Big data

V modernej priemyselnej výrobe, logistike a pri tvorbe digitálnych dvojčiat sú big data obrovské, rýchle a veľmi rôznorodé prúdy štruktúrovaných, čiastočne štruktúrovaných a neštruktúrovaných dát, ktoré vznikajú počas celého životného cyklu fyzických zariadení, výrobných liniek a dodávateľských reťazcov. Tradičné systémy na správu dát stoja na statických relačných databázach. Architektúry big data sú naopak navrhnuté tak, aby prijímali, ukladali a analyzovali nepretržité toky dát z tisícok priemyselných zdrojov. Patria medzi ne senzory IIoT (priemyselného internetu vecí), programovateľné logické automaty (PLC), systémy SCADA (dispečerské riadenie a zber dát), softvér ERP (plánovanie podnikových zdrojov) a systémy riadenia skladu (WMS).

V digitálnom dvojčati sú big data základom, ktorý virtuálny model udržiava v chode. Bez nepretržitého prísunu prevádzkových a okolitých dát by digitálne dvojča nemohlo dynamicky a v reálnom čase zobrazovať fyzické zariadenie. Big data zachytávajú vysokofrekvenčnú telemetriu, napríklad teplotu, vibrácie, tlak a spotrebu energie, a spájajú ju s historickými záznamami o údržbe a so sledovaním logistiky. Vďaka tomu môže digitálne dvojča robiť presné simulácie, predpovedať poruchy a v reálnom čase optimalizovať prevádzkové parametre.

Spracovať takýto objem informácií vyžaduje špecializované distribuované výpočtové rámce a úložné architektúry, ako sú Apache Hadoop, Apache Spark a cloudové data lakes. Vďaka nim sa priemyselné podniky môžu posunúť od deskriptívnej analytiky (čo sa stalo) a diagnostickej analytiky (prečo sa to stalo) k prediktívnej a preskriptívnej analytike. Big data tak menia surový, izolovaný priemyselný šum na využiteľné poznatky, ktoré poháňajú automatizované rozhodovanie vo výrobe aj v globálnych distribučných sieťach.

Hlavné súčasti

Objem dát: Obrovské množstvo dát, ktoré vytvárajú tisíce prepojených zariadení, strojov a logistických uzlov. Časom bežne narastá z terabajtov na petabajty. Táto rozsiahla história je nevyhnutná na trénovanie veľmi presných modelov strojového učenia a na zostavenie základných prevádzkových profilov digitálnych dvojčiat.

Rýchlosť dát: Mimoriadne vysoké tempo, v akom dáta vznikajú, prichádzajú a spracúvajú sa, často v reálnom čase alebo takmer v reálnom čase. Vo vysokorýchlostnej výrobe alebo v automatizovaných triediacich centrách sa dáta zo senzorov musia spracovať v priebehu milisekúnd, aby sa spustilo bezpečnostné odstavenie, upravili tolerancie stroja alebo presmerovali balíky.

Rôznorodosť dát: Široká paleta formátov, ktoré treba prepojiť. Patria sem štruktúrované transakčné dáta zo systémov ERP, čiastočne štruktúrované JSON správy z IoT gateway a neštruktúrované dáta, ako sú záznamy z termovízie, zvukové nahrávky a ručne písané záznamy o údržbe.

Vierohodnosť dát: Spoľahlivosť, presnosť a kvalita prichádzajúcich dát, ktorú môže narušiť posun hodnôt senzorov, latencia siete, elektromagnetické rušenie alebo poškodené správy. Pred vstupom dát do prediktívnych algoritmov alebo simulácií digitálneho dvojčaťa je nevyhnutné zabezpečiť vysokú vierohodnosť automatickým čistením a validáciou.

Hodnota dát: Prevádzkový alebo finančný úžitok, ktorý big data prinášajú po spracovaní, doplnení kontextu a analýze. Prejaví sa v kratších prestojoch, nižšej spotrebe energie, lepšej kvalite výrobkov a jednoduchších procesoch v dodávateľskom reťazci.

Využitie vo výrobe a logistike

Vo výrobe sú big data hlavným hnacím motorom prediktívnej údržby (PdM) a automatizovaného zabezpečenia kvality. Prediktívne algoritmy agregujú a analyzujú historické údaje o vibráciách, teplote a zvuku z rotujúcich strojov, ako sú vretená CNC strojov, turbíny či kĺby robotov, a rozpoznajú drobné anomálie, ktoré predchádzajú mechanickej poruche. Údržba tak môže zariadenie opraviť počas plánovanej odstávky a nemusí reagovať na náhle, nákladné havárie. Na montážnej linke zároveň vysokorýchlostné systémy počítačového videnia vytvárajú obrovské prúdy obrazových dát. Modely hlbokého učenia ich analyzujú v reálnom čase a odhaľujú mikroskopické povrchové chyby, takže chybné diely sa vyradia skôr, než sa dostanú ďalej po linke.

