pracują przy obciążeniu znacznie niższym od oczekiwanego lub zbliżonym do niego. Pomiary ciśnienia i przepływu mogą pomóc zlokalizować straty sprężonego powietrza. Dane dotyczące temperatury i czasu pracy mogą pokazać, czy systemy grzewcze pozostają aktywne podczas długich okresów bezczynności.

Analityka energetyczna powinna prowadzić do działań operacyjnych. Możliwe działania obejmują skrócenie czasu bezczynności, naprawę nieszczelności, regulację ciśnienia, sekwencjonowanie urządzeń o dużym obciążeniu, optymalizację profili przyspieszania lub zmianę procedur rozgrzewania.

Zakłady powinny sprawdzać, czy zmiany oszczędzające energię nie obniżają jakości, bezpieczeństwa ani trwałości urządzeń. Niższe ustawienie ciśnienia może ograniczyć zużycie sprężonego powietrza, ale powodować niestabilny ruch siłownika.

Najlepsze usprawnienia równoważą zużycie energii, przepustowość, niezawodność i wymagania dotyczące produktu.

Przykład przenośnika pokazuje, jak współdziałają różne warstwy danych

Rozważmy przenośnik transportujący produkty między stanowiskami pakowania. Na poziomie maszyny czujnik fotoelektryczny wykrywa każdy produkt. Enkoder śledzi ruch taśmy, a napęd steruje prędkością.

Sterownik PLC wykorzystuje te dane wejściowe do utrzymywania odstępów między produktami i koordynowania urządzeń znajdujących się dalej w linii. Ta funkcja sterowania w czasie rzeczywistym musi pozostać deterministyczna.

Te same sygnały mogą wspierać analitykę operacyjną. Znaczniki czasu produktów pozwalają obliczyć rzeczywistą przepustowość. Dane z enkodera pokazują zmienność prędkości. Moment obrotowy napędu wskazuje zmiany obciążenia mechanicznego.

Jeśli moment obrotowy stopniowo rośnie, a przepustowość pozostaje stała, w przenośniku może narastać tarcie. Możliwe przyczyny to niewspółosiowość taśmy, zużycie łożysk, zanieczyszczenia lub kontakt mechaniczny.

Jeśli odstępy między wykryciami produktów staną się nieregularne, a prędkość taśmy pozostanie stabilna, problem może pochodzić z wcześniejszego etapu procesu. Jeśli prędkość enkodera się zmienia, podczas gdy polecenie napędu pozostaje stałe, analiza może skupić się na obciążeniu mechanicznym lub działaniu napędu.

Urządzenie brzegowe może obliczać przepustowość, zmienność odstępów, średni moment obrotowy i zdarzenia nietypowe. Sieć przesyła te wskaźniki do systemu historian lub platformy analitycznej.

System przedsiębiorstwa może porównywać wydajność według zmiany, formatu produktu i zlecenia produkcyjnego. Rejestry konserwacji mogą potwierdzić, czy wzrost momentu obrotowego poprzedzał wcześniejsze awarie przenośnika.

Oryginalny czujnik nadal wykonuje proste zadanie detekcji. Szersza architektura przekształca tę detekcję w informacje o przepustowości, niezawodności i koordynacji procesu.

Urządzenia CNC zyskują dzięki połączeniu danych o obciążeniu, ruchu i jakości

Proces obróbki CNC stanowi bardziej złożony przykład. System sterowania już zarządza prędkością wrzeciona, prędkością posuwu, położeniem osi, chłodziwem, zmianami narzędzi i blokadami bezpieczeństwa.

Dodatkowe pomiary mogą obejmować obciążenie wrzeciona, prąd silnika, drgania, emisję akustyczną, temperaturę oraz wyniki kontroli wymiarowej.

Obciążenie wrzeciona może wskazywać warunki skrawania, ale jego interpretacja wymaga kontekstu. Wyższe obciążenie może wynikać z twardszej partii materiału, większej głębokości skrawania, zużycia narzędzia, gromadzenia się wiórów lub nieprawidłowych parametrów procesu.

Połączenie obciążenia z identyfikacją narzędzia, krokiem programu, materiałem, prędkością posuwu i drganiami daje pełniejszy obraz.

Rozwijający się problem z narzędziem może objawiać się wzrostem obciążenia wrzeciona, większymi drganiami, wydłużeniem czasu cyklu i stopniowym dryfem wymiarów. Żaden z tych wskaźników sam w sobie nie dowodzi przyczyny.

