瞭解工業分析市場

從工廠車間的工業資產收集和分析資料幾乎不會成為前沿技術。多年以來，車間經理和他們的同事已經分析了工業機器資料，以向生產警報發出警報，識別質量故障，或作為旨在提高效能的資產調整指南 ， 更多資訊盡在振工鏈 。

隨著工業資產透過感測器進行數字化並透過工業物聯網（IIoT）進行連線，製造商仍希望分析機器資料以提高生產效率，減少停機時間，控制成本並促進更好的決策制定。然而，就規模而言，目標職位已發生重大變化。今天的製造商們正在努力進行批發轉型，而不是由工廠經理或維護人員分析電子表格中特定資產的歷史資料來進行適度的更改。他們的目標是建立靈活，智慧的運營，使資產和系統的網路可以實現近乎全面自動化。

在預測性維護，實時質量控制和根本原因分析的場景測試等領域中進行此類智慧操作的引擎是高階分析，由人工智慧（AI）和機器學習提供支援。雖然分析類別在工業界仍然有些模糊，但用例已經引起了巨大的興趣和增長。根據IoT Analytics，工業AI和分析市場在2019年達到150億美元，其中最大的用例是預測性維護，近四分之一的受訪者（24.3％）引用其次，其次是質量檢查和保證（20.5％），製造流程最佳化（16.3％）和供應鏈最佳化（8.4％）。

工業分析應用的激增根源於對利用車間或基於現場的工業資產（包括機器人，自動化單元，石油鑽機和風力渦輪機）產生的大量資料的渴望。隨著各行各業的製造商加大數字化工作的力度，IDC Insights估計，這家典型的工廠每天將產生超過 1 TB的資料，並期望在未來五年中，該數字將乘以5到10之間的倍數，具體取決於行業。

“這就是促使公司開發或購買這些分析工具的原因-沒有它們，資料就沒有其他關係了，” IDC製造洞察力和能源洞察力集團副總裁Kevin Prouty說。“對於擁有Excel電子表格的工程師來說，要分析的資料太多。”

企業分析與工業分析的對比

大多數製造商都同意這樣一種觀念，即可以利用資料的豐富性來帶來底線影響，無論這是在增加利潤，提高生產率，還是同時提高利潤。問題在於，資料以不同的格式散佈在筒倉中，沒有上下文，並且大部分儲存為時間序列資料，大多數企業分析和結構化和非結構化資料設計的大資料工具都無法充分處理這些資料。此外，數十年來，Excel一直是該領域中首選的分析工具，但它效率低下，並且任何見解都只能由一位工程師來解決一個特定的問題。

企業資訊科技（IT）和運營技術（OT）小組在資料收集和分析中所採用的方法也存在差異。大多數企業分析工作都涉及提取資料，對其進行規範化，然後將其放置在中央儲存庫或資料湖中（最有可能在雲中），以使各種業務使用者可以進行不同型別的分析。從OT的角度來看，資料收集和分析工作大部分是本地的和 目的性的。“ OT人知道如何在單個工廠中針對單個問題為單個機器構建分析模型，他們可以在Excel中或透過開源平臺手動進行分析”

工業分析和一般企業分析之間的另一個巨大差距是對機器的特定性質的瞭解，以及為歷史學家以及監督控制和資料採集（SCADA）系統中收集的資料提供上下文的能力。與金融系統中的結構化內容不同，時間序列資料缺少用於理解原始資料集如何與特定過程或條件相關的上下文，例如，可能存在哪些因素影響泵的執行。沒有適當的環境，就不可能充分利用資料來提高運營績效，狀態監控或預測性或規範性維護應用程式。

“解決問題需要上下文，” OSIsoft的雲，社群和渠道副總裁Bry Dillion說，該公司為PI System進行銷售，以收集和集中來自各種來源的時間序列資料。“如果要流傳輸與泵相關聯的資料，則必須瞭解資料集與獲取該上下文的過程之間的關係。如果您只是最佳化透過泵的流量而又不知道校準或流量，則有可能將泵最佳化到泵破裂的位置。您不僅可以引入原始資料，還希望機器學習能夠解決這些問題。”

