Napjainkban már az ipari adatelemzéshez kapcsolódóan nem csak az egyhelyben álló, klasszikus SCADA adatgyűjtéssel találkozhatunk, hanem egyre több helyen kerül kiépítésre beltéri lokalizációs szenzorhálózat. Ezzel a szenzorhálózattal a beltéri mozgások is figyelhetők, mérhetők, legyen az akár egy ember mozgása (például operátoroké), vagy gépeké (pl. targoncáké). A mért pozícióadatokból elemző szoftverrendszerek segítségével olyan betekintést nyerhetünk az üzemek működési dinamikájába, amelyeket az álló helyzetű gépekre telepített szenzorokból nehezen következtethetünk ki – például megtudhatjuk, hogy egy leállás oka egy belső alkatrészt szállító automata targonca késése volt.
Ezek, a máshogyan nehezen (vagy egyáltalán nem) kinyerhető információk vonzóvá teszik egy beltéri pozícióelemző rendszer bevezetését, azonban a rendszer bevezetése alapos tervezést igényel, sok olyan szempontot figyelembe kell vennünk, amelyekre a beruházás eldöntésekor még nem gondoltunk.
A Mortoff kft. által készített MITRAS (Mortoff Indoor TRAcking System – https://mitras.mortoff.hu) rendszer fejlesztésekor ezeket a felmerülő problémákat körüljárva, olyan rendszert igyekeztünk kiépíteni, amely a jelenleg ismert integrációs, üzemeltetési, bevezetési problémákra rugalmas választ tud adni és a pozícióadatokból az üzem hatékonyságát növelő információkat tud képezni.
Lokációs rendszer bevezetési problémái
A szenzorhálózat
Az egyik legfontosabb, legnehezebb kérdés a szenzorhálózat kiválasztása és kiépítése. Ez önmagában sem egy egyszerű feladat, sok szempontot figyelembe kell venni a használandó technológia kiválasztásánál – sőt, nagy valószínűséggel hozhatunk olyan döntést is, amely több technológia használatát eredményezi majd.
Nagyon fontos szempont a fizikai/kémiai környezet: az egyes üzemcsarnokok, épületek karakterisztikája ezen a téren jelentős eltéréseket tud mutatni.
Egy állattenyésztő telepen található környezet, vagy éppen egy fémmegmunkáló csarnok környezete között jelentős különbség lehet például páratartalomban, hőmérsékletben. De az állandó környezeti hatásokon kívül figyelembe kell vennünk azt is, hogy az üzem életciklusa alatt milyen egyedi vagy ritkán előforduló hatásokat kell a szenzorhálózatnak kibírnia – például savas mosás.
A szenzorhálózat kialakításánál figyelembe kell venni azokat a korlátozó és befolyásoló tényezőket, amelyek az egyes műszaki megoldások pontosságát, használhatóságát befolyásolják.
Tapasztalatunk alapján az Ultra-Wide Band rádiófrekvenciás azonosítás esetén az elektromágneses interferencia és a többutas jeltovábbítás okozhat olyan problémákat, amelyeket nehéz szoftveres jelfeldolgozással is kiszűrni, és ez csökkenti a terület geometriájától függően a pontosságot.
A pontosság javítható tanuló algoritmusokkal, előre ismert pozíciójú referenciapontokat használva.
Szoftveres illesztések, adatsilók
Az előzőekben említett problémák miatt érdemes olyan szoftveres megoldást választani, amely agnosztikus a helymeghatározó rendszer fizikai megvalósítását illetően, és interfész-illesztéssel többféle helymeghatározó rendszerből tud adatot fogadni, ezzel integrálni lehet az egyes technológiák által nyújtott adatfolyamokat.
Célszerű olyan eszközt választani, amelyik nem csak a helyadatok fogadására és feldolgozására képes, hanem a helyben álló gépeken mért adatokat is képes befogadni és feldolgozni. Ezzel elkerülhető az a probléma, amellyel sok, ipari digitalizációs transzformációt véghez vivő vállalat találkozik: az egyes, különböző területekre szakosodott adatgyűjtések és digitalizációs megoldások adatai silókban érhetők el, azokat csak a megoldásszállító célszoftverével lehet elérni, külső eszközökkel nem.
A szabványos interfészeket használó adatintegráció főként a 2000-es évek elejével, a szolgáltatásorientált architektúrák megjelenésével kapott fókuszt a szoftveriparban, az ott kialakult architekturális minták (pl. service bus, üzenetsor) és protokollok felhasználhatók arra, hogy ezeket a rendszereket egységesen kezeljük és a szenzorokból bejövő információt felhasználjuk.
Felhő vagy nem felhő?
A ma elterjedt szolgáltatási modellekben (SaaS) előszeretettel építenek ki olyan lokációs megoldásokat, ahol a szenzorhálózat nyers adatai valamilyen protokollon keresztül először a felhőbe kerülnek, hogy ott történjen meg az adatfeldolgozás, szűrés. A felhőalapú megoldásoknak az előnye a rugalmas erőforrás-felhasználás (és az ezzel járó rugalmasabb finanszírozás), azonban nagyon komoly adatvédelmi aggályokat is felvethet az ilyen jellegű, általában előfizetéses modell. Nem minden esetben engedheti meg egy üzem, hogy az OT hálózat adatait kiengedi kapun kívülre és kritikus biztonságú adatok hagyják el valós időben az üzemet.
Tapasztalatunk alapján azonban egyre többen kezdik el feladni félelmüket a felhőtől, és a külső félre átruházott üzemeltetési, adattárolási, adatbiztosítási feladatokat kezelhető kockázatnak minősítik.
