Производственная информационная система — это комплекс новых функциональных возможностей, новых сенсоров и новых приложений, предназначенных не только для автоматизации, но и для выполнения других производственных функций. Основные функции, которые позволяют организовать и автоматизировать производство на промышленном предприятии, – это управление энергопотреблением, обеспечение надежности и эксплуатационной готовности. Такие системы не влияют непосредственно на автоматизацию, но тесно связаны с процессом производства и производственными процедурами. Основная цель производственной информационной системы - создать единый контур управления теми функциями, которые раньше производственные специалисты выполняли вручную. Иллюстрация производственной информационной системы представлена на рисунке 1.
Первое и самое главное условие для реализации подобного решения – это наличие широкого ассортимента интеллектуальных, как правило, беспроводных, устройств нового поколения, способных работать в новых областях применения и собирать данные об энергопотреблении и техническом состоянии оборудования. Это могут быть любые новые средства измерения с нестандартным выходным сигналом, которые могут передавать ранее недоступные данные. Затем данные передаются либо на, либо на периферийные вычислительные устройства, функционирующие на уровне предприятия.
Для каких целей в принципе необходимо собирать данные с полевых приборов? Для аналитики. При наличии разнообразных технологий аналитики пристальное внимание сегодня обращено на машинное обучение и искусственный интеллект, когда выполняется распознавание образов и анализ массивов данных при отсутствии знаний о самом техпроцессе и понимания так называемых основ производственных операций. Но нам нужен простой способ внедрить модели первопричин, характера и последствий отказов, которые, существуют для таких приборов. Оптимальное решение в данном случае – периферийные вычисления, поскольку все необходимые данные генерируются на самом объекте и являются совместимыми с устройствами на предприятии. На уровне более сложных систем в игру вступают технологии машинного обучения, основанные на больших данных. На этом уровне мы не всегда располагаем точными моделями взаимосвязанной работы сложных систем, а технологии построения моделей на основе данных – оптимальное решение, если вы располагаете достаточным набором сведений о текущем технологическом процессе и можете задать взаимосвязи между ними.
Однако возникает важный вопрос. Многие, кто стремится внедрить аналитику больших данных в масштабах всего объекта или группы объектов, преследуя цель собрать все данные и выстроить взаимосвязи между ними, в итоге получают озеро данных или так называемое болото данных. Даже если вы агрегировали все данные в одном месте, успешно реализовать аналитику можно только когда ваши данные выверены, надежны, связаны с определенным контекстом и структурированы таким образом, что вы можете сопоставлять массивы данных из разных источников с помощью стандартизированных методов. Мы нередко сталкивались с ситуациями, когда компании организовывали облачное хранение данных, но эти данные оказывались непригодными для дальнейшего использования. И тогда, чтобы запустить определенное аналитическое приложение, приходилось преобразовывать данные. Поэтому главное, что необходимо сделать перед запуском облачных аналитических инструментов, – это централизованно собрать взаимосвязанные данные в привязке к соответствующему контексту.
Как сегодня выглядит модель работы с данными на предприятии: большое количество разных источников производственных данных, включая периферийные устройства, каждый с отдельными интерфейсами и системами безопасности. Оператор старается разобраться во всем многообразии данных, чтобы связать их с нужным контекстом и запустить необходимые приложения. Если мы хотим выполнять серьезную аналитику, такая модель, конечно, неприемлема.
Оптимальное решение – озеро производственных данных. Это платформа, программное окружение для агрегирования и хранения данных из разных источников, причем не только потоковых, но и других неструктурированных данных, будь то текст, изображения или спектр вибраций, с последующей реализацией модели интерфейса ISA 95, позволяющей привязать разрозненные данные к контексту.
Подход Эмерсон.
Эмерсон предлагает в качестве фундамента нашу платформу Plantweb Optics, на базе которой создано озеро данных, где консолидируются сведения от архивов или систем автоматизации группы промышленных объектов. Далее происходит структурирование собранных сведений в соответствии с моделью контекстуализированных данных ISA 95. Как правило, наши заказчики реализуют такую модель в облаке, однако, это необязательно должно быть облако, то же самое можно реализовать и в локальной среде или в центре обработки данных. Чаще всего заказчики выбирают облачные службы, поскольку имеют дело с действительно большим объемом данных. В данном примере речь идет о трех миллионах потоков данных в секунду со ста предприятий. Это огромный объем, поэтому здесь имеет смысл воспользоваться высокой мощностью и общедоступностью облачных решений.
Теперь, когда у вас есть платформа для работы с данными, можно запускать аналитические инструменты. Мы предлагаем широкий спектр аналитических инструментов, а также шаблоны, о которых я говорил, с помощью которых инженеры могут создать аналитические приложения для работы с единым набором данных. Мы также предлагаем мобильные клиентские устройства, с помощью которых результаты анализа и фактическая информация передается всем пользователям на предприятии. После этого на основе консолидированных сведений можно принимать необходимые решения.
Такая архитектура позволит организовать эффективный сбор всех необходимых данных и их передачу в облачное окружение, а не выстраивать многочисленные отдельные интерфейсы. Схема такой архитектуры представлена на рисунке 2.
Итак, мы рассмотрели три технологии, которые изменят нынешнюю модель организации производства, автоматизации и вычислений для разных производственных нужд. Расширенный физический уровень позволит существенно увеличить объем полевых данных и коренным образом изменить способ интеграции систем автоматизации и полевых приборов. Производство будет копировать модель, которая уже прижилась в мире информационных технологий, и либо перенесет свое программное обеспечение в облако, либо будет работать с ним по подписке в рамках модели SaaS. На фоне цифровой трансформации и необходимости в повышении производительности мы продолжаем развивать и внедрять модель, которая представляет собой совершенно новую производственно-ориентированную архитектуру в масштабах всего предприятия.