{"id":6606,"date":"2022-02-01T07:32:00","date_gmt":"2022-02-01T07:32:00","guid":{"rendered":"https:\/\/www.novotek.com\/no\/?post_type=insights&p=6606"},"modified":"2025-11-25T13:56:51","modified_gmt":"2025-11-25T13:56:51","slug":"automasjon-og-digitalisering-en-tidslinje","status":"publish","type":"insights","link":"https:\/\/www.novotek.com\/no\/insight\/automasjon-og-digitalisering-en-tidslinje\/","title":{"rendered":"Automasjon og digitalisering: En tidslinje"},"content":{"rendered":"
\n

Fra de f\u00f8rste SCADA-systemene, databasene og oppfinnelsen av PLS\u2019en, til en enorm utvikling innen data, AI og Machine Learning. Mye har skjedd innen automasjon og digitalisering de siste 60 \u00e5rene, – se v\u00e5r tidslinje med de viktigste hendelsene her.<\/p>\n<\/div>\n\n

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

1960<\/strong><\/h2>\n<\/div>\n\n
\n

SCADA<\/strong><\/h4>\n<\/div>\n\n
\n

De f\u00f8rste SCADA-systemene tas i bruk. Sammenlignet med hvordan vi kjenner SCADA-systemet i dag, var de f\u00f8rste systemene enkle, med ingen eller f\u00e5 nettverksmuligheter. Data kunne sendes frem og tilbake til en \u00abmainframe computer\u00bb, en stor datamaskin, ved hjelp av RTU\u2019er. Denne f\u00f8rste generasjonen kalles \u00abMonolithic SCADA\u00bb. <\/p>\n<\/div>\n\n

\n
\"Tidslinje
Bilde viser en «mainframe computer» fra 1960-tallet. Foto: Wikimedia Commons.<\/figcaption><\/figure>\n<\/div>\n\n
\n
<\/div>\n<\/div>\n\n
\n

Databaser<\/strong><\/h4>\n<\/div>\n\n
\n

De f\u00f8rste datamaskinbaserte databasene kom tidlig p\u00e5 1960-tallet, og var forgjengerne for det vi kjenner som navigasjonsdatabaser. I l\u00f8pet av 1960-tallet kom det to databasemodeller. En hierarkisk modell i ulike niv\u00e5er, – slik vi fremdeles kjenner mappestrukturer i dag, og en nettverksbasert modell som kunne knytte dataene sammen p\u00e5 tvers av niv\u00e5er.<\/p>\n<\/div>\n\n

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

PLS<\/strong><\/h4>\n<\/div>\n\n
\n

I 1968 ble den f\u00f8rste PLS\u2019en utviklet. F\u00f8r dette benyttet man seg av relay-baserte systemer. Disse var sv\u00e6rt komplekse, og krevde mye tid og kostnader p\u00e5 vedlikehold og konfigurering. PLS\u2019en forenklet produksjonsprosessene betydelig, og ble raskt popul\u00e6r. Den er fremdeles en selvf\u00f8lgelig del av systemer for kontroll og styring, og er blant de viktigste oppfinnelse innen automasjon.  <\/p>\n<\/div>\n\n

\n
\"1960
Slik s\u00e5 de f\u00f8rste PLS’ene ut. Foto: Wikimedia Commons.<\/figcaption><\/figure>\n<\/div>\n\n
\n
<\/div>\n<\/div>\n\n
\n

1970<\/strong><\/h2>\n<\/div>\n\n
\n

Relasjonsdatabaser<\/strong><\/h4>\n<\/div>\n\n
\n

P\u00e5 begynnelsen av 1970-tallet kom den f\u00f8rste relasjonsdatabasen. Denne type databasemodell var s\u00f8kbar, viste forholdet mellom ulik data og var mye enklere i bruk enn den nettverksbaserte modellen. Maskinvaren p\u00e5 denne tiden var begrenset, s\u00e5 bruken av relasjonsdatabaser ble ikke utbredt f\u00f8r ti\u00e5ret senere. <\/p>\n<\/div>\n\n

