O nadchodzącej rewolucji związanej z internetem rzeczy (IoT) pisze się dużo od wielu lat. Wiele już słyszeliśmy o zmianach w codziennym życiu i korzyściach dla nas wszystkich, które ta rewolucja ma ze sobą przynieść, ale wciąż nie widać zastosowań IoT na szeroką skalę. Największy rozgłos zyskały dotychczas inteligentne liczniki prądu/gazu, które same przekazują skalę zużycia energii i wyręczają w ten sposób inkasentów.
Skoro tej zapowiadanej rewolucji nie widać w naszym kraju, a napisano już wiele na ten temat, to po co kolejny artykuł o IoT? Otóż, jestem w tej uprzywilejowanej pozycji, że mam dostęp do danych, które świadczą o tym, że jednak coś drgnęło i coś zaczyna się dziać w tej kwestii.
Technologia IoT, a szczególnie zaawansowana analityka bazująca na danych IoT, jest jednym z obszarów, który w ostatnich kilkunastu miesiącach charakteryzuje się najwyższym procentowym wzrostem w Europie (zwłaszcza Zachodniej). Sektorem gospodarki, który najbardziej korzysta na analityce IoT jest przemysł, a w szczególności te gałęzie przemysłu, które są mocno energochłonne. Wzrost cen nośników energii związany z polityką klimatyczną i wojną rosyjsko-ukraińską skłonił firmy z tego sektora do poszukiwania rozwiązań, które poprawią ich rentowność i pomogą zredukować koszty energii wykorzystywanej w procesach produkcyjnych.
Jak analityka IoT buduje wartość dla klienta
W tym rozdziale chciałbym w krótki sposób wyjaśnić, skąd bierze się wartość analityki bazującej na danych IoT. Zacznijmy od schematu działania. Aby zbudować wartość analityki, potrzebne są dane. Pierwszym krokiem jest zebranie danych z istniejących źródeł np. systemów SCADA/MES obecnych przy procesach produkcyjnych oraz sprawdzenie, czy do optymalizacji procesu produkcyjnego potrzebujemy dodatkowych informacji, do których w tej chwili nie mamy dostępu. Jeżeli analiza wykaże taką potrzebę, konieczna jest instalacja odpowiednich czujników IoT, które będą gromadzić dla nas dodatkowe dane do analizy. Rodzaj czujników, sposób ich zasilania, tryb pracy zależą od konkretnej sytuacji i informacji, których szukamy. Mogą to być czujniki temperatury, ciśnienia, zapylenia, obrotów, zasilane bateryjnie lub z sieci, pracujące w trybie ciągłym, wysyłające informacje w ustalonym interwale czasowym, przesyłające dane bezprzewodowo / po kablu, itd.
Po skompletowaniu źródeł danych, kolejnym etapem będzie ich odpowiednie przygotowanie. A więc opracowanie modelu danych, deduplikacja, parsowanie, itp. oraz zebranie ich w repozytorium. Aby nie obciążać klienta koniecznością organizowania środowiska BI (zakupu sprzętu, zatrudniania dodatkowych osób w działach IT) i jeżeli dział bezpieczeństwa w danej firmie na to zezwoli, zebrane informacje mogą być przekazywane do dedykowanego środowiska w chmurze publicznej. Dopiero gdy mamy odpowiednio przygotowane dane, może rozpocząć się właściwa praca analityczna, czyli budowa modeli AI/ML.
Co jest produktem końcowym takiego ćwiczenia i co tak naprawdę „produkuje” analityka IoT? Każdy proces produkcyjny jest zależny od wielu parametrów. Jakie to są parametry i ile ich jest – to oczywiście zależy od specyfiki danego procesu u konkretnego producenta. Gdy mówimy o produkcji cegieł, a dokładnie o procesie suszenia cegieł, takimi współczynnikami, od których zależy jakość produkcji są m.in. temperatura pieca, ciśnienie panujące w piecu, wilgotność cegieł przed procesem suszenia, prędkość taśmociągu, którym poruszają się cegły, itp. Parametrem końcowym, którego należy pilnować, jest stopień wilgotności / wysuszenia cegieł. Zazwyczaj ustawianiem tych wszystkich parametrów zajmują się inżynierowie produkcji, którzy bazują na swoim wieloletnim doświadczeniu. To, co może zaoferować analityka, to optymalne ustawienie wszystkich możliwych parametrów produkcyjnych, aby osiągnąć zamierzony wskaźnik końcowy przy jednoczesnym ograniczeniu zużycia energii. Optymalne ustawienie parametrów jest podpowiedzią dla inżynierów, jak powinni w danej sytuacji zarządzić produkcją. Co więcej, jeżeli proces produkcyjny jest uzależniony np. od warunków pogodowych, które szybko się zmieniają, a sam proces charakteryzuje się niewielką inercją, analityka w czasie rzeczywistym zasugeruje odpowiednią zmianę ustawień, aby zmaksymalizować efektywność procesu produkcyjnego.
