gedis titulnyAnalýza údajov a umelá inteligencia sú kľúčové technológie v súčasnom úsilí o digitalizáciu priemyselných odvetví. Spoločnosti však stále čelia veľkým výzvam pri ich použití vo výrobnom – prevádzkovom procese.

Stále sofistikovanejšie algoritmy sa používajú na pomoc pri ľudskej činnosti, a to nielen pri prediktívnych úlohách, ale aj pri skutočných rozhodnutiach, ktoré ovplyvňujú operatívu, výrobu a zamestnancov. Jedna z najväčších výziev je nevyhnutnosť zapojenia mnohých rôznych zainteresovaných strán, ako sú IT špecialisti, inžinieri, dátoví vedci a manažment. To si vyžaduje komunikáciu medzi ich oddeleniami.

Digital Twin – Digitálne dvojča
Analýza dát vo výrobných systémoch spája matematiku a štatistiku, informatiku a príslušnú špecifickú oblasť použitia. Digitálnu reprezentáciu ako výňatok z reality opisuje digitálne dvojča. Digitálne dvojičky môžu byť skutočnou platformou na inovácie a ponúkajú príležitosti na zvýšenie produktivity a zvýšenie hodnoty spoločnosti. Hoci pojem digitálne dvojča nebol formálne definovaný, ako súčasť medzinárodného štandardu a v priemyselnom kontexte existuje niekoľko definícií. Definícia technickej komisie ISO/TC 184 – Automatizačné systémy a integrácia by mala slúžiť ako úvod k ďalším úvahám:

Digital Twin – Digitálne dvojča je užitočná digitálna reprezentácia realizovaných vecí alebo procesov so schopnosťou umožniť konvergenciu medzi realizovanou entitou a digitálnou entitou s vhodnou rýchlosťou synchronizácie [1].
Okrem toho možno konštatovať, že je virtuálna, dynamická reprezentácia fyzických artefaktov alebo procesov a že dáta sa automaticky a obojsmerne vymieňajú medzi digitálnym dvojčaťom a fyzickým artefaktom alebo procesom [2]. Na základe toho možno definovať procesné digitálne dvojča pre procesy a procesné toky:

Process Digital Twin je inteligentná príprava a vyhodnotenie existujúcich a aktuálnych procesných dát na vytvorenie informačného modelu [3].
Táto technológia predstavuje inovatívny prístup na interpretáciu procesných tokov. Po predspracovaní údajov sa vytvoria modely a vzápätí sa vyhodnotia. Použité Process Digital Twins mapujú všetky dáta, ktoré vznikajú počas výrobného procesu a poskytujú informácie o výkonových hodnotách a odchýlkach v jednotlivých výrobných krokoch a počítajú výhľadové prognózy. Výsledky vo všeobecnosti vedú k lepšiemu pochopeniu procesov a operácií vybranej oblasti. Toto lepšie pochopenie môže byť potom použité na zlepšenie modelovania. Proces sa opakuje dovtedy, kým model nepovažuje problém za dostatočne reprezentatívny. Potom sa model použije v kontexte aplikácie. Tento článok je zameraný na zmapovanie jednotlivých procesov a úsekov výrobných sekvencií.

Metódy analýz
Analýza sa týka procesu transformácie údajov na kontextové a spoľahlivé informácie, aby sa na ich základe mohli robiť rozhodnutia. Existuje niekoľko spôsobov ako správne využiť údaje. Ktorú metódu si vyberiete, závisí od aktuálnej úlohy a od informácií, ktoré chcete získať zo súboru údajov. Ak chcete vysvetliť, čo sa stalo a prečo, sú veľmi užitočné deskriptívne a diagnostické analýzy. Ak sa otázky týkajú skôr toho, čo sa môže stať v budúcnosti, zvážte použitie prediktívnej a preskriptívnej analýzy. Aplikácie možno charakterizovať štyrmi typmi analýzy údajov: deskriptívnej, diagnostickej, prediktívnej a preskriptívnej. Obr. 1 poskytuje prehľad štyroch typov analýzy údajov [4].

