회사의 디지털 인텔리전스가 고갈되고 비생산적인가요?강력한 정보/데이터 “스캐폴드”는 조직 전체의 데이터 및 지식 흐름을 효율적으로 열어줍니다.
기업들은 표 1에 열거된 바와 같이 주요 장기 목표를 달성하기 위해 디지털화 프로젝트에 투자하고 있습니다.1 디지털 혁신은 기본적으로 다양한 형식의 데이터 흐름을 열고 여러 소스를 원격 및 현장 사용자에게 연결합니다.고급 아키텍처와 플랫폼을 사용하면 데이터 및 정보 전송 프로세스가 더 빨라집니다.따라서 운영 및 시장 데이터는 비즈니스 자산이며 가치가 있습니다.정보에 더 빠르게 액세스할 수 있어야 최종 목표를 달성할 수 있습니다.많은 기업이 이에 대한 답을 찾아야 합니다. 조직 전체의 데이터 흐름 및 정보 가용성 (IA) 을 지원할 수 있는 최적의 스캐폴드 (플랫폼) 가 마련되어 있습니까?
모든 데이터가 동일한 것은 아닙니다
가공 및 제조 산업은 많은 양의 데이터를 축적했지만 이를 유용한 정보로 변환하는 데 어려움을 겪고 있습니다.디지털화 프로젝트는 분석을 개선하고 예측 기능을 제공하도록 설계되었습니다.이러한 노력에는 디지털 트윈, AI, 머신 러닝 (ML) 및 예측 유지 관리 (pDM) 사용이 포함됩니다.이러한 방법에는 대량의 고품질 데이터 리소스가 필요합니다.
표 1.디지털 프로젝트의 투자 목표1
표 2.데이터에 대한 주요 우려
- 데이터 부족 또는 부족
- 데이터베이스에 대한 액세스 권한 없음 또는 제한적
- 손상된 데이터
- 누락/불완전한 데이터
- 데이터 소스 간의 잘못된 (누락된) 형식 및 태그
- 보안 문제
디지털 프로그램의 ROI는 운영 신뢰성 향상 및 안전/환경 성능 개선을 기준으로 측정되는 경우가 많습니다 (표 1).성공은 유효한 데이터의 가용성과 양, 조직 전체의 인텔리전스 흐름에 의해 좌우됩니다.모든 데이터가 동일한 것은 아닙니다.표 2에는 플랜트 및 장비 데이터에 대한 많은 우려 사항이 요약되어 있습니다.특히 고급 도구 (AI 및 ML) 의 경우 이러한 문제로 인해 최상의 알고리즘도 탈선될 수 있습니다.
데이터 소스는 어디에 있나요?
측정값 (타임스탬프가 찍힌 데이터) 은 수년 동안 수집되었습니다.그림 1은 처리 시설에 대한 일반적인 의사 결정을 보여줍니다.그림 2에서 볼 수 있듯이 생산/운영/장비 데이터는 대개 폐쇄형 루프로 흐르기 때문에 데이터베이스와 정보의 사일로가 발생합니다.표 1 목표를 달성하기 위해 필요한 데이터는 종종 연결되지 않는 많은 출처 (역사학자) 에 있을 수 있습니다.
디지털 프로젝트에서 더 높은 수준의 분석 (AI, ML, PDM 및 빅 데이터) 을 수행하려면 IA가 필요합니다.2 데이터 플랫폼 또는 아키텍처는 스캐폴딩입니다.식별된 사용자 (로컬 및 원격) 와의 데이터/정보 수집, 저장, 분석 및 공유를 지원합니다.이러한 프레이밍은 수직 및 수평 등 여러 방향에서 더 빠른 정보 공유 서비스를 제공합니다.그림 3에서 볼 수 있듯이 데이터/정보 기능은 폐쇄형 루프 시스템에서 지원되는 루프 시스템으로 이동합니다.이제 어디서나 데이터를 수집할 수 있습니다.3
가장 낮은 사용량 수준의 데이터
센서, 밸브 액추에이터, 모터 스타터 등과 같은 물리적 장치를 사용하여 공정 장비와 기계를 모니터링하고 자동화할 수 있습니다.4 디지털 혁신은 데이터 공급자를 감독 및 분석 기능에 연결합니다.이러한 관계는 인텔리전트 엣지 컴퓨팅을 비롯한 새로운 발전으로 끊임없이 변화하고 있습니다.고급 엣지 디바이스는 PC와 동일한 수준의 분석 기능을 제공합니다.4 사전 분석 기능을 사용하면 데이터 센터 작업 없이 디바이스 수준에서 중요한 작업을 시작할 수 있습니다.
