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 nieustannie przepływają 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 maszyny. Sygnał realizuje swoje bezpośrednie zadanie sterowania, ale jego szersza wartość operacyjna pozostaje niewykorzystana.

Ta luka stanowi jedną z najważniejszych możliwości we współczesnej produkcji. Zakłady stały się bardzo skuteczne w gromadzeniu sygnałów, ale wiele z nich nadal gorzej radzi sobie z przekształcaniem tych sygnałów w informacje dotyczące utrzymania ruchu, wnioski dotyczące jakości, usprawnienia procesów i decyzje zarządcze.

Wyzwanie nie polega wyłącznie na instalowaniu większej liczby czujników. Chodzi o zbudowanie niezawodnej ścieżki od pomiaru fizycznego do działania operacyjnego. Ścieżka ta obejmuje kilka warstw technicznych, w tym urządzenia obiektowe, 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 te będą wspierać produkcję.

Praktyczna strategia dotycząca 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, ograniczenia inżynierskie 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, znacznika czasu, identyfikatora zasobu, stanu pracy, zakresu pomiarowego i odniesienia do procesu.

Wartość może oznaczać 68 stopni Celsjusza, 68 milimetrów, 68 procent 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 odróżnia anomalię procesu od normalnego działania. Wzrost drgań podczas przyspieszania może być spodziewany. Taki sam wzrost przy stałej prędkości może wskazywać na niewyważenie, luz, niewspółosiowość, zużycie łożyska lub zewnętrzne zakłócenie mechaniczne.

Stan produkcji również ma znaczenie. Ciśnienia zarejestrowanego 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 tylko śledzenia danych 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 postrzegać 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 inspekcji, wymiany narzędzia, odrzucenia produktu lub zmiany odstępu między przeglądami konserwacyjnymi.

Bez tej ścieżki decyzyjnej gromadzenie danych może stać się kosztownym przechowywaniem 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 pomiarowe pozostają 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: zweryfikować stan i uruchomić właściwą reakcję.

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

Czujnik zbliżeniowy może potwierdzić, że siłownik zakończył skok. Wyłącznik ciśnieniowy może uniemożliwić pracę maszyny, gdy ciśnienie zasilania spadnie poniżej bezpiecznego poziomu. Czujnik bezpieczeństwa może odłączyć moment napędowy, gdy operator wejdzie na obszar chroniony.

Te zadania wymagają szybkiego i niezawodnego przetwarzania danych. Nie mogą czekać na platformę chmurową ani bazę danych klasy korporacyjnej. 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 o krytycznym znaczeniu czasowym. 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 ciągu milisekund. Inne wspierają decyzje dotyczące utrzymania ruchu podejmowane w perspektywie dni lub tygodni. Architektura powinna odzwierciedlać te różne horyzonty czasowe.

Warstwa maszynowa również wpływa na 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 z warstwy obiektowej. Przed utworzeniem pulpitów nawigacyjnych inżynierowie muszą potwierdzić, że czujniki zostały prawidłowo dobrane, zainstalowane, skalibrowane i są właściwie utrzymywane.

Podstawowe czujniki często zawierają więcej informacji, niż wykorzystuje PLC

Tradycyjne programy sterujące często redukują czujnik do jednego warunku logicznego. Urządzenie jest wtedy albo włączone, albo wyłączone; obiekt jest obecny albo nieobecny; produkt jest dopuszczalny albo wadliwy.

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 siłę sygnału, poziom zabrudzenia, temperaturę pracy i stan diagnostyczny.

Enkoder może dostarczać pozycję 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 ujawnić stopniowe zmiany procesu. Spadek siły sygnału optycznego może wskazywać na zabrudzenie soczewki. Wydłużający się czas ruchu siłownika może sugerować wyciek powietrza, tarcie lub blokowanie mechaniczne. Wzrost prądu silnika podczas powtarzanego ruchu może wskazywać na zmiany obciążenia lub zużycie elementu.

