בסביבה תעשייתית ומסחרית מודרנית, מערכות עזר פועלות לעתים קרובות מאחורי הקלעים, אך הביצועים שלהם ישירות קובע את האמינות, הבטיחות והיעילות של פעילות עסקית הליבה.בין אם מדובר במערכת הקירור המונעת בשרת יתר על המידה במרכז נתונים, גנרטור הגיבוי המבטיח כוח בלתי מופרע בבית חולים, או מנוע עזר המספק כוח הידראולי על ספינה, מערכות משניות אלה עם עלייה משמעותית של נתונים, והופכים את הביצועים התפעוליים של פעילות גופנית יעילה יותר, כמו גם כן, החל ממערכות הפעלה יעילה יותר, או שימוש ברזולוציה תפעולית של נתונים תפעולית, או אוטומציה של פעילות תפעולית, או שימושית, עם ביצועים תפעולית, עם ביצועים תפעולית, עם ביצועים תפעולית, החל ממערכות הפעלה יעילה יותר, עם ביצועים תפעולית, או שימושית, החלטית של מערכת הפעלה יעילה יותר, עם ביצועים תפעולית, או מנוע עזר יעילה יותר, עם ביצועים תפעולית, עם ביצועים תפעולית, עם ביצועים תפעולית, עם ביצועים תפעולית, עם ביצועים תפעולית, עם ביצועים תפעולית, עם ביצועים תפעולית, עם ביצועים תפעולית, עם ביצועים תפעולית, עם ביצועים תפעולית, עם ביצועים תפעולית, או מנוע עזר, עם ביצועים תפעולית, כדי להפוך את יעילות גבוהה יותר, כדי להפחית ביצועים תפעולית, כדי להפחית ביצועים תפעול

ניתוח נתונים גדול מתייחס לאיסוף שיטתי, עיבוד וניתוח של נתונים עצומים כדי לחשוף דפוסים נסתרים, התאמות ומגמות.כאשר חלים על מערכות עזר, זה מאפשר למפעילים לחזות כישלונות לפני שהם מתרחשים, לייעל לוחות הזמנים המבוססים על דפוסי שימוש בפועל, וצריכת אנרגיה טובה. מאמר זה חוקר את יסודות מערכות עזר, את תפקידם של ניתוח נתונים גדולים באופטימיזציה שלהם, אסטרטגיות יישום, הבנה משותפת, תוך שיפור החלטות עתידיות.

הבנת מערכות עזר

מערכות עזר הן תת-מערכות משניות שמתמכות בפעולות ראשוניות במתקן, ברכב או בתהליך.הם לא מייצרים ישירות את המוצר או השירות הסופי, אלא חיוניים למערכת העיקרית לפעול באופן אמין ובטוח.

  • (ב) ,0) ייצור של מגדל קירור, מערכות אוויר דחוסות, יחידות איסוף אבק ויחידות כוח הידראוליות.
  • (FLT:0) Data CenterssigFLT:1) - אספקה בלתי ניתנת לעצירה (UPS), מערכות קירור ואוורור, מערכות דיכוי אש וגנרטורים גיבוי.
  • (FLT:0) TransportationFLT:1) - יחידות כוח עזר (APUs) במשאיות ובמטוסים, מאווררי קירור מנוע ומדחסמי אוויר בלם בכלי רכב.
  • (FLT:0) ; ®e Feedwater משאבות, condensers, מערכות סיכה בתחנות כוח; מערכות ניהול סוללות באחסון אנרגיה מתחדשת.
  • (ב) ,0) מבני בניין מרכזיים (HVAC) 1 (המערכות HVAC, מעליות, בקרת תאורה ו גנרטורים חירום).

הביצועים של מערכות אלה נמדדים לעתים קרובות על ידי מדדים כגון זמינות, יעילות, זמן תגובה, וזמן ממוצע בין כשלים (MTBF) אפילו השפלה קטנה במערכת עזר יכול לעגל לתוך הפרעות תפעוליות גדולות.לדוגמה, משאבה קירור כושלת במפעל ייצור למחצה, יכול לעצור את קו הייצור כולו, וכתוצאה מכך אובדן משמעותי של הכנסות.