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

1980<\/strong><\/h2>\n<\/div>\n\n
\n

Grunnlaget for MES<\/strong><\/h4>\n<\/div>\n\n
\n

Tidlig p\u00e5 1980-tallet ble datainnsamlingssystemer som m\u00e5lte blant annet arbeidstid, produksjonsdata og kvalitet tilgjengelige. Disse systemene var spesialiserte og uavhengige av hverandre, men viste seg senere og v\u00e6re grunnlaget for systemet vi i dag kaller MES.<\/p>\n<\/div>\n\n

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

Distributed SCADA<\/strong><\/h4>\n<\/div>\n\n
\n

2. generasjon SCADA-system, \u00abDistributed SCADA\u00bb, var mindre i st\u00f8rrelse og billigere enn forgjengeren. Med denne versjonen kom de f\u00f8rste forekomstene av vanlige systemkomponenter, som inkluderte kommunikasjonsprosessorer, HMI, RTU\u2019er og databaser. SCADA-systemene kunne n\u00e5 kommunisere med hverandre.<\/p>\n<\/div>\n\n

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

PC-basert programmering av PLS<\/strong><\/h4>\n<\/div>\n\n
\n

I 1986 ble PC-basert programmering av PLS\u2019er introdusert. Dette f\u00f8rte til st\u00f8rre funksjonalitet, mer minne og sekvensiell kontroll. <\/p>\n<\/div>\n\n

\n
\"1980
I l\u00f8pet av 1980-tallet f\u00e5r PC’en en viktigere rolle innen automasjon. Foto: Wikimedia Commons.<\/figcaption><\/figure>\n<\/div>\n\n
\n

Novotek grunnlegges<\/h4>\n<\/div>\n\n
\n

Novotek ble grunnlagt i Sverige i 1986, og startet i Norge \u00e5ret etter. Vi var blant de f\u00f8rste som anvendte PC-baserte l\u00f8sninger innen produksjon.<\/p>\n<\/div>\n\n

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

1990<\/strong><\/h2>\n<\/div>\n\n
\n

MES<\/strong><\/h4>\n<\/div>\n\n
\n

P\u00e5 starten av 1990-tallet begynte produksjonsbedrifter \u00e5 kombinere systemer som hentet data fra ulike omr\u00e5der. Systemet inkluderte kvalitetssikring, dokumenth\u00e5ndtering og gjennomf\u00f8ring av analyse. I 1992 fikk systemet navnet MES (Manufacturing Execution Systems). Samme \u00e5r ble MESA, Manufacturing Enterprise Solutions Association grunnlagt, med oppgave \u00e5 veilede utf\u00f8relsen av MES-systemer og adressere den \u00f8kende kompleksiteten.<\/p>\n<\/div>\n\n

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

Networked SCADA<\/strong><\/h4>\n<\/div>\n\n
\n

3. generasjon SCADA-system, \u00abNetworked SCADA\u00bb, kom med \u00e5pen systemarkitektur. Dette gjorde det mulig \u00e5 koble SCADA-systemet til tredjeparts-enheter, som for eksempel skjermer, printere og harddisker. Den \u00e5pne systemarkitekturen gjorde det ogs\u00e5 mulig \u00e5 kj\u00f8re flere SCADA-systemer parallelt, med samme database. <\/p>\n<\/div>\n\n

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

OPC<\/strong><\/h4>\n<\/div>\n\n
\n

Den f\u00f8rste versjonen av OPC, OPC DA, kom p\u00e5 markedet i 1996. B\u00e5de maskinvare- og programvareleverand\u00f8rer tok raskt OPC i bruk, og det ble besluttet at en uavhengig, ideell organisasjon skulle administrere OPC-spesifikasjonen. OPC Foundation ble dermed grunnlagt samme \u00e5ret. Utbredt bruk gjorde OPC til industristandarden allerede i 1998. <\/p>\n<\/div>\n\n