Razem mogą uruchomić ukierunkowaną kontrolę, zanim narzędzie się złamie lub spowoduje powstanie dużej ilości braków.

Porównanie danych historycznych pomaga również optymalizować wymianę narzędzi. Stałe okresy wymiany mogą prowadzić do wyrzucania nadal użytecznych narzędzi lub zbyt długiego pozostawiania zużytych narzędzi w użyciu.

Wymiana zależna od stanu może poprawić wykorzystanie narzędzi, jednocześnie chroniąc jakość. Decyzja powinna nadal uwzględniać limity inżynieryjne i wyniki kontroli.

W przypadku krytycznych operacji obróbki skrawaniem system może zachowywać dane o wysokiej rozdzielczości dotyczące nietypowych zdarzeń. W rutynowej produkcji można używać zagregowanych wskaźników, aby kontrolować zapotrzebowanie na pamięć.

Linie pakujące pokazują znaczenie kontekstu produktu

Urządzenia pakujące często obsługują wiele formatów produktów na tej samej linii. Czujniki monitorują obecność, położenie, poziom napełnienia, etykiety, zakrętki, zgrzewy, kody i wymiary opakowań.

Wskaźnik odrzutów, który wydaje się losowy, może stać się zrozumiały po rozdzieleniu danych według formatu. Czujnik może działać niezawodnie w przypadku jednego opakowania, ale mieć trudności z produktem odblaskowym, przezroczystym lub o nieregularnym kształcie.

Informacje o recepturze stają się zatem niezbędne. Analityka powinna wiedzieć, jaki produkt i jakie opakowanie były używane, a także z jaką prędkością pracowała maszyna i jaka konfiguracja była aktywna.

Wzrost liczby odrzutów bezpośrednio po przezbrojeniu może wskazywać na nieprawidłową regulację. Stopniowy wzrost podczas długiej serii produkcyjnej może sugerować zanieczyszczenie, dryf temperatury lub zużycie mechaniczne.

Obrazy z systemu wizyjnego mogą ujawnić, czy wada pojawia się ponownie w tym samym miejscu. Dane z enkodera mogą określić, czy odrzuty odpowiadają konkretnej pozycji maszyny lub elementowi wirującemu.

Zespoły utrzymania ruchu i produkcji mogą wykorzystać te informacje do odróżnienia usterek urządzeń od problemów z konfiguracją, zmienności materiału i ograniczeń czujników.

Analiza może również pomóc w doborze czujnika. Urządzenie, które dobrze sprawdza się w przypadku nieprzezroczystych kartonów, może nie być odpowiednie do przezroczystych pojemników.

Analityka nie naprawi niewłaściwej zasady pomiaru. Może jednak dostarczyć dowodów, że wybrana technologia nie pasuje do danego zastosowania.

Urządzenia wirujące wymagają pomiarów zgodnych z fizyką zjawiska

Maszyny wirujące pokazują, dlaczego dobór czujników musi wynikać z fizyki uszkodzeń. Pompy, wentylatory, sprężarki, turbiny i silniki mogą ulegać niewyważeniu, niewspółosiowości, poluzowaniu, uszkodzeniom łożysk, rezonansowi, ocieraniu oraz niestabilności związanej z procesem.

Ogólne wartości drgań są przydatne do wstępnej oceny, ale niektóre problemy wymagają informacji o przebiegu czasowym i częstotliwościach. Dane o prędkości odniesienia mogą być również niezbędne do powiązania składowych drgań z obrotem wału.

Trendy temperatury mogą wspierać diagnozę, choć temperatura często zmienia się później niż drgania. Ciśnienie procesu, przepływ, obciążenie i prędkość robocza pomagają odróżnić usterki mechaniczne od normalnych zmian warunków pracy.

Pompa może silniej wibrować, ponieważ pracuje daleko od preferowanego obszaru roboczego procesu. Wymiana łożyska nie skorygowałaby tego stanu pracy.

W przypadku tych zasobów monitorowanie stanu powinno łączyć wiedzę o maszynach z danymi procesowymi. Architektura może obejmować dedykowany sprzęt ochronny, systemy monitorowania stanu, informacje z PLC oraz oprogramowanie przedsiębiorstwa do utrzymania ruchu.

