Przemysłowy Internet Rzeczy
![](https://aspolska.pl/wp-content/uploads/2018/11/Fotolia_20.jpg)
a&s International
W obliczu agresywnej konkurencji w sektorze przemysłowym fabryki i zakłady produkcyjne starają się podnieść wydajność i ograniczyć przestoje do minimum. Zarządzający produkcją mogą dziś korzystać z Przemysłowego Internetu Rzeczy (IIoT – Industrial Internet of Things) i danych generowanych przez połączone z siecią urządzenia, zwiększając „inteligencję” linii produkcyjnych.
Choć dane najczęściej są przetwarzane przez pracujące w data center serwery, to coraz więcej dzieje się w urządzeniach brzegowych sieci.
W ostatnich stuleciach przemysł doświadczał kolejnych rewolucji, a każda wpływała na sposób wytwarzania produktów. W wyniku pierwszej w XVIII w. ludzi zaczęły zastępować maszyny. Do drugiego przełomu doszło na początku XX w., kiedy to powstała koncepcja linii produkcyjnej. Wraz z upowszechnieniem się komputerów, sieci i robotów przemysł jeszcze bardziej zmienił swoje oblicze.
Niedawno rozpoczęła się era Przemysłowego Internetu Rzeczy (IIoT – Industrial Internet of Things), zwana także Przemysłem 4.0, w wyniku czego doświadczamy następnej rewolucji, polegającej na wykorzystaniu połączonych z siecią urządzeń i czujników w celu zwiększenia wydajności i efektywności.
Przykładowo czujniki mogą generować dane dotyczące stanu urządzeń i procesów, czyszczenia bez dekompletacji maszyny (CIP – Clean-In-Place), bezpieczeństwa i planowania produkcji oraz śledzenia zasobów. W rezultacie staje się łatwiejsze przechodzenie do podejścia proaktywnego wykonywanych operacji oraz zwiększania wydajności. Gdy ważna jest jakość, można zastosować dodatkowe czujniki, które wspomogą kontrolę jakości procesów.
– Pomiary dokonywane przez czujniki dotyczą różnych parametrów, użycie konkretnych sensorów zależy od tego, jakie dane są kluczowe z biznesowego punktu widzenia. Mogą być np. związane z warunkami środowiskowymi (temperatura, wilgoć, ciśnienie). Mogą także dotyczyć bezpieczeństwa i ochrony, wtedy zostaną użyte czujniki zbliżeniowe albo wizyjne, monitorujące dany obszar. Są także sensory, które sprawdzają stan produkcji i maszyn, mierząc przyspieszenie i wibracje – tłumaczy Eric Ehlers, Vertical Marketing Manager w Cisco. – Otrzymywane w rezultacie ich zastosowania dane dają pełniejszy wgląd, zwiększając efektywność i automatyzację procesów, bezpieczeństwo i ochronę oraz monitorowanie i optymalizację zużycia zasobów. Uzyskiwane informacje mogą służyć do usprawniania łańcucha dostaw oraz projektowania nowych produktów.
Potencjału wykorzystania IIoT nie można zignorować. Według szacunków analityków z firmy MarketsandMarkets wartość rynku IIoT ma się zwiększyć z 113,7 mld USD w roku 2015 do 195,5 mld USD w 2022 r., przy średnim rocznym wzroście w latach 2016–2022 obliczanym na 7,9 proc. W raporcie napisano: „Branża przemysłowa przeżywa transformację wynikającą z wprowadzania koncepcji inteligentnej fabryki oraz technologii automatyzacji produkcji. Rządowe inicjatywy, np. Industrie 4.0 w Niemczech oraz Plan Industriel we Francji, mają wspierać wdrażanie rozwiązań IIoT w Europie. Można się też spodziewać, że kraje o największych wzrostach w sektorze przemysłowym, takie jak USA, Chiny i Indie, będą – wprowadzając technologie inteligentnej produkcji – w dalszym ciągu rozwijać tę branżę, co zwiększy jej udział w tamtejszym PKB”.
