COVID-19 stimule l'acquisition de données et l'évolution de l'analyse

Les stratégies d'acquisition de données évoluent à l'ère du COVID-19, en raison des exigences accrues en matière de visualisation des données à distance et de décisions en temps réel basées sur les données. Les systèmes d'interface homme-machine (IHM) et de contrôle de supervision et d'acquisition de données (SCADA) deviennent encore plus importants pour réaliser la transformation numérique, car ils peuvent effectuer des analyses sur les appareils périphériques, offrant l'agilité et la résilience essentielles au succès.

Connexion avec les nouveaux et anciens capteurs

Les instruments traditionnels et les nouveaux capteurs de l'Internet des objets (IoT) installés sur les équipements de terrain sont à proximité des appareils périphériques, qui peuvent à leur tour capturer de grandes quantités de données produites telles que les pressions de pompe ou les conditions de fonctionnement de la machine. International Data Corporation (IDC) prévoit que 79,4 zettaoctets de données seront créés par l'IoT seul en 20251, mais toutes ces données brutes ne produiront pas nécessairement des informations. Au lieu de cela, la valeur ne sera créée qu'en obtenant et en appliquant des informations, des connaissances et des idées issues de l'analyse de données brutes, permettant aux utilisateurs finaux d'améliorer les processus.

Des solutions de capteurs intelligents sont disponibles aujourd'hui pour compresser, filtrer ou convertir des signaux en temps réel dans le format souhaité pour l'analyse ; Cependant, de nombreux appareils hérités sont déjà en service avec des protocoles propriétaires qui doivent également être inclus pour une transformation complète basée sur les données. Étant donné que les installations logicielles IHM/SCADA sont déjà proches de la périphérie, il est naturel et pratique d'utiliser ce logiciel à la fois pour communiquer avec les appareils existants et pour collaborer avec des capteurs intelligents afin de prendre en charge la prise de décision en temps réel et basée sur les données.

Apporter l'analyse à la périphérie

Le logiciel IHM/SCADA capable d'effectuer des analyses avancées sur les appareils périphériques jouera un rôle central dans le contrôle, la visualisation et la formulation d'informations et de connaissances à partir de données en temps réel. Parce qu'il est déjà utilisé pour la visualisation et le contrôle, le logiciel IHM/SCADA assure actuellement la surveillance et le contrôle des opérations (Figure 1).

À l'avenir, les logiciels IHM/SCADA peuvent fournir un contexte essentiel aux données en temps réel pour soutenir la prise de décision basée sur les données. Il peut également détecter des modèles connus et découvrir des anomalies, et peut prédire et avertir les opérateurs d'une défaillance imminente bien à l'avance. L'inférence et l'action locale peuvent être gérées sur l'appareil périphérique ou le serveur périphérique, tandis que les données agrégées ou la modélisation prédictive peuvent être effectuées dans le cloud. L'analyse avancée étend les capacités traditionnelles de l'IHM/SCADA afin que les utilisateurs puissent comprendre la cause profonde des événements et des comportements, ainsi que prédire les conditions futures.

Le déploiement d'applications IHM/SCADA mobiles avec analyse à la périphérie du réseau offre aux organisations un niveau supplémentaire de flexibilité pour prendre en charge des services mobiles intelligents pour les travailleurs distants. Ces applications mobiles peuvent tirer parti de la collecte de données riches à partir d'appareils distants et les partager avec un serveur périphérique pour une agrégation et une analyse plus poussées avant de les envoyer dans le cloud pour la modélisation de la machine et d'autres analyses.

L'intégration étroite de l'analytique avec les applications IHM/SCADA, définies comme l'analytique embarquée, est en augmentation en raison de la nécessité de transformer les données en connaissances. Allied Market Research prévoit que le marché de l'analytique embarquée passera de 25,13 milliards de dollars en 2016 à 60,28 milliards de dollars d'ici 2023 application.

Les résultats des analyses intégrées incluent des indicateurs de performance clés (KPI), des évaluations statistiques et des alertes proches de l'endroit où les opérateurs font leur travail et où les décisions sont prises. Cette demande de pousser la transformation numérique plus près de la périphérie où les données sont collectées existe en raison de la pression pour prendre plus rapidement des décisions basées sur les données. Avec la nécessité d'accélérer les réponses en temps quasi réel, les opérateurs n'ont plus le temps de retourner à la salle de contrôle pour l'analyse.

Apprentissage automatique et algorithmes

L'analyse de données extrait des informations significatives à partir de sources de données en temps réel et d'autres sources. L'apprentissage automatique est une forme d'analyse utilisant des algorithmes pour extraire des données, en tirer des enseignements, puis prévoir l'avenir en fonction des données historiques. Les algorithmes transforment un ensemble de données en modèle. La méthode optimale de formation ou d'apprentissage des algorithmes dépend du type de problèmes à résoudre, des ressources informatiques disponibles et de la nature des données. Deux principales méthodes d'apprentissage sont supervisées et non supervisées.

Avec l'apprentissage supervisé, un algorithme est présenté avec un ensemble d'entrées ainsi que leurs sorties souhaitées (également appelées étiquettes). L'objectif est de découvrir une règle qui permet à l'ordinateur de décomposer essentiellement les relations et d'apprendre quelles données d'entrée sont mappées aux sorties et comment.