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

Producenci maszyn mogą wspierać ten cel, projektując wielokrotnego użytku struktury danych. Każdy istotny 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. Dane stają się trudne do porównania, gdy na jednej linii używa się określenia „Motor_Spd”, na innej „DriveSpeed”, a na trzeciej „ConveyorRPM” dla tego samego pojęcia.

Standaryzowany model zasobów ogranicza nakład pracy związany z integracją. Pomaga również 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 sterującymi a danymi analitycznymi. Oba urządzenia wspierają natychmiastowe funkcje maszyny, a jednocześnie mogą dostarczać wartościowych danych historycznych.

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

Historyczne dane z kontroli 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 w pobliżu granic tolerancji, okresowe obrazy referencyjne lub obliczone cechy kontrolne.

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

Powtarzające się zmiany błędu położenia mogą wskazywać na rozciągnięcie pasa, przemieszczenie sprzęgła, luz zwrotny lub zmienność obciążenia. Wydłużający się czas ustalania może sugerować tarcie lub pogorszenie dostrojenia serwomechanizmu. Krótkotrwałe zakłócenia prędkości mogą ujawnić 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 na godzinę nie ujawni krótkotrwałego zakłócenia ruchu. Rejestrowanie danych co mikrosekundę bezterminowo 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 zachowania procesu. Większa liczba próbek nie oznacza automatycznie lepszych wniosków.

Przekształcanie danych wejściowych reagujących na zdarzenia we wskaźniki stanu

Analityka na poziomie maszyny często zaczyna się od utworzenia 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 aktywacji 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 rosnący 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.

Różnice między kolejnymi cyklami również mogą dostarczać cennych informacji. Średni czas suwu może pozostawać akceptowalny, podczas gdy jego zmienność rośnie. Narastająca zmienność może wskazywać na niestabilne zasilanie sprężonym powietrzem, niespójne obciążenie lub sporadyczne tarcie mechaniczne.

Dane silnika i napędu stanowią kolejne łatwo dostępne źródło informacji. Prąd, moment obrotowy, błąd prędkości, obciążenie cieplne, liczba godzin 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.

Wskaźniki wywnioskowane z danych należy jednak interpretować ostrożnie. 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 zapobiega przekształceniu sieci w wysypisko danych

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

Taka organizacja zmniejsza zapotrzebowanie na przepustowość, poprawia czas reakcji i ogranicza niepotrzebne przechowywanie danych. Umożliwia również kontynuowanie lokalnej analityki, gdy połączenie z systemem przedsiębiorstwa jest niedostępne.

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

W monitoringu drgań procesor brzegowy może przekształcać dane o przebiegu o wysokiej częstotliwości próbkowania w całkowity poziom drgań, wartości szczytowe, pasma częstotliwości i cechy diagnostyczne. Poza sieć maszynową muszą trafiać jedynie istotne zdarzenia lub zagregowane trendy.

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

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

Logika brzegowa powinna pozostać przejrzysta i łatwa w utrzymaniu. Ukryte obliczenia w nieudokumentowanej bramie 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 korzystającym z danych odróżniać rzeczywiste warunki procesu od awarii oprzyrządowania. Bez tych flag analityka może uczyć się na zniekształconych danych i wyciągać mylące wnioski.

Warstwa sieciowa łączy urządzenia, nie zarządzając procesem

Warstwa łączności transportuje informacje między czujnikami, sterownikami, urządzeniami brzegowymi, systemami nadrzędnymi, rejestratorami danych historycznych i aplikacjami biznesowymi. Jej zadanie wykracza poza przesyłanie pakietów. Musi zachowywać informacje o czasie, tożsamości, jakości i bezpieczeństwie.

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 właściwe dla poszczególnych dostawców.

Ta heterogeniczność odzwierciedla dziesięciolecia inwestycji w wyposażenie. Nowe projekty analityczne zwykle muszą 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.

Master IO-Link umożliwia na przykład kompatybilnym czujnikom wymianę wartości procesowych, parametrów, danych identyfikacyjnych i informacji diagnostycznych za pośrednictwem standaryzowanych połączeń punkt-punkt.

