COVID-19 treibt die Entwicklung von Datenerfassung und Analytik voran

Datenerfassungsstrategien entwickeln sich im Zeitalter von COVID-19, angetrieben durch erhöhte Anforderungen an die Remote-Datenvisualisierung und datengesteuerte Entscheidungen in Echtzeit. Human-Machine-Interface (HMI)- und Supervisory Control and Data Acquisition (SCADA)-Systeme werden immer wichtiger, um die digitale Transformation zu erreichen, da sie Analysen auf Edge-Geräten durchführen können und die Agilität und Widerstandsfähigkeit bieten, die für den Erfolg grundlegend sind.

Verbindung mit neuen und alten Sensoren

Herkömmliche Instrumente und neuere IoT-Sensoren (Internet of Things), die auf Feldgeräten installiert sind, befinden sich in unmittelbarer Nähe von Edge-Geräten, die wiederum große Mengen an erzeugten Daten wie Pumpendrücke oder Maschinenbetriebsbedingungen erfassen können. Die International Data Corporation (IDC) prognostiziert, dass im Jahr 2025 allein durch das IoT 79,4 Zettabyte an Daten erzeugt werden1, aber all diese Rohdaten werden nicht unbedingt zu Erkenntnissen führen. Stattdessen wird Wert nur durch das Erhalten und Anwenden von Informationen, Wissen und Erkenntnissen aus der Analyse von Rohdaten geschaffen, wodurch Endbenutzer in die Lage versetzt werden, Prozesse zu verbessern.

Intelligente Sensorlösungen sind heute verfügbar, um Echtzeitsignale zu komprimieren, zu filtern oder in das gewünschte Analyseformat umzuwandeln; Es gibt jedoch bereits viele ältere Geräte mit proprietären Protokollen, die für eine vollständige datengesteuerte Transformation ebenfalls einbezogen werden müssen. Da sich HMI/SCADA-Softwareinstallationen bereits in Randnähe befinden, ist es natürlich und bequem, diese Software sowohl für die Kommunikation mit älteren Geräten als auch für die Zusammenarbeit mit intelligenten Sensoren zu verwenden, um eine datengesteuerte Entscheidungsfindung in Echtzeit zu unterstützen.

Bring Analytics to the Edge

HMI/SCADA-Software, die in der Lage ist, fortschrittliche Analysen auf Edge-Geräten durchzuführen, wird eine entscheidende Rolle bei der Steuerung, Visualisierung und Formulierung von Erkenntnissen und Erkenntnissen aus Echtzeitdaten spielen. Da sie bereits zur Visualisierung und Steuerung verwendet wird, ermöglicht die HMI/SCADA-Software derzeit die Überwachung und Steuerung des Betriebs (Abbildung 1).

Künftig kann HMI/SCADA-Software einen wesentlichen Kontext zu Echtzeitdaten liefern, um datengesteuerte Entscheidungen zu unterstützen. Es kann auch bekannte Muster und Anomalien erkennen und Bediener rechtzeitig vor drohenden Ausfällen warnen. Inferenz und lokale Aktionen können auf dem Edge-Gerät oder Edge-Server verarbeitet werden, während aggregierte Daten oder Vorhersagemodellierung in der Cloud durchgeführt werden können. Advanced Analytics erweitert die traditionellen Fähigkeiten von HMI/SCADA, sodass Benutzer die Grundursache von Ereignissen und Verhaltensweisen verstehen und zukünftige Bedingungen vorhersagen können.

Die Bereitstellung mobiler HMI/SCADA-Anwendungen mit Analysen am Netzwerkrand bietet Unternehmen ein zusätzliches Maß an Flexibilität, um intelligente mobile Dienste für Remote-Mitarbeiter zu unterstützen. Diese mobilen Anwendungen können umfangreiche Datensammlungen von Remote-Geräten nutzen und sie mit einem Edge-Server zur weiteren Aggregation und Analyse teilen, bevor sie zur Maschinenmodellierung und anderen Analysen an die Cloud gesendet werden.