Amennyiben felhő, felmerül sok esetben, hogy melyik felhő? Azt tapasztaltuk, hogy a vállalatok informatikai stratégiájában általában valamelyik nagy felhőszolgáltató (Amazon AWS, Microsoft Azure vagy Google Cloud Platform) által nyújtott eszközökre építenek, és nem deklarált cél a multi-cloud működés, vagy a felhőszolgáltató-független működés. Vannak olyan vállalatok is, amelyek saját privát vagy hibrid felhőmegoldást építenek ki, általában Kubernetes alapokon. A MITRAS elkészítése során ügyeltünk arra, hogy ki tudjuk szolgálni ezt a sokrétű igényt, és képesek vagyunk teljesen on-premise működésre, de felhős működésre is – függetlenül attól, hogy melyik felhőről van szó.
A beltéri lokációból egyszerűen kinyerhető információk
A beltéri helyzetadatok önmagukban még nem értékesek, azokból különböző elemzési algoritmusokkal információt kell képeznünk.
Az a tapasztalatunk, hogy egyszerűen számítható, már-már triviálisnak mondható statisztikákkal is nagyon hasznos információkat nyerhetünk ki a gyűjtött helyadatokból.
Baleset-megelőzés
Az egyik leghasznosabb statisztika az átlagsebesség, ugyanis tapasztalat az, hogy vannak olyan műszakok (tipikusan éjjel, hétvégente, illetve amikor alacsonyabb a termelési szint és kisebb a jelenlét), amikor a vezetett targoncákat, járműveket előszeretettel üzemeltetik az előírt sebességkorlátozásokat megszegve – túl nagy sebességgel haladnak egy üzemben. Ez egyrészt rendkívül balesetveszélyes, másrészt a járművek élettartamára is káros hatással van. Az ilyen felelőtlen használat akár halálos kimenetelű balesetet is okozhat.
A helyzetadatokból számított sebességből és a rá épített riasztási funkcionalitásból azonban ezek valós időben kiszűrhetők és kezelhetők.
Eszköz-kihasználtság
Egy másik nagyon könnyen számítható, de hasznos statisztika az adott időintervallumon belül megtett teljes úthossz, valamint a mozgással töltött idő. Ebből az egyes eszközök kihasználtságára tudunk következtetni.
Találkoztunk olyan esettel, ahol az üzemcsarnokban a dolgozók megszokásból csak a rendelkezésre álló eszközpark egy kis részét használták, azonban azokat szinte folyamatosan. Ez két szempontból nézve is fontos üzleti problémát tud okozni: az egyes túlhasznált eszközöknek megnő a karbantartási igénye, és korábban selejtezendők, illetve a másik oldalról nézve rengeteg eszköz került beszerzésre és kihasználatlan. Egyszerű összehasonlító elemzéssel követhető és kimutatható a lokációadatokból automatikusan, hogy van-e ilyen eszköz az üzemcsarnokon belül.
Forró pontok
Ezeken az egyszerű numerikus információkon kívül nagyon hasznosak a különféle hőtérképes statisztikák is, ebből kiemelendő az útvonali hőtérképek statisztikája. Útvonali hőtérkép esetén az elterjedt kétdimenziós hőtérképekhez képest nem a teljes területet fedjük le térképszerűen, hanem a járművek vagy operátorok által mozgásra előírt útvonalakon képzünk hőtérképet az útvonal egyes szakaszain töltött idő alapján. Számításuk történhet többféleképpen, például az adott időintervallumban és útvonalszakaszon történt tartózkodási idők átlaga, maximuma, összege alapján.
Ezzel kimutatható, hogy van-e olyan forró pont az üzem területén belül, amelyen a vártnál több időt tartózkodnak a mozgó egységek – például van-e olyan terület, ahol egy automatikus targonca rendszeresen leáll, vagy lecsökkenti a sebességét, annak ellenére, hogy ott tervezett megállója nincsen. Ez történhet akár amiatt is, mert a nyomkövetési információ (pl. mágneses jel) az adott helyen nehezen olvasható a targonca számára. Az ilyen jellegű hibákat, karbantartási igényeket is fel lehet ismerni útvonali hőtérképek időbeni változásaival.
Megérkezési idő előrejelzése
Az egyes útvonalak bejárását rögzítve, a múltbeli tényadatok felhasználásával, azokból (tipikusan csúszóablakos) statisztikát képezve, és összevetve a valós időben mért adatokkal, előre jelezhetjük, hogy egy adott targonca az elinduláshoz képest mikor fog egy állomásra odaérni, mikor tudja teljesíteni a szállítási feladatot.
Mivel az adatok rögzítése és a statisztikák képzése automatikus, ezért az időszakosan változó helyzeteket (például a már említett útvonal-karbantartások) emberi beavatkozás nélkül követi a megérkezési idő becslése.
Záró gondolat
Az európai, azon belül magyarországi Ipar 4.0 forradalom egyik sarokköve az üzemeken belüli helyzetmeghatározó rendszerek kiépítése, azonban a felmerülő környezeti, informatikai, integrációs, adatbiztonsági problémák miatt csak alapos tervezéssel kezdhetünk bele a bevezetésébe.
Egy ilyen rendszer hatékonyságát csak növelni tudja az, ha a többi mérőrendszer által gyűjtött adatokat integráljuk a helyzetinformációkkal és így képezünk komplex kimutatásokat, azonban tapasztalatunk azt mutatja, hogy a bevezetés már nagyon hamar megtérülhet, ugyanis az üzemekben található hatékony termelést gátló mozgások jelentős része már nagyon elemi statisztikák segítségével kimutatható és megszüntethető.
További információ: mitras.mortoff.hu
