Jste zde

Problematika statistického vyhodnocení dat automatizované výroby

Stále více automatizované stroje a linky generují stále více signálů a digitálních dat. Proč je tedy mimo proces řízení současně nevyužít i pro plánování? Stále více firem nabízí cloud aplikace nebo software i s prvky umělé inteligence pro sběr, analýzu a vyhodnocení těchto dat s možností prezentace, predikce a plánování.

Data a informace na každém kroku

Stále více je v oblasti průmyslu akcentováno co nejúčelnější využití stále většího množství informací, které poskytuje rostoucí úroveň automatizace, konkrétně stále více dat získaných z velkého množství senzorů. Postupná rostoucí úroveň automatizace linek nutně znamená i rostoucí počet senzorů ve všech aspektech výroby. Bez senzorů není možné účinně provádět řízení, a proto jejich počet všeobecně rok od roku roste. Byť na první pohled nemusí být vidět, jsou u moderních automatizovaných systémů prakticky všude.

Každý moderní elektromotor / elektropohon řízený frekvenčním měničem obsahuje měření aktuálního napětí, el. proudu, el. výkonu, rychlosti otáčení, v mnoha případech i přímo teplotu motoru. V případě, že je osazen i senzorem vibrací, poskytuje informaci i o úrovni kvality / opotřebení točivých částí (ložisek). Každý průtokoměr lze využít nejen pro počítání prošlého množství nebo okamžité regulace průtoku, ale z dlouhodobého pohledu i například k vyhodnocení rychlosti či prostojů výroby. Každý hladinoměr může sloužit nejen k regulací výšky, ale ve vyhodnocení jeho dat i ke kalkulaci průběhu množství použitého či naskladněného materiálu, účinnosti doplňování apod. I každý jednotlivé čidlo polohy lze mimo řízení pohybu produktů či zařízení využít i ke kalkulaci výkonu výrobní linky, četnosti průchodů produktů či pohybu částí strojů a využít k vyhodnocení finančních nákladů výroby či zjištění opotřebení součástí výrobní linky a tedy i efektivní přípravy údržby (tzv. prediktivní údržba). Navíc nasazování senzorů s IO-Link digitální komunikací často poskytuje mimo primárních měřících informací (vzdálenost, výška, průtok, teplota, vlhkost apod.) i další přídavné informace, jako počet provozních hodin či dobu zapnutí, vlastní provozní teplotu, četnost chybových hlášení apod. Všechny tyto informace lze mimo samotné bezprostřední řízení provozu linky či zařízení ještě při vhodném statistickém vyhodnocení využít k "manažerským účelům", tedy zpětné analýze chodu výroby a i predikci / odhadu možností výroby, spotřeby nebo oprav v blízké budoucnosti.

Prostě krátce shrnuto, ukládáním informací putujících do řídícího systému výrobní linky ještě "jaksi" bokem, mimo samotné automatické zajištění chodu linky, a jejich průběžné či následné statistické vyhodnocení může přinášet zajímavé výsledky pomáhající k následným manažerským rozhodnutím typu "co dál".

Turck Industrial Cloud: https://www.turck.de//en/industrial-cloud-9887.php

Možnosti statistického vyhodnocení

V zásadě lze statistické vyhodnocení naměřených dat se senzorů výrobních strojů, zařízení či linky zhruba rozdělit na:

  • krátkodobé vyhodnocení - poskytující okamžité informace i přesnosti, jakosti, výkonu a kvalitě výroby vhodné zejména pro aktuální kontrolu a optimalizaci výroby,

  • dlouhodobé vyhodnocení - ukazující nejen dlouhodobý výkon zařízení a linky nebo celkové spotřeby materiálů, ale i celkové výsledky úspěšnosti a kvality výroby či opotřebení strojů. To může být důležité zejména pro dlouhodobá strategická manažerská rozhodnutí a dlouhodobé plánování nejen výroby, ale i dalších investic.

Základní krátkodobá i dlouhodobá statistické vyhodnocení dat strojů a linky jsou již dnes poměrně běžné a buď jej provádění a ukazují přímo HMI panely strojů nebo jsou v případě různých řídících center a velínů implementovány do vizualizačních / ovládacích systémů. Přidanou hodnotu pak mohou však mít stále často opomíjené různé složitější statistické vyhodnocení, které zde označuji jako "rozšířené", a které prezentují postupný vývoj či změnu vývoj jednotlivých základních vyhodnoceních v časové nebo frekvenční oblasti.

