工業(yè)物聯(lián)網(wǎng)推動工業(yè)自動化向智能化轉變
編輯：IKV熔體泵
OFweek工控網(wǎng)訊：工業(yè)物聯(lián)網(wǎng)（IIoT）可以改變自動化和操作流程的工作嗎？是的，可以。但是，只有廠家愿意且能夠去改變其基于幾十年的工業(yè)生產(chǎn)過程而建立起來的結構框架。需要明確的是，這并不意味著將機器、控制系統(tǒng)和網(wǎng)推倒重來，而是意味著要打開原有的一切并增添新內(nèi)容。
數(shù)據(jù)正在迅速成為工廠車間較重要的戰(zhàn)略資產(chǎn)。這是因為，如果應用得當，它可以創(chuàng)造新的商業(yè)模式和新的收入來源。據(jù)麥肯錫全球研究所的報告顯示，到2025年物聯(lián)網(wǎng)應用的每年所產(chǎn)生的潛在經(jīng)濟影響將高達11.1萬億美元。工廠將主要關注運營和設備優(yōu)化，具有較大的高達3.7萬億美元的潛力。
聽起來牽強？想想這個：根據(jù)麥肯錫的報告，石油鉆機99%的數(shù)據(jù)在決策者做出決策之前就已經(jīng)丟失了。換言之，一個帶有30000個傳感器的石油鉆機只有1%的數(shù)據(jù)需要進行檢查。這1%的數(shù)據(jù)是用于異常檢測和控制，而不是用于優(yōu)化和預測，這提供了較大的價值。
如今擺在行業(yè)面前的障礙就是連通性，許多團體和廠商勤奮工作來解決互操作性問題。為了從石油鉆機丟失的99％的數(shù)據(jù)中獲取價值，那么你就需要分析。
Sight Machine一家成立四年的公司，已經(jīng)開發(fā)了專門用于制造的分析引擎。發(fā)布于去年的Sight Machine制造分析平臺，包括專有模型對較常見類型的離散、分批和連續(xù)處理操作進行分析。
Sight Machine從生產(chǎn)車間的多個來源處捕捉并收集數(shù)據(jù)，包括PLC、傳感器、條形碼、甚至非結構化格式，如音頻文件和照片。數(shù)據(jù)采集功能就是通過插件代表性狀態(tài)傳輸（REST）API和適配器，用以連接到原有系統(tǒng)進行數(shù)據(jù)采集，從自產(chǎn)自銷的MES到工廠定制的IT系統(tǒng)。這里的關鍵是技術的開源模式，聯(lián)合創(chuàng)始人喬恩·索貝爾和內(nèi)森·奧斯滕多普都非常熟悉。
索貝爾一直在特斯拉汽車公司，雅虎和開源社區(qū)SourceForge管理團隊工作。奧斯滕多普擔任SourceForge架構師并共同創(chuàng)立Slashdot.org，他在大學時還曾在一家汽車工廠做質(zhì)量控制編程工作。
“我們要做的關鍵就是要和谷歌或Facebook一樣采取同樣的方式，將結構化和非結構化數(shù)據(jù)類型相結合，只不過我們是制造業(yè)，”聯(lián)合創(chuàng)始人兼Sight Machine的首席執(zhí)行官索貝爾說。在制造環(huán)境中的挑戰(zhàn)是數(shù)量、速度和各種數(shù)據(jù)類型，使得分析大規(guī)模數(shù)據(jù)難度加大，他說。
對所有數(shù)據(jù)進行管理的復雜性可能是導致很多企業(yè)還必須得要解決IIoT這方面的原因。
“大多數(shù)物聯(lián)網(wǎng)[公司]談論通信推動事情發(fā)展，但我們認為這個問題將逐步得到解決，”索貝爾說。 “核心挑戰(zhàn)是如何有效地分析數(shù)據(jù)，并從一個工廠到另一個工廠，一遍又一遍地使用同樣的模式，以[提供]有益的啟示。”
Sight Machine現(xiàn)在與制藥、汽車和服裝等行業(yè)的企業(yè)都有合作。在這些早期的實現(xiàn)，客戶要求該公司幫助進行容量規(guī)劃，并確保流程工作的率和可靠性。事實上，很多公司都是在完全相同的問題上尋求幫助：他們在不同的位置擁有相似的資產(chǎn)，性能存在差異。同樣的機器，同樣的流程，但在一個地方運行順利的在另外一個地方運行的就不順利。
Sight Machine發(fā)動機是一組數(shù)據(jù)模型復制制作過程如何運行，含有幾百個參數(shù)，組織所有數(shù)據(jù)，并對另一邊的數(shù)據(jù)進行轉換。“另一邊”是在工廠車間里提供質(zhì)量、可追溯性和業(yè)務信息的實時大數(shù)據(jù)分析服務器。云也被計入為數(shù)據(jù)存儲方程的一個因素。
據(jù)Gartner稱，較近在生產(chǎn)運營報告中，將Sight Machine列為其2015年的Cool Vendors，此分析層包括機器學習算法，能夠在大規(guī)模生產(chǎn)中快速精確定位問題。
較重要的是，應用Sight Machine發(fā)動機不需要重新架構車間系統(tǒng)。問題的關鍵是提供一種方式來增加數(shù)據(jù)采集、處理和分析，而且不會干擾現(xiàn)有的IT基礎設施。“我們將我們說做的稱作”數(shù)據(jù)毯子，因為我們不需要將機器、控制系統(tǒng)和網(wǎng)推倒重來。“