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

Urządzenia Sensor Integration Machine dodają lokalne możliwości obliczeniowe. Mogą zbierać dane z kilku typów czujników, przetwarzać te informacje i prezentować je 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 komunikacji przemysłowej i sieci przemysłowych podczas integrowania bram, urządzeń zdalnych, sterowników i systemów nadrzędnych w ramach różnych platform automatyki.

IO-Link dodaje diagnostykę bez zastępowania deterministycznego sterowania

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

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

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

Identyfikacja urządzeń ogranicza także liczbę błędów podczas wymiany. Personel utrzymania ruchu może sprawdzić, czy zainstalowany model odpowiada wymaganej konfiguracji.

Jednak IO-Link nie tworzy automatycznie użytecznych analiz. Zakłady nadal potrzebują uporządkowanych tagów, zasad przechowywania danych, priorytetów alarmów i procedur utrzymania ruchu.

Gromadzenie każdego dostępnego bajtu diagnostycznego bez określenia jego przeznaczenia może przeciążyć zespoły inżynierskie. Projekt powinien wskazywać, które stany świadczą o pogorszeniu działania, które wymagają natychmiastowej reakcji, a które służą wyłącznie do rozwiązywania problemów.

Praktyczne wdrożenie może rozpocząć się od kilku urządzeń o wysokiej wartości. Czujniki narażone na zanieczyszczenia, częstą regulację, uszkodzenia mechaniczne lub trudny dostęp często stanowią najsilniejszy argument za rozpoczęciem projektu.

Inżynierowie mogą wtedy porównywać ostrzeżenia diagnostyczne z rzeczywistymi ustaleniami dotyczącymi konserwacji. Ta weryfikacja pozwala określić, czy informacje przewidują użyteczne 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 bez problemów, a jednocześnie używać różnych jednostek, skal, konwencji nazewnictwa, 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 temperaturę w stopniach Fahrenheita, chyba że zostanie ręcznie skonfigurowane.

Normalizacja przekształca te różnice w spójne reprezentacje inżynierskie. Ustanawia także 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, który to urządzenie obsługuje.

Czujnik może zostać wymieniony, podczas gdy miejsce pomiaru pozostaje niezmienione. Analiza historyczna powinna być kontynuowana po wymianie, ale w rejestrach konserwacji nadal należy wskazywać urządzenie oryginalne i zastępcze.

Synchronizacja czasu jest równie ważna. Danych z kilku sterowników nie można dokładnie analizować, gdy ich zegary znacznie się różnią. Analiza sekwencji, rekonstrukcja zdarzeń oraz badanie związków 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 sieciowe 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 kolejność.

Rysunek 3. Dane na poziomie sieci stają się wartościowe, gdy wiele urządzeń korzysta ze spójnych informacji o czasie, kontekście, nazewnictwie i jakości.

Przepustowość sieci musi odpowiadać przypadkowi użycia danych

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

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

Dane należy również klasyfikować 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 inżynieryjnego 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 kopii zapasowych.

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

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

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 ograniczania zbędnych połączeń

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

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

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

Dostęp z uprawnieniami do zapisu powinien być ograniczony i uzasadniony. Silnik rekomendacji może sugerować zmianę wartości zadanej, ale zatwierdzona warstwa sterowania powinna tę zmianę 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 sprzętowe, interfejsy internetowe, dane uwierzytelniające, certyfikaty i pliki konfiguracyjne. Te zasoby wymagają ewidencji oraz zarządzania cyklem życia.

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

Zabezpieczeń nie należy dodawać po wdrożeniu. Strefy sieciowe, przepływy danych, role użytkowników, metody tworzenia kopii zapasowych i procedury odzyskiwania danych należy zdefiniować podczas opracowywania architektury.

