{"id":6296,"date":"2023-09-07T10:20:07","date_gmt":"2023-09-07T10:20:07","guid":{"rendered":"https:\/\/www.novotek.com\/dk\/?post_type=insights&p=6296"},"modified":"2024-06-13T13:26:49","modified_gmt":"2024-06-13T13:26:49","slug":"udnyt-industrielle-data","status":"publish","type":"insights","link":"https:\/\/www.novotek.com\/dk\/insight\/udnyt-industrielle-data\/","title":{"rendered":"Udnyt jeres industrielle data"},"content":{"rendered":"
\n

Fire use cases til Industriel DataOps – Udnyt industrielle data<\/strong><\/em><\/p>\n<\/div>\n\n

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

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

\n

De fleste produktionsvirksomheder kan se fordelene ved at udnytte industrielle data <\/strong>til at forbedre produktionen og spare omkostninger<\/strong>. De er dog fortsat udfordret med hensyn til, hvordan de skal opskalere deres piloter og sm\u00e5skalatests til fabriksomsp\u00e6ndende, multifabriks- eller virksomhedsniveau. Der er mange grunde til dette, herunder tiden og omkostningerne ved integrationsprojekter, frygten for at uds\u00e6tte operationelle systemer for cybertrusler og mangel p\u00e5 kvalificerede menneskelige ressourcer.<\/p>\n<\/div>\n\n

\n

Roden til disse problemer er vanskeligheden ved at integrere datastr\u00f8mme p\u00e5 tv\u00e6rs af applikationer i et multi-system<\/strong> og multi-leverand\u00f8r<\/strong> milj\u00f8, hvilket kr\u00e6ver en vis grad af tilpasset kodning og scripting. Standardisering af datamodeller, flows og netv\u00e6rk er h\u00e5rdt arbejde. I mods\u00e6tning til et kontormilj\u00f8 med en h\u00e5ndfuld systemer og databaser, kan en typisk fabrik have hundredvis af datakilder<\/strong> fordelt p\u00e5 tv\u00e6rs af maskinstyringer, PLC’er, sensorer, servere, databaser, SCADA<\/a>-systemer og historikere \u2013 for blot at n\u00e6vne nogle f\u00e5.<\/p>\n<\/div>\n\n

\n

Industriel DataOps<\/a><\/strong> har en ny tilgang til dataintegration og -styring. Det giver et softwaremilj\u00f8 til datadokumentation, styring og sikkerhed fra det mest granul\u00e6re niveau af en maskine p\u00e5 en fabrik, op til linje-, fabriks- eller virksomhedsniveau. Industriel DataOps tilbyder et separat dataabstraktionslag eller hub til sikker indsamling af data i standarddatamodeller til distribution p\u00e5 tv\u00e6rs af lokale og cloud-baserede applikationer.<\/p>\n<\/div>\n\n

\n

Disse fire use cases illustrerer, hvordan Industriel DataOps kan integrere dine rollebaserede operationelle systemer med din virksomheds IT-systemer s\u00e5vel som eksterne leverand\u00f8rer s\u00e5som maskinbyggere og serviceudbydere.<\/p>\n<\/div>\n\n

\n

1. Acceler\u00e9r og skal\u00e9r en analyseimplementering<\/h2>\n<\/div>\n\n
\n

P\u00e5 trods af bestr\u00e6belser p\u00e5 at standardisere og integrere kritiske aspekter af denne infrastruktur, varierer konteksten og datastrukturerne. Selvom de alle bruger tryk-, temperatur- og optiske sensorer, varierer leverand\u00f8rerne, teknologierne, kommunikationsprotokollerne og endda m\u00e5leenhederne.<\/p>\n<\/div>\n\n

\n

I stedet for at g\u00e5 i gang med et dyrt og nedetidsfremkaldende rip-and-replace-projekt eller skrive tilpasset kode for at massere data, kan proces- eller kontrolingeni\u00f8rer forbinde deres maskiners OPC UA-tags til standardinformationsmodeller i en Industriel DataOps-hub. Hubben k\u00f8rer p\u00e5 en r\u00e6kke forskellige platforme i netv\u00e6rkskanten (edge network) – fra en enkeltbords IoT-gateway, Raspberry Pi, industriel switch eller enhver Linux-enhed op gennem Windows 10 og Windows Server-platforme. For skalerbarhed, isolation og sikkerhed kan hubs installeres p\u00e5 maskin-, linje- eller facilitetsniveau.<\/p>\n<\/div>\n\n

\n

Nu har disse spr\u00f8jtest\u00f8bemaskiner str\u00f8mlinet, optimeret data, som Operations Technology (OT) nemt kan videregive til lokale systemer p\u00e5 kantnetv\u00e6rket s\u00e5vel som dataforskere, der er afh\u00e6ngige af cloud-baserede systemer til kunstig intelligens (AI) og andre avancerede analyser. Datamodeller er fuldt kontekstualiserede og standardiserede, ikke kun smidt i skyen, hvor dataforskere \u2013 som bruger op mod 80 procent af deres tid p\u00e5 at rense og forberede data \u2013 kan komme direkte i gang med at lave egentlig datavidenskab. B\u00e5ndbredde og cloud-lagring reduceres, og analyse-implementeringstiden accelereres kraftigt.<\/p>\n<\/div>\n\n

\n

2. Ekstern synlighed af faciliteter og multi-site analyse<\/h2>\n<\/div>\n\n
\n

I industrier som papirmasse og papir varierer datastr\u00f8mme fra flere steder meget fra “v\u00e5de” kontinuerlige processer til hybride batch- og diskrete emballeringsprocesser. Det samme g\u00e6lder industrier som specialkemikalier og Food & Bev.<\/p>\n<\/div>\n\n

\n

For at im\u00f8deg\u00e5 udfordringen med at integrere data fra flere systemer p\u00e5 tv\u00e6rs af flere fabrikker \u2013 og ogs\u00e5 overvinde vanskeligheden med at rekruttere og vedligeholde tekniske supportteams p\u00e5 hvert sted \u2013 opretholder mange virksomheder et centraliseret, corporate engineering- og IT-team. Dette team har brug for adgang til data for at overv\u00e5ge, vedligeholde og optimere aktiver for at opfylde deres m\u00e5l p\u00e5 tv\u00e6rs af virksomheden.<\/p>\n<\/div>\n\n

\n

For at opn\u00e5 dette niveau af pr\u00e6stationsanalyse definerer virksomhedsgruppen ensartede modeller og sender dem til de distribuerede fabrikker, som derefter kan installere dem i en edge-native Industriel DataOps-hub.<\/p>\n<\/div>\n\n

\n

Ingeni\u00f8rer kortl\u00e6gger deres lokale datapunkter til standardmodellerne, efterh\u00e5nden som systemerne \u00e6ndres eller tilf\u00f8jes. Hvis et nyt anl\u00e6g anskaffes, kan data ogs\u00e5 nemt kortl\u00e6gges til modellerne. Som et resultat undg\u00e5r virksomheden nedetiden for\u00e5rsaget af traditionelle\/legacy-metoder eller rip-and-replace-projekter.<\/p>\n<\/div>\n\n

\n

Nu er operationelle brugere i stand til at udfylde datamodeller og oprette forbindelser uden at skrive en enkelt kodelinje, og dataforskere modtager ensartede data af h\u00f8j kvalitet. Analytics-cyklustiden accelererer, og den digital transformation p\u00e5 virksomhedsniveau f\u00e5r det momentum, den tidligere har manglet.<\/p>\n<\/div>\n\n

\n

3. Distribution af industrielle data til flere forretningssystemer<\/h2>\n<\/div>\n\n
\n

Produktionsvirksomheder har brug for at data ikke kun flyder vertikalt fra realtidssystemer til front office, men p\u00e5 tv\u00e6rs af faciliteter og virksomheder. Disse systemer omfatter SCADA, MES, ERP, laboratorie-\/kvalitetssystemer, aktiv-\/vedligeholdelsessystemer, systemer til overv\u00e5gning af cybertrusler, brugerdefinerede databaser, dashboards, regnearksapplikationer og selvf\u00f8lgelig IIoT-infrastrukturen, der muligg\u00f8r analyse, maskinl\u00e6ring og AI-unders\u00f8gelser.<\/p>\n<\/div>\n\n

\n

I \u00e5rtier er integration blevet opn\u00e5et gennem API’er og tilpasset scripting\/kodning fra applikation til applikation, i stedet for til et samlet milj\u00f8, hvorigennem alle datakilder flyder. Denne tilgang til API’er begraver koden inde i applikationer, hvilket g\u00f8r integrationerne sv\u00e6re at vedligeholde. Uundg\u00e5elige \u00e6ndringer af produkter, automatisering og forretningssystemer kan “bryde” integrationer, hvilket resulterer i uopdagede d\u00e5rlige eller manglende data i uger eller endda m\u00e5neder.<\/p>\n<\/div>\n\n

\n

Industriel DataOps forhindrer s\u00e5danne nedbrud i at forekomme, fordi integrationer ikke l\u00e6ngere gemmer sig i tilpasset kode mellem applikationer; de vedligeholdes alle gennem en l\u00f8sning, der giver et f\u00e6lles abstraktionslag. Med systemer forbundet via en enkelt integrationshub f\u00e5r OT et agilt milj\u00f8 til proaktivt at administrere og distribuere data.<\/p>\n<\/div>\n\n

\n

Nu har virksomheder en hurtigere, nemmere og mere robust m\u00e5de at etablere og vedligeholde deres mange integrationer med en l\u00f8sning, der giver datasynlighed, vedligeholdelse, dokumentation, styring og sikkerhed.<\/p>\n<\/div>\n\n

\n

4. Sikker levering af industrielle data til kunder fra maskiner<\/h2>\n<\/div>\n\n
\n

Maskinbyggere st\u00e5r over for den konstante udfordring at reducere den tid og de omkostninger der er ved at udvikle, integrere og vedligeholde deres maskineri. Agilitet og fleksibilitet er n\u00f8glen til at forhindre projekttid og omkostningsoverskridelser. Dette er is\u00e6r kritisk, n\u00e5r de skal integrere deres systemer med upstream\/downstream-aktiver s\u00e5som transportb\u00e5nd, robotter, drev og andre aktiver (m\u00e5ske ogs\u00e5 inklusive kundens HMI\/SCADA-system) p\u00e5 kundens anl\u00e6g. Traditionelt involverede denne integration tilpasning af maskinkode eller Ladder-logik programmering for at underst\u00f8tte en kundes systemer eller at bede kunden om at “finde ud af det”.<\/p>\n<\/div>\n\n

\n

Med Industriel DataOps, kan leverand\u00f8ren standardisere sin programmering og udf\u00f8re de n\u00f8dvendige tilpasninger gennem informationsmodellering i hubben. N\u00e5r kunden har brug for “disse fem datapunkter for at g\u00e5 til SCADA-systemet, disse 10 til mit MES og disse 7 til Cloud for virksomheder,” er de nemt i stand til at definere modellerne og dirigere informationen.<\/p>\n<\/div>\n\n

\n

Ud over kundens site forbinder Industriel DataOps maskinbyggere med deres produktionskunders hubs og videre til deres HMI\/SCADA, MES og andre systemer. Evnen til at levere fjernoverv\u00e5gning, diagnosticering, OEE og forudsigende vedligeholdelsestjenester i enhver skala giver merv\u00e6rdi til leverand\u00f8r-kundeforholdet.<\/p>\n<\/div>\n\n

\n

N\u00e5r information er i en standardform, der er nem at vedligeholde, opn\u00e5r alle parter en bredere integration, uanset om det er p\u00e5 et enkelt sted, flere steder eller eksternt gennem kommunikation med virksomhedsorganisationer eller eksterne partnere.<\/p>\n<\/div>\n\n

\n

\u200bIndustriel DataOps giver et abstraktionslag til uafh\u00e6ngig styring af informationsstr\u00f8mme, der frig\u00f8r organisationer fra at stole p\u00e5 en hvilken som helst leverand\u00f8rs platform. Lige s\u00e5 vigtigt giver det OT mulighed for at foretage \u00e6ndringer i aktiver, kontrollerer logik og systemer uden at “bryde” integrationer eller afbryde den eksisterende operationelle infrastruktur.<\/p>\n<\/div>\n\n

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

Disse fire use cases illustrerer en ny m\u00e5de at t\u00e6nke p\u00e5 integration af dataforbindelser, modeller og flows p\u00e5 maskin-, linje-, fabriks- og virksomhedsniveau ved hj\u00e6lp af Industriel DataOps.<\/p>\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:<\/em>
Four practical use cases for Industrial DataOps<\/em><\/a><\/p>\n<\/div><\/div>\n<\/div><\/div>\n<\/div>\n\n

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

Se denne korte video der introducerer Industriel DataOps og HighByte Intelligence Hub, og viser hvordan denne tilgang kan hj\u00e6lpe din specifikke organisation.<\/p>\n<\/div>\n\n

\n
\n