Tyto ukazatele mohou například poukázat působení různých okolních vlivů (jako například vliv roční doby / okolní teploty, délek směn atd.) na výrobní přesnosti či výkon linky, termíny údržby, četnost havárií způsobené nevhodnou obsluhou apod.

Základní krátkodobé statistické vyhodnocení dat (v desítkách sekund a minut):

  • Klouzavý průměr - aktuální průměrná hodnota veličiny v krátkém časové úseku pro aktuální vyhodnocení pro okamžité vyhodnocení rychlosti a kvality výroby.

  • Gradient (strmost nárůstu/poklesu) - aktuální strmost změny měřené veličiny pro okamžité vyhodnocení kvality nebo rychlosti změn ve výrobě.

  • Krátkodobé minimum / maximum - aktuální krátkodobě dosažené nejmenší a největší hodnoty měřených veličin pro okamžité vyhodnocení funkce zařízení a kvality výroby.

  • Prodlení / zpoždění - časové prodlevy / čekací časy mezi měřeními či aktivacemi senzorů ukazující na aktuální vytížení strojů / linky.

Základní dlouhodobé statistické vyhodnocení dat (za směnu, den, týden, měsíc, rok apod.):

  • Celková suma - dlouhodobý součet celkového množství měřených veličin pro zjištění celkové spotřeby nebo prošlého množství materiálu.

  • Četnost - počet změn nebo rozdílů stavů senzorů či výstupů detekčních zařízení pro vyhodnocení počtu cyklů strojů, vytížení jednotlivých částí linky (průchodů produktů jednotlivými stroji a dopravníky), počtu dobrých nebo defektních (vyřazených) výrobků, počtu alarmů či výpadků linky apod.

  • Frekvence / perioda -  frekvence nebo časová perioda změn stavů nebo  naměřených hodnot vhodná pro vyhodnocení celkového výkonu linky nebo jednotlivých jejích sekcí, rychlosti operací, pohybů a taktů strojů apod.

  • Celkové minimum / maximum - nejmenší a největší hodnota sledovaných veličin v daném období pro kontrolu kvality výroby, výpadků apod.

  • Aritmetický průměr / Střední hodnota - průměrné hodnoty měřených veličin za dané období pro zjištění průměrné kapacity a přesnosti výroby.

  • Rozptyl / Směrodatná odchylka - informace nakolik se od sebe navzájem liší či nakolik jsou podobné jednotlivé případy naměřených hodnot od jejich střední hodnoty či aritmetického průměru pro zjištění kolísání nebo nepřesností výroby a měření.

Rozšířené dlouhodobé statistické vyhodnocení dat:

  • Vývoj četnosti v čase - časový průběh změn stavů senzorů, počtu prošlých produktů, počtu operací, alarmových hlášení apod. v závislosti na provozní době či ročním období ukazující na výkon nebo poruchovost a prostoje linky či stroje.

  • Vývoj sumy v čase - vyjádření průběhu postupných změn přírůstků množství měřených veličin v čase ukazující vývoj produkce nebo spotřeby.

  • Vývoj měřených veličin v čase - časový průběh jednotlivých měřených veličin, např. změn dopravního či výrobního výkonu linky, teploty, vlhkosti, vibrací, přesnosti atd. ukazující například na změny či kolísání výrobních podmínek.

  • Trend - dlouhodobý směr průběhu měřených veličin a k jaké cílové hodnotě směřují z pohledu predikce nákladů, spotřeby materiálů, vytížení výrobních strojů apod.

  • Frekvenční charakteristika - frekvenční závislost měřených hodnot, například pro vyhodnocení kolísání výkonu linky nebo taktů strojů, frekvence výskytu závad, chybových hlášené či výpadků strojů.

SensDesk: http://sensdesk.com .

Cloudové a serverové vyhodnocovací softwary

Jestliže moderní senzory mohou chrlit až mnoho tisíc údajů během každé minuty, tak již není v lidských silách provádět nějaké statisticky vyhodnocení "ručně" v běžném PC, například pomocí EXCELu nebo podobného nástroje. Na tyto aplikaci již je nutné použít specializovaná softwarová řešení, které nejen provedou předem nadefinovaná vyhodnocení a i následnou přehlednou prezentaci či export hotových hodnot a grafů, ale současně zajistit i příjem, správné roztřídění dat z jednotlivých senzorů a měřících míst a jejich spolehlivé uložení / archivaci. Takové softwarové systémy s obvykle označují jako "Výrobní informační systémy MES" (z anglického Manufacturing Execution Systems), "Podnikové informační systémy ERP" (z anglického Enterprise Resource Planning), "Manažerské Informační systémy MIS", nebo i jako "Cloud computing".