Warstwa przedsiębiorstwa łączy pomiary z wynikami biznesowymi

Warstwa analityki na poziomie przedsiębiorstwa stosuje dane z czujników do wielu maszyn, linii produkcyjnych lub zakładów. Jej celem nie jest po prostu 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 jakościowych, harmonogramami produkcji, systemami zarządzania zapasami i platformami planowania zasobów przedsiębiorstwa.

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

Zamiast liczyć odrzucone produkty, analitycy mogą określić, 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 drgać 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 pracy. Nie należy tworzyć rankingów zasobów bez uwzględnienia prędkości, obciążenia, płynu procesowego, cyklu pracy i warunków środowiskowych.

Konserwacja predykcyjna zaczyna się od zdefiniowania 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 wczesne wykrywanie istotnego pogorszenia stanu, wystarczająco wcześnie, aby usprawnić decyzje dotyczące utrzymania ruchu.

Dobry projekt zaczyna się od określenia zasobu i trybu 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 miarodajnym wskaźnikiem może być ciśnienie różnicowe. W układzie pneumatycznym spadek ciśnienia i czas ruchu 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 trybu awarii zespół może wybrać odpowiednie cechy i limity. System może wykorzystywać stałe progi, tempo zmian, odchylenie statystyczne, porównanie z podobnymi urządzeniami, analizę częstotliwości lub modele uczenia maszynowego.

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

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

Ogólny wskaźnik kondycji spadający z 82 do 74 ma niewielką wartość diagnostyczną, jeśli nie widać czynników wpływających na tę zmianę.

Zarządzanie alarmami decyduje o tym, czy analityka zyskuje 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 więc 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 ukrywać szybko rozwijających się awarii. Prawidłowa konfiguracja zależy od procesu i ryzyka.

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

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

Te informacje zwrotne usprawniają progi i modele. Tworzą również wartościową 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 gotowego produktu. Produkt albo przechodzi kontrolę, albo ją oblewa. Gdy odsetek odrzutów wzrasta, podstawowy proces mógł dryfować już od wielu godzin.

Połączenie danych kontrolnych ze stanem maszyny może zapewnić wcześniejsze ostrzeganie. Stopniowa zmiana wymiarów może korelować ze zużyciem narzędzia, temperaturą maszyny, zmiennością ciśnienia, właściwościami materiału lub przemieszczaniem się oprzyrządowania.

Systemy wizyjne mogą dostarczać informacji o lokalizacji, rozmiarze, orientacji i klasyfikacji wad. Czujniki procesowe mogą uzupełniać te dane o informacje dotyczące temperatury, ciśnienia, prędkości, siły i położenia.

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

Na przykład linia pakująca może nadal wytwarzać prawidłowe zgrzewy, podczas gdy rozkład temperatury szczęk zgrzewających staje się mniej równomierny. Trend czasu odzyskiwania temperatury może wskazywać na degradację grzałki lub zanieczyszczenie.

Dział utrzymania ruchu może skontrolować urządzenie, zanim awarie uszczelek się nasilą. Interwencja chroni zarówno jakość, jak i dostępność produkcji.

Statystyczne sterowanie procesem pozostaje cenne w tych zastosowaniach. Granice kontrolne mogą ujawnić nietypową zmienność, nawet gdy pomiary pozostają w granicach specyfikacji produktu.

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

Dane dotyczące energii są bardziej użyteczne po normalizacji względem wielkości produkcji

Monitorowanie energii stanowi kolejne praktyczne zastosowanie danych z czujników i sterowników. Silniki, napędy, grzałki, sprężarki i instalacje 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 wolniejszej zmiany, ale więcej energii na gotową jednostkę produktu. Inna maszyna może wykazywać większe całkowite zużycie, ponieważ wytwarza znacznie większą ilość produktów.

Do przydatnych wskaźników należą kilowatogodziny na jednostkę, zużycie sprężonego powietrza na cykl, zużycie pary na partię oraz szczytowa moc podczas określonych operacji.

Dane z napędów mogą ujawnić, czy silniki pracują znacznie poniżej przewidywanego obciążenia, czy blisko 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 dłuższych okresów bezczynności.

