Artikel

Udnyt jeres industrielle data

Fire use cases til Industriel DataOps – Udnyt industrielle data

DataOps - udnyt data

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

De fleste produktionsvirksomheder kan se fordelene ved at udnytte industrielle data til at forbedre produktionen og spare omkostninger. De er dog fortsat udfordret med hensyn til, hvordan de skal opskalere deres piloter og småskalatests til fabriksomspændende, multifabriks- eller virksomhedsniveau. Der er mange grunde til dette, herunder tiden og omkostningerne ved integrationsprojekter, frygten for at udsætte operationelle systemer for cybertrusler og mangel på kvalificerede menneskelige ressourcer.

Roden til disse problemer er vanskeligheden ved at integrere datastrømme på tværs af applikationer i et multi-system og multi-leverandør miljø, hvilket kræver en vis grad af tilpasset kodning og scripting. Standardisering af datamodeller, flows og netværk er hårdt arbejde. I modsætning til et kontormiljø med en håndfuld systemer og databaser, kan en typisk fabrik have hundredvis af datakilder fordelt på tværs af maskinstyringer, PLC’er, sensorer, servere, databaser, SCADA-systemer og historikere – for blot at nævne nogle få.

Industriel DataOps har en ny tilgang til dataintegration og -styring. Det giver et softwaremiljø til datadokumentation, styring og sikkerhed fra det mest granulære niveau af en maskine på en fabrik, op til linje-, fabriks- eller virksomhedsniveau. Industriel DataOps tilbyder et separat dataabstraktionslag eller hub til sikker indsamling af data i standarddatamodeller til distribution på tværs af lokale og cloud-baserede applikationer.

Disse fire use cases illustrerer, hvordan Industriel DataOps kan integrere dine rollebaserede operationelle systemer med din virksomheds IT-systemer såvel som eksterne leverandører såsom maskinbyggere og serviceudbydere.

1. Accelerér og skalér en analyseimplementering

På trods af bestræbelser på at standardisere og integrere kritiske aspekter af denne infrastruktur, varierer konteksten og datastrukturerne. Selvom de alle bruger tryk-, temperatur- og optiske sensorer, varierer leverandørerne, teknologierne, kommunikationsprotokollerne og endda måleenhederne.

I stedet for at gå i gang med et dyrt og nedetidsfremkaldende rip-and-replace-projekt eller skrive tilpasset kode for at massere data, kan proces- eller kontrolingeniører forbinde deres maskiners OPC UA-tags til standardinformationsmodeller i en Industriel DataOps-hub. Hubben kører på en række forskellige platforme i netværkskanten (edge network) – fra en enkeltbords IoT-gateway, Raspberry Pi, industriel switch eller enhver Linux-enhed op gennem Windows 10 og Windows Server-platforme. For skalerbarhed, isolation og sikkerhed kan hubs installeres på maskin-, linje- eller facilitetsniveau.

Nu har disse sprøjtestøbemaskiner strømlinet, optimeret data, som Operations Technology (OT) nemt kan videregive til lokale systemer på kantnetværket såvel som dataforskere, der er afhængige af cloud-baserede systemer til kunstig intelligens (AI) og andre avancerede analyser. Datamodeller er fuldt kontekstualiserede og standardiserede, ikke kun smidt i skyen, hvor dataforskere – som bruger op mod 80 procent af deres tid på at rense og forberede data – kan komme direkte i gang med at lave egentlig datavidenskab. Båndbredde og cloud-lagring reduceres, og analyse-implementeringstiden accelereres kraftigt.

2. Ekstern synlighed af faciliteter og multi-site analyse

I industrier som papirmasse og papir varierer datastrømme fra flere steder meget fra “våde” kontinuerlige processer til hybride batch- og diskrete emballeringsprocesser. Det samme gælder industrier som specialkemikalier og Food & Bev.

For at imødegå udfordringen med at integrere data fra flere systemer på tværs af flere fabrikker – og også overvinde vanskeligheden med at rekruttere og vedligeholde tekniske supportteams på hvert sted – opretholder mange virksomheder et centraliseret, corporate engineering- og IT-team. Dette team har brug for adgang til data for at overvåge, vedligeholde og optimere aktiver for at opfylde deres mål på tværs af virksomheden.

For at opnå dette niveau af præstationsanalyse definerer virksomhedsgruppen ensartede modeller og sender dem til de distribuerede fabrikker, som derefter kan installere dem i en edge-native Industriel DataOps-hub.

Ingeniører kortlægger deres lokale datapunkter til standardmodellerne, efterhånden som systemerne ændres eller tilføjes. Hvis et nyt anlæg anskaffes, kan data også nemt kortlægges til modellerne. Som et resultat undgår virksomheden nedetiden forårsaget af traditionelle/legacy-metoder eller rip-and-replace-projekter.