Znaczenie danych
Podstawą IIoT są dane, które szefom produkcji dają większy wgląd w linie produkcyjne. Tradycyjnie przez dekady dane z czujników były zbierane w trzech celach: jako wejściowa informacja do sterowania procesami kontroli maszyn, fabryki w czasie rzeczywistym; do wyświetlania ich w pomieszczeniach kontrolnych, by można było je kontrolować i reagować na zmiany lub alarmy wyzwalane zgodnie z prostymi, ustalonymi regułami; do przechowywania lokalnie z myślą o działaniach post factum i wykorzystania ich po awarii do analizy oraz usprawnienia procesów kontroli.
W szczególności dane mogą być przydatne w serwisowaniu predykcyjnym, które staje się wyjątkowo ważne dla producentów próbujących zminimalizować przestoje w fabrykach. »
» Mikrowzorce ukryte w terabajtach danych wygenerowanych przez czujniki mogą ostrzegać przed awariami maszyn, które jeszcze kilka lat temu nie były wykrywane nawet przez najbardziej zaawansowane systemy monitorowania. Analitykom danych brakowało narzędzi do przewidywania awarii, a zakłady przemysłowe nie zatrudniały badaczy danych, by podejmować takie próby. Wraz z nastaniem czasów Przemysłu 4.0 zainteresowanie rozwiązaniami predykcyjnego serwisowania w szybkim tempie rośnie, coraz więcej tego rodzaju rozwiązań trafia też na rynek.
Urządzenia brzegowe kontra chmura
Kluczową sprawą staje się analiza generowanych i gromadzonych danych. Najczęściej są one wysyłane do serwera w centrum danych w celu ich przeanalizowania. Ale obecnie w coraz większym stopniu ich przetwarzanie zaczyna być przeprowadzane w urządzeniach brzegowych sieci, co ma zalety.
Analiza krytycznych danych, wrażliwych na opóźnienia, której trzeba dokonać w czasie od milisekundy do poniżej sekundy, powinna być przeprowadzona w urządzeniu brzegowym. Dzięki temu, jeśli pojawi się błąd, jego korekcji można dokonać natychmiast, bez zbędnej zwłoki. W przetwarzaniu na brzegu sieci nie ma problemu z pasmem i opóźnieniami, a podejmowanie decyzji odbywa się w pobliżu miejsca zdarzenia. W ten sposób optymalizuje się także przesył danych do sieci. Można ustalić reguły tak, by właściwe dane docierały do właściwych ludzi we właściwym czasie, co zapewni pełen obraz sytuacji.
Analityka wykonywana na serwerach w centrach danych czy chmurze nie przestała być potrzebna. Jest niezbędna do długoterminowych analiz, które nie są tak uzależnione od czasu. Będzie odpowiednia przy obliczeniach, które wymagają dużo czasu i są przeprowadzane na wielkich zbiorach danych, zwanych big data. Przykładami takiego zastosowania są przeglądy predykcyjne i optymalizacja procesów.
Okazuje się, że najlepszym podejściem do optymalizacji IIoT w środowisku produkcyjnym jest połączenie obu koncepcji. Przy kompleksowej analizie danych kombinacja analityki w urządzeniach brzegowych z wykonywaną przez serwery przynosi najlepsze rezultaty. Urządzenia brzegowe wyposażone w sztuczną inteligencję (AI) mogą przechwytywać i analizować krytyczne dane, a do serwerów są przesyłane tylko dane przetworzone. W efekcie dalsza analiza na serwerach lokalnych bądź w chmurze staje się bardziej efektywna, ogranicza się opóźnienie danych oraz sprawia, że dane z czujników są bezproblemowo obsługiwane przez system sterowania. Kombinacja analityki brzegowej z dokonywaną na serwerach zapobiega tworzeniu się zatorów w sieci, ponieważ do serwerów są przekazywane jedynie dane przetworzone. O alarmach i zdarzeniach bezpośrednio wychwytywanych przez urządzenia brzegowe są informowani pracownicy i personel zajmujący się utrzymaniem maszyn.