자본으로 사용되는 데이터
데이터를 비즈니스 자산으로 관리하려면 데이터 및 정보가 수집되고 공유되는 방식을 평가해야 합니다.표 2에서 볼 수 있듯이 데이터 관리에 빈틈이 있으면 제품 전환, 계획된 가동 중지 시간, 장비 교체 및 처리 변경과 같은 중요한 의사 결정에 이러한 정보를 사용하는 데 대한 신뢰가 약화됩니다.디지털 프로젝트를 개발할 때 데이터 선택과 플랫폼은 중요한 결정입니다.에너지 회사들은 1990년대부터 자동화/제어 시스템에 투자해 왔습니다.기존 시스템을 통합하고 업데이트하는 것은 분석 및 최적화 프로젝트를 위한 IA를 설계하는 데 매우 중요합니다.
데이터 프로젝트는 복잡합니다!데이터와 관련된 기타 문제는 다음과 같습니다.5
- 데이터 충분성—분석 프로젝트에 필요한 데이터의 양은 얼마입니까?
- 데이터 신뢰—계측기 및 계측기의 교정 및 편향은 측정 데이터의 정확성과 신뢰성에 영향을 미칠 수 있습니다.따라서 데이터 생성 장치를 제대로 유지 관리하지 않으면 오류가 발생합니다.
- 데이터 전파—프로세스 또는 장비 변경이 기록되기까지 시간이 얼마나 걸립니까?시작 이벤트와 실패 조건 사이에 어떤 차이가 있습니까?
- 데이터 거버넌스—데이터 소유권을 다루어야 합니다.자동화된 데이터를 덮어쓰거나 변경할 수 있습니까?데이터 소스는 외부 공격으로부터 안전한가요?
데이터 저장, 공유 및 사용 방식의 관계는 계속 진화하고 있습니다.운영 및 제조 기업은 사후 대응적 입장에서 사전 대응 입장으로 전환했습니다.데이터는 투자하고 사용해야 하는 지식 통화입니다.IA는 조직에 지식, 콘텐츠 및 데이터 스캐폴딩을 제공합니다.마찬가지로 중요한 것은 IA가 조직 전체에서 AI 및 빅 데이터 분석을 지원한다는 것입니다 (그림 3).3 AI 알고리즘에는 IA가 필요하지 않을 수 있지만 결과를 적용하면 필요합니다.2
인용된 문헌
1화이트, 더글라스, “정유 및 석유화학 플랜트 운영의 디지털 혁신: 과거를 돌아보고 미래를 바라보세요”, AFPM 2020 서밋, 20-63 서밋, 2020년 8월 27일, emerson.com.
2Earley, Seth, “디지털 워크플레이스에서의 정보 흐름 간소화: 인공 및 지식 엔지니어링의 역할”, 디지털 워크포스 익스피리언스, 2020년 10월 14일, https://www.earley.com/.
3 페리노, Joe, “새로운 생태계에서의 엣지 컴퓨팅”, 2020년 8월, https://resource.stratus.com/whitepaper/edge-computing-in-the-new-ot-ecosystem/.
4이스트번, 조쉬, “엣지에서 클라우드까지 산업용 IoT 구축”, 자동화 2020, vol. 4, https://www.automation.com/getmedia/8c645082-44f0-47b6-81db-c7b6f60ac1a4/automation2020_aug_cloud_engineering.pdf.
5KBC, “디지털화 매니페스토”, https://www.kbc.global/uploads/files/whitepapers/KBC%20Digitalization%20Manifesto_US.pdf.
