Перевод статьи Principles-Driven and Data-Driven Operational Analytics из блога emersonautomationexperts.com
Технологии и цифровизация помогают производителям справляться с актуальными в отраслях задачами. Такие инициативы, как цифровая трансформация и индустрия 4.0, позволяют перейти от ручных работ к автоматизированным, цифровым операциям на основе данных.
Менеджер по машинному обучению и аналитике в Emerson, Манзи Менан (Manasi Menon), рассказала о том, какую роль играет аналитика в инициативах цифровой трансформации. Так, аналитика дает возможность интерпретировать цифровые данные, полученные с помощью интеллектуальных приборов и устройств промышленного Интернета вещей (IIoT), а также использовать их для принятия решений и повышения операционной эффективности. Будь то мониторинг энергопотребления, надёжность активов или оптимизация процессов, все производители хотят получать аналитику и прогнозы в режиме реального времени, потому что это повысит производственные показатели.
Аналитика в организации обычно подразделяется на две основные категории: бизнес-аналитика, используемая функциональными службами компании (служба персонала, служба ИТ, сеть поставок, финансовая служба и т.д.), и операционная аналитика, которая используется для улучшения производства и его отдельных процессов.
Компания Emerson более 30 лет занимается разработкой приложений на основе операционного анализа, которая начиналась со встроенной диагностики в интеллектуальных приборах и в системах управления. Диспетчер устройств AMS Device Manager был разработан для сбора, анализа и представления результатов диагностики пользователям. Со временем появлялась все более сложная аналитика, например, технология для анализа состояния оборудования PeakVue, встроенная в распределенные системы управления DeltaV и Ovation. Теперь к перечисленному добавилось аналитическое программное обеспечение KNet Analytics на основе машинного обучения.
Манзи объясняет, что операционную аналитику можно также разделить на две категории: аналитика, основанная на принципах, и аналитика, основанная на данных. Первая базируется на теории, известных физических и термодинамических законах, которые существуют уже много десятилетий. Аналитику данных формирует статистическое моделирование, распознавание шаблонов и машинное обучение. Статистические модели тоже существуют уже много лет, однако вычислительные мощности изменились, а также появилась способность использовать статистические модели по несколько раз в режиме реального времени, чтобы прогнозировать возникновение серьёзных проблем с процессами или активами.
Примером использования обоих видов аналитики может служить ректификационная колонна. Аналитику, основанную на принципах, можно применить к известным проблемам некоторых частей установки, например, котлов или насосов. Аналитика, основанная на данных, помогает понять соотношение различных активов и параметров процесса и их влияние на сам процесс или колонну. Таким образом, проблемы, связанные с сепарацией, или затопление колонны можно спрогнозировать с помощью анализа информации, собранной в верхней или нижней части колонны.
Вот еще несколько примеров использования обоих типов аналитики для повышения эффективности работы. Для каждого из них интегрированное решение KNet Analytics предоставляет как аналитику на основе принципов, так и моделирование на основе данных.
С точки зрения повышения энергоэффективности, использование физики и термодинамических законов позволяет проводить расчеты энергопотребления таких активов, как, например, котёл. Сравнение энергетических характеристик котла с постоянно меняющимися показателями расчётного энергопотребления позволяет использовать такие основанные на данных методы, как многомерные регрессионные модели, для определения базовых показателей энергопотребления в режиме реального времени.
В примере ниже KNet Analytics моделирует цель по энергопотреблению на основе данных. В модель также входит рассчитанный показатель энергопотребления, основанный на анализе принципов. В совокупности они приводят к созданию целостной модели, учитывающей оба фактора и обеспечивающей более эффективное обнаружение отклонений в ключевых показателях эффективности (KPI).
Посетите страницу Аналитика: цифровая экосистема Plantweb на сайте Emerson.ru, чтобы получить более подробную информацию об использовании данных видов аналитики для повышения эффективности бизнеса. Вы также можете связаться с другими экспертами в области операционного анализа в группе IIoT & Digital Transformation (англ.) сообщества Emerson Exchange 365.