– Krytyczne aplikacje, które wymagają małych opóźnień oraz szybkich pomiarów, są lepiej obsługiwane w urządzeniach brzegowych. Z kolei aplikacje o dużych woluminach danych, które potrzebują znacznie większych zasobów obliczeniowych, będą lepiej działać w środowisku data center i chmury. Łącząc analitykę danych w czasie rzeczywistym na brzegu sieci z analityką big data, dotyczącą danych historycznych, można określać warunki, które pozwolą podnieść jakość, zwiększyć wydajność oraz całkowitą efektywność sprzętu. Dane te mogą być następnie integrowane z systemami planowania zasobów przedsiębiorstwa (ERP – Enterprise Resource Planning) oraz realizacji produkcji (MES – Manufacturing Execution System) w celu uzyskania lepszego wykorzystania zasobów, wglądu w środowisko oraz większej kontroli jakości w trakcie produkcji – podkreśla E. Ehlers.
Wykorzystanie sztucznej inteligencji w IIoT
W IIoT najważniejsze dane są generowane przez połączone urządzenia przemysłowe. Dzięki nim możliwe jest dalsze poszukiwanie, wydobywanie i analizowanie informacji przez specjalistów. Przedsiębiorstwa mają jednak ograniczone budżety i często nie są w stanie pozwolić sobie na zatrudnienie właściwych ekspertów. Na rynku brakuje wykwalifikowanych analityków big data i inżynierów. Zakłady przemysłowe nie są też na tyle elastyczne, by tworzyć własne centra kompetencji, a technicy z hal produkcyjnych nie staną się nagle ekspertami od uczenia maszynowego. W związku z tym dostawcy IIoT będą zmuszeni dostarczać rozwiązania, które nie wymagają wielkiego wkładu pracy od personelu zakładu produkcyjnego. Z pomocą przychodzą AI i uczenie maszynowe. Na rynku są już dostępne systemy predykcyjnego serwisowania zasobów oparte na IIoT, wykorzystujące wspomniane technologie. Taki system automatycznie przeprowadza ekstrakcję cech charakterystycznych, kalibrację modelu (w uczeniu maszynowym znaną także pod hasłami meta-parameter search lub hyper-parameter optimization) oraz selekcję modelu w celu wybrania najbardziej odpowiedniego rodzaju detekcji anomalii dla każdego czujnika, który będzie analizowany. Krótko mówiąc, wykonuje pracę ekspercką na zbiorze danych.
Nie można zaniedbać cyberbezpieczeństwa
Przemysłowy Internet Rzeczy generuje mnóstwo danych, dlatego kluczowe staje się zagwarantowanie, by były bezpiecznie przesyłane i przechowywane. W efekcie, korzystając z IIoT, trzeba zadbać o cyberbezpieczeństwo. Użycie analityki big data do optymalizacji procesu produkcji nie spełni swojej funkcji, gdy te same połączenia czujników z chmurą wykorzystają cyberprzestępcy do przechwycenia kontroli nad produkcją, wstrzymania jej oraz wymuszenia okupu za ponowne uruchomienie. Systemy wcześniej niedostępne przez Internet stają się nagle widoczne w całej światowej sieci. Od tego, czy zdołamy zabezpieczyć IIoT przed atakami, będzie zależało, czy spełnią się obietnice Przemysłowego Internetu Rzeczy, czy też okaże się on porażką. Bezpieczeństwo cybernetyczne i zabezpieczenia techniczne są ze sobą ściśle powiązane.
Jak sprawdzają się rozwiązania security w przemyśle
Oprócz czujników przemysłowych szefowie produkcji mogą także wykorzystywać rozwiązania security, takie jak monitoring wizyjny i kontrola dostępu, których podstawową funkcją jest stałe zapewnianie bezpieczeństwa i ochrony w obiektach produkcyjnych.
– W ramach tworzenia ochrony fizycznej w fabryce na początku często wdraża się kamery, co wyraźnie poprawia bezpieczeństwo w obiekcie. Dane z systemów kontroli dostępu w połączeniu z obrazami z kamer mogą zagwarantować, że dostęp do obiektu będą miały jedynie uprawnione do tego osoby. Mogą w konsekwencji ułatwić dostosowywanie się do standardów, a także pomóc w likwidowaniu przyszłych zagrożeń, które mogłyby wpływać na produkcję – twierdzi Eric Ehlers, Vertical Marketing Manager w Cisco.