V logistike a riadení dodávateľského reťazca umožňujú big data prehľad od začiatku do konca a dynamické plánovanie trás. Telematické senzory na vozidlách, RFID tagy na paletách a GPS lokátory na prepravných kontajneroch neustále vysielajú polohu, teplotu a vlhkosť. Keď sa prepoja s externými dátovými prúdmi, ako sú globálne poveternostné podmienky, zahltenie prístavov a dopravná situácia, logistické systémy dokážu dynamicky prepočítavať trasy, optimalizovať spotrebu paliva a s vysokou presnosťou predpovedať odhadované časy príchodu (ETA). V sklade sa z big data zbieraných z automaticky riadených vozidiel (AGV) a vychystávacích systémov zostavuje digitálne dvojča celého areálu. Operátori v ňom spúšťajú simulácie, ktoré odhalia úzke miesta, pomôžu optimalizovať stratégie slottingu a zvýšiť celkovú priepustnosť.

Prínosy a úskalia

Hlavným prínosom big data v priemyselnej prevádzke je prechod od reaktívneho k proaktívnemu rozhodovaniu. Keď sa odbúrajú informačné ostrovy medzi prevádzkovými technológiami (OT) vo výrobe a informačnými technológiami (IT) v kanceláriách, organizácia získa celkový prehľad o svojich procesoch. Toto prepojenie výrazne zvyšuje OEE (celkovú efektívnosť zariadení), znižuje prevádzkové náklady a plytvanie a zlepšuje bezpečnosť. Big data navyše umožňujú cykly neustáleho zlepšovania. Historické údaje o výkone sa dajú vrátiť konštruktérom výrobkov, ktorí z nich zistia, ako sa zariadenie správa pri skutočnom zaťažení, a podľa toho vylepšia ďalšie generácie.

Napriek týmto výhodám prináša zavedenie stratégie big data vážne technické aj organizačné problémy. Najväčšou prekážkou je integrácia dát, najmä pri starších priemyselných zariadeniach s proprietárnymi komunikačnými protokolmi, ktoré sa nedajú pripojiť k moderným cloudovým data lakes. Preklenúť túto priepasť medzi OT a IT si vyžaduje značné investície do edge gateway a nástrojov na prekladanie protokolov. Náklady na uloženie a spracovanie petabajtov dát môžu navyše rýchlo narásť, ak sa dôsledne nedodržiavajú pravidlá riadenia životného cyklu dát. Výzvou je aj bezpečnosť. Pripojením dovtedy izolovaných sietí závodov na internet sa zväčšuje plocha pre kybernetické útoky, a preto treba chrániť duševné vlastníctvo a integritu prevádzky pomocou spoľahlivých rámcov kybernetickej bezpečnosti.

Súvisiace pojmy

Na pochopenie big data v priemysle treba poznať niekoľko úzko súvisiacich pojmov. IIoT (priemyselný internet vecí) je sieť fyzických objektov, senzorov a akčných členov, ktoré vytvárajú surové dátové prúdy. Tieto dáta sa zvyčajne zbierajú a ukladajú v data lake, centrálnom úložisku určenom na ukladanie obrovského množstva surových, neštruktúrovaných aj štruktúrovaných dát vo veľkom meradle. Dáta potom využívajú algoritmy prediktívnej údržby a digitálne dvojčatá. Modelujú stav zariadení a simulujú prevádzkové scenáre, takže zo surových dát vzniká optimalizácia fyzického sveta.

Časté otázky

Čím sa big data líšia od tradičných priemyselných dát? Tradičné priemyselné dáta sú zvyčajne štruktúrované, majú obmedzený objem a ukladajú sa v lokálnych databázach, napríklad na SQL serveroch alebo v archívoch procesných dát (historian), ktoré ich zachytávajú s nízkou frekvenciou (napr. raz za minútu). Big data naopak zvládajú obrovské objemy štruktúrovaných aj neštruktúrovaných dát, ktoré z tisícok rôznorodých zdrojov vznikajú s veľmi vysokou frekvenciou (napr. v milisekundách), a na uloženie a paralelné spracovanie potrebujú distribuované cloudové architektúry.

Ako big data predchádzajú „dátovým cintorínom“, kde sa informácie ukladajú, ale nikdy nepoužijú? Aby sa dátové cintoríny nevytvárali, musia podniky zaviesť spoľahlivú správu dát (data governance) a pridávať dátam kontext. Znamená to katalogizovať dáta pomocou metadát, pred ich zberom si jasne určiť prevádzkové využitie a používať automatizované analytické nástroje, ktoré v data lakes nepretržite hľadajú anomálie, trendy a poznatky, a nenechať surové dáta donekonečna ležať v archíve.

Prečo je v architektúre big data potrebný edge computing? Edge computing slúži ako dôležitá vrstva predbežného spracovania big data. Posielať petabajty surových vysokofrekvenčných dát zo senzorov priamo do cloudu je neúnosne drahé a zvyšuje latenciu. Edge zariadenia preto dáta filtrujú, agregujú a komprimujú priamo vo výrobe a do centrálnej platformy big data na hĺbkovú analýzu posielajú len podstatné anomálie alebo súhrnné súbory.