Aby przynosiła efekty, analiza dużych zbiorów danych Big Data musi dostarczać użytecznych informacji, opartych na doświadczeniu użytkownika końcowego.
Niektóre osoby mogą być przekonane, że analiza dużych zbiorów różnorodnych danych (Big Data) jest synonimem uczenia maszynowego (machine learning – ML) lub sztucznej inteligencji (artificial intelligence – AI), jednak nie jest to prawdą. Chociaż niektóre aspekty tych dwóch technologii mogą być wykorzystane w aplikacjach analityki Big Data, to skupianie się tylko na nich na pewno spowoduje zamieszanie i zwiększy oczekiwania. AI daje wyniki, które nie wymagają żadnego lub niewielkiego wysiłku od użytkownika końcowego. Jednak doświadczenie użytkownika w analizie danych jest zupełnie inne.
Analiza danych procesowych
Wiele technologii, w tym AI, może być użytych w aplikacjach analizy danych, jednak nie należy koncentrować się na tych technologiach, ale na doświadczeniu użytkownika i przyspieszeniu zamiany praktycznych informacji w dane procesowe.
Konieczne jest skupienie się na ekspertach dziedzinowych (subject matter expert – SME) – inżynierach procesu, ekspertach od analizy danych i innych oraz ich zdolności do znajdowania praktycznych informacji w gromadzonych dla nich danych. Niezależnie od technologii użytych w aplikacjach analizy danych, celem jest zawsze opracowanie takiego rozwiązania, które jest dostępne dla użytkownika nieposiadającego dużego doświadczenia w badaniu danych (data science).
Dobrze zaprojektowane aplikacje do analizy danych umożliwiają ekspertom SME otrzymywanie odpowiednich wyników. Ponieważ aplikacje do analizy danych wykorzystują dodatkową funkcjonalność, to powinny wdrażać te innowacje w kontekście cech łatwego użytkowania, dostępnych dla inżynierów procesu i technologów.
Aplikacje do analizy danych powinny wykorzystywać dostępne technologie, aby pomagać użytkownikom końcowym w uzyskaniu pożądanych i użytecznych wyników. Świetnie, jeśli aplikacje te cechuje funkcjonalność ML lub AI, jednak z powodów marketingowych nie powinny one być ograniczone tylko do tych funkcjonalności lub innych. Dostępnych jest wiele algorytmów oraz innowacji, które pomagają użytkownikom potrzebującym odnaleźć praktyczne informacje w otrzymywanych danych.
Funkcje algorytmów mogą obejmować cyfrowe przetwarzanie sygnałów w celu czyszczenia danych, wykrywania kształtu w sygnałach procesowych oraz modele obliczeń MapReduce do rozproszonego przetwarzania danych. Celem nie jest wywoływanie algorytmów ML, AI lub innych. Jest nim pomaganie użytkownikom końcowym w szybszym osiągnięciu sukcesu.
Poza algorytmem
Algorytmy technologii CC (cognitive computing – przetwarzania kognitywnego) są ważną częścią rozwiązania do analizy danych w produkcji procesowej oraz rozwiązaniach Przemysłowego Internetu Rzeczy, ale tylko częścią. Inne aspekty obejmują proces transformowania i mapowania danych (data wrangling), który polega na pobieraniu wymaganych danych z sieci, ich oczyszczeniu i kontekstualizacji w celu przygotowania ich do użycia. Aplikacje do analizy danych muszą koncentrować się m.in. na tych etapach przygotowawczych, aby przyśpieszyć przetworzenie otrzymywanych z sieci danych na praktyczne informacje do dystrybucji wśród użytkowników.
Na koniec aplikacje do analizy danych powinny umożliwiać użytkownikom rozbudowę i rozszerzanie analizy do każdego wymaganego poziomu. Użytkownicy końcowi będą rozszerzali używanie aplikacji do analizy danych oraz w większym stopniu potrzebowali specyficznych algorytmów. A zatem aplikacje do analizy danych powinny obejmować rozszerzalność na dodatkowe algorytmy poprzez takie funkcje, jak REST API, OData oraz integrację algorytmów z doświadczeniem użytkownika.
Gdy aplikacje do analizy danych umożliwiają użytkownikom skupienie się raczej na problemie, a nie na technologii, to pożądane wyniki mogą być uzyskane szybko, jak pokazano w przedstawionych dalej kilku przypadkach użycia.