Zakłady analizujące tę szerszą architekturę powinny odróżniać ochronę maszyn od analityki. Systemy ochrony muszą szybko i niezawodnie reagować na niebezpieczne warunki. Systemy analityczne wspierają diagnostykę, planowanie i optymalizację.

Funkcje te mogą współdzielić informacje, ale ich zakresy odpowiedzialności powinny pozostać jasno określone.

Miejsce portfela produktów SICK w łańcuchu danych

Firma SICK oferuje urządzenia obejmujące kilka obszarów architektury danych z czujników. Jej portfel obejmuje czujniki fotoelektryczne, urządzenia identyfikacyjne, enkodery, produkty systemów wizyjnych, bramy integracyjne, komputery brzegowe i oprogramowanie analityczne.

Na poziomie maszyny fotoelektryczny czujnik zbliżeniowy W10 łączy lokalną konfigurację z elastycznymi funkcjami detekcji. Jego interfejs dotykowy może ułatwić konfigurację w przypadku zmiennych warunków aplikacji lub konieczności stosowania kilku trybów detekcji.

Rodzina Lector85x obsługuje oparte na obrazie aplikacje odczytu i identyfikacji kodów. Takie systemy mogą dostarczać zdekodowane informacje wraz z danymi obrazu i jakości, przydatnymi w analizie logistyki i produkcji.

Enkodery AFS/AFM60 dostarczają informacji zwrotnej o położeniu na potrzeby aplikacji sterowania ruchem. Ich wartość użytkowa może wykraczać poza pomiar położenia, jeśli zachowane zostaną informacje o prędkości, kierunku, synchronizacji i diagnostyce.

Na poziomie łączności SIG200 może łączyć urządzenia IO-Link z szerszymi sieciami automatyki. Taka konfiguracja umożliwia przesyłanie wartości procesowych i danych diagnostycznych poza połączenia z pojedynczymi czujnikami.

Urządzenia SIM4x00 zapewniają dodatkową moc obliczeniową na potrzeby integracji czujników. Mogą gromadzić informacje, uruchamiać lokalne aplikacje i przekazywać przetworzone wyniki do innych systemów.

Na poziomie oprogramowania Field Analytics obsługuje pozyskiwanie i wizualizację danych produkcyjnych. Logistics Diagnostic Analytics koncentruje się na monitorowaniu wydajności i stanu systemów automatycznej identyfikacji.

Produkty te ilustrują szerszy kierunek rozwoju rynku. Producenci czujników coraz częściej oferują więcej niż fizyczne urządzenia pomiarowe. Obecnie dostarczają również narzędzia integracyjne, przetwarzanie brzegowe, zarządzanie urządzeniami i usługi programowe.

Producenci powinni nadal oceniać każdą warstwę niezależnie. Kompletny portfel nie eliminuje potrzeby stosowania otwartych interfejsów, łatwej w utrzymaniu architektury, zabezpieczeń cyberbezpieczeństwa ani integracji z istniejącymi systemami.

Rysunek 4. Konfigurowalne czujniki mogą łączyć standardowe wykrywanie obiektów z informacjami konfiguracyjnymi i diagnostyką, umożliwiając szersze zastosowanie operacyjne.

Architektura PLC i PAC pozostaje centralnym elementem analityki czujników

Mimo rosnącego zainteresowania technologiami edge i chmurowymi PLC lub PAC pozostaje centralnym elementem większości architektur danych fabrycznych. Zawiera kluczowe informacje o stanie maszyny, sekwencji, alarmach, recepturach, poleceniach i blokadach wzajemnych.

Wartości z czujników bez kontekstu sterownika są często trudne do zinterpretowania. PLC wie, czy maszyna uruchamia się, pracuje, zatrzymuje, jest w stanie awarii, zablokowana, pozbawiona zasilania materiałem czy poddawana konserwacji.

Z tego powodu integracja analityki powinna obejmować kontrolowaną metodę udostępniania odpowiednich danych sterownika. Inżynierowie powinni unikać niekontrolowanego dostępu do każdego wewnętrznego tagu.

Zdefiniowany interfejs zwiększa bezpieczeństwo i ułatwia utrzymanie. Zapobiega również uzależnieniu aplikacji analitycznych od tymczasowych zmiennych programu, które mogą się zmienić podczas przyszłych modyfikacji.

