Ứng dụng phân tích IoT công nghiệp với Elastic Stack

Bạn có thể thích

Wiliot ra mắt Bộ công cụ dành cho người mới bắt đầu “Bản phát hành mở”, mang “Internet vạn vật hàng ngày” vào thị trường bán lẻ

Nhóm Pod ra mắt ENO ONE, Một eSIM duy nhất cho tất cả các mạng Hoa Kỳ

KORE thông báo ra mắt giải pháp eSIM thế hệ tiếp theo được thiết kế để đơn giản hóa kết nối IoT

Monogoto chào đón cảm biến IOT CBRSense ™ với mạng CBRS của nó

Quectel thêm Công nghệ định vị IoT khổng lồ của Polte vào Danh mục mô-đun LPWA

Internet vạn vật công nghiệp (IIoT) cung cấp cho các công ty sản xuất cơ hội lấy dữ liệu từ hàng nghìn cảm biến và thiết bị.

Việc liên kết các dữ liệu này với nhau là rất quan trọng để giám sát quá trình sản xuất và đưa ra các biện pháp thích hợp để phân tích thêm. Một trong những thách thức chính là thu thập và chuẩn hóa dữ liệu để sử dụng nó trong bối cảnh phân tích dự đoán hoặc bảo mật sàn cửa hàng.

Ngay cả các công ty sản xuất nhỏ cũng thường điều hành nhiều nhà máy với hàng trăm máy móc và hàng nghìn cảm biến. Dữ liệu mới được tạo ra trong mili giây dễ dàng có tổng số lên đến terabyte, nhưng nó không được lưu trữ cũng như phân tích và do đó, không có giá trị nào được thu được.

Với Elastic Stack, bạn có thể thu thập, nâng cao và phân tích dữ liệu IIoT và giúp người giám sát sản xuất hiểu sâu hơn về quy trình sản xuất.
– Marco De Luca, Kiến trúc sư giải pháp chính @ Elastic

Có thể thu thập dữ liệu đó trên quy mô lớn sẽ là một điểm khác biệt quan trọng. Nó cho phép tối ưu hóa các quy trình sản xuất dẫn đến hiệu quả tốt hơn cũng như sản phẩm chất lượng cao hơn.

Thông thường, các nhà sản xuất phải đối mặt với ít nhất một trong những thách thức sau ngoài những thách thức chung được đề cập ở trên:

Các công ty sản xuất luôn đổi mới nhưng vẫn còn rất nhiều máy móc cũ, và những máy móc đó có thể vẫn ở đó trong vài năm nữa. Một vòng đời điển hình là 10-20 năm hoặc hơn! Làm thế nào để bạn tích hợp những cỗ máy legacy đó vào các nền tảng phân tích hiện đại?
Có các cảm biến, xe tự lái và các thiết bị khác cần được giám sát. Chỉ một cái nhìn đầy đủ mới là nền tảng giúp bảo trì dự đoán, vận hành, v.v. Tất cả các loại thiết bị khác nhau sử dụng các công nghệ khác nhau để giao tiếp và có kết nối khác nhau với internet.
Có rất nhiều giải pháp độc quyền không giao tiếp với nhau. Làm cách nào để bạn lấy dữ liệu từ các hệ thống đó và cho phép tương quan với dữ liệu máy khác?
Một số công ty sản xuất đã và đang suy nghĩ về cách xây dựng một nền tảng cho dữ liệu máy móc để giám sát tất cả các hệ thống đó, cả mới và cũ. Làm thế nào để bạn sử dụng dữ liệu, cho dù đó là cho mục đích vận hành / bảo trì hay để xây dựng các trường hợp kinh doanh và / hoặc dịch vụ bổ sung / mới?

Có rất nhiều lợi ích cho các công ty tập trung vào việc thu thập dữ liệu máy của họ và phân tích nó. Nó không chỉ có thể tối ưu hóa quy trình sản xuất và tăng chất lượng của sản phẩm. Thu thập và phân tích dữ liệu đó có thể làm được nhiều hơn thế.

