Modern endüstriyel ve ticari ortamlarda, yardımcı sistemler genellikle sahnelerin arkasında çalışır, ancak performansları doğrudan temel işletme operasyonlarının güvenilirliğini, güvenliğini ve verimliliğini belirler.Bir veri merkezinde aşırı ısıyı engelleyen soğutma sistemi, bir hastanede kesintisiz gücü optimize eden yedekleme jeneratörü veya bir gemide hidrolik gücü sağlayan yardımcı motor, bu ikincil sistemler tutarlı bir şekilde dikkat çeker.

Büyük veri analizi, gerçek kullanım kalıplarına dayanan algoritmaların sistematik koleksiyona, işleme ve analizlerini gizli kalıpları, korelasyonları ve trendleri ortaya koyar. Yardımcı sistemlere uygulandığında, operatörlerin gerçek kullanım kalıplarına dayanan başarısızlıkları tahmin etmelerini sağlar ve iyileştirici enerji tüketimine dayanan karar verebilir.Bu makale yardımcı sistemlerinin temellerini keşfeder, optimizasyonlarında büyük veri analizi, uygulama stratejileri, ortak zorluklar ve gelecekteki yönlere uygular.

Yardımcı Sistemleri Anlamak

Yardımcı sistemler, birincil işlemleri bir tesis, araç veya işlemde destekleyen ikincil alt sistemlerdir. Doğrudan son ürün veya hizmeti üretmiyorlar ancak birincil sistem için güvenilir ve güvenli bir şekilde çalışmak için gereklidir. Örnekler birden fazla endüstriye bağlanır:

  • [FONT:0]Manufacturing[DÜT:1] – Soğutma kuleleri, sıkıştırılmış hava sistemleri, toz toplama birimleri ve hidrolik güç birimleri.
  • [FONT:0]Data Centers [Dönemli güç malzemeleri (UPS), soğutma ve havalandırma sistemleri, yangın baskı sistemleri ve yedek jeneratörler.
  • [FONT:0)Transportasyon[[Dönetici: 1) - Yardımcı güç birimleri (APUs) kamyonlarda ve uçaklarda, motor soğutma fanları ve demiryolu araçlarında hava kompresörleri frenler.
  • [FONT:0)Energy – Enerji santrallerinde su pompası, kondüktör ve yağ sistemleri; yenilenebilir enerji depolamalarında batarya yönetim sistemleri.
  • [FONT:0] ⁇ Binalar - HVAC sistemleri, asansörler, aydınlatma kontrolleri ve acil jeneratörler.

Bu sistemlerin performansı genellikle yarı iletken bir fabrikadaki ölçümler, verimlilik, yanıt süresi ve yardımcı sistemler arasındaki zaman (MTBF) veya takvim tabanlı (her iki yaklaşımda yer alan küçük bir bozulma) veya takvim tabanlı (örneğin, geçici bakım riskleri tüm üretim hattında durdurulabilir ve önemli gelir kaybıyla ilgili olarak, yardımcı sistemler için bakım stratejilerinin veya daha iyi bir şekilde belirlenmesi için bakım stratejilerinin belirlenmesi veya gerçek zamanlı olarak sabit aralıklarlaki (önemli) veya sabit aralıklarlaki (taraflı) bileşenleri tahmin edilebilir (örneğin, sabit aralıksız bakım riskleri azalır.

Big Data Analytics'in Rolü

Yardımcı sistemler için büyük veri analizi birkaç birbirine bağlı adım içerir: veri satın alma, depolama, işleme, analiz ve görselleştirme. Hedef daha iyi operasyonel kararlara yol açan öngörüler elde etmektir. Üç ana dizi analitik uygulanır:

Descriptive Analytics

Descriptive Analytics “Ne oldu?” tarihsel verileri özetleyerek, yardımcı sistemler için, bu, sıcaklık eğilimleri, vibrasyon seviyeleri, enerji tüketimi gibi temel performans göstergelerinin panolarını içerir. Operatörler erkenden temel davranışı ve leke anomalilerini belirleyebilirler.

Tahmin edici Analytics

Tahmin edici analitik, gelecek 30 gün içinde bir UPS batarya başarısızlığının olasılıklarını tahmin etmek için istatistik modelleri ve makine öğrenme algoritmaları kullanır. Örneğin, geri dönüşüm analizi, zaman serisi tahminleri ve bakım logları için de uygulanır.

