회사의 디지털 인텔리전스가 좌초되고 비생산적인가요? 강력한 정보/데이터 “스캐폴드”는 조직 전체의 데이터와 지식의 흐름을 효율적으로 잠금 해제합니다.
기업들은 표 1에 나열된 주요 장기적인 목표를 달성하기 위해 디지털화 프로젝트에 투자하고 있습니다. 1 디지털 변환은 기본적으로 데이터 흐름(다양한 형식)을 열고 여러 소스를 원격 및 현장 사용자에게 연결합니다. 고급 아키텍처와 플랫폼을 통해 데이터 및 정보 전송 프로세스가 더 빠릅니다. 따라서 운영 및 시장 데이터는 비즈니스 자산이며 가치가 있습니다. 정보에 대한 빠른 액세스는 최종 게임입니다. 많은 기업이 답변해야 합니다: 조직 전체의 데이터 흐름 및 정보 가용성(IA)을 지원하기 위한 최적의 스캐폴드(플랫폼)가 있습니까?
모든 데이터가 동일하지는 않습니다.
가공 및 제조 산업은 대량의 데이터를 축적했지만 사용 가능한 정보로 변환하는 데 어려움을 겪었습니다. 디지털화 프로젝트는 분석을 개선하고 예측 기능을 제공하기 위해 준비되어 있습니다. 이러한 노력에는 디지털 트윈, AI, 기계 학습(ML) 및 예측 유지 보수(PdM)를 사용하는 것이 포함됩니다. 이러한 메서드는 대량의 품질 데이터 리소스가 필요합니다.
표 1. 디지털 프로젝트에 대한 투자 목표1
| 안전 | 제로 사고 |
| 지속 가능성 | 중요한 이벤트 또는 릴리스 제로 |
| 가용성/안정성 | 가동 중지 시간/운영 중단 제로 |
| 금융 | 제로 손실 이익 |
표 2. 데이터에 대한 주요 우려 사항
- 데이터 부족 또는 부족
- 데이터베이스에 대한 액세스 안 또는 제한
- 손상된 데이터
- 누락된/불완전한 데이터
- 데이터 원본 간의 잘못된 형식 및 태그
- 보안 문제
디지털 프로그램의 ROI는 종종 향상된 운영 신뢰성과 향상된 안전/환경 성능(표 1)에 대해 측정됩니다. 성공은 유효한 데이터의 가용성과 수량 및 조직 전체의 인텔리전스 흐름에 의해 제어됩니다. 모든 데이터가 동일하지는 않습니다. 표 2는 플랜트 및 장비 데이터에 대한 많은 우려를 요약합니다. 특히 고급 도구(AI 및 ML)의 경우 이러한 문제는 최상의 알고리즘조차도 탈선할 수 있습니다.
데이터 원본은 어디에 있습니까?
측정(타임스탬프 데이터)은 수년 동안 수집되었습니다. 그림 1은 처리 시설에 대한 일반적인 의사 결정을 보여줍니다. 그림 2에 도시된 것처럼 생산/운영/장비 데이터는 종종 닫힌 루프로 흐르므로 데이터베이스와 정보의 사일로가 생성됩니다. 표 1 목표를 달성하기 위해 필요한 데이터는 종종 연결되지 않은 많은 소스(역사가)에 위치할 수 있습니다.
더 높은 수준의 분석(AI, ML, PdM 및 빅 데이터)을 수행하려면 디지털 프로젝트가 IA가 필요합니다. 2 데이터 플랫폼이나 아키텍처는 비계입니다. 식별된 사용자(로컬 및 원격)와 데이터/정보를 수집, 저장, 분석 및 공유하는 것을 지원합니다. 이 프레임은 수직 및 수평과 같은 여러 방향으로 더 빠른 정보 공유 서비스를 제공합니다. 그림 3에 설명된 바와 같이 데이터/정보 기능은 폐쇄루프 시스템에서 지원되는 루프 시스템으로 이동합니다. 이제 어디서나 데이터를 얻을 수 있습니다. 3
사용량 수준이 가장 낮은 데이터
센서, 밸브 액추에이터, 모터 스타터 등과 같은 물리적 장치는 공정 장비 및 기계를 모니터링하고 자동화할 수 있습니다.4 디지털 변환은 데이터 공급자를 감독 및 분석 기능에 연결합니다. 이 관계는 지능형을 포함한 새로운 개발로 끊임없이 변화하고 있습니다. 엣지 컴퓨팅. 고급 엣지 디바이스는 PC와 동일한 수준의 분석 기능을 가지고 있습니다.4 사전 분석 기능을 사용하면 데이터 센터 작업 없이 장치 수준에서 중요한 작업을 시작할 수 있습니다.
