{"id":6202,"date":"2023-08-17T06:32:59","date_gmt":"2023-08-17T06:32:59","guid":{"rendered":"https:\/\/www.novotek.com\/dk\/?post_type=insights&p=6202"},"modified":"2024-06-13T13:24:43","modified_gmt":"2024-06-13T13:24:43","slug":"6-tegn-paa-at-du-har-brug-for-industriel-dataops","status":"publish","type":"insights","link":"https:\/\/www.novotek.com\/dk\/insight\/6-tegn-paa-at-du-har-brug-for-industriel-dataops\/","title":{"rendered":"6 tegn p\u00e5, at du har brug for Industriel DataOps"},"content":{"rendered":"
\n
\"Industriel<\/figure>\n<\/div>\n\n
\n

Af John Harrington, Co-Founder & Chief Product Officer, HighByte<\/a><\/em><\/strong><\/p>\n<\/div>\n\n

\n

En direkt\u00f8r for en industriproduktvirksomhed fortalte mig engang, at selvom hans fabrikker var fulde af ensartet udstyr, k\u00e6mpede han stadig for at f\u00e5 adgang til meningsfulde data fra maskinerne. Hver enkelt plastspr\u00f8jtest\u00f8bemaskine havde en anden m\u00e5de at pr\u00e6sentere data p\u00e5. Det bet\u00f8d, at virksomheden skulle tilpasse kodningen for hvert stykke udstyr for at opn\u00e5 meningsfuld indsigt.<\/p>\n<\/div>\n\n

\n

Dette er et helt almindeligt scenarie i mange industrielle milj\u00f8er, hvor fabrikker kan have hundredvis af PLC’er og maskincontrollere p\u00e5 forskellige maskiner, der genererer driftsdata, der er uforst\u00e5elige for de data scientists, som skal forst\u00e5 det.<\/p>\n<\/div>\n\n

\n

Det er her Industriel DataOps<\/a> kommer ind i billedet. Ved hj\u00e6lp af almindelige modeller eller objektorienterede tilgange, giver det en m\u00e5de at standardisere data til at integrere og administrere information, der kommer fra flere kilder. Her er et n\u00e6rmere kig p\u00e5 de seks tydeligste tegn p\u00e5, at det er tid til at overveje en Industriel DataOps-arkitektur til din virksomhed.<\/p>\n<\/div>\n\n

\n

1. IIoT-projekter skaleres ikke p\u00e5 grund af problemer med datainteroperabilitet<\/strong><\/h2>\n<\/div>\n\n
\n

Overs\u00e6ttelse og analyse af data fra hundredvis eller endda tusindvis af maskiner kan ende med at du har titusindvis af datapunkter. Uden en f\u00e6lles protokol eller standardiseret m\u00e5de at pr\u00e6sentere data p\u00e5, kan det v\u00e6re utroligt tidskr\u00e6vende at manipulere eller h\u00e5ndtere hvert enkelt datatag. <\/p>\n<\/div>\n\n

\n

For \u00e5r siden l\u00f8ste ingeni\u00f8rer maskinkommunikationsproblemer med protokolovers\u00e6ttere, men det er en helt anden udfordring at forst\u00e5 forskellige datastrukturer. Modellering af data for hvert system er ineffektivt og dyrt. <\/p>\n<\/div>\n\n

\n

Der er ingen enkel m\u00e5de at administrere individuelle maskinmodeller og implementere dem p\u00e5 flere enheder og systemer. Industriel DataOps l\u00f8ser dette problem med et standards\u00e6t af modeller, der kombinerer flere datapunkter i et enkelt flow.<\/p>\n<\/div>\n\n

\n

2. Du skriver og vedligeholder tilpassede scripts for at udnytte IIoT-data<\/strong><\/h2>\n<\/div>\n\n
\n

Mange producenter udvider hurtigt IIoT-projekter kun for at finde ud af at de er bundet i “teknisk g\u00e6ld”. Teknisk g\u00e6ld er et udtryk, som programm\u00f8ren Ward Cunningham opfandt i begyndelsen af 1990’erne for at beskrive et scenarie, hvor folk implementerer software ved hj\u00e6lp af den hurtigste og nemmeste tilg\u00e6ngelige kode uden hensyntagen til fremtidige teknologibehov.<\/p>\n<\/div>\n\n

\n

Desv\u00e6rre g\u00e5r IIoT-projekter ofte i st\u00e5, fordi producenterne har valgt den samme tilgang og konstant omskriver koden, hver gang de skal foretage en \u00e6ndring p\u00e5 fabriksgulvet, s\u00e5som at udskifte maskiner, optimere processer eller tilf\u00f8je nye produktlinjer.<\/p>\n<\/div>\n\n

\n

Integrerede systemer, der ikke er bundet til standardiserede modeller, er oplever ofte afbrydelser p\u00e5 grund af besv\u00e6rlig og tidskr\u00e6vende scripting. En Industriel DataOps-l\u00f8sning, der g\u00f8r det muligt for producenter at bygge standardiserede modeller, er mere tilpasningsdygtig og modstandsdygtig over for fremtidige \u00e6ndringer.<\/p>\n<\/div>\n\n

\n

3. Data scientists bruger tid p\u00e5 at finde, manipulere og forberede data til analyser<\/strong><\/h2>\n<\/div>\n\n
\n

