Internet Industriel des Objets IIOT : Comprendre le marché de l'analyse industrielle

La collecte et l'analyse des données des actifs industriels sur le sol de l'usine ne sont guère de pointe. Depuis des années, les responsables des usines et leurs homologues analysent les données des machines industrielles pour être alertés des snafus de production, identifier les problèmes de qualité, ou comme guide pour peaufiner les actifs dans le but de booster les performances.Les actifs industriels sont numérisés avec des capteurs et connectés via le Industrial Internet of Things (IIoT), les fabricants souhaitent toujours analyser les données des machines pour améliorer l'efficacité de la production, réduire les temps d'arrêt, maîtriser les coûts et promouvoir une meilleure prise de décision. Pourtant, les poteaux d'objectifs ont considérablement changé en termes d'échelle. Au lieu qu'un directeur d'usine ou un agent de maintenance analyse les données historiques d'un actif spécifique dans une feuille de calcul pour effectuer un changement modeste à l'avenir, les fabricants d'aujourd'hui s'efforcent de procéder à une transformation en gros. Leur objectif est de créer des opérations flexibles et intelligentes où les réseaux d'actifs et de systèmes peuvent être automatisés de manière globale et optimisés en temps quasi réel.Le moteur pour de telles opérations intelligentes dans des domaines tels que la maintenance prédictive, le contrôle qualité en temps réel et les tests de scénarios pour L'analyse des causes profondes est une analyse avancée, alimentée par l'intelligence artificielle (IA) et l'apprentissage automatique. Alors que la catégorie analytique reste quelque peu nébuleuse dans le monde industriel, les cas d'utilisation suscitent déjà un intérêt et une croissance énormes. Selon IoT Analytics, le marché de l'IA industrielle et de l'analyse a atteint 15 milliards de dollars en 2019, les principaux cas d'utilisation étant la maintenance prédictive, citée par près d'un quart des répondants (24,3%), suivie par l'inspection et l'assurance qualité (20,5%), la fabrication l'optimisation des processus (16,3%) et l'optimisation de la chaîne d'approvisionnement (8,4%). La montée en flèche de l'utilisation de l'analyse industrielle est enracinée dans le désir de capitaliser sur la quantité de données générées par les actifs industriels sur le terrain ou sur le terrain, y compris les robots, l'automatisation cellules, plates-formes pétrolières et éoliennes. Alors que les fabricants de tous les secteurs intensifient leurs efforts de numérisation, IDC Insights estime que l'usine typique génère plus d'un téraoctet de données par jour avec l'espoir que le nombre se multipliera par un facteur entre cinq et 10, selon le secteur, au cours des cinq prochaines années. «C'est ce qui pousse les entreprises à développer ou acheter ces [analytics] sans eux, il n’ya rien d’autre à voir avec les données », déclare Kevin Prouty, vice-président du groupe chargé des analyses de fabrication et de l’énergie chez IDC. «Il y a trop de données à analyser pour un ingénieur disposant d'une feuille de calcul Excel.» Grâce à l'analyse des données, les organisations industrielles peuvent tirer parti de l'opportunité IoT, optimiser les opérations et générer une plus grande rentabilité. Image gracieuseté de GE Digital.
Analyse d'entreprise vs analyse industrielle
La plupart des fabricants sont d'accord avec l'idée que l'abondance des données peut être exploitée pour un impact sur les résultats, qu'il s'agisse d'augmenter les profits, la productivité ou les deux. Le problème est que les données sont dispersées dans des silos, dans différents formats, sans contexte, et dont une grande partie est stockée sous forme de données chronologiques, qui ne sont pas gérées de manière adéquate par la plupart des outils d'analyse d'entreprise et de Big Data conçus pour les données structurées et non structurées. En outre, Excel a été l'outil d'analyse de choix dans cet espace pendant des décennies, mais il est inefficace et les informations restent isolées à un seul ingénieur s'attaquant à un problème spécifique.Il existe également des différences dans l'approche des technologies de l'information d'entreprise (TI) et des technologies d'exploitation. (OT) prennent pour la collecte et l'analyse des données. La plupart des efforts d'analyse d'entreprise impliquent l'ingestion de données, leur normalisation et leur mise dans un référentiel centralisé ou un lac de données, très probablement dans le cloud, pour les rendre accessibles à une variété d'utilisateurs professionnels pour différents types d'analyse. Du point de vue OT, la collecte de données et les efforts d'analyse ont été principalement locaux et tactiques. «Les spécialistes de l'OT savent comment créer un modèle analytique pour une seule machine dans une seule usine pour un seul problème et ils le font dans Excel ou à la main avec une plate-forme open source», explique Marcia Walker, directrice mondiale de l'industrie pour