התפקיד של Big Data Analytics

ניתוח נתונים גדול עבור מערכות עזר כרוך כמה שלבים קשורים: רכישת נתונים, אחסון, עיבוד, ניתוח ודמיון.המטרה היא להפיק תובנות שמובילות להחלטות תפעוליות טובות יותר. 3 קטגוריות עיקריות של ניתוח חל:

Analytics

ניתוח תיאורי תשובות "מה קרה?" על ידי סיכום נתונים היסטוריים.עבור מערכות עזר, זה כולל תצוגות לוחיות של אינדיקטורים ביצועי מפתח (KPIs) כגון מגמות טמפרטורה, רמות רטט, צריכת אנרגיה לשעה, תדרי אזעקה. המפעילים יכולים לזהות התנהגות בסיסית ו לזהות אנמונסטים מוקדם.

Analytics

ניתוח חיזוי משתמש במודלים סטטיסטיים ואלגוריתמים של למידת מכונה כדי לחזות את המצבים העתידיים - לדוגמה, לחזות את החיים הנותרים שימושיים (RUL) של נושא במשאבה או את ההסתברות של כשל סוללה של UPS בתוך 30 הימים הבאים.טכניקות כמו ניתוח רגרסציה, תחזיות זמן, ורשתות עצביות מוחלות על מנת חיישן נתונים ותחזוקתיים.

Analytics Prescriptive Analytics

ניתוח מרשם ממליץ על פעולות בהתבסס על תחזיות.לדוגמה, אם מודל צופה סיכוי גבוה של כישלון בחובב קירור בתוך שבועיים, המערכת עשויה להציע הפעלת המעריצים במהירות מופחתת עד החלפת מתוכנן, או באופן אוטומטי הזמנת חלק פנוי.זה סוג של ניתוח מייעל קבלת החלטות על ידי איזון עלויות, סיכונים ומגבלות תפעוליות.

שיטות איסוף נתונים ומקורות

ניתוח נתונים גדול יעיל מתחיל עם איסוף נתונים מקיף.עבור מערכות עזר, נתונים בדרך כלל מגיעים ממקורות הבאים:

  • (FLT:0) חיישנים משוטפים (FLT:1) - חיישני ויברציה, בדיקות טמפרטורה, מטבוליזם לחץ, מזרימה וחיישנים נוכחיים / מתחלבים בציוד.
  • (FLT:0) מפקחי לוגיקה יעילים (PLCsuaFLT) 1:1 - סטטוס מכונה PLCs, אזעקה ופרמטרים תפעוליים כגון מהירות, מומנט, וזמני מחזור.
  • (FLT:0) פיקוח על פיקוח ורכישה של נתונים (SCADA) SystemsFLT:1 - SCADA מצטבר נתונים ממספר PLCs ומספק נוף מרכזי של רצפת הצמח כולה.
  • (FLT:0)Enterprise SystemsFLT:1 - תוכנת ניהול תחזוקה (CMMS) שומרת פקודות עבודה, החלפת חלקים ודיווחי בדיקה.אינטגרציה עם תכנון משאבים ארגוניים מוסיפה נתונים כספיים ומלאי.
  • (FLT:0) מכשירים חשמליים (FLT:1) - גדל, נתונים מעובדים בקצה כדי להפחית את השקיפות והשימוש רוחב הפס. Edge שערים לפני סינון ודחוס נתונים לפני שליחתו לאגם נתונים מרכזי או ענן.

איכות הנתונים היא קריטית.מידע לא שלם, רועש או לא עקבי יכול להוביל לתובנות מטעות.הפרקטיקות הטובות כוללות קיטור קבוע של חיישן, סטנדרטיזציה של פורמטי נתונים על פני ספקים, וליישם כללי אימות נתונים בשלב האיסוף.