자본으로 사용되는 데이터
비즈니스 자산으로 데이터를 관리하려면 데이터와 정보가 수집되고 공유되는 방식을 평가해야 합니다. 표 2에서 데이터 관리의 격차는 제품 전환, 계획된 가동 중지 시간, 장비 교체 및 처리 변경과 같은 중요한 의사 결정에 이러한 정보를 사용하는 데 대한 신뢰를 침식시합니다. 디지털 프로젝트를 개발할 때 데이터 선택 및 플랫폼은 중요한 결정입니다. 에너지 회사들은 1990년대부터 자동화/제어 시스템에 투자해 왔습니다. 기존 시스템을 통합하고 업데이트하는 것은 분석 및 최적화 프로젝트를 위한 IA 를 설계하는 데 매우 중요합니다.
데이터 프로젝트는 복잡합니다! 데이터와 관련된 기타 문제는다음과 같습니다.
- 데이터 충분성 – 분석 프로젝트에 필요한 데이터의 양?
- 데이터 신뢰- 미터 및 계측기의 교정 및 바이어스는 측정된 데이터의 정확성과 신뢰성에 영향을 미칠 수 있습니다. 따라서 데이터 생성 장치의 유지 관리가 제대로 되지 못하면 오류가 발생합니다.
- 데이터 전파 – 기록되기 전에 프로세스 또는 장비 변경 간에 발생하는 시간은 얼마입니까? 이벤트 시화와 실패한 조건 사이에는 어떤 간격이 발생합니까?
- 데이터 거버넌스- 데이터 소유권을 해결해야 합니다. 자동화된 데이터를 덮어쓰거나 변경할 수 있습니까? 외부 공격으로부터 데이터 원본이 안전한가요?
데이터가 저장, 공유 및 사용되는 방식의 관계는 계속 진화하고 있습니다. 운영 및 제조 회사는 사후 대응에서 사전 대응 위치로 이동했습니다. 데이터는 투자하고 사용해야 하는 지식 통화입니다. IA는 조직에 대한 지식, 콘텐츠 및 데이터 스캐폴딩을 제공합니다. 마찬가지로 중요한 것은 IA가 조직 전체의 AI 및 빅 데이터 분석을 지원합니다(그림 3). 3 AI 알고리즘은 IA가 필요하지 않을 수 있지만 결과를 적용하는 것은 않습니다. 2
참고 문헌
1 화이트, 더글러스, “정유 및 석유 화학 공장 운영의 디지털 변환: 뒤를 돌아보고, 기대,” AFPM 2020 정상 회담, 정상 회담 20-63, 8 월 27, 2020, emerson.com.
2 얼리, 세스, “디지털 작업장에서 정보 흐름을 간소화: 인공 및 지식 공학의 역할,” 디지털 인력 경험, 2020년 10월 14일, https://www.earley.com/.
3 페리노, 조, “엣지 새로운 생태계의 컴퓨팅”2020년 8월, https://resource.stratus.com/whitepaper/엣지- 컴퓨팅 – 인 – 더 – 새로운 ot-생태계 /.
4 이스트번, 조쉬, “산업 IoT 구축 엣지 클라우드로,” 자동화 2020, vol. 4, https://www.automation.com/getmedia/8c645082-44f0-47b6-81db-c7b6f60ac1a4/automation2020_aug_cloud_engineering.pdf.
5 KBC, “디지털화 선언문”, https://www.kbc.global/uploads/files/whitepapers/KBC%20%20Manifesto_US.pdf.
