Aby wdrożenie technologii Przemysłowego Internetu Rzeczy (IIoT) zakończyło się sukcesem, firmy muszą skupić się na dwóch istotnych kwestiach. Po pierwsze należy jasno określić cele biznesowe. Po drugie trzeba wyznaczyć zespół pracowników do realizacji tego wdrożenia oraz określić zmiany organizacyjne, które będą niezbędne do osiągnięcia wyznaczonych celów.
Najbardziej efektywne projekty wdrożenia technologii IIoT rozpoczynają się od przyjęcia i realizacji małych celów, które są mierzalne i zorientowane na uzyskanie konkretnych wyników. Przykładem może być tu oferowana przez nowe technologie możliwość dokładnego przewidywania potencjalnych awarii sprzętu przed ich rzeczywistym wystąpieniem. Takie awarie mogą bowiem powodować spowolnienie lub nawet wstrzymanie produkcji w zakładzie. Osiągnięcie sukcesu w małych, zorientowanych na jednym celu projektach może pomóc firmom w podejmowaniu decyzji o realizacji następnych, większych projektów oraz dostarczyć praktycznych informacji, które są wymagane do przeskalowania przedsięwzięcia w celu jego szerszego wykorzystania, np. do optymalizacji pracy sprzętu w całej fabryce.
Równolegle konieczne jest zapewnienie interdyscyplinarnej współpracy pomiędzy informatykami, zaufanymi firmami partnerskimi, działami organizacyjnymi w całym przedsiębiorstwie oraz pracownikami zajmującymi się na co dzień sprzętem, np. inżynierami, technikami oraz kierownikami działów operacyjnych. Zorganizowanie współpracy tych wszystkich ludzi przy osiąganiu tego samego celu okazuje się niezwykle pomocne w zapewnieniu zarówno odpowiednich fachowców, jak i źródeł prawidłowych i użytecznych danych. Takie podejście umożliwi uzyskanie maksymalnej wartości z dostępnych w firmie informacji. Kolejnym wymogiem dla efektywnego wsparcia wdrożenia projektu w całej firmie jest aktywne zaangażowanie się zarządu.
Sposoby skutecznego wdrożenia
Trzy najbardziej skuteczne sposoby implementacji technologii IIoT to: analityka predykcyjna, konserwacja zależna od stanu technicznego sprzętu (condition-based maintenance) oraz optymalizacja pracy sprzętu w czasie rzeczywistym. Aby jednak którekolwiek z tych działań przyniosło zamierzone efekty, ważne jest, by przeanalizować projekt z perspektywy cyklu życia danego zasobu.
Dobrze zaplanowany system Przemysłowego Internetu Rzeczy wykorzystuje zaawansowaną analitykę i technologię uczenia maszynowego do filtrowania olbrzymich ilości danych generowanych przez podłączone do sieci maszyny. Wykorzystując cyfrowe modele sprzętu, potrafi on uruchamiać scenariusze, które pomagają w identyfikacji potencjalnych awarii, oraz szybko i precyzyjnie lokalizować ich główne przyczyny w przypadku rzeczywistego wystąpienia. Ponadto modele te mogą dostarczać praktycznych informacji na temat wielu różnych problemów. Te z kolei mogą pomóc w optymalizacji funkcjonowania danego zasobu w ciągu jego całego okresu eksploatacji.
1️⃣ Analityka predykcyjna. Wykorzystanie analityki predykcyjnej do poprawy jakości wyrobów czy przewidywania popytu na wyroby od lat jest jednym z podstawowych działań firm produkcyjnych. Jednak obecnie dzięki narzędziom IIoT analityka ta może odgrywać główną rolę we wprowadzaniu szerszego zakresu ulepszeń w firmie, takich jak wydłużanie czasu bezawaryjnej pracy oraz czasu eksploatacji maszyn, poprzez przewidywanie nieprawidłowego funkcjonowania lub awarii przed ich rzeczywistym wystąpieniem.
