COVID-19 beschleunigt Evolution von Datenerfassung und Analytics

Datenerfassungsstrategien entwickeln sich im Zeitalter von COVID-19 weiter, getrieben durch erhöhte Anforderungen an Remote-Datenvisualisierung und Echtzeit, datengestützte Entscheidungen. Human-Machine Interface (HMI) und Supervisory Control and Data Acquisition (SCADA) Systeme werden noch wichtiger für die digitale Transformation, da sie Analysen auf Edge-Geräten durchführen können und so die Agilität und Resilienz bieten, die für den Erfolg grundlegend sind.

Verbinden mit Sensoren neu und alt

Traditionelle Instrumente und neuere Internet of Things (IoT) Sensoren, die auf Feldgeräten installiert sind, befinden sich in unmittelbarer Nähe zu Edge-Geräten, die wiederum große Mengen an produzierten Daten erfassen können, wie Pumpendrücke oder Maschinenbetriebsbedingungen. International Data Corporation (IDC) prognostiziert, dass 2025 allein durch IoT 79,4 Zettabytes an Daten erzeugt werden, aber all diese Rohdaten werden nicht zwangsläufig Erkenntnisse liefern. Stattdessen wird Wert nur durch das Erlangen und Anwenden von Informationen, Wissen und Erkenntnissen geschaffen, die aus der Analyse von Rohdaten abgeleitet werden, und befähigt Endnutzer, Prozesse zu verbessern.

Intelligente Sensorlösungen sind heute verfügbar, um Echtzeitsignale in das gewünschte Format für die Analyse zu komprimieren, filtern oder konvertieren; es gibt jedoch viele Legacy-Geräte, die bereits mit proprietären Protokollen im Einsatz sind und ebenfalls für eine vollständige datengestützte Transformation einbezogen werden müssen. Da HMI/SCADA-Softwareinstallationen bereits in der Nähe des Edge sind, ist es natürlich und praktisch, diese Software sowohl für die Kommunikation mit Legacy-Geräten als auch für die Zusammenarbeit mit intelligenten Sensoren zur Unterstützung von Echtzeit, datengestützten Entscheidungen zu nutzen.

Analytics an den Edge bringen

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

In Zukunft kann HMI/SCADA-Software wesentlichen Kontext zu Echtzeitdaten liefern, um datengestützte Entscheidungen zu unterstützen. Sie kann auch bekannte Muster erkennen und Anomalien entdecken und Betreiber vor bevorstehenden Ausfällen frühzeitig warnen. Inferenz und lokale Aktionen können auf dem Edge-Gerät oder Edge-Server behandelt werden, während aggregierte Daten oder prädiktive Modellierung in der Cloud durchgeführt werden können. Erweiterte Analysen erweitern die traditionellen Fähigkeiten von HMI/SCADA, sodass Nutzer die Grundursache von Ereignissen und Verhaltensweisen verstehen und zukünftige Bedingungen vorhersagen können.

Die Bereitstellung mobiler HMI/SCADA-Anwendungen mit Analysen am Netzwerkrand bietet Organisationen eine zusätzliche Flexibilitätsebene zur Unterstützung intelligenter mobiler Dienste für Remote-Mitarbeiter. Diese mobilen Anwendungen können reiche Datenerfassung von entfernten Geräten nutzen und sie mit einem Edge-Server zur weiteren Aggregation und Analyse teilen, bevor sie zur Cloud für Maschinellen Lernen und andere Analysen gesendet werden.

Die enge Integration von Analysen mit HMI/SCADA-Anwendungen, definiert als eingebettete Analysen, nimmt zu, wegen der Notwendigkeit, Daten in Wissen zu transformieren. Allied Market Research prognostiziert, dass der Markt für eingebettete Analysen von 25,13 Milliarden USD 2016 auf 60,28 Milliarden USD bis 2023 wächst. Wenn traditionelle HMI/SCADA-Software durch eingebettete Analysefähigkeiten erweitert wird, erhalten Nutzer ein besseres Anwendungserlebnis, indem Einblick und Aktion in derselben Anwendung zusammengeführt werden.

Ergebnisse eingebetteter Analysen umfassen Key Performance Indicators (KPIs), statistische Auswertungen und Alarme in der Nähe dort, wo Betreiber ihre Arbeit verrichten und Entscheidungen getroffen werden. Diese Nachfrage, die digitale Transformation näher an den Edge zu schieben, wo die Daten gesammelt werden, existiert wegen des Drucks, datengestützte Entscheidungen schneller zu treffen. Mit der Notwendigkeit, Near-Realtime-Reaktionen zu beschleunigen, haben Betreiber keine Zeit mehr, zum Kontrollraum zurückzukehren, um zu analysieren.

Machine Learning und Algorithmen

Datenanalyse extrahiert bedeutungsvolle Erkenntnisse aus Echtzeit- und anderen Datenquellen. Machine Learning ist eine Form der Analyse, die Algorithmen verwendet, um Daten zu extrahieren, daraus zu lernen und dann die Zukunft basierend auf historischen Daten vorherzusagen. Algorithmen wandeln einen Datensatz in ein Modell um. Die optimale Algorithmustrainings- oder Lernmethode hängt von der Art der zu lösenden Probleme, den verfügbaren Rechenressourcen und der Natur der Daten ab. Zwei führende Lernmethoden sind überwachtes und unüberwachtes Lernen.