Prescriptive Analytics

Prescriptive Analytics, tahminlere dayanan eylemleri önerir. Örneğin, bir model iki hafta içinde bir soğutma fanında yüksek bir başarısızlık olasılığını tahmin ederse, sistem planlanan bir yedeke kadar fanı azaltabilir veya otomatik olarak bir yedek parça sipariş edebilir.Bu tür analizler karar verme maliyeti, riskler ve operasyonel kısıtlamalar.

Data Collection Yöntemleri ve Kaynaklar

Etkili büyük veri analizi kapsamlı veri koleksiyonu ile başlar. Yardımcı sistemler için, veriler genellikle aşağıdaki kaynaklardan gelir:

  • [FONT:0]Embedded Sensörler[[DÜT:1) – Titreşim sensörleri, sıcaklık probları, baskı transdüserleri, akış metre ve mevcut / gerilim sensörleri ekipmana entegre edilmiştir.
  • [FONT:0)Programlanabilir Mantık kontrolörleri (PLC))[Döneticiler, kayıt makinesi statüsü, alarmlar ve hız, tork ve döngü süreleri gibi operasyonel parametreler.
  • [FONT:0) Superviz Control and Data Acquisition (SCADA) Systems) - SCADA birden fazla PLC'den veri toplar ve tüm bitki zemininin merkezileştirilmiş bir görünümü sunar.
  • [FONT:0)Enterprise Systems[[Dönetici: 1 ) – Bakım yönetimi yazılımı (CMMS) iş siparişleri, bölüm yedekleri ve denetim raporları.Increate resource Planlama (ERP) sistemleri finansal ve envanter verilerini içerir.
  • [FONT=0)Edge Cihazları[[Dönetici:0)[[Dönetici:0)[FONT)[[FONT=FONT=FONT=0))[[FONT=FONT=0))[FONT=FONT=0))))IFONT Cihazları [FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FOTETRNT=Qge devices|Qge))))))))))))))))))))))))))))))))))))))))))))))

Veri kalitesi kritiktir. Tamamlanmış, gürültülü veya tutarsız veriler yanıltıcı öngörülere yol açabilir.En iyi uygulamalar, satıcılardaki normal sensör kalibrasyonu, standartlaştırılmış veri formatlarını içerir ve koleksiyon noktasında veri doğrulama kuralları uygular.

Data-Driven Optimizasyonunun Faydaları

Büyük veri analizi etkili bir şekilde uygulandığında yardımcı sistemler birkaç fayda elde eder:

Geliştirilmiş Güvenilirlik ve Downtime'yı Azalt

Tahmin edici bakım, kuruluşların planlanan kesintilerde onarımları planladıklarından ziyade planlamaları yapmasına olanak sağlar. ABD Enerji Bölümü, tahmin edilebilir bakım maliyetlerini% 25-30 oranında azaltabileceğini ve% 70-75'i ortadan kaldırır.Veri merkezlerinde, soğutma başarısızlıklarının tahmin edilmesini sağlar.

Enerji Verimliliği ve Maliyet Tasarrufları

Yardımcı sistemler genellikle toplam tesis enerjisinin önemli bir kısmını tüketmektedir - yalnızca ticari binalarda enerji kullanımının% 40'ını hesaplayabilir. Büyük veri analizi aşırı soğutma veya pompa aşırı yükleme gibi verimli işletim rejimlerini tanımlar ve ayarlamaları önerir. Örneğin, değişken-fret sürücüleri (VFDs) gerçek zamanlı yüklere dayanan değişken-frezeme yükleri pompalayan uygulamalarda% 20-50 oranında azaltılabilir.

Genişletilmiş Ekipman Yaşam

Aşırı oyun koşullarından kaçınarak ve bakım aralıklarını optimize ederek, yardımcı bileşenlerin yararlı hayatı artar. Havuzlar, kemerler, mühürler ve piller önerilen parametreler içinde ameliyat edildiğinde daha yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaşlar ve geliştirmeleri sağlar. Analytics, geliştirmeleri için gelişmiş aşınma modelleri tespit edebilir ve felaket hasarlar ortaya çıkabilir.

