Glosár twinzo

Kvalita dát

Kvalita dát vyjadruje, nakoľko sa kvalitatívne alebo kvantitatívne informácie hodia na účel, na ktorý slúžia pri riadení prevádzky, v analýzach a pri rozhodovaní. Vo výrobe, logistike a prostredí digitálneho dvojčaťa ukazuje, nakoľko presne, konzistentne a spoľahlivo digitálne dáta zachytávajú fyzické zariadenia, výrobné procesy, podmienky v okolí a operácie v dodávateľskom reťazci.

Kvalitné dáta sú základom modernej priemyselnej automatizácie, plánovania podnikových zdrojov (ERP), systémov riadenia výroby (MES), systémov riadenia skladu (WMS) a platforiem pre prediktívnu analytiku. Naopak slabá kvalita dát, ktorú často spôsobuje posun hodnôt senzorov, sieťová latencia, nekompatibilita starších systémov alebo chyby pri ručnom zadávaní, môže viesť k výpadkom prevádzky, nepresným simuláciám digitálneho dvojčaťa, neoptimálnym plánom údržby a horšiemu prehľadu o dodávateľskom reťazci.

Hlavné súčasti

Kvalitu dát v priemyselnom prostredí hodnotíme a udržiavame podľa niekoľkých základných rozmerov:

Presnosť: miera, v akej dáta správne opisujú skutočný fyzický objekt, udalosť alebo parameter. Vo výrobe to znamená, že telemetria zo senzorov (napríklad teplota, vibrácie, tlak) verne zodpovedá skutočným prevádzkovým podmienkam, bez skreslenia a bez nekalibrovanej odchýlky.
Úplnosť: miera, v akej sú prítomné všetky potrebné dáta. Neúplné súbory dát, napríklad chýbajúce časové značky v súvislom toku telemetrie alebo chýbajúce sériové čísla pri sledovaní v logistike, oslabujú prediktívne modely aj systémy na sledovanie a dohľadateľnosť.
Konzistentnosť: jednotnosť dát naprieč rôznymi systémami a obdobiami. Konzistentné dáta zaručujú, že stav, identifikačné číslo alebo špecifikácie zariadenia sú rovnaké v podnikovej platforme, v systéme SCADA aj v cloudovom nástroji digitálneho dvojčaťa.
Aktuálnosť (včasnosť): dostupnosť dát vtedy, keď sa majú spracovať alebo použiť pri rozhodovaní. Pri aplikáciách v reálnom čase, ako je automatizovaná kontrola kvality alebo synchronizácia stavu digitálneho dvojčaťa, je rozhodujúca nízka latencia a priebežné preberanie aktuálnych dát.
Platnosť a súlad: miera, v akej dáta zodpovedajú definovaným formátom, dátovým typom, štandardným pracovným postupom a priemyselným protokolom (napríklad OPC UA, MQTT alebo normy ISO). Hodnoty dát musia byť v očakávaných rozsahoch a zodpovedať vopred stanoveným schémam.
Jedinečnosť: odstránenie duplicitných záznamov. Pri riadení zásob a sledovaní polohy môžu duplicitné záznamy viesť k umelo nafúknutým stavom zásob alebo k protichodným záznamom o údržbe zariadení.

Využitie vo výrobe a logistike

1. Synchronizácia digitálneho dvojčaťa

Digitálne dvojča potrebuje nepretržitý tok kvalitných telemetrických dát, aby zrkadlilo fyzický stav, správanie a okolie zariadenia, procesu alebo celého závodu. Vďaka kvalitným dátam dávajú virtuálne simulácie, testovanie scenárov a fyzikálne modelovanie presný obraz reálnej prevádzky.

2. Prediktívna údržba (PdM)

Algoritmy prediktívnej údržby analyzujú historické aj aktuálne vibračné, tepelné a akustické dáta a predpovedajú poruchu zariadenia. Čistá, dobre štruktúrovaná telemetria so správnymi časovými značkami predchádza falošným poplachom, neodhalenému opotrebeniu súčastí aj zbytočným odstávkam kvôli údržbe.

3. Dohľadateľnosť v dodávateľskom reťazci a logistika vozového parku

V logistike kvalitné dáta z GPS lokátorov, RFID tagov a environmentálnych senzorov umožňujú presné sledovanie polohy, dynamickú optimalizáciu trás, kontrolu dodržiavania studeného reťazca a automatické zaznamenávanie udalostí vo viacstupňových dodávateľských sieťach.