Efekty optymalizacji energetycznej
Efekty takiej optymalizacji są oczywiście zależne od konkretnej sytuacji danego przedsiębiorcy, zaawansowania technicznego procesu produkcyjnego, doświadczenia inżynierów, itd. Im więcej parametrów wpływających na efektywność procesu i im mniejsze zaawansowanie techniczne, tym większych efektów można się spodziewać. Bazując na już zrealizowanych projektach u klientów, posiadających zaawansowane i nowoczesne rozwiązania produkcyjne, można osiągnąć nawet 10-20% oszczędności na zużyciu energii dzięki analityce IoT. Biorąc pod uwagę skalę działalności (im większa, tym większe efekty) i koszt rozwiązań analitycznych (koszt wdrożenia, koszty licencji, koszty korzystania z chmury, koszty serwisowania) okres zwrotu z inwestycji może być krótszy niż kilkanaście miesięcy. Dodatkowo należy też wspomnieć o możliwości uzyskania dofinansowania (bezzwrotne dotacje oraz preferencyjne kredyty) takich rozwiązań nawet do 70-80% wszystkich kosztów z istniejących funduszy europejskich i być może wkrótce również z Krajowego Planu Odbudowy. W przypadku uzyskania takiego dofinansowania, kwestia finansowej opłacalności tego typu rozwiązania wydaje się dość oczywista i nie wymaga komentarza.
Inne rozwiązania dla przemysłu
Oprócz rozwiązania wspomagającego zwiększenie efektywności energetycznej analityka IoT wspiera również inne elementy procesu produkcyjnego, takie jak kontrola jakości czy prewencyjne serwisowanie.
Rozwiązanie dotyczące wspomagania kontroli jakości wspomaga lub zastępuje istniejące rozwiązania (często polegające na wybiórczej ręcznej kontroli jakości produktu), wykorzystując np. technikę analizy obrazu. Kontroli podlegają wszystkie produkty z danej serii. Dokonywana jest analiza defektów i czynników wpływających na pojawianie się defektów, co wspiera proces ustawienia parametrów produkcyjnych w taki sposób, aby zmniejszyć odsetek wadliwych produktów. Optymalizacji podlega ustawienie parametrów produkcyjnych, a minimalizacji odsetek wadliwych produktów. Efektem dla producenta oprócz niższego odsetka wadliwej produkcji jest zmniejszenie liczby reklamacji, zmniejszenie kosztów operacyjnych procesu kontroli jakości i tym samym poprawienie efektywności całego procesu produkcyjnego.
Prewencyjne serwisowanie z kolei polega na analitycznym prognozowaniu wystąpienia awarii produkcyjnych środków trwałych, co pozwala na wcześniejszą reakcję producenta – zaplanowanie przestoju danej linii produkcyjnej oraz uniknięcie dodatkowych kosztów związanych z awarią maszyn czy nieplanowanym wstrzymaniem produkcji i koniecznością zapłacenia kar za niedotrzymanie terminów.
Współczesne narzędzia analityczne oparte o podejście low/no-code są na tyle proste, że klienci wykorzystujący rozwiązania oparte o analitykę IoT nie potrzebują rozbudowanych zespołów specjalistów data science. Po implementacji takiego rozwiązania i przeszkoleniu inżynierów produkcji, wystarczy dbać o serwisowanie hardware’u i aktualizowanie oprogramowania a organizacje będą mogły cały czas korzystać z benefitów produktów analitycznych. I być może właśnie w ten sposób rozpoczniemy długo oczekiwaną rewolucję IoT.