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

Beim unüberwachten Lernen wird einem Algorithmus ein Satz von Eingaben präsentiert, aber keine gewünschten Ausgaben (Labels), was bedeutet, dass der Algorithmus Struktur und Muster selbst finden muss, während er Tausende von Datenpunkten basierend auf entdeckten Mustern bewertet und klassifiziert. Es gibt vier traditionelle Kategorien von Analysen: deskriptiv, diagnostisch, prädiktiv und präskriptiv, mit einer fünften, die sich in Form von kognitiver Analyse herausbildet.

Deskriptive Analysen beantworten die Frage „Was passiert?“. Basierend auf Echtzeit- und vergangenen Daten gewinnt es Einblicke in die Prozessleistung, indem es Kontext zu den Daten liefert. Basierend auf Echtzeitdaten bieten HMI/SCADA-Anwendungen mit deskriptiver Analytik Visualisierung dessen, was passiert, melden Alarme für Betreiber und liefern Details wie Datum/Uhrzeit des Auftretens, zugehörige Werte und Maschineninformationen.

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

Prädiktive Analysen bauen auf diagnostischer Analytik auf, um die Frage „Was wird in der Zukunft passieren und warum?“ zu beantworten. Prädiktive Analytik nutzt dieselben historischen Daten wie die beiden vorherigen Analysetypen, um mathematische Modelle zu erstellen, die verwendet werden können, um Schlussfolgerungen über zukünftige Ereignisse zu ziehen und Betreiber vor zukünftigen Ereignissen zu warnen, die die Produktivität beeinträchtigen (Abbildung 3). Es gibt mehrere Werkzeuge für prädiktive Analytik, darunter:

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

• Klassifikation, die die Frage beantwortet: „Wird diese Maschine oder dieser Prozess ausfallen?“ Sie klassifiziert Daten in binäre Kategorien wie „Hat dieses Produkt einen Fehler? Ja oder Nein.“

• Multi-Klassen-Klassifikation versucht die Frage zu beantworten: „Wird diese Maschine oder dieser Prozess aus Grund X ausfallen?“ Sie klassifiziert Daten in eine von drei oder mehr Kategorien wie „Welche Art von Qualitätsfehler hat dieses Produkt? Gering, schwerwiegend oder kritisch?“

• Regression beantwortet die Frage: „Wie lange bis diese Maschine oder dieser Prozess ausfällt?“ Regression verwendet statistische Prozesse zur Schätzung der Beziehungen zwischen einer abhängigen Variable und einer oder mehreren unabhängigen Variablen.

Präskriptive Analysen bauen auf prädiktiver Analytik auf, um die Frage „Was sollen wir tun?“ zu beantworten. Präskriptive Analytik liefert Modelle, um Betreiber über empfohlene Aktionen zu informieren. Optimierungs- und Simulationsalgorithmen werden oft für präskriptive Analytik verwendet. HMI/SCADA in Kombination mit präskriptiver Analytik kann mehrere verschiedene mögliche Aktionen vorschlagen und Betreiber zu einer Lösung führen.

Kognitive Analytik baut auf präskriptiver Analytik auf, um die Frage „Warum soll ich das tun?“ zu beantworten. Kognitive Analytik nutzt Techniken selbstlernender Algorithmen und Deep Learning, um menschliches Denken zu emulieren.

Next-Level-Verständnis

Deskriptive und diagnostische Analytik nutzen vergangene Daten, um zu erklären, was passiert ist und warum, während prädiktive, präskriptive und kognitive Analytik historische Daten nutzen, um vorherzusagen, was in der Zukunft passieren wird, und welche Aktionen unternommen werden sollten, um ein spezifisches Ergebnis zu beeinflussen. In vielen Fällen werden mehrere Analytiken und Algorithmen gleichzeitig verwendet, mit aggregierten Ergebnissen für bessere Entscheidungsfindung.

HMI/SCADA-Software, die auf einem Edge-Gerät bereitgestellt wird, kann ein Schlüsselfaktor sein, um Analytik bereitzustellen, die Organisationen zu besseren datengestützten Entscheidungen führt, sogar von entfernten Standorten, und die Wettbewerbsfähigkeit verbessert.

Wenn es einen Silberstreif an der COVID-19-Pandemie gibt, dann ist es die Art, wie Unternehmen lernen, Geschäftsmodelle an mehr Echtzeit, datengestützte Entscheidungsfindung anzupassen. Indem sie mehr Remote-Sichtbarkeit in Prozesse schaffen, die Menschen, Ausrüstung, Rohstoffe und Einrichtungen nutzen, stellen Unternehmen fest, dass sie optimaler laufen können, indem sie engere Bindungen zu Kunden, Mitarbeitern und Lieferanten schaffen.

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 vernetzter IoT-Geräte wird voraussichtlich 79,4 ZB Daten im Jahr 2025 erzeugen, laut einer neuen IDC-Prognose.
2. 1. Juni 2020 - Globaler Embedded Analytics Markt soll 60,28 Milliarden USD bis 2023 erreichen: AMR.