【儀表網 行業科普】通過實施高級分析軟件，工業企業可以輕松地收集來自多個來源的數據，自動執行分析和建模的準備工作，并為過程專家提供更多時間來研究見解并優化運營，從而最大限度地延長正常運行時間。
工業物聯網(IIoT)和工業4.0的實施，以及人工智能和機器學習(AI/ML)技術的出現，大大增加了數據數量和復雜性，并打破了久經考驗的數據收集和分析模式。
幾十年來，過程制造業一直依賴于各種實時監測、收集和處理數據的系統，包括監控和數據采集(SCAD)、分布式控制系統(DCS)和實驗室信息管理系統等。運營技術(OT)環境中的數據管理和處理程序相對簡單，比較容易在較長時間內遵守。
01 過程行業數據分析的三個障礙
在工業4.0數據爆炸式增長后，數據管理軟件慢慢迎頭趕上，為工程團隊提供了對本地和遠程歷史和近實時數據的更大可見性。盡管如此，許多過程制造商仍難以將原始數據順利轉化為有意義的洞察。為什么過程制造商仍然很難從原始數據中獲得洞察？
對于過程行業來說，造成數據分析困難最常見的三個原因是：
· 有限的數據訪問和連接工具。
· 缺乏對特定時間序列數據進行分析的解決方案。
· 跨職能團隊協作困難。
解決這些問題對于運營理解和知情決策至關重要，此外還可以推進企業流程優化、可持續性發展和員工賦權等舉措的實施。
02 傳統軟件在數據分析方面的局限
在大多數設施中，存在許多數據源，設備、過程、質量和庫存數據，這些信息傳統上存儲在多個不同的數據庫中。在這些OT設置中，通常使用基于電子表格的分析工具來訪問、清理和統一所有這些數據，以便提取見解。對于過程專家、工程師和數據科學家(統稱為主題專家或SME)來說，這種手動程序既繁瑣又耗時，而且效率低下，會浪費這些資源的寶貴技能。
事實上，CrowdFlower公司的一項研究發現，數據科學家將近80%的數據分析時間用于收集數據，并將其轉換為合適的分析格式，只剩下20%的時間用于獲得有意義的見解(圖1)。
▲圖1: CrowdFlower公司的一項調查顯示數據科學家和其它
運行人員往往將大量時間花費在為分析數據做準備。
除了這些手動工作效率低下之外，許多設施之間缺乏實時數據連接，導致主題專家的分析不斷過時。這些挑戰使得討論和準備數據以進行有意義的分析變得困難。此外，使用傳統解決方案，在組織不同團隊和區域之間共享數據和分析也很困難，有時甚至幾乎是不可能的，這限制了同事之間的協作和知識轉移能力。
基于電子表格的應用，沒有針對時間序列數據分析進行優化，而且它們的可視化功能較差，無法進行快速迭代分析。盡管主題專家們無論使用何種分析軟件都能應用其寶貴的過程知識和洞察力，但傳統工具缺乏提高生產成果所需的有效數據分析能力。幸運的是，對于過程制造商來說，現在有更好的解決方案。
03 加速數據洞察的生成
高級分析解決方案解決了這些以及其它問題，將整個企業的不同數據源連接到基于中央云或本地軟件系統。這類應用實現了數據清理和情境化的自動化，同時在后臺統一時間戳，使主題專家能夠從所有可用數據中快速獲得有意義的見解。這些應用配備了實時數據連接，使用戶能夠使用近乎實時的數據進行分析。
這類自動化可以打破數據訪問壁壘，使主題專家能夠利用高級分析解決方案專門構建的時間序列分析工具，通常采用無代碼或低代碼點擊格式來獲得數據見解。再加上通常內置的趨勢分析和數據可視化功能，用戶能可視化其數據分析的影響，以快速迭代并進行過程改進。
高級分析軟件工具還使過程行業組織能夠通過簡化協作、知識獲取和報告，最大限度地提高主題專家的效率，這些技術專家經常在不同的設施或地區工作。例如，在過程行業中資產經常轉移，因此在同一個組織中，發現多個站點正在處理相同的問題這是很常見的。
分析軟件使組織能夠實施企業范圍的分析戰略，促進跨站點協作，例如交換預測和防止資產之間常見故障模式的最佳實踐。然后，這些分析可以在工廠或產品組合中共享，結果可用于培訓新員工。
04 消除計劃外停機
過程、維護和可靠性等團隊之間的協作可以得到加強，尤其是利用高級分析軟件中的內置工具，在易于理解的儀表板和報告中共享分析和見解。
一家石化和煉油公司，因聚乙烯管線上的關鍵原料氣壓縮機發生故障而導致反應爐停止工作。出現此類故障后，無法立即重新啟動過程。在該設施中，非計劃的反應爐停機至少會造成4個小時的停機時間，每次事故都會給工廠造成20萬美元以上的損失。以前，這些壓縮機是按照預防性維護計劃來維護的，被動的維護計劃無法防止此類意外停機事故的發生。
在某次壓縮機跳閘后，機械和控制工程師共同確定了導致停機的安全聯鎖，并請電氣工程師來協助調查。然而，追蹤泵電機周圍的電路圖非常耗時，而且沒有找到根本原因。
煉油廠的一名過程工程師選擇了另一種方法，打開一個基于瀏覽器的高級分析軟件，從幾十年的歷史過程數據中快速定位最近5次停機及其后的重啟，無論是計劃內還是計劃外的。使用時間剖析“膠囊”和“鏈視圖”工具，他們快速關注到停機和啟動時間段，并疊加所有事件，顯示最近兩次啟動的排放壓力曲線異常(圖2)。
▲圖2：在對一個關鍵的原料氣壓縮機故障進行故障排除時，一家石化和煉油公司利用高級分析軟件，
從幾十年的歷史過程數據中，快速找到了最近5次停機和隨后的重啟數據。
經過進一步調查，工程師在電機電流信號上發現了早期警告信號。由于沒有一種方法來連續地觀察啟動狀態，電機退化并沒有被運營人員注意到。
作為根本原因分析的結果，過程工程師實施了一種監測解決方案，以識別和標記未來的電機退化，防止類似的計劃外停機。當出現超差值時，壓縮機電機會立即被添加到下一次計劃停機的維護工作列表中，這是一種積極的維護方法，有望消除該故障模式下的計劃外停機。
05 輕松處理各種過程數據
如果沒有全面的軟件解決方案來連接不同的數據源，為工程師提供直觀的工具并實現有效的協作，過程制造企業仍將面臨關鍵的數據分析挑戰。
通過為主題專家提供現代分析軟件，企業可以清楚地了解其原始數據并從中獲得見解，創建不同復雜度的分析來模擬當前和未來的行為，并從被動維護策略過渡到預測維護策略。這些成果對于工業企業充分發揮其不斷增長的數據，并適應不斷變化的市場條件和需求至關重要。
所有評論僅代表網友意見，與本站立場無關。