Analityka energii 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 ciśnienie może oszczędzać sprężone powietrze, ale powodować niestabilny ruch siłownika.

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

Przykład przenośnika pokazuje, jak współpracuje kilka warstw danych

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

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

Te same sygnały mogą wspierać analitykę operacyjną. Znaczniki czasu produktów umożliwiają obliczenie rzeczywistej przepustowości. Dane z enkodera ujawniają zmienność prędkości. Moment obrotowy napędu wskazuje zmieniające się obciążenie mechaniczne.

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

Jeśli odstępy między wykryciami produktów stają się nieregularne, a prędkość taśmy pozostaje stabilna, problem może mieć źródło na wcześniejszym etapie. Jeśli prędkość enkodera się waha, a 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 rejestratora danych historycznych 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 dane świadczące o przepustowości, niezawodności i koordynacji procesu.

Urządzenia CNC czerpią korzyści z łączenia danych o obciążeniu, ruchu i jakości

Proces obróbki CNC stanowi bardziej złożony przykład. Układ sterowania już zarządza prędkością wrzeciona, posuwem, położeniem osi, chłodziwem, wymianą narzędzi i blokadami bezpieczeństwa.

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

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

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

Rozwijający się problem z narzędziem może objawiać się rosnącym obciążeniem wrzeciona, większymi drganiami, dłuższym czasem cyklu i stopniowym odchyleniem wymiarów. Żaden z tych wskaźników sam w sobie nie potwierdza przyczyny.

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

Porównania historyczne również pomagają optymalizować wymianę narzędzi. Stałe okresy wymiany mogą prowadzić do wyrzucania narzędzi, które nadal nadają się do użytku, lub do zbyt długiego pozostawiania zużytych narzędzi w eksploatacji.

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. Do rutynowej produkcji można używać podsumowanych 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, nakrętki, zamknięcia, kody i wymiary opakowań.

Odsetek alarmów, 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 nieregularnym.

Informacje o recepturze stają się zatem niezbędne. Analityka powinna uwzględniać, jaki produkt i jakie opakowanie były używane, a także jaka była prędkość oraz konfiguracja maszyny.

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

Obrazy wizyjne mogą ujawnić, czy ta sama lokalizacja wady powtarza się. Dane z enkodera mogą określić, czy odrzuty odpowiadają określonemu położeniu 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 działa w przypadku nieprzezroczystych kartonów, może nie nadawać się do pojemników przezroczystych.

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

Maszyny 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 wykazywać niewyważenie, niewspółosiowość, luzy, uszkodzenia łożysk, rezonans, ocieranie oraz niestabilność związaną z procesem.

Ogólne wartości drgań są przydatne do wstępnej oceny, ale niektóre problemy wymagają informacji o przebiegu czasowym i częstotliwości. Dane referencyjne dotyczące prędkości mogą być również potrzebne 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 z dala od optymalnego obszaru 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 firmowe oprogramowanie 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 portfolio produktów SICK w łańcuchu danych

SICK oferuje urządzenia obejmujące kilka obszarów architektury danych czujnikowych. Jego portfolio obejmuje czujniki fotoelektryczne, urządzenia identyfikacyjne, enkodery, produkty z zakresu widzenia maszynowego, 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 tam, gdzie warunki zastosowania się zmieniają lub wymaganych jest kilka sposobów detekcji.

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

Enkodery AFS/AFM60 zapewniają sprzężenie zwrotne położenia w zastosowaniach związanych ze sterowaniem ruchem. Ich wartość eksploatacyjna może wykraczać poza samo położenie, jeśli zachowane są 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 pojedyncze połączenia z czujnikami.

Urządzenia SIM4x00 zapewniają dodatkową moc obliczeniową na potrzeby integracji czujników. Mogą gromadzić informacje, uruchamiać aplikacje lokalne 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 tylko urządzenia do pomiarów fizycznych. Obecnie zapewniają również narzędzia integracyjne, przetwarzanie brzegowe, zarządzanie urządzeniami i usługi programowe.