יתרונות של אופטימיזציה של נתונים-Driven

כאשר ניתוח נתונים גדול ייושם ביעילות, מערכות עזר לקצור מספר יתרונות:

שיפור הגמישות והפחתת זמן

תחזוקה חיזויית מאפשרת לארגונים לקבוע תיקונים במהלך חוזים מתוכננים ולא להגיב לכשלים פתאומיים.מחקר של משרד האנרגיה האמריקאי מצא כי תחזוקה חיזויית יכולה להפחית את עלויות התחזוקה ב-25-30% ולבטל 70-75% מהתאונות. במרכזי נתונים, החיזוי כשלים קירור מונעים מתפקוד יתר על המידה של השרת ומונעת מעודף משקל.

אנרגיה וחיסכון בעלויות

מערכות עזר לעתים קרובות לצרוך חלק משמעותי של אנרגיה של המתקן הכולל - HVAC לבד יכול לקחת בחשבון 40% של שימוש באנרגיה בבניינים מסחריים. Big Data Analytics מזהה משטרים הפעלה לא יעילים, כגון overcooling או משאבה יתר על פני, ומציע התאמות.לדוגמה, התאמת כוננים משתנים- ⁇ (VFDs) בהתבסס על עומס בזמן אמתי עומס יכול לקצץ צריכת אנרגיה עד 20-50% ביישומים.

חיים בציוד מורחב

על ידי הימנעות מתנאי לחץ יתר ודימום של מרווחי תחזוקה, החיים השימושיים של רכיבים עזר מגבירים. Bearings, חגורות, חותמות, סוללות מחלחלות לאט יותר כאשר מופעלים בתוך פרמטרים המומלצים. Analytics יכול לזהות דפוסי ללבוש ולהמליץ על פעולות תיקון לפני נזק קטסטרופלי מתרחש.

בטיחות מוגברת והתאמה

מערכות עזר רבות, כגון דיכוי אש או גנרטורים חירום, יש תפקידים קריטיים בטיחותיים. ניטור רציף מבטיח שהם עומדים בדרישות בדיקה רגולטוריות והם מוכנים בעת הצורך. Analytics יכול גם לזהות תנאים לא בטוחים תפעוליים - כמו לחץ מופרז ברתיחה - ולעורר סתום אוטומטי או אזעקה.

יישום צעדים עבור Big Data Analytics במערכות עזר

קביעת פתרון נתונים גדול עבור מערכות עזר דורש גישה מובנית.הצעדים הבאים מספקים מפת דרכים:

שלב 1: תשתית נוכחית

ממציאים את כל מערכות עזר והערכה של כלי השיט והקישוריות הקיימים שלהם.זהה פערים שבהם נדרשים חיישנים נוספים. לקבוע אם רשתות תקשורת נתונים (wired או אלחוטי) יכולות להתמודד עם נפח הנתונים הצפוי.

שלב 2: Define Clear Objectives

הגדר מטרות ספציפיות, לדוגמה, להפחית את זמן השבתה לא מתוכנן ב -15% בתוך שנה אחת, או צריכת אנרגיה נמוכה יותר של מערכת HVAC עד 10%. מטרות צריכות להתאים עם מדדים עסקיים רחבים יותר כגון יעילות ציוד הכוללת (OEE) או עלות כוללת של בעלות (TCO).

שלב 3: בחר פלטפורמה ומכשירים

בחר פלטפורמה ניתוח נתונים שיכולה ingest, לאחסן ולעבד הזרמת נתונים ו- אצווה כולל פלטפורמות המבוססות על ענן כמו AWS IoT Analytics, Azure Stream Analytics, או Google Cloud IoT, כמו גם על מסגרות נתונים גדולות כמו Apache Hadoop ו- Spark. for Small התפעול, תוכנה ייעודית כגון Siemens MindSphere או GE's Predix עשויה להיות מתאימה לפלטפורמת הלמידה (Platiki) ו-T.