Die enge Integration von Analytik mit HMI/SCADA-Anwendungen, definiert als eingebettete Analytik, nimmt zu, da Daten in Wissen umgewandelt werden müssen. Allied Market Research prognostiziert, dass der Markt für Embedded Analytics von 25,13 Milliarden US-Dollar im Jahr 2016 auf 60,28 Milliarden US-Dollar im Jahr 2023 wachsen wird Anwendung.

Zu den Ergebnissen von Embedded Analytics gehören Key Performance Indicators (KPIs), statistische Auswertungen und Warnungen in der Nähe des Ortes, an dem Bediener ihre Arbeit erledigen und Entscheidungen getroffen werden. Diese Forderung, die digitale Transformation näher an den Rand zu bringen, an dem die Daten gesammelt werden, besteht aufgrund des Drucks, datengesteuerte Entscheidungen schneller zu treffen. Mit der Notwendigkeit, Reaktionen nahezu in Echtzeit zu beschleunigen, haben Bediener keine Zeit mehr, zur Analyse in den Kontrollraum zurückzukehren.

Maschinelles Lernen und Algorithmen

Die Datenanalyse extrahiert aussagekräftige Erkenntnisse aus Echtzeit- und anderen Datenquellen. Maschinelles Lernen ist eine Form der Analyse, bei der Algorithmen verwendet werden, um Daten zu extrahieren, daraus zu lernen und dann auf der Grundlage der historischen Daten die Zukunft vorherzusagen. Algorithmen machen aus einem Datensatz ein Modell. Die optimale Trainings- oder Lernmethode für Algorithmen hängt von der Art der zu lösenden Probleme, den verfügbaren Rechenressourcen und der Art der Daten ab. Zwei führende Lernmethoden sind überwacht und unüberwacht.

Beim überwachten Lernen wird einem Algorithmus eine Reihe von Eingaben zusammen mit den gewünschten Ausgaben (auch Labels genannt) präsentiert. Das Ziel ist es, eine Regel zu finden, die es dem Computer ermöglicht, die Beziehungen im Wesentlichen aufzuschlüsseln und zu lernen, welche Eingabedaten den Ausgaben zugeordnet werden und wie.

Beim unüberwachten Lernen wird einem Algorithmus eine Reihe von Eingaben, aber keine gewünschten Ausgaben (Etiketten) präsentiert, was bedeutet, dass der Algorithmus selbst Strukturen und Muster finden muss, während er Tausende von Datenpunkten basierend auf entdeckten Mustern bewertet und klassifiziert. Es gibt vier traditionelle Kategorien von Analytik:beschreibend, diagnostisch, prädiktiv und präskriptiv, wobei eine fünfte in Form von kognitiver auftaucht.

Descriptive Analytics beantwortet die Frage „Was passiert?“ Basierend auf Echtzeit- und Vergangenheitsdaten erhält es Einblicke in die Leistung des Prozesses, indem es Kontext zu den Daten bereitstellt. Basierend auf Echtzeitdaten bieten HMI/SCADA-Anwendungen mit deskriptiver Analyse eine Visualisierung dessen, was passiert, melden Alarme für die Bediener und liefern Details wie Datum/Uhrzeit des Auftretens, zugehörige Werte und Maschineninformationen.

Diagnostische Analysen bauen auf deskriptiven Analysen auf, um die Frage „Warum ist das passiert?“ zu beantworten. Diagnostische Analysen verwenden Statistiken, um Muster zu finden und Einblicke in Echtzeitdaten zu bieten. Typische Anwendungen sind die Identifizierung von Anomalien und Grundursachen (Abbildung 2).

Predictive Analytics baut auf diagnostischen Analysen auf, um die Frage zu beantworten:„Was wird in Zukunft passieren und warum?“ Predictive Analytics nutzt die gleichen historischen Daten wie die beiden vorherigen Arten von Analysen, um mathematische Modelle zu erstellen, die verwendet werden können, um Rückschlüsse darauf zu ziehen, was in der Zukunft passieren wird, und Bediener vor zukünftigen Ereignissen zu warnen, die sich auf die Produktivität auswirken (Abbildung 3). Es gibt mehrere Tools, die für Predictive Analytics verwendet werden, darunter:

• Anomalieerkennung, die die Frage „Ist das Verhalten anomal?“ beantwortet. Es findet Daten, die nicht einem erwarteten Muster entsprechen.