Moderní MES a ERP softwary mimo analýzu a zobrazení výsledků již také mohou mít implementovány určité režimy umělé inteligence (AI), která po prvotním naučení, jaké změny a stavy má sledovat, bude již sama vyhledávat významné změny v parametrech a charakteristikách a hned na ně výrazně upozorňovat. Například, když automaticky vyhodnotí postupný dlouhodobý nárůst teploty či vibrací některého z pohonů dopravníků či strojů jako již příliš problematickou / rizikovou změnu, software již sám navrhne naplánovat či rovnou přímo sám naplánuje servis v co nejbližší době (v urgentních situacích) nebo v budoucí odstávce (v méně urgentních problémech).

Espera-Werke GmbH: http://www.espera.de

Podobné softwary již postupně začíná v nějaké formě nabízet většina celosvětových / nadnárodních velkých výrobců automatizační techniky, strojů a průmyslových komponent, ale také i specializované IT firmy. Výhodou systémů od výrobců zařízení či senzorů je přímá optimalizovaná a odladěná struktura pro svoje prodávané produkty, což obvykle znamená jednodušší zprovoznění i levnější náklady na pořízení či provoz služby. Softwarové systémy od na tuto problematiku specializovaných IT společností jsou pak obvykle zcela univerzální a lze je použít s různými komponentami (zařízeními, stroji, senzory), ale jejich zprovoznění je obvykle náročnější i výrazně finančně náročnější, jak na pořízení, tak na provoz. Záleží tedy na prioritách a požadavku na komplexnost a rozsah systému. Velké společnosti s rozsáhlou výrobou a obvykle i s vlastním IT oddělením mohou preferovat specializované systémy na míru, zatímco malý výrobci, prodejci a organizace bez IT zázemí naopak mohou dobře využít standardních softwarových řešení systémů přímo od výrobců komponent, které ve svých strojích využívají.

Poslední roky se pak v oblasti vyhodnocení výrobních dat vede nemalý souboj cloudových a serverových řešení. Konkrétně mezi systémy běžící na cloudu výrobce / provozovatele softwaru, tedy mimo areál výrobní firmy a pak systémy běžící přímo na nějakém serverovém systému uvnitř výrobní firmy. Vzdálené cloudové řešení je výhodné v tom, že si nekupujete samotný softwarem, ale jen službu provozovatele cloudu (služby analýzy a vyhodnocení), který provozuje svoje optimalizované servery (počítače), drží průběžně systém aktualizovaný a tedy výrobní firmě (uživateli služby) odpadají jakékoliv náklady na vlastní IT podporu. Ta je nutně potřeba v případě, že analyzující / vyhodnocovací systém je instalován na vlastním firemní serveru. Navíc téměř vždy je nutné zajistit vysoký výpočetní výkon počítačů, takže to vyžaduje i vysoké prvotní náklady zprovoznění. Na druhou stranu je firma více "pánem celé situace" a není přímo závislá na nějaké vzdálené společnosti, která může najednou zaniknout nebo různě fúzovat a za běhu měnit svoje podmínky. Tedy opět zde záleží na volbě a finančních možnostech.

Závěr

Lze asi bez velkého přemýšlení všeobecně konstatovat, že správné využití moderních Cloud, MES či ERP systémů s analýzou a vyhodnocením dat může z dlouhodobého pohledu poskytovat zajímavou výhodu v optimalizaci nákladů a efektivnosti proti firmám, které takové věci doposud nevyužívají. Zejména u výrobců se sériovou výrobou. Zvláště pak rychlý rozmach umělé inteligence, která má pro třídění a analýzu dat zcela ideální schopnosti, bude znamenat obrovské zrychlení dnes ještě stále poměrně časově náročných statistických operací.

A co pak ve vzdálenější budoucnosti použití kvantových počítačů? Ty budou schopny protřídit a analyzovat změny a rozdíly v terabajtech dat prakticky okamžitě ve zlomcích milisekund...

Odkazy

Hodnocení článku: