{"id":12041,"date":"2024-01-04T09:26:34","date_gmt":"2024-01-04T09:26:34","guid":{"rendered":"https:\/\/www.novotek.com\/no\/?post_type=insights&p=12041"},"modified":"2025-01-03T10:02:35","modified_gmt":"2025-01-03T10:02:35","slug":"6-tegn-pa-at-du-trenger-industriell-dataops","status":"publish","type":"insights","link":"https:\/\/www.novotek.com\/no\/insight\/6-tegn-pa-at-du-trenger-industriell-dataops\/","title":{"rendered":"6 tegn p\u00e5 at du trenger industriell DataOps"},"content":{"rendered":"
\n
\"DataOps\"<\/figure>\n<\/div>\n\n
\n

Av John Harrington, Medgrunnlegger og Chief Product Officer, HighByte <\/em><\/strong><\/p>\n<\/div>\n\n

\n

En direkt\u00f8r i en industriell bedrift fortalte meg en gang at selv om fabrikkene hans var fulle av maskiner og utstyr av samme type, slet han fremdeles med \u00e5 f\u00e5 tilgang til fornuftige beslutningsdata. Hver enkelt plastspr\u00f8ytest\u00f8pemaskin hadde sin egen m\u00e5te \u00e5 presentere data p\u00e5. Dette betydde at bedriften m\u00e5tte spesialtilpasse koding for hvert enkelt utstyr for \u00e5 f\u00e5 presentert data p\u00e5 en mer enhetlig og nyttig m\u00e5te.<\/p>\n<\/div>\n\n

\n

Dette er et helt vanlig scenario i mange industrielle milj\u00f8er, der fabrikker kan ha hundrevis av PLS\u2019er og styresystem for forskjellige maskiner, som genererer driftsdata som er uforst\u00e5elig for dataanalytikere som \u00f8nsker innsikt.\u00a0<\/p>\n<\/div>\n\n

\n

Det er her Industriell DataOps kommer inn i bildet. En DataOps l\u00f8sning hjelper til med \u00e5 standardisere, normalisere og kontekstualisere data ved hjelp av vanlige modeller eller objektorienterte tiln\u00e6rminger. Data fra flere kilder kan sammenstilles og administrers i en slik l\u00f8sning. Vi tar en n\u00e6rmere kikk p\u00e5 de seks tydeligste tegnene p\u00e5 at det er p\u00e5 tide \u00e5 vurdere en Industriell DataOps-l\u00f8sning for bedriften din.\u00a0<\/p>\n<\/div>\n\n

\n

1. IIoT-prosjekter skalerer ikke p\u00e5 grunn av problemer med datainteroperabilitet<\/h2>\n<\/div>\n\n
\n

Oversettelse og analyse av data fra hundrevis eller til og med tusenvis av maskiner kan ende opp med titusenvis av datapunkter. Uten en felles protokoll eller standardisert m\u00e5te \u00e5 presentere data p\u00e5, kan det bli utrolig tidkrevende \u00e5 manipulere eller h\u00e5ndtere hvert enkel datatag. <\/p>\n<\/div>\n\n

\n

Ingeni\u00f8rer har i mange \u00e5r l\u00f8st kommunikasjonsutfordringer med ved hjelp av protokolloversettere eller drivere. En helt annen utfordring er \u00e5 forst\u00e5 og h\u00e5ndtere forskjellige datastrukturer. Modellering av data for hvert system er inneffektivt og dyrt. <\/p>\n<\/div>\n\n

\n

Det er ingen enkel m\u00e5te \u00e5 administrere individuelle maskinmodeller og implementere dem p\u00e5 flere enheter og systemer. Industriell DataOps l\u00f8ser dette problemet med et standardsett med modeller som kombinerer flere datapunkter i en enkel \u201cflow\u201d. <\/p>\n<\/div>\n\n

\n

2. Du skriver og vedlikeholder «custom script» for \u00e5 utnytte IIoT-data<\/h2>\n<\/div>\n\n
\n

Mange produsenter utvider raskt IIoT-prosjekter, bare for \u00e5 oppdage at de blir fanget i «teknisk gjeld». Begrepet teknisk gjeld ble skapt av programmereren Ward Cunningham tidlig p\u00e5 1990-tallet for \u00e5 beskrive scenarier der folk implementerer programvare ved \u00e5 velge den raskeste og enkleste tilgjengelige koden, uten \u00e5 ta hensyn til fremtidige teknologibehov. <\/p>\n<\/div>\n\n

\n

Dessverre ender ofte IIoT-prosjekter opp i stampe fordi produksjonsbedriftene har valgt den samme tiln\u00e6rmingen og kontinuerlig skriver om koden hver gang de gj\u00f8r endringer p\u00e5 fabrikkgulvet, for eksempel \u00e5 erstatte maskiner, optimalisere prosesser eller legge til nye produktlinjer. <\/p>\n<\/div>\n\n

\n

Integrerte systemer som ikke er knyttet til standardiserte modeller, opplever ofte avbrudd p\u00e5 grunn av krevende og tidkrevende skripting. En Industriell DataOps-l\u00f8sning som gir muligheten til \u00e5 bygge standardiserte modeller, er mer fleksibel og robust mot fremtidige endringer. <\/p>\n<\/div>\n\n

\n

3. Dataanalytikere bruker tid p\u00e5 \u00e5 finne, manipulere og forberede data til analyser<\/h2>\n<\/div>\n\n
\n

Det er ofte en «kl\u00f8ft» mellom Operations Technology (OT) og IT-teamene. Tidligere var PLS-protokoller som Modbus tilstrekkelige for \u00e5 kommunisere koder til OT-teamet. Men en numerisk kode gir ikke IT-folk mye informasjon \u00e5 jobbe med. Dataanalytikere b\u00f8r ikke kaste bort tid p\u00e5 \u00e5 manipulere data. <\/p>\n<\/div>\n\n

\n

Industriell DataOps gj\u00f8r informasjonen tilgjengelig i et brukervennlig, selvforklarende format for dataanalytikere, slik at de kan presentere dem for ulike funksjoner i hele organisasjonen for strategisk beslutningstaking.  <\/p>\n<\/div>\n\n

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

4. OT-teamet er overveldet av dataforesp\u00f8rsler<\/h2>\n<\/div>\n\n
\n

En annen tydelig indikasjon p\u00e5 at det er p\u00e5 tide \u00e5 vurdere en Industriell DataOps-l\u00f8sning, er str\u00f8mmen av foresp\u00f8rsler om data til OT-teamet fra interessenter p\u00e5 tvers av organisasjonen som trenger tilgang til eller forst\u00e5else av maskin- og produksjonsdata. <\/p>\n<\/div>\n\n

\n

Dette inneb\u00e6rer at IT-teamet ikke mottar kontekstualisert informasjon i rett tid, og de er altfor avhengige av OT-personell, som kanskje har konfigurert systemene, for \u00e5 forklare hva visse koder betyr. <\/p>\n<\/div>\n\n

\n

Industriell DataOps automatiserer analyseprosessen og frigj\u00f8r dermed OT-teamet fra manuelle datarapporter, samtidig som tilgjengeligheten for dataanalytikere \u00f8kes. <\/p>\n<\/div>\n\n

\n

5. Du har h\u00f8ye, variable kostnader for r\u00e5data i sky, men ingen strategi for hvordan data skal brukes<\/h2>\n<\/div>\n\n
\n

Un\u00f8dvendige h\u00f8ye kostnader for sky-l\u00f8sninger blir spesielt frustrerende n\u00e5r du mangler en klar visjon for hvordan du skal utnytte data. Mange av disse lagringsalternativene stammer fra forbrukerteknologiverdenen og er ikke tilpasset industrielle applikasjoner. <\/p>\n<\/div>\n\n

\n

En Industriell DataOps l\u00f8sning er skapt for \u00e5 im\u00f8tekomme industriens databehov. I en Industriell DataOps-konfigurasjon kan data behandles n\u00e6r maskinene, enten i et lokalt datasenter eller i skyen, avhengig av spesifikke krav. <\/p>\n<\/div>\n\n

\n

L\u00f8sningen opererer tett p\u00e5 enheten og sender kun n\u00f8dvendige data til sky-applikasjoner med angitt frekvens eller tilstand, noe som reduserer de h\u00f8ye og uforutsigbare kostnadene i sky. <\/p>\n<\/div>\n\n

\n

6. Usikkerhet om hvem som har tilgang til data skaper sikkerhetsproblemer<\/h2>\n<\/div>\n\n
\n

IIoT-tilkobling kan skape sikkerhetsutfordringer. N\u00e5r enhetene er p\u00e5 nett, blir informasjonen s\u00e5rbar for hackere og andre trusler. \u00c5 gi leverand\u00f8rer direkte tilgang til maskinene kan forbedre oppetiden, men samtidig medf\u00f8re cyberrisiko. Utveksling av data ved bruk av innebygd sikkerhet i OPC UA<\/a> og MQTT<\/a> reduserer risiko og potensielle angrep.\u00a0<\/p>\n<\/div>\n\n

\n

Ved \u00e5 ta en proaktiv tiln\u00e6rming til det \u00e5 styre og administrere dataflyten gir sikkerhet p\u00e5 et h\u00f8yere niv\u00e5 enn typiske publisher\/subscriber-brokerarkitekturer og \u00e5pen, ikke-administrert API-tilgang. <\/p>\n<\/div>\n\n

\n

\u00c5 starte et IIoT-program uten Industriell DataOps er som \u00e5 balansere p\u00e5 en knivsegg. Du kan ha sensorene og de analytiske verkt\u00f8yene, men uten evnen til \u00e5 overf\u00f8re og forberede data, vil du feile. Industriell DataOps l\u00f8sninger bygger bro mellom innsamling og analyse av data, slik at bedrifter kan treffe bedre og mer riktige beslutninger. <\/p>\n<\/div>\n\n

\n

Gjenkjenner du ovennevnte utfordringer? <\/h3>\n<\/div>\n\n
\n

Hvis du sliter med en eller flere av utfordringene beskrevet i denne artikkelen, la oss ta en prat. Bestill en demo for \u00e5 se HighByte Intelligence Hub i aksjon og f\u00e5 en personlig sjekk av 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



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

\n

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

Utfyll skjemaet, s\u00e5 kontakter vi deg snart<\/p>\n<\/div>\n\n