Producenci nadal powinni oceniać każdą warstwę niezależnie. Kompleksowe portfolio 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, zapewniając szersze zastosowanie operacyjne.

Architektura PLC i PAC pozostaje centralnym elementem analityki danych z czujników

Mimo rosnącego zainteresowania technologiami edge i chmurowymi PLC lub PAC pozostaje centralnym elementem większości architektur danych fabrycznych. Przechowuje 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, jest zablokowana, oczekuje na materiał lub przechodzi konserwację.

Z tego powodu integracja analityki powinna obejmować kontrolowaną metodę udostępniania istotnych danych sterownika. Inżynierowie powinni unikać niekontrolowanego dostępu do wszystkich wewnętrznych znaczników.

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

Zakłady rozszerzające informacje z maszyn na systemy nadrzędne lub systemy przedsiębiorstwa mogą rozważyć kompatybilne systemy PLC i PAC podczas utrzymania, rozbudowy lub standaryzacji warstwy sterowania obsługującej pozyskiwanie danych z czujników.

Program sterujący może również obliczać przydatne wskaźniki pierwszego poziomu. Przykłady obejmują czas cyklu, czas blokady, czas oczekiwania na materiał, częstotliwość usterek, reakcję siłownika, liczbę wyprodukowanych sztuk i liczbę odrzuceń.

Te obliczenia 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 działania, niezawodności i utrzymania.

Praktyczne wdrożenie zaczyna się od jednego wartościowego pytania

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

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

Pierwszy krok to zdefiniowanie decyzji. Zespół powinien ustalić, kto będzie korzystać z tych informacji i jakie działania może podjąć.

Drugi krok to zmapowanie wymaganych danych. Istniejące czujniki, znaczniki sterownika, diagnostyka napędów, rejestry produkcyjne i historia konserwacji mogą już dostarczać większości potrzebnych informacji.

Trzeci krok to sprawdzenie jakości pomiarów. Inżynierowie powinni skontrolować instalację czujników, skalowanie, znaczniki czasu, brakujące wartości oraz kontekst operacyjny.

Czwarty krok to utworzenie ograniczonego potoku danych. Początkowo należy zbierać tylko pomiary wymagane w danym zastosowaniu.

Piąty krok to ustanowienie wartości bazowej. System musi obserwować normalne różnice między produktami, prędkościami, zmianami i warunkami środowiskowymi.

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

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

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

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

Typowe projekty kończą się niepowodzeniem, ponieważ zaczynają się od platformy

Wiele inicjatyw analitycznych zaczyna się od wyboru oprogramowania, zanim określi się problem operacyjny. Zespoły instalują platformę, podłączają tysiące tagów, a następnie szukają przydatnych zastosowań.

Takie podejście często tworzy atrakcyjne pulpity nawigacyjne bez 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 również kończą się niepowodzeniem, gdy pomijają personel utrzymania ruchu i operacji. Analitycy danych mogą rozpoznawać wzorce statystyczne, nie rozumiejąc zachowania maszyny, które za nimi stoi.

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

Nadmierna złożoność stwarza kolejne ryzyko. Zaawansowany model może wymagać ciągłego wsparcia, ponownego trenowania i specjalistycznej interpretacji. 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 odpowiedzialność nigdy nie zostały zaprojektowane z myślą o skalowaniu.

Udane projekty pilotażowe powinny testować zarówno przypadek użycia, jak i metodę wdrożenia. Zespół powinien nauczyć się, jak konfiguruje się urządzenia, tworzy tagi, kontroluje dostęp i utrzymuje modele.

Należy określić odpowiedzialność za dane w poszczególnych 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 produkcję.

Bez jasno określonej odpowiedzialności problemy są przekazywane między działami. Brakująca wartość może być uznana za problem z siecią, sterownikiem, bazą danych lub czujnikiem, bez skoordynowanego dochodzenia.