Zakłady rozszerzające informacje o maszynach na systemy nadzorcze lub korporacyjne mogą rozważyć kompatybilne systemy PLC i PAC podczas utrzymania, rozbudowy lub standaryzacji warstwy sterowania obsługującej pozyskiwanie danych z czujników.

Program sterowania może również obliczać przydatne wskaźniki pierwszego poziomu. Przykłady obejmują czas cyklu, czas blokady, czas oczekiwania na materiał, częstotliwość usterek, czas reakcji elementu wykonawczego, liczbę wyprodukowanych sztuk oraz liczbę odrzuceń.

Obliczenia te nie powinny przeciążać sterownika. Szybkie przetwarzanie sygnałów, analiza obrazu i złożone modele mogą wymagać dedykowanego sprzętu.

Architektura działa najlepiej, gdy każdy komponent wykonuje zadanie odpowiednie do jego wymagań dotyczących czasu, niezawodności i konserwacji.

Praktyczne wdrożenie zaczyna się od jednego wartościowego pytania

Program analityki czujników nie musi zaczynać się od całej fabryki. Można rozpocząć od jednego pytania operacyjnego, które ma mierzalną wartość.

Przykłady obejmują ustalenie, dlaczego przenośnik się zatrzymuje, wykrywanie wycieków w układzie pneumatycznym, ograniczanie liczby fałszywych odrzuceń, wydłużenie żywotności narzędzi lub przewidywanie wymiany filtra.

Pierwszym krokiem jest zdefiniowanie decyzji. Zespół powinien określić, kto będzie korzystać z informacji i jakie działania może podjąć.

Drugim krokiem jest określenie wymaganych danych. Istniejące czujniki, tagi sterownika, diagnostyka napędów, rejestry produkcyjne i historia konserwacji mogą już dostarczać wielu potrzebnych informacji.

Trzeci krok to weryfikacja jakości pomiarów. Inżynierowie powinni sprawdzić instalację czujników, skalowanie, znaczniki czasu, brakujące wartości oraz kontekst pracy.

Czwartym krokiem jest utworzenie ograniczonego potoku danych. Początkowo należy gromadzić tylko pomiary wymagane w danym przypadku użycia.

Piątym krokiem jest ustanowienie wartości bazowej. System musi obserwować normalne wahania dla różnych produktów, prędkości, zmian i warunków środowiskowych.

Szóstym krokiem jest zdefiniowanie logiki wykrywania. Może ona obejmować wartości progowe, reguły statystyczne, trendy lub prosty model.

Siódmym krokiem jest zintegrowanie wyniku z przepływem pracy utrzymania ruchu lub produkcji. Sam pulpit rzadko zmienia sposób prowadzenia operacji.

Ósmym krokiem jest zweryfikowanie wpływu na działalność. Zespół powinien porównać wynik z czasem przestojów, nakładem pracy, ilością braków, przepustowością lub kosztami utrzymania.

Po potwierdzeniu wartości architekturę można rozszerzyć na kolejne zasoby. Wielokrotnego użytku nazewnictwo, szablony i modele danych usprawniają późniejsze wdrożenia.

Typowe projekty kończą się niepowodzeniem, ponieważ zaczynają od platformy

Wiele inicjatyw analitycznych zaczyna się od wyboru oprogramowania przed określeniem problemu operacyjnego. Zespoły instalują platformę, podłączają tysiące tagów, a następnie szukają przydatnych zastosowań.

Takie podejście często prowadzi do powstania atrakcyjnych pulpitów, które nie zapewniają trwałej wartości operacyjnej. Użytkownicy mogą oglądać je przez krótki czas, ale wyświetlane informacje nie zmieniają podejmowanych decyzji.

Innym częstym błędem jest ignorowanie jakości danych. Nieprawidłowe skalowanie, niespójne znaczniki czasu, brakujące stany produkcji i nieudokumentowane zmiany tagów mogą unieważnić analizę.

Projekty zawodzą również wtedy, gdy wykluczają personel utrzymania ruchu i operacyjny. Analitycy danych mogą rozpoznawać wzorce statystyczne bez rozumienia zachowania maszyny, które za nimi stoi.

Z drugiej strony doświadczeni technicy mogą rozumieć mechanizmy awarii, ale nie mieć dostępu do danych historycznych. Udane projekty łączą obie perspektywy.

Nadmierna złożoność stwarza kolejne ryzyko. Zaawansowany model może wymagać ciągłego wsparcia, ponownego trenowania i interpretacji przez specjalistów. Prostszy wskaźnik może zapewnić większość korzyści przy niższym koszcie w całym cyklu życia.