Geliştirilmiş Güvenlik ve Uyum

Yangın baskı veya acil jeneratörler gibi birçok yardımcı sistemi, güvenlik-könemli rollere sahiptir. Sürekli izleme, düzenleyici test gerekliliklerini karşılamalarını sağlar ve gerektiğinde hazır olun. Analytics ayrıca güvenli bir çalışma koşulları tanımlayabilir - bir kazanda aşırı baskı gibi -ve otomatik kapatma veya alarmlar tetikler.

A yardımcı Sistemlerde Büyük Veri Analytics için Uygulama Adımları

Yardımcı sistemler için büyük bir veri çözümü işe almak, yapılandırılmış bir yaklaşım gerektirir. Aşağıdaki adımlar bir yol haritası sağlar:

Adım 1: Assess Şimdiki Altyapı

Tüm yardımcı sistemleri ve mevcut enstrümantasyon ve bağlantılarını değerlendirin. Ek sensörlerin ihtiyaç duyduğu boşlukları tanımlayın.Veri iletişim ağlarının (tel veya kablosuz) beklenen veri hacimlerini idare edebilir.

Adım 2: Clear Hedefleri Tanımlamak

Belirli, ölçülebilir hedefler – örneğin, bir yıl içinde %15'e kadar planlanmamış veya daha düşük enerji tüketimi, %10'a kadar daha geniş iş ölçümleri ile uyum sağlamalı (OEE) veya toplam mülk maliyeti (TCO).

Adım 3: Veri Platformu ve Araçları seçin

En büyük, mağaza ve işlem akışı ve toplu verilerle ilgili bir veri analizi platformu seçin. Seçenekleri bulut tabanlı platformları AWS IoT Analytics, Azure Stream Analytics veya Google Cloud IoT gibi, Apache Hadoop ve Spark gibi büyük veri çerçeveleri üzerinde de kullanılabilir. daha küçük operasyonlar için, amaç tabanlı yazılımlar için, Siemens Mind veya GE Digital'nin Predix uygun olabilir.

Adım 4: Veri Boru Hattını Oluşturun

Verileri sensörler/kontrolörlerden analitik platforma götüren bir boru hattı oluşturun. Bu, transkript ve geri kalanıyla şifreleyerek verileri şifreleyerek veriyi içerir.

Adım 5: Tahmin edici Modeller Geliştirmek

Veri bilim insanları ve domain uzmanları her yardımcı sistemine uygun modeller geliştirmek için çalışır. Basit modeller (örneğin, eş tabanlı uyarılar) ve yavaş makine öğrenimini kullanarak modeller içerir. Tarihi başarısızlık verileri kullanarak ve doğrulayıcı modeller sınıflandırma (iyi/kötü), zaman zaman zamanlayıcı bellek (LSTM) ağları içerir.

Adım 6: Deploy and Monitor

Yeni veriler olarak pilot bir sistemde analitik çözümü uygulamak. Yeni veriler olarak modeller planlamak. Geri bildirim döngüleri kurmak: Bir tahmin gelecekteki tahminleri geliştirmek için sonucu kaydetmek.

Adım 7: Tren Personeli

Başarılı bir kabul, operatörlerin, bakım teknisyenlerinin ve yöneticilerin analitik çıktıları nasıl yorumlayacağımızı anlamalarını gerektirir. panolar, uyarılar ve önerilen eylemler hakkında eğitim verin. Kararların sezgiye dayalı olarak kanıta dayalı bir kültür.

Meydanlar ve Mitigation Strategies

Potansiyele rağmen, yardımcı sistemlerdeki büyük veri analizlerini uygulamak engellerle gelir. Aşağıda, onlarla ele alınması gereken ortak zorluklar ve yollar vardır:

Data Silos ve Entegrasyon Kompleksi

Birçok kuruluş dijital iletişim yeteneklerine sahip olan miras ekipmana sahiptir. Veriler farklı özel sistemlere dağıtılabilir. Mitigation: Açık protokolleri olan retrofitting sensörleri (örneğin Modbus, CAN otobüs) yükleyin ve protokollerin tercüme edilebilirliği ilk olarak kullanılabilir.

Yüksek İlk Yatırım

Sensör yükseltmeleri, platform lisansları ve yetenekli personel ön sermaye gerektirir. Mitigation: Küçük, yüksek performanslı bir pilot (örneğin, tek bir soğutma sistemi) değer göstermek için. Birçok bulut sağlayıcı ilk maliyetleri azaltan ücretli modeller sunar.