Obr 1 Príležitosti prostredníctvom analýzy
Obr. 1: Príležitosti prostredníctvom analýzy [4]

Šírka pásma techník a procesov analýzy údajov siaha od deskriptívnych diagnostických metód na reaktívne rozhodovanie až po sofistikované predpovede a optimalizácie na proaktívne rozhodovanie. Zatiaľ čo jednoduchšie procesy sú stále známe pod názvom Operational Intelligence, termín Advanced Analytics sa etabloval pre prediktívne a preskriptívne analýzy. [5, 6].

Operational Intelligence – diagnostika na reaktívne rozhodovanie
Operational Intelligence je forma dynamickej analýzy údajov v reálnom čase, ktorá poskytuje transparentnosť a prehľad procesov a postupov. Ide o prístup k analýze strojovo generovaných údajov, ktorý umožňuje prijímať rozhodnutia a činnosti na základe generovaných a zozbieraných údajov v reálnom čase [7]. Zahŕňa procesy deskriptívnej a diagnostickej analýzy.
V kontrolovanom režime fungujú systémy na základe údajov, ktoré si ľudia vyberajú na základe ich charakteristík a ich známeho vplyvu na výsledok. V tomto prípade inteligenciu poskytujú najmä ľudia. Systémy potom využívajú predovšetkým na svoje výpočtové služby založené na správe a kombinácii údajov. Aplikácie sú primárne zamerané na zamestnancov, ktorí pracujú v blízkosti procesu, môžu prijímať informovanejšie rozhodnutia alebo rýchlejšie reagovať na problémy vďaka prístupu k aktuálnym údajom.

Deskriptívna analytika (Opisná) je skúmanie prichádzajúcich dát na účely kontrolných opatrení a varovaní. Pomocou deskriptívnej analýzy môže spoločnosť urobiť svoje údaje prehľadnejšími a určiť, čo sa stalo v predchádzajúcom období. Hlavnými komponentmi sú štandardné správy na krátkodobé ciele (Čo sa stalo? Kedy sa to stalo?) A správy ad hoc na riešenie problémov (Koľko? Ako často? Kde?).
Najjednoduchší a najrýchlejší spôsob ako preskúmať údaje, je použiť frekvenčné tabuľky a stĺpcové grafy. Pomocou funkcie kontingenčnej tabuľky v exceli možno napríklad zobraziť veľké množstvo informácií.

Diagnostická analytika je inteligentná analýza dát na identifikáciu vzorcov a príčin. S ňou sú možné komplexnejšie analytické otázky na analýzu základných príčin (root cause analysis) a stratifikáciu (Kde presne je problém? Ako nájdem odpoveď? Aká je príčina danej situácie?).
Detekcia anomálií sa používa na aplikácie, kde je dôležité zistiť odchýlku od očakávaného vzoru, pričom existuje viacero scenárov. Autonómne postupy detegujú anomálie v súbore neoznačených testovacích dát s predpokladom, že väčšina prípadov v súbore dát je normálna, na rozdiel od prípadov, ktoré sa zdajú byť s minimálnou pravdepodobnosťou zhodné so zvyškom súboru dát.
Chybové hlásenia sú alarmy pri prekročení limitných hodnôt, napr. teplôt, napätia, prúdov atď., pri ktorých nehrozí bezprostredné nebezpečenstvo. Prekročenie limitov na preddefinované procesy poskytuje spätnú väzbu v reálnom čase (Kedy mám reagovať? Aké akcie sú teraz potrebné?).