Một giải pháp giám sát được thiết kế tốt, cùng với bảo trì dự đoán, cũng có thể giúp giảm đáng kể chi phí. Dữ liệu cảm biến có thể cho biết rất nhiều điều về tình trạng của thiết bị hoặc chất lượng của sản phẩm được sản xuất. Ngoài ra, nó giúp giảm tiêu thụ tài nguyên. MM Karton đã chứng minh tiềm năng của việc này bằng cách giảm tiêu thụ nguyên liệu thô xuống 20%.

Xây dựng nền tảng phân tích dữ liệu IIoT của bạn

Để có thể tận dụng tập hợp dữ liệu không đồng nhất này, bạn cần lưu trữ nó trong một môi trường riêng biệt có thể mở rộng theo nhu cầu của bạn. Elasticsearch là sự phù hợp hoàn hảo cho trường hợp sử dụng này. Nó không chỉ cho phép bạn lưu trữ nhiều loại dữ liệu trên quy mô lớn mà còn cho phép bạn phân tích dữ liệu đó với khả năng máy học và trực quan hóa dữ liệu theo bất kỳ cách nào bạn muốn.

Khi bạn có thể thu thập tất cả dữ liệu liên quan của từng nhà máy, hãy tưởng tượng với cách giám sát tổng thể có thể cải thiện hiệu quả của các nhà máy sản xuất của bạn. Lưu trữ tất cả các loại dữ liệu cần thiết trong Elasticsearch và kết hợp dữ liệu từ nhiều nhà máy lắp ráp trên một màn hình duy nhất bằng cách sử dụng Canvas dễ dàng như tạo trang chiếu cho bản trình bày được kết nối với dữ liệu trực tiếp.

Bạn có thể xem một vài ví dụ ở đây:

Giám sát nhiều nhà máy lắp ráp từ cấp rất cao đến từng chi tiết trên thiết bị

Có một cái nhìn cao cấp về nhiều nhà máy lắp ráp khác nhau là một điều tuyệt vời, nhưng bạn cũng muốn biết các máy móc khác nhau trong mỗi nhà máy hoạt động tốt như thế nào. Ngoài ra, bạn cần có khả năng kết hợp và tương quan các mô hình dữ liệu khác nhau của từng nhà cung cấp.

Các trường hợp sử dụng IIoT điển hình với Elastic Stack

Các trường hợp sử dụng sau đây là một vài ví dụ về việc sử dụng Elastic Stack để phân tích và giám sát dữ liệu IIoT. Có nhiều tính năng khác như phản hồi tự động cho các sự cố bằng cách tương tác với máy của bạn từ xa.

Phân tích dự đoán dẫn đến bảo trì dự đoán

Sử dụng dữ liệu cảm biến rất hiệu quả để phân tích sức khỏe của các thiết bị IoT. Dữ liệu cảm biến, chẳng hạn như áp suất không khí hoặc dầu, nhiệt độ, điện áp, tốc độ, âm thanh, tần số hoặc sự thay đổi màu sắc / tia chớp có thể được sử dụng làm cơ chế cảnh báo sớm cho các sự cố. Biết rằng điều gì đó sẽ thất bại trong tương lai gần và phản ứng trên thông tin đó giúp giảm chi phí.

Hơn nữa, việc biết các ngưỡng của dữ liệu cảm biến hoặc phạm vi dữ liệu cho phép quản lý sản xuất thiết lập các kế hoạch bảo trì riêng lẻ trên dữ liệu thực thay vì các chu kỳ bảo trì cứng nhắc trong đó các thành phần được trao đổi cho dù chúng có xu hướng hỏng hóc hay không. Sử dụng điều này dẫn đến một kế hoạch bảo trì chuyên dụng và có ý nghĩa, giúp giảm chi phí và thời gian sản xuất.