Analiza danych: cztery potrzeby
Uzyskanie w praktyce korzyści z zastosowania technologii Przemysłowego Internetu Rzeczy wymaga bardziej świeżego spojrzenia na to, co oferuje oprogramowanie do analizy danych. Celem jest znalezienie produktu, który pozwala na kompleksowe podejście do ekstrakcji praktycznych informacji z danych produkcyjnych. Oprogramowanie do analizy danych może pomóc inżynierom procesu i technologom w pozyskaniu praktycznych informacji z pierwszej ręki, pozwalając im dopasowywać do potrzeb zakładu, analizować i zwiększać wydajność produkcji.
Czterema podstawowymi wymaganiami do analizy danych, aby mogła ona dostarczać dodatkową wartość dla wdrożeń technologii IIoT, są:
→ Produktywność
Wymaga ona takiego podejścia aplikacji analitycznej, aby inżynierowie i analitycy danych mogli łatwo wykorzystać to oprogramowanie jako część ich prac badawczo-rozwojowych do szybkiego zwiększania wydajności produkcji.
→ Doświadczenie szeregów czasowych
U podstawy każdej okazji do wykorzystania technologii IIoT leżą dane analogowe z czujników. Dane te są często trudne do manipulacji, czyszczenia i kontekstualizowania. Typowe ręczne rozwiązania wymagają godzin pracy użytkownika w Excelu lub przy programowaniu skryptów dopasowanych do jego potrzeb. Narzędzia do analizy danych przeznaczone dla IIoT powinny ułatwić i przyspieszyć analizę danych szeregów czasowych, tak aby inżynierowie mogli przede wszystkim skupić się na odkrywaniu problemów i praktycznych informacjach dotyczących procesów realizowanych w zakładach, zamiast zajmować się przetwarzaniem typu data wrangling lub manipulowaniem danymi.
→ Różnorodność i kontekstualizacja danych
Umożliwia organizowanie danych z czujników na podstawie serii lub zasobów. Jest związana lub może być łatwo rozłożona na stany i warunki maszyn w granicach procesu ciągłego. Jest to istotne, ponieważ zdecydowana większość typowych scenariuszy stanowi mieszaninę nowych i starych danych albo mieszankę danych sterowania pochodzących z wielu różnych źródeł.
→ Wsparcie dla współpracy między ludźmi
Umożliwia udostępnianie wyników prac badawczo-rozwojowych oraz dyskusje między członkami zespołu, zarówno w grupie, jak i w całym zakładzie lub większej liczbie zakładów. Wymaga to dostępu do oprogramowania do analizy danych za pośrednictwem dowolnej przeglądarki internetowej, uruchomionej na dowolnej platformie, w tym komputerach PC, tabletach i smartfonach. A zatem, aby uzyskać jak najwięcej ze zgromadzonych danych, firmy z branży przemysłu procesowego powinny poszukiwać takich systemów i dostawców, którzy rozumieją zarówno kontekst danych, jak i wyzwania związane z procesami realizowanymi w zakładach tych firm.
Dostawcy ci mogą wykonać ciężką pracę związaną z integrowaniem protokołów, wdrożeniami i architekturą – umożliwiając zakładom przemysłu procesowego skupienie się na uzyskaniu jak największej wartości z dostępnych możliwości i opcji reprezentowanych przez różne scenariusze IIoT.
Analiza dużych cząsteczek w laboratorium firmy farmaceutycznej
Problem: Podczas przechodzenia od fazy eksperymentów do produkcji na pełną skalę okazało się, że wydajność reaktora uzyskana w laboratorium pewnej firmy farmaceutycznej nie może być odtworzona podczas produkcji na pełną skalę. Przyczyny tego były trudne do zidentyfikowania przy użyciu metod ręcznych oraz istniejących narzędzi do zarządzania danymi, takich jak arkusze kalkulacyjne.
Rozwiązanie: Wykorzystano analizę danych do zebrania i połączenia danych z różnych i odmiennych źródeł, związanych z laboratorium i linią produkcyjną. Umożliwiło to firmie szybkie porównanie tych dwóch procesów i ustalenie kluczowych różnic, jak pokazano na schemacie blokowym pokrywy zbiornika. Parametry produkcji na pełną skalę zostały tak dostrojone, aby zwiększyć wydajność.