Štatistická analýza zahŕňa korelačnú, diskriminačnú a regresnú analýzu. Korelačná analýza skúma závislosť dvoch premenných alebo charakteristík a poskytuje informácie o ich vzťahu. Diskriminačná analýza je metóda mnohorozmerných postupov, ktorá sa používa na rozlíšenie medzi dvoma alebo viacerými skupinami, ktoré sú opísané niekoľkými charakteristikami (tiež premennými). Regresná analýza počíta či jedna alebo viac nezávislých premenných ovplyvňuje závislú premennú. Pomocou týchto metód analýzy možno dať odpovede na otázky, prečo sa niečo stalo, a ktoré možnosti sa nevyužili.

Proficy CSense – kontinuálne, diskrétne a dávkové nástroje na riešenie problémov
Proficy CSense je softvérový framework používaný na priemyselné analýzy so schopnosťou získavať poznatky z historických údajov a rýchlo vyvíjať, testovať a používať jednoduché výpočty, prediktívne analýzy, ako aj optimalizačné a riadiace riešenia. Výkon je založený na Process Digital Twin. To umožňuje inžinierom predvídať a predchádzať problémom a optimalizovať procesy. Vďaka kombinácii strojového učenia a analýzy dát možno Proficy CSense použiť na vývoj digitálnych dvojčiat na výrobné prevádzky, siete a procesy. Kombinácia digital process twin a pokročilej analýzy pomôže zvýšiť produktivitu, znížiť prestoje fabriky a znížiť variabilitu produktov [8].

Obr 2 Vizuálne znázornenie údajov
Obr. 2: Vizuálne znázornenie údajov

Modul Proficy CSense Troubleshooter umožňuje rýchle odstraňovanie problémov nepretržitých, diskrétnych alebo dávkovo orientovaných procesov skúmaním výrobných dát z rôznych historických zdrojov dát. Dáta sú spracované a vizualizované tak ako je znázornené na obr. 2 (histogram s limitmi, diagram rozptýleného mraku, trendové čiary a štatistika procesov). Možno vytvoriť modely procesov založené na pravidlách a dátach. Poznatky získané z týchto modelov umožňujú odhadnúť prínos navrhovaných zmien procesov len niekoľkými kliknutiami.

Obr 3 Rozhodovací strom na automatickú klasifikáciu dátových objektov
Obr. 3: Rozhodovací strom na automatickú klasifikáciu dátových objektov

Obr. 3 zobrazuje stavebné bloky rozhodovacieho stromu s diagramom vplyvu a distribučnými cestami na automatickú klasifikáciu dátových objektov. S takto modelovaným systémom sa identifikujú príčiny odchýlok procesu, takže procesy sú korigované, aby produkovali konzistentný produkt s optimálnymi nákladmi [9].

Advanced Analytics – predikcia a optimalizácia na proaktívne rozhodovanie
Advanced analytics je metóda analýzy dát, ktorá využíva modelovanie, algoritmy strojového učenia, hlboké učenie, automatizáciu procesov a ďalšie štatistické metódy na analýzu z rôznych zdrojov dát [10]. Zahŕňa metódy prediktívnej a preskriptívnej analytiky.
Advanced analytics využíva vedu o údajoch nad rámec tradičných metód prevádzkovej inteligencie na predpovedanie vzorov a odhad pravdepodobnosti budúcich udalostí. To umožní byť vo výrobnom procese pohotovejší a výrazne zvýšiť presnosť pri rozhodovaní.

