Case study: Internet Rzeczy (IoT) – na przykładzie systemu OEE

To studium przypadku przedstawia wdrożenie systemu OEE opartego na IoT przy użyciu różnych usług Microsoft Azure. Rozwiązanie ma na celu sprostanie wyzwaniom związanym z integracją, cyfryzacją i automatyzacją procesów biznesowych, koncentrując się w szczególności na obszarze produkcyjnym.

Kluczowe usługi wykorzystywane w tym rozwiązaniu obejmują Azure Data Factory do integracji różnych źródeł danych w centralnym repozytorium, Azure IoT Hub do łączenia i zarządzania urządzeniami IoT, Microsoft PowerApps do tworzenia przyjaznego dla użytkownika interfejsu człowiek-maszyna, Stream Analytics do wizualizacji danych w czasie rzeczywistym, Power BI do analizy danych historycznych i raportowania oraz Power Automate i Azure Logic Apps do tworzenia systemu alertów i powiadomień.

Rozwiązanie zapewnia skalowalne i opłacalne podejście, pozwalając firmom płacić tylko za zużywane zasoby. Ponadto podkreśla elastyczność i demokratyzację platformy Azure, umożliwiając użytkownikom utrzymanie i dalszy rozwój systemu dzięki specjalistycznym szkoleniom w zakresie określonych narzędzi i usług.

Założenia wdrożenia systemu IoT OEE

W idealnym scenariuszu system monitorujący kluczowe wskaźniki wydajności produkcji (w tym OEE) powinien mieć następujące cechy:

• powinien być zintegrowany z systemem ERP w celu pobierania informacji o zleceniach produkcyjnych i danych produktowych w czasie rzeczywistym;
• powinien być niezależny od technologii produkcji, dostawców maszyn i protokołów wymiany danych;
• powinien zapewniać przyjazny dla użytkownika interfejs człowiek-maszyna, umożliwiający operatorom wprowadzanie informacji do systemu i pobieranie podstawowych danych na temat bieżących i historycznych zdarzeń;
• powinien umożliwiać strumieniowe przesyłanie danych w czasie rzeczywistym na poziomie produktu lub przestoju, z możliwością dostępu do tych informacji w dowolnym miejscu i czasie;
• powinien gromadzić dane historyczne do dalszej analizy, takie jak analiza trendów i przyczyn przestojów, i prezentować je w przyjaznym dla użytkownika formacie;
• powinien wspierać zaawansowaną analitykę zgromadzonych danych przy użyciu skryptów uczenia maszynowego i sztucznej inteligencji;
• powinien zawierać system alertów, który wysyła powiadomienia do operatorów, planistów i personelu magazynu;
• powinien być wystarczająco elastyczny, aby dostosować się do każdego rodzaju działalności;
• powinien być częścią większej struktury, w której wszystkie dane fabryczne przepływają do centralnego repozytorium, zasilając globalny system raportowania, który ułatwia wewnętrzną wymianę informacji i wiedzy między różnymi fabrykami;
• nie powinien wiązać firmy z jednym dostawcą i powinien być zdolny do dalszego rozwoju przez alternatywnych dostawców lub odpowiednio przeszkolony personel fabryki.

Powyższa lista może wydawać się idealistyczna, ale w „podejściu komponowalnym” każdy z tych punktów jest realizowany poprzez autonomiczne, dedykowane moduły, usługi lub elementy sprzętu klasy IoT.

Architektura danych

Poniższy schemat przedstawia rozwiązanie „podejście komponowalne” oparte na usługach Azure i terminalach IoT z czujnikami.

