Не всякое производство может себе позволить масштабное переоборудование. Степень износа и постоянные поломки влияют на планы выпуска продукции. Компромиссное решение — создание системы сбора данных с оборудования для предиктивной аналитики и прогнозирования сроков технического обслуживания. Такую задачу мы решали в рамках проекта информационно аналитической системы с машинным обучением. Второстепенной задачей было «обогащение» системы данными с контрольных точек.
Я в своих проектах придерживаюсь гибкого итерационного подхода. Такая практика позволяет реализовывать проекты в условиях большой степени непредсказуемости факторов, которые могут повлиять на ход самого проекта. Хорошо себя зарекомендовала методика создания прототипа или «пилотного» проекта.
В качестве прототипа мы взяли кофеварку и оборудовали её датчиками
Следующим шагом реализовали интерфейс сбора и визуализации данных с единицы оборудования (кофеварки)
Для оперативного наблюдения за процессом работы сделали дашборд и заварили кофе собирая данные с множества контрольных точек. Над переводом в метрические единицы и интерпретацией пока не думали.
Таким образом мы прошли первый шаг на пути к внедрению среды сбора данных технологического базиса индустриального интернета вещей
Аппаратная часть системы – это система датчиков, которая позволяет собирать индустриальные данные и поставлять их в потоковом виде в информационную систему.
Дальнейшие работы планировались по следующему сценарию:
- Оборудовать существующие производственные линии/тех.процессы датчиками, позволяющими собирать максимально возможное количество данных о потреблении энергии, нагрузке на оборудование, использовании ресурсов.
- Соединить датчики с программируемыми логическими контроллерами (ПЛК), которые опрашивают датчики, собирая данные, буферизирует промежуточные показатели и записывает в базу данных.
- Соединить базы данных и аналитическое программное обеспечение, чтобы анализировать использования ресурсов, износ оборудования и его эффективность.
Данное решение нельзя причислить к классу автоматизированных систем управления технологией производства (АСУ ТП) или SCADA системам, так как там нет управляющего воздействия на сами агрегаты и оборудование. Но анализ статистики позволит отслеживать амортизацию оборудования и количественно понимать эффективность производства, что позволит сокращать издержки, экономнее использовать ресурсы и предотвращать выход оборудования из строя. Это важный шаг по предиктивной аналитике на производстве.