IIoT-интеграция АСУТП и Big Data: зачем это нужно и почему это сложно

Big Data, Большие данные, предиктивная аналитика, Цифровая трансформация, цифровизация, Internet of Things, IoT, IIoT, интернет вещей, АСУТП

Детализируя глобальные проблемы развития отечественного Industrial Internet of Things (IIoT), сегодня мы поговорим о технических аспектах построения комплексной Big Data и IIoT-системы, а также рассмотрим сложности интеграции реального производства с аналитикой больших данных и искусственным интеллектом на примере практических кейсов.

Зачем нужна интеграция АСУТП и Big Data и при чем здесь Industrial Internet of Things

Объединение данных из всех процессов и систем, существующих на производстве, с целью ускорения работы и сокращения разночтений – одна из главных выгод, которую цифровизация обещает промышленности. Однако, интеграция АСУТП и бизнес-приложений необходима не только в контексте цифровой трансформации, но и по более тривиальным причинам:

  • повышение эффективности производственных процессов за счет их ускорения и снижения стоимости. Например, автоматический сбор и проверка значений важных переменных, характеризующих качество продукции или выполнения рабочих операций с помощью IIoT-датчиков, существенно снижают затраты на внедрение и поддержку системы менеджмента качества (СМК) посредством исключения ручного контроля [1]. В частности, в горнодобывающей промышленности оборудование с автономным управлением через IIoT-интерфейсы может увеличить производительность на 25%, снизив расходы на охрану здоровья и обеспечение безопасности труда на 20% за счет сокращения количества несчастных случаев на производстве [2].
  • организация сквозного конвейера управления предприятием на основе промышленных данных. Например, если по онлайн-мониторингу показателей производственного оборудования интеллектуальная Big Data система с модулем машинного обучения (Machine Learning, ML) прогнозирует отказ оборудования с вероятностью 95%, то в ERP автоматически запускаются процессы выделения ресурсов (людей, запчастей, финансов) на ремонт этого устройства. Согласно исследованиям консалтинговой компании McKinsey, прогнозирование отказов промышленного оборудования на основе данных с IIoT-датчиков, может уменьшить расходы на техническое обслуживание на целых 40% и в 2 раза сократить незапланированные простои [2].
  • нахождение корреляций между неочевидными фактами в разных производственных областях, например, как смена поставщика сырья отразилась на уровне продаж готовой продукции при сохранении всех основных показателей качества и стоимостных характеристик на прежнем уровне. Или другой кейс, когда интеллектуальные IIoT-датчики, отслеживающие состояние окружающей среды (температура и влажность воздуха) в производственном помещении, интегрированные с технологическими линиями, помогают предупредить порчу продукции и расход сырья при выходе внешних условий за допустимые пределы [1].
  • построение целостной картины промышленного предприятия, с возможностью детального отображения реальных показателей всех производственных процессов, от оперативного мониторинга технологических данных до бизнес-индикаторов в наглядном виде по типу графических дэшбордов BI-систем (Business Intelligence) [3].
Big Data, Большие данные, предиктивная аналитика, Цифровая трансформация, цифровизация, Internet of Things, IoT, IIoT, интернет вещей
Промышленный интернет вещей — обязательный компонент каждого data-driven производства

Сложности интеграции АСУТП с BI и средствами Big Data аналитики

На практике за мониторинг производственных параметров и управление спецоборудованием отвечают приложения класса АСУТП (автоматизированные системы управления технологическими процессами): LIMS, SCADA, DCS, ESD и MES [4]. Связать АСУТП с бизнес-приложениями гораздо сложнее, чем реализовать двусторонний обмен данными между, например, HR- и CRM-системами. Эта сложность обусловлена целым рядом причин:

  • большое количество промышленных протоколов (различные варианты OPC, CAN, Ethernet, ProfiBus, EIB, FlexRay, LonWorks и т.д.) [5];
  • не каждый промышленный протокол имеет удобные API-интерфейсы и коннекторы для интеграции с другими системами. И даже при наличии подобных средств на практике могут возникнуть ранее не предвиденные проблемы. Например, пропускной способности предустановленного интерфейса промышленного протокола может не хватать для оперативной загрузки данных, как при интеграции с PI (Plant Information System) [3] – программным комплексом для управления данными, включая сбор, хранение, обработку и их представление по компании, предприятиям и отдельным процессам в промышленных отраслях (энергетика, нефтегазовый сектор, химия, металлургия и т.д.) [6]. В этом случае необходимо расширение штатных возможностей системы: разработка собственного шлюза, использование внутреннего API SDK и т.д. [3]. Несмотря на наличие набора стандартов промышленной автоматизации, таких как семейство OPC-спецификаций, они не решают все проблемы обмена данными с промышленным оборудованием. В частности, сегодня общепризнанным стандартом является только спецификации OPC DA и OPC HDA. В действительности, далеко не все приложения даже АСУТП-класса поддерживают технологию OPC [7].
  • разные режимы обработки и форматы хранения данных – промышленные OLTP-приложения, датчики, SCADA- и MES-системы работают в реальном времени (потоковая обработка данных), а бизнес-программы – в пакетном режиме. Также различаются форматы хранения данных и представления одной и той же информации в разных разрезах. Порядок хранения информации по прошлым периодам из всех источников данных не всегда согласован между собой, что затрудняет пост-фактумный анализ. Эту проблему не решает даже наличие корпоративного озера данных (Data Lake), в которое должна попадать вся производственная информация, поскольку на практике она собирается не полностью.
  • не все производственные процессы в равной степени автоматизированы, в связи с чем может отсутствовать целая область данных, а также возникает дублирование операций и расхождение информации. В частности, система складского учета содержит сведения о закупленном оборудовании и его поставщиках, но не всегда позволяет отследить фактическое нахождение объекта в режиме эксплуатации. Однако, эту проблему можно решить с помощью IIoT-системы на базе RFID-меток, которые позволяют отслеживать положение объекта, как это было сделано в российской буровой компании «ПНГ», о чем мы рассказывали здесь.
промышленность, Internet of Things, IoT, IIoT, интернет вещей
Максимальная эффективность IoT-решений ожидается именно в промышленном секторе

Таким образом, полноценная IIoT-система современного предприятия, которое стремится действительно стать data-driven компанией, — это не просто набор приложений, автоматизирующих отдельные прикладные задачи, а комплексная цифровая модель эффективного управления каждым производственным процессом с помощью оперативного сбора и аналитической обработки данных в режиме реального времени. Как реализовать ее на практике с помощью таких технологий Big Data, как Apache NiFi и MiNiFi, мы расскажем в следующей статье.

Узнайте больше о реальных кейсах цифровизации бизнеса и успешных IIoT-проектах на нашем практическом курсе Аналитика больших данных для руководителей в лицензированном учебном центре обучения и повышения квалификации ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве.

Источники

  1. https://tulip.co/blog/iiot/industrial-iot-use-cases-and-applications/
  2. https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/an-executives-guide-to-the-internet-of-things
  3. https://habr.com/ru/company/croc/blog/466933/
  4. https://ru.wikipedia.org/wiki/Автоматизированная_система_управления_технологическим_процессом
  5. https://ru.wikipedia.org/wiki/Промышленная_сеть
  6. https://www.indusoft.ru/products/osisoft/PI_SYSTEM/
  7. https://ru.wikipedia.org/wiki/OPC
Поиск по сайту