Digitalizace dat a jejich následné efektivní využití v inteligentní výrobě a logistice ovšem přináší podnikům nové výzvy. Klíčovou otázkou je, jak zpracovat údaje, abychom z nich dostali informace, které přinesou podniku reálnou hodnotu.

Podle nejnovější studie Market Research Future (MRFR) by měl globální trh s datovou analytikou zaznamenat až 30% nárůst během období 2017–2023. Podobný nárůst zaznamenává i trh s technologiemi internetu věcí (IoT), který sběr široké škály a množství dat radikálně znásobil. IDC odhaduje, že až 80 % velkých výrobců zavede IoT a datovou analytiku do svých procesů do roku 2020. Rychlost adopce obou těchto nových technologií jen potvrzuje jejich přínosy pro průmyslové podniky.

Mezi nejčastějšími důvody implementace uvádí podniky snižování provozních nákladů, zvyšování úrovně služeb poskytovaných koncovým zákazníkům, či vytváření simulací a prognóz prostřednictvím využití historických dat, jež usnadňují rozhodování v komplexních procesech. Průmyslový internet věcí a velká data představují inherentní součást inteligentního průmyslu a Smart Industry řešení, protože umožňují optimalizaci procesů ve výrobních a materiálových tocích. Urychlují také rozhodovací procesy na všech úrovních řízení, neboť údaje a analýzy jsou již dostupné v reálném čase.

Zavádění kyberneticko-fyzikálních systémů, představujících novou generaci systémů s integrovanými počítačovými a fyzikálními členy, znamená expanzivní nárůst výrobních dat, která bude muset komplexní IT infrastruktura sbírat, archivovat, zpracovávat a vyhodnocovat. Navíc sběr dat a jejich analýza představuje vstupní bránu výrobních a logistických podniků k digitální transformaci, který jim umožní horizontální a vertikální integraci hodnotových řetězců.

Pokud chce podnik vytěžit co nejvíce z vlastních dat, měl by se zaměřit na čtyři zásadní oblasti:

• Datový management,
• datovou analytiku,
• vizualizaci dat
• a jejich bezpečnost.

Datový management

Základním předpokladem úspěšné a funkční digitální transformace je správný datový management, který sestává ze tří stupňů: integrace, kontextualizace a sémantizace dat.

Díky nárůstu množství instalovaných senzorů každým rokem narůstá i množství vygenerovaných dat. Tím stoupá i objem informací, které se v nich ukrývají. Výrobní či logistická data však pocházejí i z dalších zdrojů, jakými jsou podnikem používané informační systémy (MES/MOM systémy, WMS, MRP, ERP, APS, SCADA a jiné). S počtem a druhem zařízení připojených do podnikového internetu věcí narůstá i různorodost dat a nekompatibilnost jejich formátů. Data mohou být navíc heterogenní na úrovni formy, jako jsou například texty, poznámky, reporty, či záznamy vytvořené operátory, ale i na úrovni struktury (odlišná míra strukturovatelnosti). Informační systémy proto musí být schopny zpracovávat strukturovaná i nestrukturovaná data stejně, jako se musí být schopny vyrovnávat s chybějícími údaji. Z tohoto důvodu je nezbytná integrace dat – proces zpracování dat za účelem nabytí použitelné informace. V rámci procesu proto dochází ke snižování heterogenity na úrovni formy a struktury shromážděných údajů. Informační systém zároveň zajišťuje i centralizaci dat, což následně umožňuje jejich standardizaci a další zpracování.

Na to, aby mohly být sklizené a zpracované (standardizované) údaje vhodně použity v rozhodovacích procesech, ať už zaměstnancem, nebo algoritmem, potřebují kontext (proces kontextualizace dat). Prezentovaná informace má pomoci zaměstnanci nebo informačnímu systému uvědomovat si situaci (vzájemnou polohu, časovou souslednost, dopad na plán výroby a podobně). Právě na základě této informace dokáže člověk nebo systém přizpůsobit své reakce. Dalším příkladem kontextualizace údajů je generování rodného listu výrobku. Právě traceabilita, čili dosledovatelnost, tvoří součást informační transparentnosti jako jednoho z design principů Průmyslu 4.0. Díky této funkci je možné vystopovat celou výrobní historii konkrétního výrobku stejně jako sledovat jeho pohyb nebo přesuny materiálu napříč dodavatelským řetězcem. Jednotlivé rodné listy obsahují přesné informace o tom, kdy, kde, jak, kým a za jakých podmínek (nástroje, pracovní postupy, fyzikální veličiny apod.) byl daný produkt vyroben. Díky této sadě kontextualizovaných údajů může systém odhalovat vzorce, korelace a tendence ve výrobním a materiálovém toku, ať už ve vztahu k výrobku (nebo celé sérii), nebo výrobních zařízení (například usouvztažňování poklesu kvality výrobku a potřeby provedení údržby na konkrétním zařízení).

Kontextualizovaná data umožňují vytěžit informace, které následujícím zpracováním sémantickými modely generují znalosti. Na principu sémantizace údajů pracují také informační systémy pro operativní řízení činností (MOM systémy), aby zajistily autonomně a samoregulovatelné plánování a řízení výrobních a lidských zdrojů. Aplikací sémantických modelů (soustavy pravidel) na kontextualizované údaje lze abstrahovat relevantní znalosti a identifikovat pravidla v komplexních procesech.

Popsaný proces datového managementu lze demonstrovat na příkladu řešení autonomní koordinace výrobního toku a interní logistiky, které jsme realizovali v jednom výrobním podniku. Pochopitelně se zde začalo se sběrem dat z výrobních a dopravních zařízení. Zaměstnanci tak disponovali aktuálními a přesnými informacemi o stavech materiálů v příručních skladech i v centrálním skladu. Všechny transfery mezi jednotlivými pozicemi jsou podrobně zaznamenávány a MOM systém s nimi dále pracuje. Na základě integrace dat z výrobních zařízení a intralogistiky bylo možné vyhotovit přesný obraz materiálových toků ve výrobním procesu. Zpracování integrovaných a kontextualizovaných dat sémantickými modely umožňuje MOM systému optimalizovat výrobní tok a efektivně řídit materiálové zdroje. Díky správně nastavenému sběru a zpracování údajů zabezpečuje MOM systém autonomní, plynulou a hladkou koordinaci výrobních a dopravníkových zařízení. Podnik tak může bez problémů splňovat výrobní plán, protože má zajištěno správné a včasné splnění požadavků na přepravu materiálu.

Datová analytika

Smart Industry řešení a dostupné digitální technologie vnášejí nový rozměr i do analýzy dat. Výsledky analýz shromážděných údajů jsou dostupné v reálném čase, což rapidně snižuje reakční dobu při rozhodování. Informační systém předzpracuje a vyhodnotí data a kompetentní osoba disponuje nezbytnými podklady pro kvalifikované rozhodnutí. V praxi to znamená, že i zaměstnanci na nižších úrovních řízení mohou adekvátně a včas reagovat na mimořádné situace nebo zabránit jejich vzniku. Na druhé straně slouží datová analytika na to, aby mohly IT systémy postavené na principech kyberneticko-fyzikálních výrobních systémů disponovat vnořenými funkcemi s prvky autonomní samoregulace.

Jinou podobu využití datové analytiky představuje koncept digitálního dvojčete – virtuální kopii závodu nebo výrobních linek. Digitální dvojče pracuje s exaktními, reálnými a historickými údaji, proto se často využívá při simulačních modelech (například odhalování úzkých hrdel – snížené propustnosti ve výrobním toku nebo za účelem prediktivní údržby).

I přesto, že se prediktivní analýza začíná ve výrobních podnicích teprve zabydlovat, v blízké budoucnosti bude nahrazena analýzou preskriptivní. Preskriptivní analýza využívá soubor nástrojů, jako například simulace, neuronové sítě a strojové učení, za účelem komplexní analýzy události. V případě, kdy prediktivní analýza odhaluje, co a kdy se stane, preskriptivní analýza určuje, i proč se to stane, čímž například napomáhá při identifikaci budoucích rizik a příležitostí, ale zároveň poskytuje i doporučení, přičemž zohledňuje více možných důsledků potenciálních rozhodnutí.

S prudkým nárůstem umělé inteligence bude nacházet stále častěji uplatnění ve výrobních podnicích i strojové učení (Machine Learning) a Deep Learning, především v rámci procesů údržby zařízení a kontroly kvality. Další z očekávaných trendů, které by se měly stát součástí chytrých továren, představuje vnořená analytika. Jednotlivá výrobní a dopravní zařízení budou disponovat vlastními algoritmy, což znamená, že nabudou auto-diagnostikovatelné funkce. Zařízení budou automaticky provádět analýzy vlastních výrobních či logistických operací.

Vizualizace

Nezbytnou součást datové analytiky představuje prezentace správných dat relevantní skupině zaměstnanců. Zaměstnanci přijímající rozhodnutí potřebují mít přístup k rychle pochopitelným datům a analýzám, které jsou ve většině případů založeny na ověřených modelech uživatelské zkušenosti (UX) a intuitivních prvcích zobrazování (například ANDON systémy).

Vzhledem ke zvyšující se tendenci personalizace služeb koncovým zákazníkům, zvyšování variabilizace, flexibilní a agilní výroby se stále více využívá vizualizace kontextových údajů i na úrovni operátorů, čímž dochází k demokratizaci údajů v rámci výrobních podniků. Kromě zobrazování technicko-pracovních postupů na pracovišti mají operátoři přístup i k dodatečným informacím vázaným na specifika konkrétního produktu.

I zde mohu zmínit praktický příklad z implementace řešení za účelem optimalizace vychystávání a outbound logistiky v distribuční společnosti, které umožnilo kromě zobrazování objednávek na terminálech operátorů i zobrazení informací přesně stanovujících očekávání klienta. Takovým způsobem vizualizace kontextových údajů došlo k razantnímu snížení reklamací k dodávaným zbožím, bez navýšení pracnosti nebo provozních nákladů.

V současnosti se rozšiřuje trend virtuálních asistentů, který se projeví i v průmyslu. Stále vylepšující se rozhraní přirozeného jazyka umožní operátorům komunikovat hlasem (hlasem ovládané rozšířené rozhraní člověk–stroj) s podnikovými informačními systémy. Ti jim budou moci zprostředkovat požadované údaje i řečí. Kromě demokratizace dat v rámci podnikových procesů dojde i k jejich transformaci do multimediální podoby, což znamená, že na vyžádání budou poskytována konkrétní data (informace, poznatky) ve zvolené podobě.

Bezpečnost

S narůstajícím množstvím dostupných dat, vzájemně propojených zařízení a zařízení připojených do sítě zároveň stoupá i nebezpečí kyberútoků či zneužití firemních dat. Proto musí společnosti přistupovat ke zvýšeným bezpečnostním opatřením, aby ochránily osobní a senzitivní obchodní údaje, ale i samotná zařízení. Uložená firemní data se musí chránit v databázích, datových úložištích a souborových serverech například nezávislým monitorováním přístupů na síťové úrovni, firewallem blokujícím podezřelé transakce a útoky na databáze.

Navíc vzhledem k platným regulacím týkajícím se zabezpečení osobních údajů musí společnosti aplikovat vhodnou formu zabezpečení aplikací selektivní anonymizace při zveřejňování interních reportů nebo analýz nebo ochránit údaje maskováním dat zabraňujícím neautorizovanému použití a řešeními pro detekci anomálií. Mezi časté příčiny zneužití údajů patří krádež autorizovanými uživateli, neopatrnost či nedbalost zaměstnanců nebo infikování informačních technologií zaměstnanci. Interní kompromitaci podnikových dat zabraňují DLP bezpečnostní řešení – Data Leakage Prevention.

Výrobní podniky musí také dbát nejen na ochranu informačních systémů a jednotlivých zařízení (PLC), ale i celé IT infrastruktury, protože komplexní IoT systémy jsou náchylné na neoprávněné zásahy. Kromě firewallu zajišťujícího firemní perimetr se výrobní podniky musí chránit i vůči neoprávněným zásahům zaměstnanci v rámci prevence proti sabotáži nebo neúmyslnému ohrožení a poškození výrobních procesů a zařízení. Současná bezpečnostní řešení naštěstí disponují širokou podporou SCADA protokolů a jsou spolu s technologií Advanced Threat Prevention vhodná i do nejnáročnějších výrobních prostředí.