Во время моего путешествия вместе с нашими клиентами по цифровому преобразованию я получаю много вопросов. В настоящее время я столкнулся с новым вызовом:
“Как я могу доверять своим данным?”
Вопрос от наших клиентов прост и чрезвычайно значим. С внедрением новых технологий, таких как машинное обучение (ML) и в долгосрочной перспективе искусственный интеллект (AI), мы становимся все более зависимыми от наших технологических данных.
Как мы узнаем, что собранные данные процесса верны? Что делать, если есть какая-то ошибка измерения? Некоторые неточности в измерениях? Мы действительно собрали все данные? Как только данные попадают в “систему”, они часто считаются правдивыми и больше не проверяются.
Альтернативной формулировкой доверия является целостность, если говорить более конкретно, целостность данных. Целостность данных означает полноту, точность и согласованность данных. В фармацевтической промышленности уже сейчас очень важно, чтобы конечная продукция соответствовала требуемым стандартам качества. Целостность данных является достаточно новой для обрабатывающей промышленности, но, как уже упоминалось выше, становится все более важной.
Валидация технологических данных
Проверка данных процесса начинается с измерительного устройства. Надежность и целостность данных измерений может быть повышена путем
Вариант № 1: использование нескольких датчиков для одного и того же измерения или
Вариант № 2: использование проактивной диагностики датчиков.
Множественные датчики
Традиционные, множественные датчики часто не подходят из-за финансовых ограничений. Если это не касается безопасности, компании не принимают решения о покупке нескольких датчиков для измерения. Причина такого решения проста: Проводной передатчик (стоимость: 500 евро), подключенный, настроенный в системе управления и доступный для различных пользователей, заканчивается общей стоимостью 5000 евро или даже выше.
Но за углом нас ждет поворотный момент. Повышение надежности данных измерений изменится с появлением устройств Industrial Internet of Things (IIoT) с простой установкой и подключением. Как будет выглядеть будущая ситуация? Представьте себе, что все манометры заменяются устройствами IIoT, подключаются через LoRaWAN к облаку и доступны пользователям напрямую. Таким образом, данные могут быть легко проверены с помощью многократных измерений экономически эффективным способом.
Диагностика датчиков
Существующая альтернатива – профилактическое техническое обслуживание. Технология проактивного технического обслуживания доступна уже давно, особенно после внедрения системы управления типами устройств (DTM) / технологии полевых устройств (FDT). Однако переход от профилактического обслуживания к профилактическому является изменением культуры, а не техническим изменением. Я видел, как многие компании покупали системы технического обслуживания оборудования для того, чтобы иметь доступ к DTM полевых устройств, но я видел лишь несколько компаний, которые смогли произвести реальные культурные изменения и активно использовать системы технического обслуживания оборудования. Я твердо убежден, что проактивное техническое обслуживание – это будущее благодаря управлению надежностью, безопасностью и, конечно же, целостностью данных.
После того, как полевое устройство обнаружит ошибку, система управления процессом все равно будет собирать данные и передавать их в систему архивации данных. Как только данные попадают в систему архиватора, становится все труднее проверить целостность данных. Это может быть частично решено с помощью флага качества. В системе управления могут быть определены плохие, подозрительные или хорошие условия передачи данных. Данные за пределами диапазона могут рассматриваться как плохие, данные с определенными аварийными сигналами могут считаться подозрительными, а данные, находящиеся вне диапазона, – как хорошие. Этот флаг качества может быть добавлен к каждой передаче данных для проверки данных в системе архивации данных.
Производственный учет
Третий способ проверки целостности данных на уровне датчиков – учет производства или учет урожая. В основе этих систем лежит модель баланса масс, состоящая из узлов и соединений, которые представляют всю площадку, включая технологические узлы, резервуары для хранения и все потоки, которые являются частью движения продукта. Входные данные в систему производственного учета поступают автоматически из нескольких источников, таких как системы управления технологическими процессами, системы архивирования данных, лабораторные системы управления информацией и автоматизированные танковые измерительные приборы. Как только все данные поступят в систему, с помощью модели и сложных математических процедур можно будет обнаружить дисбаланс массы. В большинстве случаев эти диспропорции относятся к неправильным или неточным измерениям. Если система учета добычи используется ежедневно, то техническое обслуживание будет получать ежедневные инструкции в отношении полевых устройств, что может привести к неправильным измерениям. Калибровка или ремонт этих полевых устройств приводит к более точным измерениям, которые, конечно, повышают целостность данных.
Целостность данных требует смены ума
Хотя целостность данных существует уже давно, она приобрела еще большее значение в связи с использованием данных для различных целей. Технология повышения целостности данных доступна, теперь только культура должна измениться, чтобы это произошло. Вы чувствуете, что готовы к переменам?
