Atoms and Bits

Rešenje za upravljanje održavanjem namenjeno proizvodnim preduzećima koja imaju potrebu da u realnom vremenu i znatno preciznije prate odvijanje proizvodnih procesa i rad ključnih tehničkih sistema. Rešenje se sastoji iz dva podsistema. Prvi čine standardne hardversko-softverske komponente za: prikupljanje, prenos i skladištenje podataka u digitalnom obliku. Drugu grupu čine softverska okruženja za izradu i izvršenje naprednih analitičkih modela za preventivno i prediktivno održavanje. Rešenje se oslanja na postojeće resurse i  nezavisno je od proizvođača mašina i uređaja.

Upravljanje održavanjem danas zahteva puno manuelnog rada nezavisno od toga da li su procedure zasnovane na papirnim dokumentima ili se koriste softverske aplikacije. Procedure za održavanje su unapred predefinisane, statične i skupe za primenu. Ključna vrednost našeg pristupa  je da se otkaz opreme predvidi pre nego što do njega dođe i da se sistematski radi na prevenciji njegove pojave. Obrada podataka prikupljenih sa proizvodnih postrojenja odvija se u realnom vremenu kao bi se uočili rani znaci da će doći do problema u radu i na vreme upozorilo na postojanje rizika. Manuelne i statične procedure zamanjuju se dinamičkim, fleksibilnim i automatizovanim pristupom.

Atoms and Bits rešenje za upravljanje održavanjem karakteriše:

1. Primenljivo je na proizvodne pogone bez IT infrastrukture koji mogu biti međusobno udaljeni.
2. Maksimalno se koriste postojeći resursi
3. Dugoročno je održivo zahvaljujući korišćenju senzorskih mreža i IoT platforme vodećih proizvođača koji garantuju njihov dalji razvoj, održavanje i podršku.
4. Početna investicija je minimalna i da kupac plaća samo za ono što koristi

 

Rešenje se sastoji od četiri podsistema:

1. Akvizicija podataka
2. Prenos podatka
3. IoT platforma
4. Napredna analitika i mašinsko učenje

Na nivou akvizicije podataka prikupljaju se podaci sa postojećih uređaja (npr. putem Modbus, Profibus ili CAN bus) i senzora (4-20mA), kao i sa dodatnih senzora koje je potrebno postaviti kako bi prikupili nedostajući podaci za upravljanje održavanjem. Na nivou prenosa podataka moguće su različite konfiguracije. Ukoliko se koristi veći broj senzorskih čvorova ekonomski je opravdano da se koristi uređaj koji se instalira lokalno u postrojenju i koji omogućava povezivanje velikog broja senzorskih čvorova putem radio veze male snage. Ovakav pristup rešava i probleme nepostojanja pristupa električnoj i računarskoj mreži na mestima gde je potrebno postaviti senzorske čvorove. Takođe, ovaj uređaj može posedovati i lokalno skladište podataka čime se obezbeđuje autonomija sistema kada dođe do otkaza komunikacione veze sa centralnim sistemom. Moguće je da se za komunikaciju koriste i mreže mobilnih operatera kao i wi-fi. IoT platforma upravlja sa nekoliko komponenti rešenja od kojih su ključne:

 

• IoT Hub-komponenta koja je odgovorna za pouzdanu i sigurnu komunikaciju sa senzorskim čvorovima. IoT Hub mora biti skalabilan na način da može da prihvati veliki broj poruka u kratkom vremenskom intervalu. Kako bi se postigao visok nivo bezbednosti IoT hub proverava identitet svakog uređaja koji mu šalje podatke.
• Procesori tokova podataka su softverske komponente koje prihvataju i obrađuju u realnom vremenu podatke koji pristižu preko IoT Hub-a. U skladu sa unapred definisanim pravilima generišu se upozorenja kada vrednost određenog parametra dostigne granične vrednosti. Svi prispeli podaci smeštaju u jedinstveno skladište radi dugoročnog čuvanja. Često nije dovoljno pratiti samo pojedinačne vrednosti parametra kako bi se pravovremeno kreiralo upozorenje. Ova komponenta omogućava i analizu kompleksnih događaje koji nastaju kroz interakciju tokova podataka sa većeg broja senzora kao i poređenje sa ranijim vrednostima. Generisani alarmi se ili prikazuju na portalu ili prosleđuju poslovnim aplikacijama koje pokreću odgovarajuće radne procedure.

Događaji generisani od strane procesora tokova podataka mogu biti prosleđeni na nivo napredne analitike i mašinskog učenja. Uočavanje zakonitosti analizom velikih skupova podataka postaje suviše kompleksno za ljude i prepušta se tehnikama veštačke inteligencije. U procesu mašinskog učenja primenjuju se statističke tehnike nad velikom količinom podataka u potrazi sa obrascem koji najbolje opisuje određeni problem. Na taj način kreira se model pretočen u programski kod, koji kada se primeni na odgovarajući skup podataka može da predvidi ponašanje sistema.

Opisano rešenje se zasniva na senzorskim čvorovima kompanije Libelium, Microsoft Azure IoT cloud-u i softverskim komponentama koje su razvoj Atoms and Bits d.o.o .