Nu er operationelle brugere i stand til at udfylde datamodeller og oprette forbindelser uden at skrive en enkelt kodelinje, og dataforskere modtager ensartede data af høj kvalitet. Analytics-cyklustiden accelererer, og den digital transformation på virksomhedsniveau får det momentum, den tidligere har manglet.

3. Distribution af industrielle data til flere forretningssystemer

Produktionsvirksomheder har brug for at data ikke kun flyder vertikalt fra realtidssystemer til front office, men på tværs af faciliteter og virksomheder. Disse systemer omfatter SCADA, MES, ERP, laboratorie-/kvalitetssystemer, aktiv-/vedligeholdelsessystemer, systemer til overvågning af cybertrusler, brugerdefinerede databaser, dashboards, regnearksapplikationer og selvfølgelig IIoT-infrastrukturen, der muliggør analyse, maskinlæring og AI-undersøgelser.

I årtier er integration blevet opnået gennem API’er og tilpasset scripting/kodning fra applikation til applikation, i stedet for til et samlet miljø, hvorigennem alle datakilder flyder. Denne tilgang til API’er begraver koden inde i applikationer, hvilket gør integrationerne svære at vedligeholde. Uundgåelige ændringer af produkter, automatisering og forretningssystemer kan “bryde” integrationer, hvilket resulterer i uopdagede dårlige eller manglende data i uger eller endda måneder.

Industriel DataOps forhindrer sådanne nedbrud i at forekomme, fordi integrationer ikke længere gemmer sig i tilpasset kode mellem applikationer; de vedligeholdes alle gennem en løsning, der giver et fælles abstraktionslag. Med systemer forbundet via en enkelt integrationshub får OT et agilt miljø til proaktivt at administrere og distribuere data.

Nu har virksomheder en hurtigere, nemmere og mere robust måde at etablere og vedligeholde deres mange integrationer med en løsning, der giver datasynlighed, vedligeholdelse, dokumentation, styring og sikkerhed.

4. Sikker levering af industrielle data til kunder fra maskiner

Maskinbyggere står over for den konstante udfordring at reducere den tid og de omkostninger der er ved at udvikle, integrere og vedligeholde deres maskineri. Agilitet og fleksibilitet er nøglen til at forhindre projekttid og omkostningsoverskridelser. Dette er især kritisk, når de skal integrere deres systemer med upstream/downstream-aktiver såsom transportbånd, robotter, drev og andre aktiver (måske også inklusive kundens HMI/SCADA-system) på kundens anlæg. Traditionelt involverede denne integration tilpasning af maskinkode eller Ladder-logik programmering for at understøtte en kundes systemer eller at bede kunden om at “finde ud af det”.

Med Industriel DataOps, kan leverandøren standardisere sin programmering og udføre de nødvendige tilpasninger gennem informationsmodellering i hubben. Når kunden har brug for “disse fem datapunkter for at gå til SCADA-systemet, disse 10 til mit MES og disse 7 til Cloud for virksomheder,” er de nemt i stand til at definere modellerne og dirigere informationen.

Ud over kundens site forbinder Industriel DataOps maskinbyggere med deres produktionskunders hubs og videre til deres HMI/SCADA, MES og andre systemer. Evnen til at levere fjernovervågning, diagnosticering, OEE og forudsigende vedligeholdelsestjenester i enhver skala giver merværdi til leverandør-kundeforholdet.

Når information er i en standardform, der er nem at vedligeholde, opnår alle parter en bredere integration, uanset om det er på et enkelt sted, flere steder eller eksternt gennem kommunikation med virksomhedsorganisationer eller eksterne partnere.

​Industriel DataOps giver et abstraktionslag til uafhængig styring af informationsstrømme, der frigør organisationer fra at stole på en hvilken som helst leverandørs platform. Lige så vigtigt giver det OT mulighed for at foretage ændringer i aktiver, kontrollerer logik og systemer uden at “bryde” integrationer eller afbryde den eksisterende operationelle infrastruktur.


Disse fire use cases illustrerer en ny måde at tænke på integration af dataforbindelser, modeller og flows på maskin-, linje-, fabriks- og virksomhedsniveau ved hjælp af Industriel DataOps.

John Harrington, HighByte - Blog

Teksten i denne artikel er oversat fra HighBytes Blog:
Four practical use cases for Industrial DataOps


Se denne korte video der introducerer Industriel DataOps og HighByte Intelligence Hub, og viser hvordan denne tilgang kan hjælpe din specifikke organisation.

Du kan også bede om en live demo:

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