6 tegn på, at du har brug for Industriel DataOps

Af John Harrington, Co-Founder & Chief Product Officer, HighByte

En direktør for en industriproduktvirksomhed fortalte mig engang, at selvom hans fabrikker var fulde af ensartet udstyr, kæmpede han stadig for at få adgang til meningsfulde data fra maskinerne. Hver enkelt plastsprøjtestøbemaskine havde en anden måde at præsentere data på. Det betød, at virksomheden skulle tilpasse kodningen for hvert stykke udstyr for at opnå meningsfuld indsigt.

Dette er et helt almindeligt scenarie i mange industrielle miljøer, hvor fabrikker kan have hundredvis af PLC’er og maskincontrollere på forskellige maskiner, der genererer driftsdata, der er uforståelige for de data scientists, som skal forstå det.

Det er her Industriel DataOps kommer ind i billedet. Ved hjælp af almindelige modeller eller objektorienterede tilgange, giver det en måde at standardisere data til at integrere og administrere information, der kommer fra flere kilder. Her er et nærmere kig på de seks tydeligste tegn på, at det er tid til at overveje en Industriel DataOps-arkitektur til din virksomhed.

Oversættelse og analyse af data fra hundredvis eller endda tusindvis af maskiner kan ende med at du har titusindvis af datapunkter. Uden en fælles protokol eller standardiseret måde at præsentere data på, kan det være utroligt tidskrævende at manipulere eller håndtere hvert enkelt datatag.

For år siden løste ingeniører maskinkommunikationsproblemer med protokoloversættere, men det er en helt anden udfordring at forstå forskellige datastrukturer. Modellering af data for hvert system er ineffektivt og dyrt.

Der er ingen enkel måde at administrere individuelle maskinmodeller og implementere dem på flere enheder og systemer. Industriel DataOps løser dette problem med et standardsæt af modeller, der kombinerer flere datapunkter i et enkelt flow.

Mange producenter udvider hurtigt IIoT-projekter kun for at finde ud af at de er bundet i “teknisk gæld”. Teknisk gæld er et udtryk, som programmøren Ward Cunningham opfandt i begyndelsen af 1990’erne for at beskrive et scenarie, hvor folk implementerer software ved hjælp af den hurtigste og nemmeste tilgængelige kode uden hensyntagen til fremtidige teknologibehov.

Desværre går IIoT-projekter ofte i stå, fordi producenterne har valgt den samme tilgang og konstant omskriver koden, hver gang de skal foretage en ændring på fabriksgulvet, såsom at udskifte maskiner, optimere processer eller tilføje nye produktlinjer.

Integrerede systemer, der ikke er bundet til standardiserede modeller, er oplever ofte afbrydelser på grund af besværlig og tidskrævende scripting. En Industriel DataOps-løsning, der gør det muligt for producenter at bygge standardiserede modeller, er mere tilpasningsdygtig og modstandsdygtig over for fremtidige ændringer.

Der er ofte et ”gap” mellem Operations Technology (OT) og IT-teamene. Tidligere var PLC-protokoller, såsom Modbus, tilstrækkelige til at kommunikere koder til OT-teamet. Men en numerisk kode giver ikke IT-folk meget information at arbejde med. Data scientists skal ikke spilde tid på at manipulere data.

Industriel DataOps gør informationen tilgængelig i et brugbart, selvbeskrivende format for datavidenskabsfolk, så de kan præsentere dem for forskellige funktioner i hele organisationen til strategisk beslutningstagning.

Et andet sikkert tegn på, at det er på tide at overveje en Industriel DataOps-løsning, er et efterslæb af dataanmodninger til OT-teamet fra interessenter på tværs af organisationen som har brug for adgang til, eller at kunne forstå, maskindata.

Det betyder, at IT-teamet ikke modtager kontekstualiseret information rettidigt, og at de er alt for afhængige af OT-personale, som muligvis har konfigureret systemerne, for at forklare, hvad visse koder betyder.

Industriel DataOps automatiserer analyseprocessen og frigør herved OT-teamet fra manuelle datarapporter og øger herved tilgængeligheden til data scientists.

Dyre cloudomkostninger er særligt frustrerende, når du ikke har en klar vision for, hvordan du bruger data. Mange af disse opbevaringsmuligheder opstår i forbrugernes teknologiske verden og er ikke lavet til industrielle applikationer.

Industriel DataOps er designet til industrielle databehov. I en Industriel DataOps-konfiguration kan data behandles tæt på maskineriet, i et lokalt datacenter eller i skyen afhængigt af dine specifikke krav.

Løsningen kører tæt på enheden og fodrer kun cloud-applikationer med deres nødvendige data og med den angivne frekvens eller tilstand, hvilket reducerer høje, uforudsigelige cloud-omkostninger.

IIoT-connectivitet kan skabe sikkerhedsproblemer. Når man har enheder online bliver ens informationer sårbare over for hackere og andre ondsindede trusler. At tillade leverandører direkte adgang til maskiner kan forbedre oppetiden, men kan også medføre cyberrisiko. Udveksling af data ved hjælp af den indbyggede sikkerhed i OPC UA og MQTT reducerer potentielle angreb.

Ved at indtage en proaktiv tilgang til at vedligeholde output via en forbindelse tillader desuden administratorer at implementere kontrol og sikkerhed på et højere niveau end typiske publisher/subscriber broker arkitekturer og åben, ikke-administreret API-adgang.

At lancere et IIoT-program uden Industriel DataOps er som at balancere på en skammel med to ben. Du har måske sensorerne og de analytiske værktøjer, men uden evnen til at transmittere og forberede data, vil du fejle. Industriel DataOps bygger bro mellem indsamling og analyse af data, så producenterne kan træffe bedre informerede beslutninger.

Hvis du kæmper med en eller flere af de udfordringer, der er beskrevet i dette indlæg, så lad os tage en snak. Book en demo for at se HighByte Intelligence Hub i aktion og få et personligt sundhedstjek af din dataarkitektur.