Siber güvenlik riskleri

Ağlara yardımcı sistemler saldırı yüzeyi genişletiyor. Bir uzlaşmacı sensör, operasyonları manipüle etmek veya eski verileri manipüle etmek için kullanılabilir. Mitigation: endüstriyel ağlar, güçlü kimlik doğrulama, şifreli iletişim kullanın ve ISA/IEC 62443 gibi standartları takip edebilir.

Skilled Data Analists

Veri bilimi uzmanlığı ile yardımcı sistemlerin domain bilgilerini birleştirmek nadirdir. Mitigation: Endüstriyel deneyimle ilgili veri bilim insanları veya veri analizinde mevcut mühendislerle sözleşme verileri bilim insanları işe yaramaktadır. Teknik programlama olmadan modeller inşa etmelerine izin veren hiçbir kod platform kullanın.

Model Drift ve Bakım

Zamanla, sistem davranışları giyme, yükseltmeler veya çevresel değişimler nedeniyle değişir, notlama modeli doğruluk. Mitigation: tahmin hatalarının eşiği aştığında otomatik yeniden eğitim hatları oluşturun. Sürekli olarak yanlış pozitif /natif oranları gibi temel ölçümleri izleyin.

Future Trendleri

Büyük verilerin kesişimleri, yapay zeka (AI), ve Nesnelerin İnterneti (IoT) hızla gelişmektedir. Birkaç trend, yardımcı sistemlerin önümüzdeki yıllarda nasıl yönetildiğini şekillendirecektir:

Dijital Twins

Dijital ikiz, gerçek zamanlı durumunu yansıtan fiziksel bir sistemin sanal bir kopyasıdır. Yardımcı sistemler için dijital ikizler, operatörlerin “nasıl” senaryolarını simüle etmesine izin verir - bir pompa hızını değiştirme veya büyük veri ile bir araya getirmeden yeni bir yük eklemeye yardımcı olur.

Edge Analytics ve 5G

Latency-sensitive applications, yüksek hızlı dönen ekipman için gerçek zamanlı vibrasyon analizi gibi, veri kaynağına yakın işlem gerektirir. Edge Analytics, 5G'nin düşük gecikmeli gecikmeli gecikmeli gecikmelere izin verecektir, hemen anomaly algılama ve otomatik olarak doğrulayıcı eylemler bulut bağımlılığı olmadan.Bu bant genişliği maliyetleri azaltır ve yanıt süreleri geliştirir.

Açıklanabilir AI (XAI)

Tahmin edici modeller daha karmaşık hale gelirken, şeffaflık operatörlerin ve düzenleyicilerden güvenmek gerekir. XAI teknikleri tahminler için neden sağlar - örneğin, “failure, son saat içinde% 30 artış gösterdi ve önerilerde bulunmaya yardımcı olur.

Kendi kendini kınayan sistemler

Daha ileri bakmak, gelişmiş kontrol ile birlikte büyük veri analizi, otonom düzeltici eylemleri etkinleştirebilir. Örneğin, bir soğutma sistemi otomatik olarak fan hızlarını ve kapak pozisyonlarını insan müdahalesi olmadan aşırı ısıtmayı önlemek için ayarlar, gerçek zamanlı olarak kendini iyileştirebilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Büyük veri analizi artık bir futuristik konsept değildir; bu, üretim, veri merkezleri, ulaşım, enerji ve binalardaki yardımcı sistemlerin performansını önemli ölçüde geliştirebilecek pratik bir araçtır.Reaktif olarak bakım elde ederek, kuruluşlar daha yüksek güvenilirlik, daha düşük maliyetler, daha iyi enerji verimliliği elde edebilir ve gelişmiş güvenlik sağlar.

Yolculuğun, belirli yardımcı sistemlerini el altında anlamak, ölçülebilir hedefleri tanımlamak ve doğru analitik platformu seçmekle başlar.Ancak, dikkatli planlama ve artımlı dağıtım ile ilgili olarak kullanılabilirler.For organization ready to kucaklamak için hazır, ödemeoff tangible: daha akıllı, son daha uzun ve birincil işlemleri daha güvenilir bir şekilde desteklemek.

Endüstri bağlamda büyük veri analizi hakkında daha fazla bilgi edinmek için, [[Üyetim:0)U.S. Enerji'nin Gelişmiş Üretim Ofisi) tarafından yapılan ve verileri yardımcı bir sistem için harekete geçmeye yardımcı olan teknolojiler).