Pomocou predictive analytics (prediktívnej analýzy) možno predpovedať a zobraziť predchádzajúce pozorovania. Udalosti sa predpovedajú na základe empirických údajov o minulom správaní. S vedomosťami získanými z deskriptívnej a diagnostickej analýzy možno predikčnú analýzu použiť na identifikáciu tendencií alebo možných výnimiek, ktoré umožňujú konkrétnu predpoveď. Snaží sa odpovedať na otázku: čo sa pravdepodobne stane?
Rozpoznávanie vzorov analyzuje prichádzajúce dáta a pokúša sa rozpoznať vzory. Zatiaľ čo exploratívne rozpoznávanie vzorov sa zameriava na rozpoznanie dátových vzorov vo všeobecnosti, deskriptívne rozpoznávanie vzorov sa začína kategorizáciou vzorov. Rozpoznávanie vzorov sa preto zaoberá oboma scenármi a používajú sa rôzne metódy v závislosti od aplikácie a formy dát. Rozpoznávanie vzorov a rozhodovacie schopnosti sú základom tvorby predpovedí (Čo ak tieto trendy budú pokračovať? Koľko je potrebné? Kedy?)
Cieľom predpovedných modelov je vedieť včas a lepšie posúdiť budúce udalosti. Také vedomosti sú rozhodujúcou výhodou, najmä ak sú pracovné postupy a procesy zložité. Čím je predpovedný model diferencovanejší, tým presnejšie bude predpovedať. Na získanie spoľahlivých predpovedí nie je vždy potrebné vyhodnocovať čo najviac dát – viac dát automaticky neznamená lepšiu kvalitu predpovedí. Prognózy a rozhodnutia založené na dátach zahŕňajú možný budúci vývoj (Čo sa stane ďalej? Ako to ovplyvní moje procesy? Kedy je pravdepodobné, že to, čo možno očakávať, sa stane?)

Prescriptive analytics (Preskriptívna analytika) zahŕňa odporúčanie optimálnych opatrení na základe prediktívnej analýzy. Všetky doterajšie pozorovania a predpovede sú skvelé, ale ako z nich môžeme vyvodiť konkrétne kroky? Nie je to len o predpovediach. Najlepšie by sme na tieto signály reagovali priamo. Pomocou preskriptívnej analýzy vytvárame konkrétne rady o tom, čo by sa malo stať až po priamu implementáciu.
Online optimalizácia slúži na nepretržité sledovanie procesu a predikciu optimálnej sekvencie podľa modelu. Zahŕňa softvér založený na modeli, ktorý využíva plne automatizovanú adaptívnu spätnú väzbu s inteligentnými systémami na riadenie procesu.
Výsledky optimalizačného softvéru môžu byť prezentované operátorovi vo forme podpory rozhodovania alebo automaticky nastavené ako nový cieľ na stratégiu podriadeného riadenia (Prečo sa niečo stane? Aké je najlepšie rozhodnutie na komplexný problém? Aké opatrenia musíme prijať, aby sme tomu zabránili?).

Obr 4 Grafické blokovo orientované programovanie pre optimálne riadenie
Obr. 4: Grafické, blokovo orientované programovanie pre optimálne riadenie

Proficy CSense – Architekt a Run-time
Ako je znázornené na obr. 4, komplexná vývojová platforma modulu Architect ponúka komponenty drag-and-drop na rýchly vývoj škálovateľných, robustných riešení. Tieto riešenia potom môžu byť dodávané online buď v reálnom čase alebo ako plánované udalosti prostredníctvom správcu akčných objektov – Action Object Manager. Riešenie je vo všeobecnosti vyvinuté z kombinácie návodov na prípravu dát, návrhu akcií s údajmi a spôsobu mapovania dát na opätovné použitie buď v Action Object Manager alebo v rôznych iných aplikáciách tretích strán.
Action Object Services sa používajú na poskytovanie a vykonávanie akcií objektov. Skutočnou aplikáciou použitou na nasadenie je správca akcií objektov (Action Object Manager). Ponúka rýchly spôsob poskytovania a monitorovania. Action Object je názov konfigurácie, ktorá môže byť vytvorená a sprístupnená z niekoľkých zdrojov. Vykonávajúcim akčným objektom môže byť napríklad OPC server, ktorý možno pripojiť z OPC klientov. Existujú akcie objektov založené na dátach v reálnom čase, plánované, prípadne podmienené nejakou udalosťou.
Pokročilí používatelia môžu použiť súpravu Action Object Toolkit na vytváranie blueprint plánov a akcií objektov. Tieto môžu byť vytvorené v ľubovoľnom počte aplikácií tretích strán a integrované so softvérom Proficy CSense. Zahrnuté sú tieto podkomponenty: Blueprint SDK, COM Wrapper Blueprint Block,.NET Wrapper Blueprint Blocks,.NET Wrapper Data Recipe Operations a ISV Object [9].