事實上，Sight Machine可以被看作是這個行業(yè)的一個無縫演進，也許開啟了包括工業(yè)物聯(lián)網(wǎng)的現(xiàn)代制造的未來。（Tina譯）
數(shù)據(jù)正在迅速成為工廠車間較重要的戰(zhàn)略資產(chǎn)。這是因為，如果應用得當，它可以創(chuàng)造新的商業(yè)模式和新的收入來源。據(jù)麥肯錫全球研究所的報告顯示，到2025年物聯(lián)網(wǎng)應用的每年所產(chǎn)生的潛在經(jīng)濟影響將高達11.1萬億美元。工廠將主要關注運營和設備優(yōu)化，具有較大的高達3.7萬億美元的潛力。
聽起來牽強？想想這個：根據(jù)麥肯錫的報告，石油鉆機99%的數(shù)據(jù)在決策者做出決策之前就已經(jīng)丟失了。換言之，一個帶有30000個傳感器的石油鉆機只有1%的數(shù)據(jù)需要進行檢查。這1%的數(shù)據(jù)是用于異常檢測和控制，而不是用于優(yōu)化和預測，這提供了較大的價值。
如今擺在行業(yè)面前的障礙就是連通性，許多團體和廠商勤奮工作來解決互操作性問題。為了從石油鉆機丟失的99％的數(shù)據(jù)中獲取價值，那么你就需要分析。
Sight Machine一家成立四年的公司，已經(jīng)開發(fā)了專門用于制造的分析引擎。發(fā)布于去年的Sight Machine制造分析平臺，包括專有模型對較常見類型的離散、分批和連續(xù)處理操作進行分析。
Sight Machine從生產(chǎn)車間的多個來源處捕捉并收集數(shù)據(jù)，包括PLC、傳感器、條形碼、甚至非結構化格式，如音頻文件和照片。數(shù)據(jù)采集功能就是通過插件代表性狀態(tài)傳輸（REST）API和適配器，用以連接到原有系統(tǒng)進行數(shù)據(jù)采集，從自產(chǎn)自銷的MES到工廠定制的IT系統(tǒng)。這里的關鍵是技術的開源模式，聯(lián)合創(chuàng)始人喬恩·索貝爾和內(nèi)森·奧斯滕多普都非常熟悉。
索貝爾一直在特斯拉汽車公司，雅虎和開源社區(qū)SourceForge管理團隊工作。奧斯滕多普擔任SourceForge架構師并共同創(chuàng)立Slashdot.org，他在大學時還曾在一家汽車工廠做質(zhì)量控制編程工作。
“我們要做的關鍵就是要和谷歌或Facebook一樣采取同樣的方式，將結構化和非結構化數(shù)據(jù)類型相結合，只不過我們是制造業(yè)，”聯(lián)合創(chuàng)始人兼Sight Machine的首席執(zhí)行官索貝爾說。在制造環(huán)境中的挑戰(zhàn)是數(shù)量、速度和各種數(shù)據(jù)類型，使得分析大規(guī)模數(shù)據(jù)難度加大，他說。
對所有數(shù)據(jù)進行管理的復雜性可能是導致很多企業(yè)還必須得要解決IIoT這方面的原因。
“大多數(shù)物聯(lián)網(wǎng)[公司]談論通信推動事情發(fā)展，但我們認為這個問題將逐步得到解決，”索貝爾說。 “核心挑戰(zhàn)是如何有效地分析數(shù)據(jù)，并從一個工廠到另一個工廠，一遍又一遍地使用同樣的模式，以[提供]有益的啟示。”
Sight Machine現(xiàn)在與制藥、汽車和服裝等行業(yè)的企業(yè)都有合作。在這些早期的實現(xiàn)，客戶要求該公司幫助進行容量規(guī)劃，并確保流程工作的率和可靠性。事實上，很多公司都是在完全相同的問題上尋求幫助：他們在不同的位置擁有相似的資產(chǎn)，性能存在差異。同樣的機器，同樣的流程，但在一個地方運行順利的在另外一個地方運行的就不順利。
Sight Machine發(fā)動機是一組數(shù)據(jù)模型復制制作過程如何運行，含有幾百個參數(shù)，組織所有數(shù)據(jù)，并對另一邊的數(shù)據(jù)進行轉換。“另一邊”是在工廠車間里提供質(zhì)量、可追溯性和業(yè)務信息的實時大數(shù)據(jù)分析服務器。云也被計入為數(shù)據(jù)存儲方程的一個因素。
據(jù)Gartner稱，較近在生產(chǎn)運營報告中，將Sight Machine列為其2015年的Cool Vendors，此分析層包括機器學習算法，能夠在大規(guī)模生產(chǎn)中快速精確定位問題。
較重要的是，應用Sight Machine發(fā)動機不需要重新架構車間系統(tǒng)。問題的關鍵是提供一種方式來增加數(shù)據(jù)采集、處理和分析，而且不會干擾現(xiàn)有的IT基礎設施。“我們將我們說做的稱作”數(shù)據(jù)毯子，因為我們不需要將機器、控制系統(tǒng)和網(wǎng)推倒重來。“
事實上，Sight Machine可以被看作是這個行業(yè)的一個無縫演進，也許開啟了包括工業(yè)物聯(lián)網(wǎng)的現(xiàn)代制造的未來。（Tina譯）