Avec l'apprentissage non supervisé, un algorithme est présenté avec un ensemble d'entrées mais pas de sorties souhaitées (étiquettes), ce qui signifie que l'algorithme doit trouver lui-même une structure et des modèles lorsqu'il évalue et classe des milliers de points de données en fonction des modèles découverts. Il existe quatre catégories d'analyses traditionnelles :descriptives, diagnostiques, prédictives et prescriptives, une cinquième émergeant sous la forme d'analyses cognitives.

L'analyse descriptive répond à la question « Que se passe-t-il ? Basé sur des données en temps réel et passées, il recueille des informations sur la performance du processus en fournissant un contexte aux données. Basées sur des données en temps réel, les applications IHM/SCADA utilisant l'analyse descriptive fournissent une visualisation de ce qui se passe, annoncent des alarmes pour les opérateurs et fournissent des détails tels que la date/l'heure de l'événement, les valeurs associées et les informations sur la machine.

L'analyse diagnostique s'appuie sur l'analyse descriptive pour répondre à la question :"Pourquoi cela s'est-il produit ?" L'analyse diagnostique utilise des statistiques pour trouver des modèles et offrir des informations sur les données en temps réel. Les utilisations typiques sont l'identification des anomalies et des causes profondes (Figure 2).

L'analyse prédictive s'appuie sur l'analyse diagnostique pour répondre à la question :"Que se passera-t-il dans le futur et pourquoi ?" L'analyse prédictive exploite les mêmes données historiques que les deux types d'analyse précédents pour créer des modèles mathématiques qui peuvent être utilisés pour faire des déductions sur ce qui se passera dans le futur, avertissant les opérateurs des événements futurs ayant un impact sur la productivité (Figure 3). Il existe plusieurs outils utilisés pour l'analyse prédictive, notamment :

• Détection d'anomalies, qui répond à la question « Le comportement est-il anormal ? » Il trouve des données qui ne sont pas conformes à un modèle attendu.

• Classification, qui répond à la question « Cette machine ou ce processus échouera-t-il ? Il classe les données en catégories binaires telles que « Ce produit présente-t-il un défaut ? Oui ou non."

• La classification multi-classes tente de répondre à la question :"Cette machine ou ce processus échouera-t-il pour la raison X ?" Il classe les données dans l'une des trois catégories ou plus telles que « Quel type de défaut de qualité ce produit présente-t-il ? Mineur, majeur ou critique ?"

• La régression répond à la question "Combien de temps avant que cette machine ou ce processus échoue ?" La régression utilise des processus statistiques pour estimer les relations entre une variable dépendante et une ou plusieurs variables indépendantes.

L'analyse prescriptive s'appuie sur l'analyse prédictive pour répondre à la question « Que devons-nous faire ? L'analyse prescriptive fournit des modèles pour informer les opérateurs des actions recommandées. Les algorithmes d'optimisation et de simulation sont souvent utilisés pour l'analyse prescriptive. L'IHM/SCADA fonctionnant avec l'analyse prescriptive peut prescrire plusieurs actions possibles différentes et guider les opérateurs vers une solution.

L'analyse cognitive s'appuie sur l'analyse prescriptive pour répondre à la question « Pourquoi devrais-je le faire ? » L'analyse cognitive utilise des techniques d'algorithmes d'auto-apprentissage et d'apprentissage en profondeur pour émuler la pensée humaine.

Compréhension de niveau supérieur

Les analyses descriptives et diagnostiques utilisent des données passées pour expliquer ce qui s'est passé et pourquoi cela s'est produit, tandis que les analyses prédictives, prescriptives et cognitives utilisent des données historiques pour prévoir ce qui se passera dans le futur ainsi que les mesures à prendre pour affecter un résultat spécifique. Dans de nombreux cas, plusieurs analyses et algorithmes sont utilisés simultanément, avec des résultats agrégés pour une meilleure prise de décision.

Le logiciel IHM/SCADA déployé sur un périphérique périphérique peut être un facteur clé pour fournir des analyses permettant aux organisations de prendre de meilleures décisions basées sur les données, même à partir d'emplacements distants, améliorant ainsi la compétitivité.

S'il y a un côté positif à la pandémie de COVID-19, c'est la façon dont les entreprises apprennent à adapter leurs modèles commerciaux à une prise de décision plus en temps réel et basée sur les données. En créant une plus grande visibilité à distance des processus utilisant des personnes, des équipements, des matières premières et des installations, les entreprises découvrent qu'elles peuvent fonctionner de manière plus optimale en établissant des liens plus étroits avec les clients, les employés et les fournisseurs.

Cet article a été écrit par Bruno Armond Crepaldi, directeur de la technologie chez ADISRA (Austin, TX). Pour plus d'informations, rendez-vous ici .

Références

1. 18 juin 2019 – La croissance des appareils IoT connectés devrait générer 79,4 Zo de données en 2025, selon une nouvelle prévision d'IDC.
2. 1er juin 2020 – Le marché mondial de l'analyse intégrée devrait atteindre 60,28 milliards de dollars d'ici 2023 :AMR.