W coraz większym stopniu wizja jako medium zaczyna być wykorzystywana w fabrykach także do innych zadań. Przykładem może być widzenie maszynowe, w którym obraz rejestrowany przez kamery jest wykorzystywany do wykrywania defektów, prowadzenia ramion robotów albo automatycznego kierowania pojazdami w fabryce. W raporcie MarketsandMarkets analitycy tej firmy przewidują, że wartość globalnego rynku widzenia maszynowego w 2022 r. osiągnie 14,4 mld USD, co oznacza średni roczny wzrost na poziomie 8,4 proc. w latach 2016–2022.
– Do najważniejszych czynników stymulujących wzrost rynku widzenia maszynowego należą: rosnąca potrzeba kontroli jakości i automatyzacji produkcji, zwiększające się wykorzystanie wizyjnie sterowanych robotów w branżach samochodowej, farmaceutycznej, spożywczej i opakowaniowej oraz innych sektorach przemysłowych, a także coraz większe wymagania dotyczące systemów widzenia maszynowego znajdujące zastosowanie w specyficznych aplikacjach – twierdzą autorzy raportu.
Jednocześnie kamery są używane do uzyskiwania większego wglądu w procesy. – Przykładowo czujniki wykrywające ruch mogą być łączone z kamerami w celu rejestracji zdarzeń oraz tworzenia gorących miejsc na mapach obiektu, pomagając poznać wzorce przepływu ruchu. Czujniki mogą być wykorzystywane także do monitorowania procesu i wyzwalania alarmów w trudno dostępnych rejonach instalacji przemysłowych. Ułatwiają także zdalne naprawy, są pomocne w ograniczaniu strat w produkcji – mogą monitorować jakość produktów, wyszukując odchylenia od wzorców – wyjaśnia Eric Ehlers z Cisco.
Trochę o konwergencji OT-IT
Przez długi czas technologie operacyjne (OT – Operational Technology), czyli sterowania przemysłowego, oraz technologie informatyczne (IT) funkcjonowały w zakładach produkcyjnych oddzielnie. Wraz z pojawieniem się IIoT stała się możliwa konwergencja OT i IT oferująca użytkownikom wiele korzyści.
– W OT chodzi przede wszystkim o zapewnianie ciągłości działania, z kolei w IT ważne są standardy, które gwarantują integralność i poufność danych. Obecnie od obu obszarów oczekuje się, by biznes stał się bardziej elastyczny, efektywny i przynosi więcej korzyści z poczynionych w nowe technologie inwestycji – mówi Eric Ehlers, Vertical Marketing Manager w Cisco.
IT i OT były oddzielnymi silosami w różnych ekosystemach, skupionymi na różnych celach. Przepaść pomiędzy nimi powstrzymywała przedsiębiorstwa w ich dążeniach do osiągnięcia efektywności operacyjnej. Sytuacja zmienia się wraz z pojawieniem się w sektorze przemysłowym IIoT, big data i inteligentnych maszyn, a przedsiębiorcy dostrzegają korzyści z łączenia IT z OT. Dane wygenerowane przez systemy OT mogą być korelowane przez systemy IT, co umożliwia optymalizowanie procesów biznesowych, ograniczanie kosztów operacyjnych, pozyskiwanie informacji w celu doskonalenia procesu decyzyjnego, poprawa planowania produkcji i logistyki.
Podstawowym problemem przy konwergencji OT–IT pozostaje interoperacyjność pomiędzy różnymi formatami danych. Potrzebna jest wydajna, oparta na standardach komunikacyjnych struktura wykorzystywana jako znormalizowana szyna danych, w której liczne protokoły peryferii (często o firmowej, niestandardowej naturze) mogą być tłumaczone przez tzw. bramy. W ten sposób będzie możliwe skomunikowanie systemów, które nie były do tego stworzone, szybka ich integracja i osiągnięcie korzyści, jakie przynosi IIoT. Przykładami takich schematów są: DDS (Data Distribution Service) opracowany przez OMG oraz OPC UA przygotowany przez OPC Foundation.