Das industrielle Internet der Dinge (IIoT) zielt darauf ab, industrielle Anlagen und Maschinen - die Dinge - mit den Informationssystemen des Unternehmens, den Geschäftsprozessen und den Menschen, die sie betreiben und nutzen, zu verbinden.
Die fortschrittliche Analytik ist das Herzstück dieser nächsten Generation der Integration und bietet, wenn sie auf Maschinen- und Prozessdaten angewendet wird, neue Erkenntnisse und Intelligenz , um die Entscheidungsfindung erheblich zu optimieren und intelligente Abläufe zu ermöglichen, die zu transformative Geschäftsergebnissen und sozialem Wert führen.
Verwendung Analytics Framework
Das Analytik-Framework für das industrielle Internet der Dinge ist als Architekturvorlage für Systemarchitekten gedacht, um eine konkrete , auf die Anforderungen eines bestimmten IIoT-Systems zugeschnittene Architektur zu erstellen, das Verständis und die Kommunikation des Gesamtsystems unter den Beteiligten zu unterstützen und die Architektur so zu implementieren , dass die einzigartigen Systemanforderungen erfüllt werden.
Der Wert der industriellen Analytik
Analytik kann im weitesten Sinne als eine Disziplin definiert werden die Daten durch systematische Analyse in Informationen umwandelt.
Industrielle Analytik ist der Einsatz von Analytik in IIoT-Systemen. Sie ermöglicht ein besseres Verständnis der Betriebszustände, der Leistung und der Umgebung eines Systems. Sie identifiziert und analysiert aufkommende Informationsmuster, um Bewertungen von Industriesystemen unter verschiedenen Bedingungen zu ermöglichen. Diese Bewertungen verbessern die Funktionalität und verringern Ineffizienz und Betriebskosten. Dies wird als dynamische Betriebsoptimierung bezeichnet.
Die industrielle Analytik kann auch Systemeinsätze optimieren. So kann beispielsweise die Analyse von Verkehrsmustern in Echtzeit in einem Ballungsraum in Verbindung mit dem Straßenzustand, dem Bau und der Instandhaltung , dem Bau und der Instandhaltung von Straßen, den Wetterbedingungen , der Tageszeit , den Jahreszeiten, Unfällen und anderen Ereignissen dazu führen, dass Fahrzeugsteuerungssysteme optimale Routen zur Verringerung von Fahrzeiten, Staus , Umweltverschmutzung und Energieverbrauch ermitteln.
Industrielle Analysen können auf Maschinenstromdaten aus unterschiedlichen Quellen angewendet werden, um Ereignismuster zu erkennen, zu abstrahieren, zu filtern und zu aggregierten und sie dann zu korrelieren und zu modellieren, um Ereignisbeziehungen wie Kausalität, Zugehörigkeit und zeitliche Merkmale zu erkennen. Die Identifizierung von bedeutsamen Ereignissen und die Ableitung von Mustern kann auf größere und komplexere Zusammenhänge hinweisen, so dass auf diese Ereignisse angemessen reagiert werden kann.
Erste Schritte in der industriellen Analytik
Die Analytik lässt sich im Allgemeinen in drei große Kategorien einteilen:
Deskriptive Analysen gewinnen Einblicke aus historischen oder aktuellen Datenströmen, u.a. Für Status- und Nutzungsüberwachung , Berichterstattung, Erkennung und Diagnose von Anomalien, Modellerstellung oder Schulung.
Prädikative Analysen ermitteln erwartete Verhaltensweisen oder Ergebnisse auf der Grundlage von Vorhersagemodellen, die auf statistischen und maschinellen Lernverfahren beruhen, z.B. Vorhersage des Material- und Energieverbrauchs sowie Vorhersage. Von Komponenten- und Systemverschleiß und Fehlern.
Die präskriptive Analytik nutzt die Ergebnisse der prädikativen Analytik als Orientierungshilfe , um Betriebsänderungen zur Optimierung von Prozessen und zur Vermeidung von Ausfällen und den damit verbundenen Ausfallzeiten zu empfehlen. Ein Beispiel für präskriptive Analytik ist die On-Demand-Produktion auf Grundlage eines soliden geometrischen Montagemodells, um den optimalen Satz an Fertigungsverfahren für das Endprodukt zu finden.
Die Analyseergebnisse können automatisch auf Maschinen und Systeme angewandt oder zur Unterstützung menschlicher Entscheidungen durch Visualisierung der Analyseergebnisse verwendet werden, um das menschliche Verständnis zu verbessern und Vertrauen in eine Entscheidung zu schaffen.
Die industrielle Analytik steht vor besonderen Herausforderungen, da die Ergebnisse den Betrieb und die Sicherheit von Dingen in der physischen Welt verändern können. Diese Auswirkungen können unerwünscht oder schädlich sein und unbeabsichtigt die Sicherheit von Menschen beeinträchtigen oder Eigentum und die Umwelt schädigen. Da bei der industriellen Analytik häufig Daten von verschiedenen Sensoren und Maschinen interpretiert werden, die sich möglicherweise widersprechen, müssen wir die verschiedenen Informationsströme verstehend und zusammenführen, um zu einer korrekten Schlussfolgerung zu gelangen.
Hier sind die Anforderungen aufgeführt, die bei der Planung der industriellen Analytik zu berücksichtigen sind.