• Klassifizierung, die die Frage beantwortet:„Wird diese Maschine oder dieser Prozess versagen?“ Es klassifiziert Daten in binäre Kategorien wie „Hat dieses Produkt einen Defekt? Ja oder Nein.“

• Die Mehrklassenklassifizierung versucht, die Frage zu beantworten:„Wird diese Maschine oder dieser Prozess aus Grund X versagen?“ Es klassifiziert Daten in eine von drei oder mehr Kategorien wie „Welche Art von Qualitätsmängeln hat dieses Produkt? Klein, groß oder kritisch?“

• Die Regression beantwortet die Frage:„Wie lange dauert es, bis diese Maschine oder dieser Prozess ausfällt?“ Die Regression verwendet statistische Prozesse zum Schätzen der Beziehungen zwischen einer abhängigen Variablen und einer oder mehreren unabhängigen Variablen.

Prescriptive Analytics baut auf Predictive Analytics auf, um die Frage „Was sollen wir tun?“ zu beantworten. Prescriptive Analytics bietet Modelle, um Bediener über empfohlene Maßnahmen zu informieren. Optimierungs- und Simulationsalgorithmen werden häufig für Prescriptive Analytics verwendet. HMI/SCADA, die mit präskriptiven Analysen arbeiten, können mehrere verschiedene mögliche Aktionen vorschreiben und Bediener zu einer Lösung führen.

Cognitive Analytics baut auf Prescriptive Analytics auf, um die Frage „Warum sollte ich das tun?“ zu beantworten. Kognitive Analytik verwendet Techniken selbstlernender Algorithmen und Deep Learning, um menschliches Denken nachzuahmen.

Verständnis auf der nächsten Ebene

Deskriptive und diagnostische Analysen verwenden vergangene Daten, um zu erklären, was passiert ist und warum es passiert ist, während prädiktive, präskriptive und kognitive Analysen historische Daten verwenden, um vorherzusagen, was in der Zukunft passieren wird, zusammen mit den Maßnahmen, die ergriffen werden sollten, um ein bestimmtes Ergebnis zu beeinflussen. In vielen Fällen werden mehrere Analysen und Algorithmen gleichzeitig verwendet, wobei die Ergebnisse für eine bessere Entscheidungsfindung aggregiert werden.

HMI/SCADA-Software, die auf einem Edge-Gerät bereitgestellt wird, kann ein Schlüsselfaktor bei der Bereitstellung von Analysen sein, um Organisationen zu einer besseren datengesteuerten Entscheidungsfindung zu führen, selbst von entfernten Standorten aus, und die Wettbewerbsfähigkeit zu verbessern.

Wenn die COVID-19-Pandemie einen Silberstreif am Horizont hat, dann ist es die Art und Weise, wie Unternehmen lernen, Geschäftsmodelle an eine datengesteuerte Entscheidungsfindung in Echtzeit anzupassen. Durch die Schaffung von mehr Fernsicht in Prozesse, in denen Menschen, Ausrüstung, Rohstoffe und Einrichtungen verwendet werden, stellen Unternehmen fest, dass sie optimaler arbeiten können, indem sie engere Beziehungen zu Kunden, Mitarbeitern und Lieferanten herstellen.

Dieser Artikel wurde von Bruno Armond Crepaldi, Chief Technology Officer bei ADISRA (Austin, TX) verfasst. Weitere Informationen finden Sie hier .

Referenzen

1. 18. Juni 2019 – Das Wachstum bei vernetzten IoT-Geräten wird laut einer neuen IDC-Prognose im Jahr 2025 voraussichtlich 79,4 ZB an Daten generieren.
2. 1. Juni 2020 – Globaler Markt für eingebettete Analysen soll bis 2023 60,28 Milliarden $ erreichen:AMR.