Projekty pilotażowe mogą również stać się trwałymi, odizolowanymi systemami. Pozostają na jednej maszynie, ponieważ architektura, nazewnictwo, bezpieczeństwo i zakres odpowiedzialności nigdy nie zostały zaprojektowane z myślą o skalowaniu.

Udane projekty pilotażowe powinny testować zarówno przypadek użycia, jak i metodę wdrożenia. Zespół powinien dowiedzieć się, jak konfigurowane są urządzenia, jak tworzone są tagi, jak kontrolowany jest dostęp i jak utrzymywane są modele.

Własność danych musi być określona we wszystkich działach inżynieryjnych

Analityka danych z czujników przekracza tradycyjne granice organizacyjne. Inżynierowie automatyki zarządzają logiką maszyn. Zespoły informatyczne zarządzają serwerami i sieciami przedsiębiorstwa. Zespoły utrzymania ruchu odpowiadają za niezawodność urządzeń. Zespoły produkcyjne odpowiadają za wydajność.

Bez jasno określonego zakresu odpowiedzialności problemy przechodzą między działami. Brakująca wartość może zostać uznana za problem z siecią, sterownikiem, bazą danych lub czujnikiem, bez skoordynowanego dochodzenia.

Zakłady powinny określić odpowiedzialność za urządzenia obiektowe, interfejsy sterowników, bramy sieciowe, infrastrukturę sieciową, bazy danych, aplikacje analityczne, cyberbezpieczeństwo i wsparcie użytkowników.

Należy również ustanowić procedury zarządzania zmianami. Zmiana nazwy tagu sterownika PLC lub wymiana czujnika może wpłynąć na pulpity i modele.

Definicje danych wymagają kontrolowanej dokumentacji. Jednostki, skalowanie, źródło, częstotliwość aktualizacji, status jakości i przeznaczenie powinny pozostać dostępne przez cały cykl życia systemu.

Odpowiedzialność dotyczy również wniosków analitycznych. Model nie powinien automatycznie generować zleceń konserwacji bez uzgodnionego procesu przeglądu.

Planiści utrzymania ruchu, inżynierowie ds. niezawodności i kierownicy produkcji mogą potrzebować informacji na różnym poziomie szczegółowości. Ten sam stan może być przedstawiony inżynierom w formie szczegółowego widoku diagnostycznego, a kierownikom jako zwięzłe żądanie działania.

Wskaźniki wydajności powinny mierzyć decyzje, a nie ilość danych

Liczba podłączonych czujników nie jest wiarygodną miarą sukcesu. Nie jest nią również liczba tagów w bazie danych, pulpitów ani przechowywanych terabajtów.

Lepsze wskaźniki mierzą wyniki operacyjne. Mogą one obejmować ograniczenie nieplanowanych przestojów, zmniejszenie ilości braków, poprawę uzysku za pierwszym przejściem, wydłużenie żywotności podzespołów, skrócenie czasu rozwiązywania problemów lub zmniejszenie liczby awaryjnych interwencji konserwacyjnych.

W konserwacji predykcyjnej zakłady mogą mierzyć, ile czasu na ostrzeżenie zapewnia system oraz czy ostrzeżenie to zmienia plan konserwacji.

W analityce jakości można mierzyć, czy odchylenia procesu są wykrywane przed odrzuceniem produktu. W projektach energetycznych można mierzyć zużycie na jednostkę spełniającą wymagania.

Ocena wydajności analityki powinna obejmować również jej akceptację przez użytkowników. Technicznie poprawny system ma ograniczoną wartość, jeśli operatorzy i technicy mu nie ufają lub z niego nie korzystają.

Śledzenie potwierdzonych ustaleń zapewnia skuteczną pętlę sprzężenia zwrotnego. Każdy alert można sklasyfikować jako trafny, nietrafny, niejednoznaczny lub nieaktualny.

Proces ten stopniowo usprawnia aplikację. Pomaga również kierownictwu odróżniać obiecujące analizy od projektów wymagających przeprojektowania.

Sztuczna inteligencja działa najlepiej, gdy fundament danych jest stabilny

Sztuczna inteligencja potrafi identyfikować złożone zależności w dużych zbiorach danych. Może wspierać wykrywanie anomalii, klasyfikację obrazów, prognozowanie i wielowymiarową optymalizację procesów.