Korrektheit
Die industrielle Analytik muss Analyseergebnissen ein höheres Maß an Genauigkeit erfüllen. Jedes System, das die Ergebnisse interpretiert und in die Tat umsetzt, muss über Scherheitsvorkerherungen gegen unerwünschte und unbeabsichtigte physikalische Folgen verhindert.
Timing
Die industrielle Analytik muss bestimmten harten Termin- und Synchronisationsanforderungen genügen. Nahezu sofortige Analyseergebnisse, die innerhalb eines deterministischen Zeitfensters geliefert werden, sind für zuverlässige und qualitativ hochwertige Maßnahmen im industriellen Betrieb erforderlich.
Sicherheit
Bei der Anwendung der industriellen Analytik sowie bei der Interpretation und Umsetzung der Ergebnisse müssen strenge Sicherheitsanforderungen eingehalten werden, um das Wohlergehen von Arbeitnehmeren, Nutzern und der Umwelt zu gewährleisten.
Kontextualisiert
Die Analyse von Daten innerhalb eines industriellen Systems erfolgt nie ohne den Kontext, in dem die Aktivitäten und Beobachtungen stattfinden. Es ist nicht möglich , eine Bedeutung zu konstruieren , wenn nicht ein vollständiges Verständnis des ausgeführten Prozesses und der Zustände aller Geräte und ihrer Peripheriegeräte berücksichtigt wird, um die wahre Bedeutung der Daten abzuleiten und umsetzbare Informationen zu erstellen.
Kausalorientiert
Industrielle Abläufe haben mit der physischen Welt zu tun, und die industrielle Analytik muss mit bereichsspezifischem Fachwissen validiert werden, um die komplexen kausalen Beziehungen in den Daten zu modellieren. Die Kombination von ersten Prinzipien, z.B. der physikalischen Modelierung, mit anderen statistischen und maschinellen Lernfähigkeiten der Datenwissenschaft ist in vielen industriellen Anwendungsfällen erforderlich, um genaue Analyseergebnisse zu erzielen.
Verteilt
Viele Komplexe industrielle Systeme haben hierarchische Ebenen, die über geografische Gebiete verteilt sind. Jedes dieser Teilsysteme kann einzigartige analytische Anforderungen zur Unterstützung seiner Operationen haben. Daher muss die industrielle Analytik auf die lokalen Anforderungen der von ihr unterstützten Teilsysteme zugeschnitten sein. Die Anforderungen an das Timing (Vermeidung langer Latenzzeiten) und die Ausfallsicherheit (Vermeidung eines weitreichenden Ausfalls von Diensten aufgrund von Fehlern im Netz oder in einem zentralisierten System) erfordern ein verteiltes Muster industrieller Analysen, bei dem die Analyse in der Nähe der Datenquelle, die sie analysiert, und des Ziels , an dem die Analyseergebnisse benötigt werden, implementiert wird.
Streaming
Bei der industriellen Analytik kann es sich um kontinuierliche oder Batch-Prozesse handeln. Aufgrund der kontinuierlichen Ausführung in industriellen Systemen wir ein großer Teil der industriellen Analytik in Form von Streaming-Prozessen erfolgen, bei denen Live-Daten analysiert und ein kontinuierlicher Fluss von Analyseergebnissen zur Unterstützung des Betriebs bereitgestellt wird.
Traditionelle Batch-orientierte Analysen werden weiterhin entweder zur Erstellung oder Verbesserung von Analysemodellen oder zur menschlichen Entscheidungsfindung durchgeführt.
Automatic
Damit die industrielle Analytik kontinuierliche Abläufe unterstützen kann, müssen die Analysen von Datenströmen und die Anwendung von Analyseergebnissen automatisch, dynamisch und kontinuierlich erfolgen. Da die Technologien in der industriellen Analytik fortschreiten, können Verbesserungen in der analytischen Modellierung, z.B. durch Lernen, auch automatisch erfolgen.
Semantics
Analytische Systeme benötigen Daten, die eine Bedeutung und einen Kontext haben. Unstrukturierte Daten, die ohne Zuordnung zum Kurs und zur Komponente oder zum System, das sie repräsentieren, gemeldet werden, machen die Ableitung von Werten komplex, da sie Analysesysteme die Bedeutung erraten oder ableiten müssen.
Unnötige Schlussfolgerungen bringen erhebliche Unsicherheiten in das System. Die meisten Daten können an der Quelle richtig zugeordnet werden, und wenn diese Information weitergegeben wird, kann sie den Erfolg und die Genauigkeit der Analysesysteme erheblich steigern.
Mit den rasanten Entwicklungsstandards und Innovationen in der Sensor- und Computertechnologie ist es nur möglich, fortschrittliche Analysen auf eine große Anzahl von Maschinen weltweit auszuweiten. Fortschrittliche analysealgortihmen und -Techniken, einschließlich des maschinellen Lernens, werden jetzt zur Analyse großer Datenmengen aus industriellen Steuerungssystemen eingesetzt. Die aus der Analyse gewonnenen Erkenntnisse können automatisch angewendet werden, um die Betriebseffizienz von Maschinen zu erhöhen, indem z.B. Verbrauchsspitzen vorausgesehen werden, die Lieferketten für Teile, die für die vorbeugende Wartung benötigt werden, rationalisiert werden und die Geschäftsplanung und Entscheidungsfindung unterstützt wird.
Durch die Nutzung der aus den Maschinendaten gewonnenen Erkenntnisse zur Steuerung intelligenter Betriebs- und Geschäftsprozesse ermöglicht die industrielle Analytik die Konvergenz der Analytik in der OT- und IT.-Welt.