Làm điều này đòi hỏi kiến thức đáng kể về các trường hợp dẫn đến thất bại. Việc quan sát hàng trăm cảm biến cùng một lúc trong thời gian thực và so sánh điều này với các sự kiện lịch sử là điều khó khăn đối với con người. Đối với học máy, loại công việc này hoàn toàn phù hợp. Việc tìm kiếm điểm bất thường trên mỗi cảm biến hoặc tương quan dữ liệu của tất cả các cảm biến với một kết quả điểm sức khỏe duy nhất, thực sự rất mạnh mẽ.

Giảm tỷ lệ từ chối hoặc giảm tỷ lệ loại bỏ

Một KPI quan trọng khác là tỷ lệ từ chối / loại bỏ. Giảm tỷ lệ từ chối bằng cách biết phần nào của sản xuất dẫn đến từ chối là quan trọng. Tính năng phát hiện ngoại lệ dựa trên máy học của Elastic Stack giúp tìm ra các sản phẩm khác với kết quả mong đợi. Bằng cách sử dụng tính năng phát hiện này cùng với dữ liệu cảm biến, các vấn đề có thể được tìm ra một cách nhanh chóng và dễ dàng.

Một công việc học máy được thiết kế tốt trên sàn cửa hàng cuối cùng có thể dẫn đến một kịch bản trong đó máy móc được kích hoạt để tự tối ưu hóa mà không cần sự tương tác của con người.

Tính năng phát hiện ngoại lệ dựa trên công nghệ máy học có thể phát hiện các chỉ số chất lượng sản phẩm có thể thách thức ý thức chung

Bảo mật tại khu vực sản xuất

Ngày nay, bảo mật của các hệ thống liên quan đến CNTT là một thách thức nổi tiếng. Bảo mật của một khu vực sản xuất thường khó thực hiện hơn nhiều. Khái niệm chung hiện nay là ngăn chặn sự xâm nhập bằng cách ngắt kết nối toàn bộ cơ sở sản xuất với internet.

Điều này ngày càng trở nên khó khăn hơn. Tác động ngày càng tăng của “CNTT cổ điển” (như ERP như SAP PP hoặc PLM) trên các hệ thống SPS (chẳng hạn như Siemens SIMATIC) cuối cùng sẽ dẫn đến giao tiếp trực tiếp – với tất cả những điều tốt và xấu. Nhu cầu được tạo ra bởi doanh nghiệp – MoD (Sản xuất theo yêu cầu) đã có mặt bằng in 3D hoặc cắt laser.

Ví dụ: hãy tưởng tượng các quy trình sản xuất hoàn toàn tự động được kích hoạt bởi các đơn đặt hàng tùy chỉnh từ bất kỳ trang web nào. Nguy cơ phóng tia lửa điện từ hệ thống CNTT được kết nối với nhau đến khu vực sản xuất sẽ trở thành một rủi ro có kích thước mới. Do đó, an ninh sàn cửa hàng sẽ trở thành một chủ đề rất quan trọng trong quá trình chuyển đổi Công nghiệp 4.0 .

Với SIEM (thông tin bảo mật và quản lý sự kiện) kết hợp với khả năng thu thập tất cả dữ liệu liên quan, nhà máy thông minh của bạn cũng có thể được giám sát các sự kiện bảo mật.

Thu thập và phân tích các nguồn dữ liệu IIoT khác nhau với Elastic Stack

Các khả năng phân tích cần thiết đã được triển khai trong Elastic Stack trong một thời gian dài. Công việc khó khăn là lấy dữ liệu của các nguồn dữ liệu khác nhau vào ngăn xếp.

Việc thu thập dữ liệu từ tất cả các nguồn dữ liệu khác nhau hiện có trong một nhà máy sản xuất không thể được thực hiện chỉ trong một cách duy nhất. Bạn cần kết hợp nhiều nguồn dữ liệu với nhau. Vì Elastic là một nền tảng dữ liệu mở, thời gian thực, nên thật dễ dàng sử dụng hệ sinh thái của nó để tích hợp tất cả các loại nguồn dữ liệu.