Jednak sztuczna inteligencja nie eliminuje potrzeby korzystania z wiarygodnych pomiarów i kontekstu inżynierskiego. Słabe dane prowadzą do powstania słabych modeli, nawet gdy algorytm jest zaawansowany.

Przed wdrożeniem zaawansowanych modeli zakłady powinny ujednolicić identyfikację zasobów, znaczniki czasu, stany pracy, jednostki oraz wskaźniki jakości.

Dane treningowe muszą odzwierciedlać rzeczywiste warunki pracy. Model trenowany wyłącznie podczas stabilnej produkcji może klasyfikować każde uruchomienie jako stan nieprawidłowy.

Modyfikacje urządzeń również mogą zmieniać charakterystykę danych. Nowy silnik, czujnik, narzędzie, receptura lub strategia sterowania może wymagać przeglądu modelu.

Aplikacje AI wymagają zarządzania w całym cyklu życia. Zespoły muszą monitorować wydajność modeli, rejestrować ich wersje, analizować rozregulowanie i definiować zachowanie awaryjne.

Interpretacja człowieka pozostaje ważna. Inżynierowie powinni rozumieć, które pomiary wpływają na dany wniosek i czy wynik odpowiada zachowaniu fizycznemu.

AI zapewnia największą wartość, gdy wspiera doświadczony personel. Może przeszukiwać duże zbiory danych i identyfikować nietypowe wzorce. Inżynierowie i technicy łączą następnie te wzorce z wiedzą o urządzeniach.

Fabryka przyszłości będzie wykorzystywać selektywne dane osadzone w kontekście

Fabryki przyszłości będą generować jeszcze więcej danych w miarę dalszego rozwoju pomiarów, widzenia maszynowego, wbudowanej diagnostyki i urządzeń podłączonych do sieci.

Przewaga konkurencyjna nie będzie wynikać ze zbierania wszystkiego. Będzie wynikać z wyboru właściwych informacji, zachowania ich kontekstu i połączenia ich z decyzjami operacyjnymi.

Systemy na poziomie maszyn nadal będą zapewniać szybkie i deterministyczne sterowanie. Urządzenia brzegowe będą przetwarzać duże ilości danych w pobliżu urządzeń. Sieci przemysłowe będą przesyłać znormalizowane informacje za pośrednictwem bezpiecznych interfejsów.

Platformy na poziomie przedsiębiorstwa połączą zachowanie urządzeń z rejestrami produkcji, jakości, energii i utrzymania ruchu. Analityka zidentyfikuje zmiany, których poszczególne systemy nie potrafią dostrzec samodzielnie.

Najskuteczniejsze architektury pozostaną warstwowe. Będą unikać przenoszenia funkcji krytycznych czasowo do systemów, które nie mogą zagwarantować wymaganego czasu reakcji.

Zachowają także odpowiedzialność człowieka. Operatorzy, technicy, inżynierowie i menedżerowie będą rozumieć, jak zalecenia analityczne wpływają na proces.

Dane z czujników zaczynają jako pomiar fizyczny. Ich wartość rośnie, gdy system dodaje kontekst, historię i znaczenie operacyjne.

Czujnik fotoelektryczny może nadal pełnić funkcję prostego detektora obecności. Może także pomagać mierzyć wydajność, wykrywać zanieczyszczenia, analizować odstępy między produktami i skracać czas rozwiązywania problemów.

Enkoder może nadal służyć do pomiaru położenia. Może także ujawniać problemy z powtarzalnością, zużycie mechaniczne, błędy synchronizacji i zmiany obciążenia maszyny.

Kamera może nadal służyć do kontroli zgodności z wymaganiami. Może także ujawniać wzorce wad, zmienność materiału, rozregulowanie procesu i możliwości ograniczenia odpadów.

Różnica tkwi w architekturze i przeznaczeniu. Gdy zakłady łączą pomiary, sterowanie, sieci, przetwarzanie brzegowe i analizę na poziomie przedsiębiorstwa wokół jasno określonych potrzeb operacyjnych, surowe dane wejściowe stają się praktyczną wiedzą.

Ta transformacja nie wymaga, aby każda maszyna stała się autonomiczna. Wymaga, aby każdy istotny pomiar docierał do ludzi i systemów zdolnych do podjęcia na jego podstawie działania.