la pratique de fabrication chez SAS. «Quand vous leur demandez comment ils vont prendre cela et l'appliquer à toutes les machines d'une usine et à leurs usines à travers le monde, ils nous regardent comme des cerfs dans les phares.» Un autre grand écart entre l'analyse industrielle et L'analyse d'entreprise générale est une compréhension de la nature spécifique des machines et la capacité de fournir un contexte aux données collectées dans les historiens et les systèmes de contrôle de supervision et d'acquisition de données (SCADA). Contrairement au contenu structuré des systèmes financiers, les données de séries chronologiques manquent de contexte pour comprendre comment l'ensemble de données brutes se rapporte à un processus ou une condition spécifique, par exemple, quels facteurs pourraient être présents pour avoir un impact sur le fonctionnement d'une pompe. Sans le contexte approprié, il est impossible d'exploiter pleinement les données pour améliorer les performances opérationnelles, la surveillance des conditions ou les applications de maintenance prédictive ou prescriptive. «Le contexte est nécessaire pour résoudre les problèmes», déclare Bry Dillion, vice-président du cloud, de la communauté et des canaux pour OSIsoft , qui commercialise le PI System pour collecter et centraliser des données de séries chronologiques provenant de diverses sources. "Si vous diffusez des données associées à une pompe, vous devez comprendre comment l'ensemble de données est lié au processus pour obtenir ce contexte. Si vous optimisez simplement le débit à travers la pompe et que vous ne connaissez pas l'étalonnage ou le débit, vous pourriez potentiellement optimiser la pompe au point où la pompe se brise. Vous ne pouvez pas simplement importer des données brutes et vous attendre à ce que le machine learning les comprenne. " (Note de l'éditeur: au moment de mettre sous presse, Aveva venait d'annoncer son acquisition imminente d'OSIsoft. En savoir plus sur http://awgo.to/bSDYc.) Le MIC-720AI d'Advantech est un système ARM intégré au système Nvidia Jetson Tegra X2 -sur-module. Selon Advantech, il convient à l'inférence IA à la périphérie et aux applications d'apprentissage en profondeur.
Composants principaux
L'analyse industrielle peut prendre diverses formes, mais il existe des composants et des attributs de base qui semblent universels sur toutes les plates-formes. Alors qu'une grande partie du gros du travail d'analyse d'entreprise se déroule dans le cloud, les logiciels d'analyse industrielle nécessitent des capacités de traitement de périphérie importantes étant donné la nécessité de traiter et d'analyser les données en temps quasi réel et à proximité de la source pour éviter les problèmes de latence et de sécurité. Lorsque vous parlez de l’espace industriel, vous parlez presque toujours de quelque chose qui combine le sur site et le cloud », déclare Ed Cuoco, vice-président de l’analyse chez PTC. «Vous avez besoin d'une solution équilibrée et capable d'envoyer des données vers le cloud pour traitement, ainsi que d'une capacité de périphérie à générer des informations très proches ou à l'intérieur de la machine.» Advantech fait valoir que le traitement de périphérie activé par l'IA offre de meilleures performances que le cloud. une analyse industrielle basée sur un niveau de sécurité supérieur. Les systèmes Edge AI d’Advantech, alimentés par la plate-forme Nvidia Jetson, peuvent remplacer les inspections de qualité visuelle traditionnelles effectuées par les travailleurs des usines. Dans un tel scénario, un système de serveur de périphérie, étayé par divers modèles d'IA, effectue une inspection en temps réel des produits de boulangerie dans une usine de biscuits, automatisant le processus de réglage des temps de cuisson et des températures du four pour assurer une production de biscuits plus cohérente et de haute qualité. «Nous nous concentrons sur la périphérie plutôt que sur le cloud afin de pouvoir protéger les données et les garder sécurisées et confidentielles», déclare James Yung, chef de produit des produits de qualité serveur d'Advantech. «Si vous envoyez des données vers le cloud, cela peut prendre beaucoup de temps pour revenir avec une réponse.» Compte tenu de l'hétérogénéité des données de l'usine, une plate-forme d'analyse industrielle doit avoir à la fois la capacité d'ingérer des types d'informations disparates avec certains moyens de normaliser et contextualisation des données. Plus précisément, les clients ont besoin de connaître le contexte au moment où les données sont générées à partir d'un appareil ou d'une ligne de production, cependant, il reste difficile de collecter des données contextuelles OT à haut débit à partir de différents appareils de périphérie et encore moins de les emballer de manière structurée pour les coupler. avec des sources de données industrielles tierces ou envoyez-les en amont vers des applications informatiques pour obtenir des informations à l'échelle de l'entreprise.Pour résoudre ce