Có nhiều hệ thống khác nhau trong một nhà máy sản xuất cần được giám sát, từ các hệ thống rất cũ (có thể chạy phần mềm điều khiển sử dụng Windows 95 trở lên) cho đến công nghệ mới nhất chạy Linux và OPC-UA . Chúng ta chủ yếu nói về các loại hệ thống sau:

Phần mềm điều khiển sản xuất như IBM MQ , được sử dụng để kiểm soát quá trình sản xuất trong một nhà máy và cả giữa các nhà máy.

Bộ điều khiển logic khả trình (PLC) là một dạng thiết bị máy tính đặc biệt được thiết kế để sử dụng trong các hệ thống điều khiển công nghiệp. Nó là một “PC công nghiệp” mục đích đặc biệt điều khiển các cảm biến và cơ cấu chấp hành; ví dụ, nó điều khiển máy móc sản xuất các sản phẩm giấy trong ngành công nghiệp giấy hoặc cũng có thể điều khiển thang máy và thang cuốn. Có nhiều trường hợp sử dụng về những gì có thể được điều khiển bởi PLC.

Robot công nghiệp , giống như robot do KUKA (nhà sản xuất Đức / Trung Quốc) sản xuất. Robot KUKA đi kèm với một máy chủ OPC-UA, có thể điều khiển robot KUKA, nhưng đồng thời tương tác với các robot và hệ thống khác trên sàn sản xuất. OPC-UA cũng có thể kết nối các hệ thống thông qua internet và do đó, nó sẽ bị đe dọa về bảo mật. Đó là lý do tại sao bảo mật đóng một vai trò quan trọng trong đặc tả OPC-UA, nhưng nó cũng cần được giám sát bởi các nền tảng giám sát như Elastic.

Cảm biến và các phương tiện hoặc thiết bị tự hành khác chủ yếu được sử dụng để đo nhiệt độ, độ ẩm, tốc độ, gia tốc, định vị, độ rung hoặc các số liệu khác cần thiết để tương quan giữa chúng với dữ liệu quy trình sản xuất. Ví dụ, sự thay đổi nhiệt độ và độ ẩm có thể ảnh hưởng đến hoạt động của rô bốt và gây ra rung động nặng hơn có thể khiến rô bốt bị hỏng hoặc tạo ra sản phẩm kém chất lượng. Do đó, cảm biến và dữ liệu robot rất quan trọng đối với hoạt động của khách hàng.

Thu thập dữ liệu từ PLC, Broker MQTT và máy chủ OPC UA

Để thu thập tất cả dữ liệu gần thời gian thực này, chúng ta có thể sử dụng Machinebeat – một Beat cộng đồng có thể thu thập dữ liệu từ các Message Broker MQTT và thiết bị OPC UA. Mô-đun MQTT của nó cũng có khả năng thu thập dữ liệu từ các nhà cung cấp dịch vụ đám mây IoT khác nhau, chẳng hạn như lõi AWS IoT hoặc Azure IoT Hub.

Để thu thập dữ liệu từ các thiết bị PLC, có một tích hợp với Apache Project PLC4X dưới dạng plugin Logstash , cho phép khách hàng thu thập số liệu từ tất cả các PLC hỗ trợ PLC4X. Thông tin chuyên sâu hơn về PLC4X kết hợp với Elasticsearch có thể được tìm thấy trong bài đăng blog này từ đối tác Codecentric của chúng ta .

Trực quan hóa dữ liệu của bạn với Kibana

Có tất cả thông tin này dẫn đến một thách thức mới. Việc lưu trữ nhiều dữ liệu đó chỉ hữu ích nếu bạn có thể nhận được giá trị từ nó. Giá trị có thể được tạo ra bằng cách hiểu rõ hơn về những gì đang xảy ra. Hình dung có thể giúp ích. Ví dụ sau đây trực quan hóa thông điệp giữa nhiều hàng đợi trong môi trường sản xuất được IBM MQ kiểm soát. Trong hệ thống giám sát kế thừa, bạn cần có kiến thức cụ thể về những thứ bạn đang giám sát. Bằng cách sử dụng Canvas, bạn có thể tóm tắt kiến thức cụ thể và cung cấp phản hồi được mã hóa bằng màu sắc dễ dàng về tình hình hiện tại.