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

HMI<\/strong><\/h4>\n<\/div>\n\n
\n

Tidligere innebar HMI (Human Machine Interface) i stor grad knapper og lamper, f\u00f8r man gikk over til enkle skjermer. I l\u00f8pet av 1990-tallet ble HMI i st\u00f8rre grad programvarebasert, og inkluderte etter hvert informasjon som kunne hjelpe operat\u00f8ren \u00e5 ta bedre valg i produksjonen. <\/p>\n<\/div>\n\n

\n
\"1990
P\u00e5 1990-tallet ble PC’er tatt i st\u00f8rre bruk som HMI, med programvarer som kunne hjelpe operat\u00f8ren. Foto: Wikimedia Commons.<\/figcaption><\/figure>\n<\/div>\n\n
\n
<\/div>\n<\/div>\n\n
\n

AI og Machine Learning<\/strong><\/h4>\n<\/div>\n\n
\n

AI og Machine Learning var kjent allerede p\u00e5 1950-tallet, men teknologien var ikke p\u00e5 et niv\u00e5 som kunne utnytte seg av dette. F\u00f8rst p\u00e5 1990-tallet, med internett og betydelig \u00f8kning i data, kunne AI og Machine Learning bevege seg fra en kunnskapsdreven tiln\u00e6rming til \u00e5 bli datadrevet. Dette var starten p\u00e5 AI og Machine Learning slik vi kjenner det i dag.<\/p>\n<\/div>\n\n

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

2000<\/strong><\/h2>\n<\/div>\n\n
\n

OPC A&E, HDA, XML\/CSV og DX<\/strong><\/h4>\n<\/div>\n\n
\n

Tidlig p\u00e5 2000-tallet kommer flere OPC-standarder: Alarm & Events, Historical Data Access, XML\/CSV og Data Exchange. Disse, sammen med OPC DA, f\u00e5r betegnelsen klassiske OPC-standarder.<\/p>\n<\/div>\n\n

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

PAC<\/strong><\/h4>\n<\/div>\n\n
\n

De f\u00f8rste PAC-kontrollerne kom p\u00e5 markedet p\u00e5 starten av 2000-tallet. Disse hadde en kombinasjon av funksjonene og teknologien til DCS\u2019er, RTU\u2019er og PC-kontroll. I tillegg hadde de flere tilkoblingsmuligheter og bredere kontroll i en liten pakke, tilpasset bruk i industrielle milj\u00f8er. PAC-kontrollerne ble raskt popul\u00e6re. <\/p>\n<\/div>\n\n

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

Web-based SCADA<\/strong><\/h4>\n<\/div>\n\n
\n

4. generasjon SCADA, \u00abWeb-based SCADA\u00bb, kom som f\u00f8lge av utviklingen av internett. Med nettleser som grafisk grensesnitt\/operat\u00f8rens HMI, fikk man tilgang fra enheter som b\u00e6rbare datamaskiner, nettbrett og mobiltelefoner, – n\u00e5r som helst og hvor som helst.<\/p>\n<\/div>\n\n

\n
\"\"
Nettleserbaserte HMI-skjermer gjorde det mulig \u00e5 ta med seg programvaren ut i anlegg\/fabrikk. Bildene viser Idus vedlikeholdssystem.<\/figcaption><\/figure>\n<\/div>\n\n
\n
<\/div>\n<\/div>\n\n
\n

Cloud Computing<\/strong><\/h4>\n<\/div>\n\n
\n

Id\u00e9en om Cloud Computing kan spores helt tilbake til 1950-tallet, men det var f\u00f8rst p\u00e5 2000-tallet at bruken av Cloud i moderne kontekst skj\u00f8t fart. Samtidig som WEB 2.0 utvikles, setter store bedrifter som Google, Microsoft, Amazon og IBM aktivt i gang med Cloud-initiativer. I l\u00f8pet av kort tid blir skyl\u00f8sninger en del av alles hverdag.<\/p>\n<\/div>\n\n

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

OPC UA<\/strong><\/h4>\n<\/div>\n\n
\n

I 2006 blir den f\u00f8rste versjonen av OPC UA tilgjengelig. I motsetning til de klassiske OPC-standardene baserer ikke OPC UA seg p\u00e5 Microsoft-teknologi, og er plattformuavhengig. Kommunikasjon over nettverk blir med dette enklere.   <\/p>\n<\/div>\n\n