שלב 4: בנו את קו ה-DataPipeline

צור צינור שמניע נתונים מחיישנים / מבקרים לפלטפורמת הניתוח.זה כולל אי-שימוש בנתונים (למשל, MQTT, OPC-UA), הממריץ באגם נתונים או מסד נתונים של הגרלות זמן (למשל, InfluxDB), וטרנספורמציה לניתוח.

שלב 5: לפתח מודלים חיזוי

עבודה עם מדעני נתונים ומומחים דומיין כדי לפתח מודלים מותאמים לכל מערכת עזר.התחל עם מודלים פשוטים (למשל, התראות המבוססות על סף) ושילוב בהדרגה של למידת מכונה.מודלים באמצעות נתונים היסטוריים של כשל ומדאטה המבוססים על דיוק.מודלים נפוצים כוללים יערות אקראיים עבור סיווג (טוב/רע), זיכרון לטווח קצר (LSTM) עבור תחזיות, וניתוח הישרדות עבור ניתוח RULation.

שלב 6: עומק וביקורת

יישום הפתרון אנליטי במערכת הטייס לפני הגדלה של ביצועי המודל של ה- Monitor ועדכון מודלים כמו נתונים חדשים הופך זמין. הקמת לולאות משוב: כאשר חיזוי מוביל לפעולה, לרשום את התוצאה כדי לשפר את התחזיות עתידיות.

שלב 7: רכבת

אימוץ מוצלח דורש כי מפעילים, טכנאי תחזוקה ומנהלים מבינים כיצד לפרש פלטי ניתוח.ספק הכשרה על לוחות נתונים, התראות ופעולות מומלצות. פוסטר תרבות מונחת נתונים שבה החלטות מבוססות על ראיות ולא על אינטואיציה.

אתגרים ואסטרטגיות מייגציה

למרות הפוטנציאל, יישום ניתוח נתונים גדול במערכות עזר מגיע עם מכשולים. להלן הם אתגרים משותפים ודרכים לטפל בהם:

Data Silos ו-Complexity

ארגונים רבים יש ציוד מורשת כי חסרים יכולות תקשורת דיגיטליות.הנתונים עשויים להיות מפוזרים על פני מערכות קנייניות שונות. Mitigation: להתקין חיישנים רטרו-התאמה עם פרוטוקולים פתוחים (למשל, Modbus, CANאוטובוס) ולהשתמש ב-Sways קצה שיכולים לתרגם בין פרוטוקולים.

השקעה ראשונה

שדרוגים, רישיונות פלטפורמה, וצוות מיומן דורשים הון מראש. Mitigation: להתחיל עם טייס קטן, גבוה-ROI (למשל, מערכת קירור אחת) להפגין ערך.ספקי ענן רבים מציעים מודלים לשלם כמו שאתה-גו כי להפחית עלויות ראשוניות.חפש מענקים ממשלתיים או תמריצים אנרגיה.

סיכוני אבטחת סייבר

חיבור מערכות עזר לרשתות מרחיב את פני השטח של ההתקפה. חיישן שנפגע יכול לשמש כדי לתמרן פעולות או הפצת נתונים. Mitigation: רשתות תעשייתיות, ליישם אימות חזק, להשתמש בתקשורת מוצפנת, ולשמור על קושחה מעודכנת.

חוסר אנליזה של נתונים מקודמת

שילוב ידע התחום של מערכות עזר עם מומחיות במדעי נתונים הוא נדיר. Mitigation: לשכור או חוזה מדענים עם ניסיון תעשייתי, או upskill מהנדסים קיימים בניתוח נתונים. השתמש בפלטפורמות קוד המאפשר טכנאים לבנות מודלים ללא תכנות נרחב.

מודל Drift ותחזוקה

עם הזמן, התנהגות המערכת משתנה עקב ללבוש, שדרוגים, או שינויים סביבתיים, דיוק מודל מגרד: לקבוע צינורות מחזר אוטומטי כי גורם כאשר שגיאות חיזוי עולה על סף.