4. Optimalizácia výťažnosti a kontrola kvality

Inline automatická optická inšpekcia (AOI) a systémy na sledovanie procesov vytvárajú obrovské toky dát, ktoré slúžia na odhaľovanie chýb a dodržiavanie prísnych tolerancií. Vďaka veľmi presným dátam môžu výrobcovia upravovať parametre procesu takmer v reálnom čase, šetriť vstupný materiál a znižovať mieru zmetkovitosti.

5. Sledovanie celkovej efektívnosti zariadení (OEE)

Výpočet OEE vyžaduje presné údaje o dostupnosti zariadení, rýchlosti výkonu a kvalite výstupu. Vysoká kvalita dát bráni nesprávnemu zaradeniu príčin prestojov a zaručuje spoľahlivé referenčné hodnoty výkonnosti naprieč výrobnými závodmi.

Prínosy a úskalia

Prínosy

Lepšie rozhodovanie: kvalitné dáta poskytujú spoľahlivé podklady riaditeľom závodov, pracovníkom v dodávateľskom reťazci aj automatizovaným riadiacim algoritmom.
Vyššia prevádzková efektívnosť: znižuje plytvanie, skracuje časy cyklu a obmedzuje ručné zásahy potrebné na opravu nezrovnalostí v dátach.
Spoľahlivejšie predikcie: posilňuje modely strojového učenia, lebo im dodáva čisté trénovacie a inferenčné súbory dát, čo znižuje posun modelu a chybovosť.
Súlad s predpismi a pripravenosť na audit: zjednodušuje dodržiavanie noriem v oblasti bezpečnosti, ochrany životného prostredia a dohľadateľnosti, pretože zachováva overiteľné a nepoškodené auditné záznamy.

Úskalia

Rôznorodosť od edge po cloud: priemyselné prostredie sa často opiera o staršie stroje, proprietárne protokoly a rôzne komunikačné kanály, čo sťažuje jednotný zber dát.
Opotrebenie a posun hodnôt senzorov: prach, teplo, vibrácie a starnutie súčastí zhoršujú hardvérové senzory, a dáta sa tak časom nenápadne poškodzujú.
Vysoká rýchlosť a objem: obrovský prísun vysokofrekvenčných časových radov zo zariadení priemyselného internetu vecí (IIoT) zaťažuje šírku pásma siete, úložiská aj validačné procesy v reálnom čase.
Izolované systémy: prepojenie medzi sieťami prevádzkových technológií (OT) v hale a sieťami informačných technológií (IT) v nástrojoch na riadenie podniku je často slabé, čo vedie k nejednotným dátovým štruktúram a duplicitným záznamom.

Súvisiace pojmy

Správa dát: zastrešujúci rámec právomocí, pravidiel, štandardov a metrík, ktorý umožňuje riadiť dáta ako podnikový majetok.
Priemyselný internet vecí (IIoT): sieť prepojených priemyselných senzorov, prístrojov a autonómnych zariadení napojených na podnikové výpočtové platformy.
Správa kmeňových dát (MDM): disciplína zameraná na definovanie, konsolidáciu a správu najdôležitejších spoločných dát organizácie, aby existoval jediný zdroj pravdy.
Čistenie dát: proces vyhľadávania, opravy alebo odstraňovania poškodených, nepresných, neúplných alebo duplicitných záznamov v súbore dát.
Pôvod dát (data lineage): mapa pôvodu dát, histórie ich transformácií a ich presunu v informačnom prostredí v čase.

Časté otázky

Ako kvalita dát ovplyvňuje vernosť digitálneho dvojčaťa?

Digitálne dvojča je také presné, aké sú prevádzkové dáta, z ktorých vychádza. Ak telemetria prichádza oneskorene, nepresná alebo neúplná, dvojča nezachytí skutočný stav fyzického zariadenia. Výsledkom sú nepresné simulácie výkonu, chybná prediktívna analytika a nespoľahlivé vstupy do riadenia.

Aký je rozdiel medzi kvalitou dát a správou dát?

Kvalita dát je prevádzkový stav, teda miera presnosti, úplnosti a použiteľnosti dát na daný účel. Správa dát je organizačná stratégia, rámec pravidiel a riadiaca štruktúra, ktoré sa zavádzajú na dosiahnutie, sledovanie a vynucovanie kvality a bezpečnosti dát v celom podniku.

Ako môžu priemyselné prevádzky čistiť zašumené dáta zo senzorov v reálnom čase?

Priemyselné závody zvyčajne používajú architektúry edge computingu s algoritmami filtrovania signálu (napríklad Kalmanov filter alebo kĺzavý priemer), pravidlami na kontrolu rozsahu a mechanizmami detekcie anomálií. Edge uzly telemetriu vyčistia, overia a agregujú ešte predtým, než ju odošlú do centrálnych databáz, digitálnych dvojčiat alebo cloudových analytických platforiem.