Kontrola zanieczyszczeń emitowanych przez elektrownię
Problem: Operatorzy w pewnej elektrowni nie mogli wystarczająco szybko otrzymywać informacji z zakładowego systemu automatyki, aby sterować w czasie rzeczywistym urządzeniami zmniejszającymi emisję zanieczyszczeń. W wyniku tego często przedawkowywano chemikalia neutralizujące zanieczyszczenia, co powodowało wzrost kosztów generowanych przez zakład.
Rozwiązanie: Aplikacje do analizy danych umożliwiają szybkie przetwarzanie informacji, co pozwala na skuteczne sterowanie systemem zmniejszania zanieczyszczeń w bardzo łatwy sposób, podobnie jak w przypadku każdej innej zmiennej procesowej. Dzięki temu można tak zoptymalizować zużycie chemikaliów, aby osiągnąć maksymalną redukcję emisji tlenków azotu (NOx), tlenków siarki (SOx) oraz związków rtęci. Powoduje to maksymalne obniżenie kosztów zużywanych chemikaliów oraz jednoczesne wydłużanie czasu eksploatacji sprzętu.
Operacje wytapiania rud metali
Problem: W pewnej hucie trudne do sterowania i energochłonne etapy produkcji metali, np. wytapianie rud, były kłopotliwe do scharakteryzowania przy użyciu konwencjonalnych arkuszy kalkulacyjnych. W efekcie równoważenie wielu czynników i dokonywanie optymalnych kompromisów między kosztami, czynnikami środowiskowymi a efektywnością energetyczną było niemal niemożliwe.
Rozwiązanie: Zastosowano analizę danych do analizowania możliwych kompromisów między wieloma zmiennymi, co ułatwiło sterowanie procesem wytopu na podstawie tego, która ze zmiennych jest najbardziej kluczowa w danej chwili. Dostrajanie tej „mieszanki” pod kątem ewoluujących kosztów lub nowych regulacji prawnych zostało uproszczone przez wypróbowanie różnych scenariuszy typu „co jeżeli” (what-if).
Łoża reaktorów w rafineriach
Problem: W rafineriach były trudności z przewidywaniem wielkości zanieczyszczeń gromadzących się w łożach osłon reaktorów z powodu różnych warunków i czynników mogących powodować problemy. Dane z różnych czujników miały tendencję do gromadzenia zakłóceń, co sprawiało, że identyfikacja aktualnych trendów i podejmowanie działań korygujących były trudne do wykonania.
Rozwiązanie: Wykorzystując swoje technologie czyszczenia danych i pakietów danych, rozwiązanie do analizy danych wyeliminowało zakłócenia z danych oraz zidentyfikowało kluczowe warunki operacyjne, które powodowały przyśpieszanie gromadzenia się zanieczyszczeń. Dzięki testom wzorcowym (benchmarks), stworzonym w warunkach panujących w stanie ustalonym, identyfikowanie problemowych sytuacji, a następnie wykonywanie konserwacji prognozowanej (predictive maintenance – PdM) stało się łatwe.
Ocena jakości pulpy i papieru
Problem: W pewnej papierni w procesie przygotowania pulpy mieszano różne gatunki drewna – według ich aktualnej dostępności. Sprawdzanie, czy te zmiany surowca nie wpłyną negatywnie na produkt końcowy, było trudne, biorąc pod uwagę długi czas, jaki upływał między przygotowaniem pulpy a wyprodukowaniem gotowego wyrobu.
Rozwiązanie: Aplikacja do analizy danych wykonała charakterystykę jakości produktu końcowego na podstawie charakterystyki pulpy, przygotowanej na bazie danych historycznych. Wówczas firma wdrożyła testowanie pulpy przed jej dostarczaniem do maszyny produkującej papier i wykorzystała te informacje do dokładnego przewidywania kluczowych parametrów produktu końcowego.
Podsumowanie
Dzięki tym poprawnie opracowanym i zrealizowanym aplikacjom do analizy danych zostaną usunięte problemy użytkowników końcowych, niezależnie od ich wymagań badawczo-rozwojowych. Można się też spodziewać, że analiza danych stanie się oczekiwanym i stabilnym komponentem środowiska roboczego. Jednak kontekst i doświadczenie użytkownika końcowego muszą być priorytetem.
Włączenie technologii AI, ML oraz innych pozwoli aplikacjom do analizy danych szybciej generować praktyczne informacje na podstawie Big Data.
Michael Rise jest wiceprezesem firmy Seeq Corp.
