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.
Рисунок 1. Схематичное представление производственной информационной системы из NAMUR, документ NE175.
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.
Рисунок 2. Ключевые функции производственных информационных систем на одной платформе Plantweb Optics от Emerson
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.