Zhrnutie
Výzvou je integrovať špičkové technológie umelej inteligencie s pokročilými výrobnými technológiami a systémami na zlepšenie kvality produktov a procesov. Na to sú k dispozícii výkonné softvérové riešenia ako Proficy CSense a existuje už veľa úspešných príkladov ich použitia [11]. Je dôležité, aby stredobodom umelej inteligencie bola ľudská bytosť pri vývoji, prevádzke a udržiavaní umelej inteligencie, a preto by mali spolupracovať v optimálnej komplementarite. To si vyžaduje nové zručnosti ľudí, ako sú dátoví vedci, experti na vnímanie, bezpečnostní analytici a kreatívni mechanici – inžinieri podporovaní celoživotným vzdelávaním ako súčasť koncepcie firmy na vzdelávanie a napredovanie v odbornosti a profesionalite.

text/foto Thomas Schulz

Literatúra:
[1] ISO/TC 184: Ad Hoc Group: Data Architecture of the Digital Twin, Version 1 Revision 8. Geneva: International Organization for Standardization (ISO),
July 07, 2019.
[2] grief, Jacob; Schweigert-Recksiek, Sebastian; Engel, Christian; Spreitzer, Karsten; Zimmermann, Markus: What is a digital twin? – Definitions and insights from an industrial case study in technical product development. In: Proceedings of the Design Society: DESIGN Conference, 2020, No. 1, pp. 757-766.
[3] Werth, Dirk; Linn, Christian: The digital process twin. From the classic business process model to the controllable, digital image of the real process. In: Trade magazine IM + io, 2017, No. 1, pp. 38-43.
[4] Linden, Alexander; Kart, Lisa; Schulte, W. Roy: Extend Your Portfolio of Analytics Capabilities. Gartner research note G00254653, September 23, 2013. https://www.gartner.com/doc/2594822/extend-portfolio-analytics-capabilities (accessed on October 11, 2021).
[5] SAS Institute: Eight Level of Analytics, sascom magazine, fourth quarter 2008.
[6] Bauer, Per: IT service optimization according to the maturity model. Otterfing: IT Verlag für Informationstechnik GmbH, October 5th, 2015, https://www.it-daily.net/it-management/business-software/11532-it-serviceoptimierung-nach-dem-reifegradmodell (accessed on October 11, 2021).
[7] The Splunk Guide to Operational Intelligence. Turn Machine-Generated Data Into Real-Time Visibility, Insight and Intelligence. White paper. San Francisco, CA: Splunk Inc. File: /// C: /Users/thm_s/Downloads/splunk-guide-to-operational-intelligence.pdf (accessed October 11, 2021).
[8] Proficy CSense 8.5 from GE Digital. GE Digital San Ramon, California, August 2021, https://www.ge.com/digital/sites/default/files/download_assets/proficy-csense-from-ge-digital.pdf (accessed October 11, 2021).
[9] Proficy CSense 8.0. Getting started. GE Digital, San Ramon, California, December 2020. https://www.ge.com/digital/sites/default/files/download_assets/getting-started-with-csense.pdf (accessed October 11, 2021).
[10] Chae, Bongsug (Kevin); Yang, Chenlung; Olson, David; Sheu, Chwen: The impact of advanced analytics and data accuracy on operational performance: A contingent resource based theory (RBT) perspective. In: Decision Support Systems, vol. 59, March 2014, pages 119-126.
[11] Machine Learning and Predictive Analytics Guidebook for Engineers. GE Digital, San Ramon, California, September 2021. https://www.ge.com/digital/lp/machine-learning-and-predictive-analytics-guidebook-engineers (accessed October 11, 2021).