Artikel

7 trin til at gøre industrielle data brugbare

Gør industrielle data brugbare

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

Et moderne industrianlæg kan nemt producere en terabyte data hver dag. Med udbredelsen af sensorer og dashboarding i realtid, kunstig intelligens og maskinlæringsteknologier burde vi se enorme produktivitetsgevinster. Uplanlagt vedligeholdelse af aktiver og produktionslinjer burde være forældet.

Dette er dog ikke tilfældet. Adgang til data betyder ikke, at det er brugbart. Industriel data er meget rå og skal gøres formålsegnede for at udvinde deres sande værdi. Ydermere skal de værktøjer, der bruges til at gøre data egnede til formålet, fungere i samme skala som et industrianlæg.

Med disse fakta i tankerne har jeg skrevet en praktisk syv-trins guide til producenter og andre industrivirksomheder for at gøre deres data egnede til formålet.

Trin 1: Gør industrielle data brugbare

Alle informationsteknologi (IT) og Operation Technology (OT) projekter bør begynde med klare use cases og forretningsmål. De kan fokusere på maskinvedligeholdelse, procesforbedringer eller produktanalyse for at forbedre kvaliteten eller sporbarheden for at nævne nogle få. Sørg for, at de rigtige tværfunktionelle interessenter deltager i og prioriterer projektet – og kan nå til enighed om projektets

Trin 2

Dernæst skal du identificere de målapplikationer, der vil blive brugt til at nå disse mål. Karakterisér målapplikationen ved at dokumentere, hvor applikationen er placeret, hvordan den modtager data, hvilken information den kræver, hvor ofte data skal opdateres, og hvad der får data til at opdatere.

Trin 3

Industrielle data er afgørende for at håndtere industrielle og forretningsmæssige use cases, men det kan være vanskeligt at indsamle, korrelere og standardisere. Du kan lettere forstå de specifikke udfordringer som dit projekt vil møde, ved at identificere dine datakilder. Dokumentér hvilke data der er tilgængelige, hvor de er placeret, om de er dynamiske eller statiske, og om data i øjeblikket er tilgængelige i det korrekte format eller skal udledes før de indtages.

Trin 4: Gør industrielle data brugbare

Når du bedre forstår dine målsystemer og datakilder, kan du bestemme og dokumentere din integrationsarkitektur, hvilket vil kræve, at du vælger mellem at lave direkte API-forbindelser eller implementere en integrationshub (såsom HighByte Intelligence Hub). For at træffe dette valg skal du vide, hvor mange applikationer der skal integreres, om dit udstyr og sensordata kræver kuratering og forberedelse, og hvor ofte dit fabriksudstyr og -systemer ændres. Jeg vil gå mere i dybden med dette emne i mit næste blogindlæg.

Trin 5

Når projektplanen er på plads, kan systemintegration påbegyndes ved at etablere sikre forbindelser til kilde- og målsystemerne. Forstå de protokoller, du vil arbejde med (åben vs lukket) og de sikkerhedsrisici og -fordele, de giver. Sikkerhed handler ikke kun om brugernavne, adgangskoder, kryptering og autentificering, men også om integrationsarkitektur. Protokoller som MQTT kræver kun udgående åbninger i firewalls, hvilket sikkerhedsteam foretrækker, fordi hackere ikke er i stand til at udnytte protokollen til at komme på interne netværk. Selvom sikkerhed nogle gange tidligere har skabt spændinger mellem IT- og OT-teams, er sikring af et sikkert netværk faktisk en fantastisk mulighed for disse to funktioner til at samarbejde og tilføje værdi til projektet, når de kan blive enige om fælles mål.

Trin 6

Det er afgørende at definere de standardmodeller, der kræves i målsystemet for at opfylde projektets forretningsmål. Kernen i modellen er de realtidsdata, der kommer fra maskineriet og automationsudstyret. Når standardmodellerne er oprettet, bør de tilpasses for hvert aktiv, proces og/eller produkt. Dette er generelt en manuel opgave, men kan accelereres, hvis kortlægningen allerede findes i Excel eller andre formater, såfremt der er konsistens fra enhed til enhed, der kan kopieres, eller hvis en indlæringsalgoritme kan anvendes.

Trin 7: Gør industrielle data brugbare

Når modelleringen er færdig, skal datastrømme etableres og kontrolleres, model for model. Dette gøres typisk ved at identificere den model, der skal flyttes, målsystemet og frekvensen eller triggeren for bevægelsen. Over tid vil datastrømme også kræve overvågning og styring.

Opsummering

At gøre industrielle data egnede til formålet er afgørende for producenter, der ønsker at skalere deres IIoT-projekter og have kontrol over datastyring. Vi håber, at dette indlæg gav dig praktiske råd til at starte dit næste projekt. For mere information om dette emne, download venligst artiklen i fuld længde, “How to make industrial data fit for purpose”.

Download

Læs artiklen i sin fulde længde (engelsk).


John Harrington, HighByte - Blog

Teksten i denne artikel er oversat fra HighBytes Blog: Seven steps to making your industrial data fit for purpose


Book en demo – HighByte Intelligence Hub

Udfyld formularen nedenfor, så kontakter vi dig snarest.

Dette felt er til validering og bør ikke ændres.
Flere Insights