מגמות עתידיות

הצומת של נתונים גדולים, בינה מלאכותית (AI), ואינטרנט של הדברים (IoT) מתפתח במהירות.כמה מגמות מעצבות את האופן שבו מערכות עזר מנוהלות בשנים הקרובות:

תאומים

תאום דיגיטלי הוא העתק וירטואלי של מערכת פיזית המשקפת את המדינה בזמן אמת.עבור מערכות עזר, תאומים דיגיטליים מאפשרים למפעילים לדמות "מה אם" תרחישים - עדות להשפעה של שינוי מהירות המשאבה או הוספת עומס חדש ללא להפריע לפעילות. בשילוב עם נתונים גדולים, תאומים דיגיטליים הופכים להיות חיזוי רב עוצמה וכלים אופטימיזציה.

Edge Analytics ו-5G

יישומים רגישים לעקביות, כגון ניתוח רטט בזמן אמת עבור ציוד רוטט במהירות גבוהה, דורשים עיבוד קרוב למקור הנתונים. Edge Analytics, אשר מופעל על ידי החוזק הנמוך של 5G, יאפשר זיהוי מיידי ופעולות תיקון אוטומטיות ללא תלות בענן.זה מקטין את עלויות רוחב הפס ומשפר את זמני התגובה.

AI (XAI)

כמו מודלים חזומים להיות מורכבים יותר, שקיפות נדרשת כדי לקבל אמון ממפעילים ו הרגולטורים.טכניקות XAI מספקות סיבות לחיזויים - למשל, "כישלון חזה כי הרטט על הנושא 2 גדל ב-30% בשעה האחרונה".

מערכות הגנה עצמית

במבט קדימה, ניתוח נתונים גדול בשילוב עם שליטה מתקדמת עשוי לאפשר פעולות תיקון אוטונומיות.לדוגמה, מערכת קירור יכולה להתאים באופן אוטומטי את מהירות המעריצים שלה ואת עמדות השסתומות שלה כדי למנוע התחממות יתר ללא התערבות אנושית, לרפא את עצמה ביעילות בזמן אמת.

מסקנה

ניתוח נתונים גדול הוא כבר לא מושג עתידני; זה כלי מעשי שיכול לשפר באופן משמעותי את ביצועי מערכות עזר על פני ייצור, מרכזי נתונים, תחבורה, אנרגיה, מבנים. על ידי מעבר מפעולת חיזוי תחזוקה, ארגונים יכולים להשיג אמינות גבוהה יותר, עלויות נמוכות יותר, יעילות אנרגיה טובה יותר, ובטיחות משופרת.עם זאת, הצלחה דורשת יותר מהשקעות טכנולוגיה - זה דורש אסטרטגיה ברורה, צוות מיומן, תשתיות נתונים חזקות, ונכונות לפתח תרבות.

המסע מתחיל בהבנה של מערכות עזר ספציפיות בהישג יד, הגדרת מטרות מדידה, ובחירת פלטפורמת הניתוח הנכונה.בעוד אתגרים קיימים, הם ניתנים להשגה עם תכנון זהיר ופריסה מצטברת.עבור ארגונים מוכנים לאמץ אופטימיזציה המונעת על ידי נתונים, התגמול הוא מוחשי: מערכות עזר אשר מנהלות חכם יותר, אחרון, תמיכה פעולות ראשוניות יותר אמין יותר.

כדי ללמוד עוד על יישום ניתוח נתונים גדול בהקשרים תעשייתיים, מתייחס משאבים מן ה-FLT:0U מחלקת ייצור מתקדם של אנרגיה ניהול המשרדים של אנרגיה מתקדם של אנרגיה (FLT:1), האגודה הבינלאומית של אוטומציה 3LT:2 (International Society of AutomationFLT:0U) ו-FLT:4Gartner's Big Data ResearchFbil:5 מקורות אלה מספקים הדרכה נוספת על שיטות, מחקרים, טכנולוגיות וטכנולוגיות מסייעות למצוינות להפוך את המידע הגדול של מערכתית למצוינות.