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

Powinny również ustanowić procedury zarządzania zmianami. Zmiana nazwy taga PLC lub wymiana czujnika może wpłynąć na pulpity nawigacyjne 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 zlecenia prac konserwacyjnych bez uzgodnionego procesu przeglądu.

Planiści utrzymania ruchu, inżynierowie niezawodności i kierownicy produkcji mogą potrzebować różnego poziomu informacji. Ten sam stan może być przedstawiony inżynierom w postaci szczegółowego widoku diagnostycznego, a kierownikom jako zwięzłe polecenie 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 nawigacyjnych ani przechowywanych terabajtów.

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

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

W przypadku analiz jakości mogą mierzyć, czy dryf procesu jest wykrywany przed odrzuceniem produktu. W projektach energetycznych mogą mierzyć zużycie na jednostkę spełniającą wymagania.

Ocena wydajności analiz powinna również uwzględniać ich wykorzystanie przez użytkowników. Technicznie dokładny 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.

Ten proces stopniowo ulepsza aplikację. Pomaga również kierownictwu odróżnić obiecujące analizy od projektów wymagających przeprojektowania.

Sztuczna inteligencja działa najlepiej po ustabilizowaniu podstaw danych

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

Jednak AI nie eliminuje potrzeby stosowania wiarygodnych pomiarów i uwzględniania kontekstu inżynieryjnego. Słabe dane prowadzą do powstania słabych modeli, nawet gdy algorytm jest zaawansowany.

Przed wprowadzeniem zaawansowanych modeli zakłady powinny ustanowić spójne zasady identyfikacji zasobów, znaczników czasu, stanów pracy, jednostek i wskaźników jakości.

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

Modyfikacje wyposażenia również mogą zmieniać sposób zachowania 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 wersje, analizować dryf i definiować zachowanie awaryjne.

Interpretacja dokonywana przez człowieka pozostaje ważna. Inżynierowie powinni rozumieć, które pomiary wpływają na wniosek i czy wynik jest zgodny z zachowaniem fizycznym.

Sztuczna inteligencja zapewnia największą wartość, gdy wspiera doświadczony personel. Może przeszukiwać duże zbiory danych i identyfikować nietypowe wzorce. Następnie inżynierowie i technicy łączą te wzorce z wiedzą o urządzeniach.

Fabryka przyszłości będzie korzystać z selektywnych danych osadzonych w kontekście

Przyszłe fabryki będą generować jeszcze więcej danych, ponieważ nadal będzie rosnąć wykorzystanie czujników, systemów wizyjnych, wbudowanej diagnostyki i połączonych urządzeń.

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 będą nadal 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 korporacyjne połączą zachowanie urządzeń z danymi dotyczącymi produkcji, jakości, energii i utrzymania ruchu. Analityka zidentyfikuje zmiany, których poszczególne systemy nie są w stanie dostrzec samodzielnie.

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

Zachowają również odpowiedzialność po stronie człowieka. Operatorzy, technicy, inżynierowie i menedżerowie będą rozumieć, jak rekomendacje analityczne wpływają na proces.

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

Czujnik fotoelektryczny może nadal być prostym detektorem obecności. Może również pomagać mierzyć przepustowość, wykrywać zanieczyszczenia, analizować odstępy między produktami i skracać czas rozwiązywania problemów.

Enkoder może nadal pełnić funkcję urządzenia do pomiaru położenia. Może również ujawniać problemy z powtarzalnością, zużycie mechaniczne, błędy synchronizacji i zmiany obciążenia maszyny.

Kamera może nadal służyć jako narzędzie kontroli zgodności, wskazujące zaliczenie lub odrzucenie. Może również ujawniać wzorce wad, zmienność materiału, odchylenia procesu i możliwości ograniczenia odpadów.

Różnica tkwi w architekturze i przeznaczeniu. Gdy zakłady łączą czujniki, sterowanie, sieci, przetwarzanie brzegowe i analizę korporacyjną 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 osób i systemów zdolnych do podjęcia na jego podstawie działania.