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

Les mer:<\/strong> OPC og OPC UA<\/a><\/p>\n<\/div>\n\n

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

MES med flere funksjoner<\/strong><\/h4>\n<\/div>\n\n
\n

Mot slutten av 2000-tallet har MES-systemer blitt enda mer komplekse, og kommer med nye funksjoner for blant annet anleggsoperasjoner, businessoperasjoner, strategiske initiativer, lean produksjon, styring av produktsyklusen, overholdelse av regelverk og myndighetskrav og analyse. Dette er MES-systemet vi kjenner i dag.<\/p>\n<\/div>\n\n

\n
\"Proficy
Bildet viser MES-l\u00f8sningen Proficy Plant Applications brukergrensesnitt i 2004. Mot slutten av 2000-tallet skjedde det store endringer i MES-systemene.<\/figcaption><\/figure>\n<\/div>\n\n
\n
<\/div>\n<\/div>\n\n
\n

2010<\/strong><\/h2>\n<\/div>\n\n
\n

Enorm utvikling innen AI og Machine Learning<\/strong><\/h4>\n<\/div>\n\n
\n

\u00d8kning i data og investeringer fra samtlige store teknologibedrifter gjorde at AI og Machine Learning skj\u00f8t fart dette ti\u00e5ret, og nye l\u00f8sninger ble en selvf\u00f8lgelig del av manges hverdag. Innen industri og produksjon s\u00f8rger AI og Machine Learning for bedre effektivitet og kostnadsbesparelser ved \u00e5 bruke data til \u00e5 blant annet forutsi og redusere nedetid og spore produksjon og produkter. <\/p>\n<\/div>\n\n

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

Digital tvilling<\/strong><\/h4>\n<\/div>\n\n
\n

Konseptet digital tvilling ble snakket om allerede i 2002, men den f\u00f8rste praktiske definisjonen ble utviklet av NASA i 2010, i et fors\u00f8k p\u00e5 \u00e5 forbedre simulering av romfart\u00f8y. En digital tvilling er en digital versjon av et fysisk objekt eller en prosess. I industrien hjelper digitale tvillinger med \u00e5 \u00f8ke innsikten i de fysiske omgivelsene, og gj\u00f8r det enklere \u00e5 styre komplekse prosesser.<\/p>\n<\/div>\n\n

\n
\"Eksempel
Et eksempel p\u00e5 en digital tvilling fra GE Vernova. Foto: General Electric.<\/figcaption><\/figure>\n<\/div>\n\n
\n
<\/div>\n<\/div>\n\n
\n

Big Data<\/strong><\/h4>\n<\/div>\n\n
\n

Begrepet Big Data har blitt brukt siden 1990-tallet, men ble f\u00f8rst \u00e5 finne overalt to ti\u00e5r senere, som et av 2010-tallets buzzord. Med en enorm \u00f8kning i data, og en tilsvarende utvikling i teknologien, ble det mulig \u00e5 hente informasjon fra store datasett som tidligere var for komplekse. Med kontinuerlig \u00f8kende datamengde er h\u00e5ndtering av Big Data blant teknologiens st\u00f8rste utfordringer.   <\/p>\n<\/div>\n\n

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

Industri 4.0<\/strong><\/h4>\n<\/div>\n\n
\n

Industri 4.0 ble f\u00f8rst brukt i 2011 av Siemens i Tyskland. Begrepet forklarer den p\u00e5g\u00e5ende automatiseringen av produksjon og industri, som skiller seg fra den tredje industrielle revolusjonen med bruk av IoT og smart produksjon. Siden 2011 har begrepet blitt et buzzord innen produksjon og industri, og betegner sammensetningen av avanserte, digitale teknologier som benyttes i industrien. <\/p>\n<\/div>\n\n

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

Les mer:<\/strong> Industri 4.0: Den fjerde industrielle revolusjonen<\/a><\/p>\n<\/div>\n\n