Der er ofte et \u201dgap\u201d mellem Operations Technology (OT) og IT-teamene. Tidligere var PLC-protokoller, s\u00e5som Modbus, tilstr\u00e6kkelige til at kommunikere koder til OT-teamet. Men en numerisk kode giver ikke IT-folk meget information at arbejde med. Data scientists skal ikke spilde tid p\u00e5 at manipulere data. <\/p>\n<\/div>\n\n

\n

Industriel DataOps g\u00f8r informationen tilg\u00e6ngelig i et brugbart, selvbeskrivende format for datavidenskabsfolk, s\u00e5 de kan pr\u00e6sentere dem for forskellige funktioner i hele organisationen til strategisk beslutningstagning.<\/p>\n<\/div>\n\n

\n
\"Industriel<\/figure>\n<\/div>\n\n
\n

4. OT-teamet er oversv\u00f8mmet af dataanmodninger<\/strong><\/h2>\n<\/div>\n\n
\n

Et andet sikkert tegn p\u00e5, at det er p\u00e5 tide at overveje en Industriel DataOps-l\u00f8sning, er et eftersl\u00e6b af dataanmodninger til OT-teamet fra interessenter p\u00e5 tv\u00e6rs af organisationen som har brug for adgang til, eller at kunne forst\u00e5, maskindata. <\/p>\n<\/div>\n\n

\n

Det betyder, at IT-teamet ikke modtager kontekstualiseret information rettidigt, og at de er alt for afh\u00e6ngige af OT-personale, som muligvis har konfigureret systemerne, for at forklare, hvad visse koder betyder. <\/p>\n<\/div>\n\n

\n

Industriel DataOps automatiserer analyseprocessen og frig\u00f8r herved OT-teamet fra manuelle datarapporter og \u00f8ger herved tilg\u00e6ngeligheden til data scientists.<\/p>\n<\/div>\n\n

\n

5. Du har h\u00f8je, variable cloudomkostninger til r\u00e5 industridata, men ingen strategi for, hvordan data skal bruges<\/strong><\/h2>\n<\/div>\n\n
\n

Dyre cloudomkostninger er s\u00e6rligt frustrerende, n\u00e5r du ikke har en klar vision for, hvordan du bruger data. Mange af disse opbevaringsmuligheder opst\u00e5r i forbrugernes teknologiske verden og er ikke lavet til industrielle applikationer. <\/p>\n<\/div>\n\n

\n

Industriel DataOps er designet til industrielle databehov. I en Industriel DataOps-konfiguration kan data behandles t\u00e6t p\u00e5 maskineriet, i et lokalt datacenter eller i skyen afh\u00e6ngigt af dine specifikke krav. <\/p>\n<\/div>\n\n

\n

L\u00f8sningen k\u00f8rer t\u00e6t p\u00e5 enheden og fodrer kun cloud-applikationer med deres n\u00f8dvendige data og med den angivne frekvens eller tilstand, hvilket reducerer h\u00f8je, uforudsigelige cloud-omkostninger.<\/p>\n<\/div>\n\n

\n

6. Usikkerhed om hvem der har adgang til driftsdata = sikkerhedsproblemer<\/strong><\/h2>\n<\/div>\n\n
\n

IIoT-connectivitet kan skabe sikkerhedsproblemer. N\u00e5r man har enheder online bliver ens informationer s\u00e5rbare over for hackere og andre ondsindede trusler. At tillade leverand\u00f8rer direkte adgang til maskiner kan forbedre oppetiden, men kan ogs\u00e5 medf\u00f8re cyberrisiko. Udveksling af data ved hj\u00e6lp af den indbyggede sikkerhed i OPC UA<\/a> og MQTT<\/a> reducerer potentielle angreb. <\/p>\n<\/div>\n\n

\n

Ved at indtage en proaktiv tilgang til at vedligeholde output via en forbindelse tillader desuden administratorer at implementere kontrol og sikkerhed p\u00e5 et h\u00f8jere niveau end typiske publisher\/subscriber broker arkitekturer og \u00e5ben, ikke-administreret API-adgang.<\/p>\n<\/div>\n\n

\n

At lancere et IIoT-program uden Industriel DataOps er som at balancere p\u00e5 en skammel med to ben. Du har m\u00e5ske sensorerne og de analytiske v\u00e6rkt\u00f8jer, men uden evnen til at transmittere og forberede data, vil du fejle. Industriel DataOps bygger bro mellem indsamling og analyse af data, s\u00e5 producenterne kan tr\u00e6ffe bedre informerede beslutninger.<\/p>\n<\/div>\n\n

\n

Kan du genkende ovenst\u00e5ende udfordringer?<\/h3>\n<\/div>\n\n
\n

Hvis du k\u00e6mper med en eller flere af de udfordringer, der er beskrevet i dette indl\u00e6g, s\u00e5 lad os tage en snak. Book en demo for at se HighByte Intelligence Hub<\/a> i aktion og f\u00e5 et personligt sundhedstjek af din dataarkitektur.<\/p>\n<\/div>\n\n

\n
\n<\/div>\n\n
\n
\n
\n
\"John<\/figure>\n<\/div><\/div>\n<\/div>\n\n
\n
\n
<\/div>\n<\/div>\n\n
\n

Teksten i denne artikel er oversat fra HighBytes Blog: IIoT health check: 6 signs you need Industrial DataOps<\/a>
<\/strong><\/em><\/p>\n<\/div><\/div>\n<\/div><\/div>\n<\/div>\n\n

\n
\n<\/div>\n\n
\n

Book en demo – HighByte Intelligence Hub<\/h2>\n<\/div>\n\n