核心元件

工業分析可以採用多種形式，但是有些核心元件和屬性似乎在各個平臺之間是通用的。儘管企業分析中的許多繁重工作都發生在雲中，但是工業分析軟體需要強大的邊緣處理功能，因為需要近乎實時且靠近源地處理和分析資料，以避免

延遲和安全問題

與基於雲的工業分析相比，支援AI的邊緣處理可提供更好的效能，同時還可確保更高的安全性。由Nvidia Jetson平臺提供支援的研華Edge AI系統可以代替車間工人進行的傳統視覺質量檢查。在這種情況下，支援多種AI模型的邊緣伺服器系統將對餅乾工廠中的烘焙食品進行實時檢查，從而自動設定烘烤時間和烤箱溫度，以確保更一致，更高質量的餅乾生產。

研華伺服器級產品產品經理James Yung表示：“我們專注於邊緣而不是雲，因此我們可以保護資料並保持資料的安全和機密。” “如果將資料傳送到雲，返回響應可能需要很長時間。”

鑑於工廠底層資料的異構性，工業分析平臺必須同時具有透過某種方式對資料進行規範化和上下文化來吸收不同資訊型別的能力。具體來說，客戶需要在從裝置或生產線生成資料的那一刻就瞭解上下文，但是，仍然難以從不同的邊緣裝置收集高速OT上下文資料，更不用說以結構化的方式將其打包以進行配對了與第三方工業資料來源或將其上游傳送到IT應用程式以獲取企業範圍的見解。

為了解決此問題，自動化合作夥伴羅克韋爾自動化和PTC建立了智慧物件，這是一種靈活的資料模型，可以自動發現並收集具有豐富上下文的高速OT資料，從而使上游IT應用程式可以使用它們，例如企業資源計劃和產品生命週期。管理系統。羅克韋爾自動化數字轉換總監Gaurav Verma解釋說：“智慧物件可以快速解鎖您在邊緣收集的上下文OT資料，並使其與下游的所有IT應用程式相容。”“ IT應用程式可以在企業級收集很多業務見解，但是如果沒有智慧物件，這是不可能的。”

Sight Machine還嚴重依賴建模層來區分其製造分析平臺。該軟體執行自動且連續的資料獲取過程，包括使用專家系統和機器學習分類器來準備過程資料和產品資料並使其與環境相關。最終結果是工廠車間的數字孿生，它使用機器學習和高階分析功能，可以發現異常並提供見解，以幫助減少停機時間。

不管採用哪種方法，大多數工業分析工具和平臺都結合了某種形式的AI和機器學習，以幫助發現大量的資產資料中的模式，以建立資產和生產車間流程的模型，並使流程自動化更智慧的操作。AI驅動的分析模型可以成為生產線中的關鍵任務元素，從而建立一個數字孿生模型，例如，允許啤酒廠模擬，測試和最佳化其流程，並分析數十萬個引數以瞭解並預測對啤酒質量的影響 。

事實證明，至關重要的新興工業分析平臺的另一個要素是公民開發人員功能的相似性，它使OT專業人員（不僅僅是IT和資料科學家）可以輕鬆地對問題建模並視覺化見解。

與平臺方法不同，Seeq稱其資料分析軟體專為幫助過程工程師和主題專家與大規模時間序列資料進行互動和建模而設計。Seeq副總裁兼首席營銷官Michael Risse表示，Seeq不會與某些大型工業分析平臺競爭，而是連線到儲存在各種過程歷史學家和SCADA系統以及PTC ThingWorx和Siemens Mindsphere等IIoT平臺中的資料。

考慮到工廠自動化的複雜性和工業資料的多樣性，將沒有一種適合所有用例和所有方案的分析產品。相反，專家說，組織需要考慮長期戰略和他們正在尋找解決的問題，以便為工作選擇合適的工具。“不要在工具集之間劃清界限，重要的是將所有內容放到桌面上，看看它們如何協同工作，” GE Digital電力和油氣業務部門產品管理副總裁Steve Deskevich說。“不要將工業分析視為附帶專案，因為如果這樣做，您將花費大量時間和精力在一個很酷的工程專案上，但不一定會改變業務運作方式 ， 更多資訊盡在振工鏈 。”