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

IIoT<\/strong><\/h4>\n<\/div>\n\n
\n

GE, General Electric, kom med begrepet IIoT (Industrial Internet of Things) i 2012. IIoT, ogs\u00e5 kalt det industrielle internett, inneb\u00e6rer l\u00f8sninger som kobler sammen maskiner med ny kommunikasjonsteknologi, og gj\u00f8r det mulig \u00e5 overv\u00e5ke, samle inn, utveksle, analysere og levere verdifulle innsikter. Resultatet er \u00f8kt effektivitet, produktivitet og ytelse. <\/p>\n<\/div>\n\n

\n

Les mer:<\/strong> Hva er IIoT?<\/a><\/p>\n<\/div>\n\n

\n
\"Tablet
Smart industry control concept.Hands holding tablet on blurred automation machine as background<\/figcaption><\/figure>\n<\/div>\n\n
\n
<\/div>\n<\/div>\n\n
\n

DataOps<\/strong><\/h4>\n<\/div>\n\n
\n

DataOps kommer fra Data Operations, og ble f\u00f8rst introdusert i 2014. I 2017 fikk DataOps st\u00f8rre popularitet, med betydelig utvikling, unders\u00f8kelser og publikasjoner om konseptet. DataOps har verkt\u00f8y som skal h\u00e5ndtere den p\u00e5g\u00e5ende store \u00f8kningen i data ved \u00e5 gj\u00f8re dataanalyse enklere og mer effektivt, samt \u00f8ke p\u00e5liteligheten og kvaliteten. Dette inneb\u00e6rer fokus p\u00e5 kommunikasjon, samarbeid og integrasjon mellom data scientists, analytikere, dataingeni\u00f8rer, IT og OT. <\/p>\n<\/div>\n\n

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

2020<\/strong><\/h2>\n<\/div>\n\n
\n

Data\u00f8kning<\/strong><\/h4>\n<\/div>\n\n
\n

I 2020 var verdens totale datamengde 44 zettabyte (44 trillioner gigabyte). Innen 2025 er det forventet at vi n\u00e5r en datamengde p\u00e5 175 zettabyte. Med dette kommer behovet for teknologi som kan h\u00e5ndtere \u00f8kningen, og transformere Big Data til nyttig informasjon.<\/p>\n<\/div>\n\n

\n
\"Tidslinje
Grafen viser datamengden i verden siden 2010, og forventet \u00f8kning frem mot 2025. Kilde: Data Age 2025.<\/figcaption><\/figure>\n<\/div>\n\n
\n
<\/div>\n<\/div>\n\n
\n

Les mer:<\/strong> Slik gj\u00f8r du industriell data egnet til ditt bruk<\/a><\/p>\n<\/div>\n\n

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

Smartere AI og Machine Learning<\/strong><\/h4>\n<\/div>\n\n
\n

\u00d8kende datamengde gj\u00f8r AI og Machine Learning-l\u00f8sninger \u00absmartere\u00bb. De siste \u00e5rene har vi sett store hendelser innen feltet, og med forventinger om mer enn en tredobling av datamengden i l\u00f8pet av de fire neste \u00e5rene er det ogs\u00e5 forventet at den raske utviklingen innen AI og Machine Learning vil fortsette.<\/p>\n<\/div>\n\n

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

IIoT p\u00e5virker verdens\u00f8konomien<\/strong><\/h4>\n<\/div>\n\n
\n

I dag er IIoT-markedet verdt 123 milliarder dollar. Innen 2030 er IIoT estimert av Accenture \u00e5 ha 14.2 billioner dollar av den globale \u00f8konomien, som gj\u00f8r det til en av de viktigste kreftene som former businessverden i dag.<\/p>\n<\/div>\n\n

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

Innholdet i denne artikkelen tar utgangspunkt i informasjon fra blant annet GE Vernova<\/a><\/strong>, OPC Foundation<\/a><\/strong>, MESA <\/a><\/strong>og mange flere akt\u00f8rer innen automasjon og digitalisering, i tillegg til v\u00e5r egen kunnskap om temaene. Se fullstendig litteraturliste nedenfor.<\/em><\/p>\n<\/div>\n\n

\n
\n Kildehenvisninger<\/strong>\n \n \n