Porównując dane napływające z czujników zainstalowanych na sprzęcie z historią awarii podobnych maszyn, narzędzia analityki systemu IIoT potrafią identyfikować wzorce lub zachowania, które sygnalizują zbliżającą się zmianę stanu technicznego danej maszyny. Inne źródła informacji, takie jak warunki otoczenia lub dane techniczne maszyny, mogą dodać tu dalszy kontekst. Pozwala to inżynierom pracującym w fabrykach lub innym ekspertom z danej dziedziny na wykorzystywanie wyników analizy danych do opracowania lub modyfikowania instrukcji, które umożliwiają podjęcie działań wyprzedzających w celu rozwiązania problemu, zanim spowoduje on rzeczywistą awarię. Taka awaria może wywołać spowolnienie czy nawet zatrzymanie linii produkcyjnej lub, co gorsza, uszkodzenie sprzętu.
Im więcej danych zbiera system, tym bardziej staje się on „inteligentny”, pozwalając rozbudowanej automatyce w coraz większym stopniu zastępować ręczne działania korygujące, co z kolei umożliwia szybsze rozwiązywanie problemów. Przykładem jest tu automatyczne spowolnienie pracy maszyny w celu zminimalizowania uszkodzeń aż do czasu, kiedy możliwe będzie wykonanie naprawy, czyli gdy naprawa ta będzie miała najmniejszy wpływ na produkcję. Dzięki kolejnym, zaawansowanym funkcjom system może dokładniej identyfikować podstawowe przyczyny problemów oraz znacznie poprawić wskaźniki napraw dokonanych przy pierwszej interwencji (first-time fix rate – FTFR) przez tworzenie szczegółowych planów napraw, dostosowanych do konkretnej sytuacji.
2️⃣ Konserwacja zależna od stanu technicznego maszyn. System IIoT, wykorzystując w szerszym zakresie istotne i praktyczne dane maszynowe, potrafi analizować bieżące i historyczne zbiory danych w celu utworzenia programu konserwacji, zgodnie z którym prace serwisowe wykonywane są w zależności od aktualnego wykorzystania danej maszyny oraz jej stanu technicznego. Typowe harmonogramy konserwacji są oparte na standardowych parametrach, takich jak liczba wyprodukowanych wyrobów, liczba godzin pracy lub czas pracy maszyny.
Ponieważ jednak ustalone w takich harmonogramach przedziały czasowe pomiędzy pracami konserwacyjnymi nie odzwierciedlają rzeczywistego stanu technicznego każdej konkretnej maszyny, może to doprowadzić do ponoszenia przez firmę nadmiernych kosztów, wynikających ze zbyt rzadkiego lub zbyt częstego serwisowania. Zbytnie zwlekanie z wykonaniem prac serwisowych może z kolei doprowadzić do nieoczekiwanej awarii, która spowoduje zatrzymanie produkcji i konieczność wykonania drogiej, ekspresowej naprawy. Natomiast zbyt częste serwisowanie może oznaczać marnowanie pieniędzy, zasobów i czasu techników.
System IIoT pozwala na uniknięcie takich problemów dzięki wykorzystaniu analizy danych dla cyfrowych modeli sprzętu, danych maszynowych czasu rzeczywistego, zapisanych danych historycznych oraz innych informacji kontekstowych. Wynikające z analizy danych praktyczne informacje pozwalają systemowi wykrywać zmiany stanu technicznego sprzętu, zbliżające się problemy oraz lokalizować ich prawdopodobne przyczyny, a także opracowywać plany prac serwisowych dostosowane do każdej konkretnej maszyny i jej uwarunkowań aplikacyjnych.
Kierownicy działów operacyjnych oraz inżynierowie w fabryce mogą wtedy zaplanować prace konserwacyjne na podstawie rzeczywistego stanu technicznego danego zasobu w takim terminie, w którym prace te nie będą miały negatywnego wpływu na produkcję. Takie podejście może się przyczynić do istotnego wydłużenia czasu pracy intensywnie eksploatowanego sprzętu oraz zmniejszyć koszty konserwacji i napraw. Optymalizacja przedziałów czasowych pomiędzy pracami konserwacyjnymi ma także wpływ na realizację operacji oraz pozwala na skracanie lub nawet wyeliminowanie nieplanowanych przestojów.
3️⃣ Optymalizacja pracy sprzętu w czasie rzeczywistym. Popularny jest pogląd, że pewne maszyny pracują lepiej od innych. Jednak nie musi tak być w przypadku optymalizacji pracy sprzętu w czasie rzeczywistym. Wiele czynników ma wpływ na zmiany mocy produkcyjnych, wydajności produkcji czy jakości wyrobów – od warunków otoczenia do szczególnej konfiguracji fabrycznej urządzenia. Dane z czujników pokazują funkcjonowanie każdej maszyny, jednak wymagane jest użycie zaawansowanej analizy danych do szybkiego i dokładnego przetworzenia tych danych, aby móc wykryć nieefektywność sprzętu, oszacować zmiany mocy produkcyjnych oraz dokonać zmian nastaw układu sterującego w celu zapewnienia optymalnego funkcjonowania maszyny w czasie rzeczywistym.
System IIoT może mapować zachowanie i parametry operacyjne zaawansowanego technicznie sprzętu przez zastosowanie reguł i technik uczenia maszynowego oraz zaawansowanej analizy danych dla cyfrowego modelu tego sprzętu. Wykorzystywane są tu nastawy układu sterowania sprzętu, warunki otoczenia, kalibracja, przedziały czasowe pomiędzy pracami serwisowymi, dane konfiguracyjne oraz inne zmienne.
Dzięki porównaniu tego zoptymalizowanego profilu z zachowaniem maszyny w czasie rzeczywistym inżynierowie i operatorzy w fabryce mogą wyznaczyć najlepsze nastawy kalibracyjne dla sprzętu w celu zwiększenia mocy produkcyjnych i wydajności produkcji. Ponadto operatorzy mogą zdalnie przeprowadzać zmiany nastaw albo system może dokonywać ich automatycznie. Przykładami są tu: czasowe zmniejszenie prędkości produkcji, gdy temperatura robocza maszyny przekroczy ustaloną wartość progową, albo dokonywanie zmian nastaw w reakcji na zmiany wilgotności otoczenia.
Dzięki wykorzystaniu tego rodzaju zoptymalizowanego profilu można poprawić pracę całego parku maszynowego, zarówno w jednej fabryce, jak i w wielu zakładach danej firmy, zlokalizowanych na całym świecie. Ponieważ system IIoT uczy się na podstawie ciągłego procesu optymalizacji, jego „inteligencja” rośnie w czasie. Rosną więc też jego możliwości realizacji jak najlepszego funkcjonowania wszystkich podłączonych do sieci maszyn.
Kolejne postępy dzięki IIoT
Po zidentyfikowaniu przypadku biznesowego, który przyniesie mierzalne wyniki, należy zaangażować wszystkie osoby związane z tym tematem w całej organizacji do wspierania inicjatywy i współpracy z odpowiednim personelem działów IT, operacyjnych oraz innych grup organizacyjnych i zaufanych firm partnerskich.
Zaawansowana automatyka, dzięki wykorzystaniu dynamicznej logiki opartej na regułach, może efektywnie wspierać działania wpływające na funkcjonowanie systemów, takich jak zarządzanie zgłoszeniami serwisowymi (service ticketing) oraz zapasami części zamiennych, aby usprawnić i przyśpieszyć procesy konserwacji i napraw sprzętu. Dalsze korzyści można osiągnąć dzięki wykorzystaniu dużej części logiki i automatyki bezpośrednio w sprzęcie lub w jego pobliżu, co pozwala na błyskawiczne reagowanie, np. wyłączenie sprzętu, aby uniknąć zagrożenia bezpieczeństwa oraz utrzymywanie przepustowości sieci i dostępności zasobów sieciowej pamięci masowej.
Podsumowanie
Producenci na całym świecie przekonują się, że technologia Przemysłowego Internetu Rzeczy zwiększa wydajność produkcji oraz zyski z prowadzonej działalności. Technologia tworzy warunki do efektywnego wykorzystania bogactwa danych, które jest już generowane przez usieciowiony sprzęt w celu ulepszenia operacji realizowanych w całej organizacji.
Dave McCarthy jest dyrektorem ds. produktów w firmie Bsquare Corporation.