problème, les partenaires d'automatisation Rockwell Automation et PTC ont créé des objets intelligents, un modèle de données flexible qui détecte et rassemble automatiquement des données OT à haute vitesse avec un contexte riche, lui permettant d'être utilisé par les applications informatiques en amont telles que la planification des ressources d'entreprise et les systèmes de gestion du cycle de vie des produits. «Les objets intelligents débloquent rapidement les données OT contextualisées que vous collectez à la périphérie et les rendent compatibles avec toutes les applications informatiques en aval», explique Gaurav Verma, directeur de la transformation numérique chez Rockwell Automation. «Les applications informatiques peuvent glaner de nombreuses informations commerciales au niveau de l'entreprise, mais sans objets intelligents, ce n'est pas possible.» Sight Machine s'appuie également fortement sur une couche de modélisation pour différencier sa plate-forme d'analyse de fabrication. Le logiciel effectue un processus de saisie de données automatisé et continu, qui comprend l'utilisation de systèmes experts et de classificateurs d'apprentissage automatique pour préparer et contextualiser les données de processus et de produit. Le résultat final est un jumeau numérique de l'usine, qui, grâce à l'apprentissage automatique et à l'analyse avancée, peut mettre en évidence des anomalies et fournir des informations permettant de réduire les temps d'arrêt. «Nous appliquons des modèles de données et mettons en place des structures communes pour harmoniser les données», déclare Jon Sobol, PDG de Sight Machine. «C’est l’application de la structure aux données pour que vous puissiez les analyser efficacement qui a été si difficile pour les gens.» Seeq permet le cycle de vie complet de l’analyse avancée, de la connexion à des données de séries chronologiques disparates à l’investigation et à l’analyse rapides. Image gracieuseté de Seeq.
Indépendamment de leurs différentes approches, la plupart, sinon la totalité, des outils et des plates-formes d'analyse industrielle intègrent une certaine forme d'IA et d'apprentissage automatique pour aider à découvrir des modèles dans le déluge de données d'actifs pour créer des modèles d'actifs et de processus de production et d'automatiser les processus dans le cadre d'opérations plus intelligentes. Le modèle d'analyse basé sur l'IA peut devenir un élément critique de la ligne de production, créant un jumeau numérique qui permet, par exemple, à une brasserie de simuler, tester et optimiser ses processus ainsi que d'analyser des centaines de milliers de paramètres pour comprendre et prédire les influences sur la qualité de la bière, explique Henning Ochsenfeld, responsable de la science des données et de l'ingénierie d'apprentissage automatique chez Siemens Digital Industries. «Ce n’est rien qu’un humain puisse faire», explique-t-il. «Vous devez modéliser la relation entre les indicateurs de performance clés existants et l'énorme quantité de données acquises sur la ligne de production.» Un autre élément des plates-formes d'analyse industrielle émergentes qui s'avère critique est un semblant de capacité de développeur citoyen qui permet aux professionnels de l'OT, pas seulement les informaticiens et les data scientists, pour modéliser facilement les problèmes et visualiser les informations. La plate-forme low-code Mendix de Siemens joue ce rôle dans son portefeuille d'analyses industrielles.Différente de l'approche de plate-forme, Seeq indique que son logiciel d'analyse de données est spécialement conçu pour aider les ingénieurs de processus et les experts en la matière à interagir et à modéliser des données de séries chronologiques à grande échelle. Au lieu de concurrencer certaines des grandes plates-formes d'analyse industrielle, Seeq se connecte aux données stockées dans divers historiens de processus et systèmes SCADA, ainsi qu'à des plates-formes IIoT comme PTC ThingWorx et Siemens Mindsphere, selon Michael Risse, vice-président et directeur marketing de Seeq. la complexité de l'automatisation des usines et la diversité des données industrielles, il n'y aura pas de produit d'analyse unique qui convienne à tous les cas d'utilisation et à tous les scénarios. Les experts disent plutôt que les organisations doivent tenir compte de la stratégie à long terme et des questions auxquelles elles cherchent à répondre pour trouver les bons outils pour le travail. «Ne tracez pas de frontière claire entre les ensembles d’outils – il est important de tout mettre sur table et de voir comment ils jouent ensemble», déclare Jennifer Erickson, vice-présidente de la gestion des produits pour l’énergie et la division pétrolière et gazière de GE Digital. "Ne considérez pas l'analyse industrielle comme un projet parallèle, car si vous le faites, vous passerez beaucoup de temps et d'énergie sur un projet d'ingénierie cool, mais vous ne changerez pas nécessairement le fonctionnement de l'entreprise."

Laisser un commentaire