1. Integracja różnych danych w jedno źródło informacji – prawie każda firma produkcyjna korzysta z systemu ERP. Azure Data Factory umożliwia wyodrębnianie danych z dowolnego systemu zarządzania produkcją, przetwarzanie ich i ładowanie do centralnego repozytorium (takiego jak Azure SQL Database). Ta baza danych staje się głównym „źródłem prawdy” dla opracowywanego systemu. W rezultacie rozwiązanie może łączyć wiele typów danych z różnych źródeł, umożliwiając płynną komunikację między nimi za pośrednictwem repozytorium.
2. Adaptacja do różnych typów maszyn i technologii odbywa się za pomocą Azure IoT Hub, który pobiera dane z niezależnych czujników klasy IoT umieszczonych bezpośrednio na maszynach (bez ingerencji w ich działanie). Czujniki te zbierają dane produkcyjne, informacje o przestojach i statusie maszyny. Dane są wstępnie przetwarzane i wysyłane do wspomnianego wcześniej centralnego repozytorium. Dodatkowo, IoT Hub pozwala na zdalne zarządzanie czujnikami.
3. Interfejs człowiek-maszyna jest zbudowany przy użyciu Microsoft PowerApps. Projekt i funkcjonalność aplikacji można dostosować do konkretnych potrzeb procesu produkcyjnego i można ją zainstalować na dowolnym urządzeniu mobilnym lub uzyskać do niej dostęp za pośrednictwem standardowej przeglądarki internetowej. W rezultacie operatorzy mają możliwość komunikowania się z systemem i pośrednio z zespołem zarządzającym. Mogą również podejmować bardziej autonomiczne decyzje w oparciu o spersonalizowany zestaw informacji, takich jak awaria sprzętu lub postęp w realizacji zlecenia produkcyjnego.
4. Wizualizacja danych w czasie rzeczywistym ma kluczowe znaczenie dla efektywnego zarządzania produkcją. Funkcjonalność tę zapewnia Stream Analytics. Warto zauważyć, że dane mogą być przesyłane do usług analitycznych (takich jak Power BI) i innych usług platformy Azure.
5. Analiza historyczna jest łatwo dostępna, ponieważ wszystkie dane z czujników IoT są przechowywane w centralnym repozytorium (baza danych SQL), gdzie są łączone z danymi z innych źródeł (ERP, MES, aplikacja operatora). Te połączone zestawy danych są wykorzystywane do tworzenia modeli danych Power BI dostosowanych do konkretnych potrzeb raportowania, takich jak raporty dotyczące przestojów i awarii, raporty dotyczące niewykorzystanych mocy produkcyjnych lub ilości i kosztów odpadów produkcyjnych.
6. Zaawansowana analityka wykorzystująca skrypty sztucznej inteligencji lub uczenia maszynowego jest możliwa dzięki usługom takim jak Azure ML Studio. W praktyce może to obejmować szkolenie modelu wczesnego wykrywania wzorców poprzedzających awarię maszyny w oparciu o dane dotyczące drgań i temperatury z czujników IoT. Jest to zgodne z koncepcją konserwacji zapobiegawczej.
7. System alertów i powiadomień tworzony jest w oparciu o logikę i warunki dostosowane do charakterystyki konkretnego środowiska produkcyjnego. Jest on zarządzany przez Power Automate i Azure Logic Apps. W rezultacie wyznaczony personel jest informowany za pomocą automatycznych wiadomości e-mail i powiadomień w aplikacji.
8. Stworzona struktura jest łatwo skalowalna, zarówno w obrębie pojedynczej fabryki, jak i całej organizacji. Dodanie nowych użytkowników lub zwiększenie pojemności bazy danych w chmurze to kwestia kilku kliknięć w Azure Portal. Dodanie kolejnej fabryki według wcześniej zdefiniowanego standardu jest również stosunkowo szybkie. Wymaga zakupu i konfiguracji dodatkowych licencji w ramach istniejących usług i standardowych konektorów wymiany danych. W rezultacie dane historyczne i w czasie rzeczywistym mogą być prezentowane dla wszystkich fabryk w organizacji, tworząc cyfrowego bliźniaka produkcyjnej części łańcucha dostaw.
9. Platforma Azure, jak i jej poszczególne usługi, to niezwykle „demokratyczne” technologie. Każdy moduł jest dobrze udokumentowany i do pewnego stopnia niezależny. Pozwala to na przejęcie utrzymania i rozwoju systemu przez personel przeszkolony w zakresie konkretnych narzędzi po wdrożeniu. To znacznie zmniejsza ryzyko i zapewnia opłacalność wynikającą z dużej konkurencji na rynku usług Microsoft.
10. Wszystkie wyżej wymienione usługi otrzymują dane generowane za pośrednictwem terminali klasy IoT firmy Antdata, które zapewniają płynną komunikację pomiędzy czujnikami IoT a chmurą Azure za pośrednictwem urządzenia (serwera) Edge.

Rozwiązanie przedstawione w studium przypadku jest przykładem jednego z wielu możliwych systemów kompozytowych. Co więcej, taki system można rozbudować o dodatkowe moduły, takie jak Azure Custom Vision, który może być wykorzystywany do rozpoznawania wad jakościowych produktów przy użyciu obrazów przechwytywanych na żywo z kamery.