Dane z hali produkcyjnej jako fundament Przemysłu 4.0
Adobe Stock – Wright StudioWe współczesnej fabryce dane produkcyjne są swoistym układem nerwowym. Na każdej maszynie pracują czujniki: temperatury, wibracji czy ciśnienia. Kamera wizyjna sprawdza geometrię każdego wyprodukowanego detalu. Sterownik rejestruje czas cyklu z dokładnością do milisekund. W ciągu jednej tylko zmiany zakład produkcyjny generuje więcej danych niż przeciętna firma handlowa przez miesiąc. Problemem nie jest już więc samo gromadzenie danych, ale odpowiednie ich wykorzystanie.
Kwestia danych produkcyjnych może spędzać sen z powiek menedżerom produkcji, dyrektorom zarządzającym i inżynierom automatyki w zakładach przemysłowych. Cyfrowa transformacja przemysłu nie jest bowiem abstrakcyjnym hasłem, ale faktycznie dzieje się ona na naszych oczach. A wraz z nią firmy stają przed konkretnym dylematem, jakie informacje zbierać, jak je przesyłać, gdzie przechowywać, jak analizować i – przede wszystkim – w jaki sposób przekształcać zdobytą wiedzę w działania obniżające koszty, poprawiające jakość i skracające przestoje.
Powiązane firmy
– Przemysł 4.0 zmienia sposób podejmowania decyzji w hali produkcyjnej. Jego
fundamentem jest dostęp do danych w czasie rzeczywistym. Ale zbieranie informacji to dopiero początek drogi. Wszystko sprowadza się do pozyskiwania wiarygodnych danych produkcyjnych i inteligentnego ich wykorzystania, tak aby decyzje opierały się na faktach – mówi Rafał Rodziewicz, Account Manager w firmie Factbird.
Czujnik, który mówi do maszyny
Jednym z filarów współczesnego systemu produkcyjnego jest warstwa pomiarowa. Jeszcze dekadę temu czujnik przemysłowy robił jedno: mierzył. Wynik pomiaru trafiał do sterownika PLC, sterownik reagował, a dane znikały w buforze lub zapisywały się w lokalnej bazie na kilka tygodni, zanim zostały nadpisane.
Dziś ta logika jest nieaktualna. Inteligentne urządzenia pomiarowe (wyposażone w komunikację cyfrową, możliwość diagnozowania własnego stanu technicznego i bezpośredniego połączenia z siecią) tworzą razem to, co nazywamy Przemysłowym Internetem Rzeczy (IIoT). To nie tylko czujniki temperatury czy ciśnienia. To analizatory jakości energii, sondy pomiarowe zintegrowane z obrabiarkami, enkodery liniowe i obrotowe, systemy wizyjne, a nawet urządzenia noszone przez operatorów monitorujące ich kondycję, a następnie korelujące ją z danymi o jakości
wykonywanej pracy.
Mikołaj Hausmann, MTP Applications and Support Manager w firmie Renishaw,
trafnie ujmuje tę zmianę: – Dane pomiarowe są dziś fundamentem cyfrowego obrazu produkcji. Jeszcze kilka lat temu traktowano je głównie jako zapis historyczny lub narzędzie kontroli jakości. W realiach Przemysłu 4.0 stały się żywym źródłem wiedzy o procesie – pozwalają obserwować go w czasie rzeczywistym, identyfikować odchylenia, przewidywać problemy i podejmować decyzje w oparciu o fakty, a nie intuicję.
Takie podejście zawiera w sobie jeden z najważniejszych przełomów koncepcyjnych ostatnich lat: dane z produkcji przestają być archiwum i obrazem tego, co się wydarzyło, a stają się narzędziem sterowania – mogą bowiem realnie wpływać na przyszłość.
Paradoks nadmiaru
Jednak tu często zaczyna się pułapka, w którą wpada wiele firm ambitnie podchodzących do cyfryzacji. Z pozoru logika jest słuszna: jeśli dane są cenne, to więcej danych oznacza większą wartość. W efekcie inwestuje się w setki czujników, zbiera terabajty informacji miesięcznie, buduje imponujące dashboardy – i odkrywa, że faktycznie używa się mniej niż 10% zebranych danych. A do podejmowania naprawdę wartościowych decyzji wystarcza jeszcze mniejszy ich ułamek.
Rafał Rodziewicz obserwuje to przy okazji częstych wdrożeń w polskich fabrykach: – Prawdziwym problemem nie jest ilość danych, lecz ich jakość i kontekst. Czujnik może rejestrować tysiące odczytów na minutę – ale jeśli nie wiemy, co jest mierzone i w jakich warunkach, te odczyty są bezwartościowe.
Problem często zaczyna się jeszcze wcześniej – na etapie struktury systemu. Dane ze sterowników PLC, systemu ERP, różnych baz danych i arkuszy kalkulacyjnych często żyją w osobnych silosach. Informacje są, ale są niespójne, trudno dostępne i niemożliwe do skorelowania. Jak zauważa Rafał Rodziewicz, obecnie w środowisku przemysłowym o wszystkim decydują małe szczegóły: – Jeśli rejestrowanie danych trwa zbyt długo, ludzie szukają skrótów. Jeśli kategorie są niejasne, każda zmiana wypracowuje własną interpretację danych. Liczby wciąż się pojawiają, ale stają się nieporównywalne i niewiarygodne. Nie można śledzić tej samej straty od jednej zmiany do drugiej, a działania następcze zamieniają się w dyskusję zamiast w działanie.
Kluczowa zmiana, na którą wskazuje Mikołaj Hausmann, polega na tym, że dane muszą zacząć tworzyć spójny ekosystem. – Dane z maszyn, urządzeń i linii produkcyjnych przestają być „rozsiane” po różnych systemach. Takie podejście realizują m.in. inteligentne platformy danych produkcyjnych, jak np. oferowana przez nas platforma CENTRAL, które porządkują informacje i nadają im kontekst procesowy – wyjaśnia ekspert firmy Renishaw.
Polska specyfika: maszyny z różnych epok
Polskie zakłady produkcyjne mają swoją specyfikę, która komplikuje wdrożenie jednolitego systemu gromadzenia danych. Są nią maszyny z różnych generacji technologicznych, które nierzadko stoją obok siebie na tej samej hali. Nowoczesne centrum obróbcze CNC z interfejsem OPC UA, pełną diagnostyką i natywną Eksperci komunikacją sieciową sąsiaduje z tokarką rewolwerową z ubiegłego wieku. Obie maszyny muszą być w jakiś sposób włączone do systemu danych, bo przecież produkują detale i mogą się zepsuć.
Rafał Rodziewicz mierzy się z tym problemem na co dzień: – Polska hala produkcyjna to często maszyny z zupełnie różnych epok – nowoczesne centrum CNC stojące obok tokarki z lat 90. Integracja tak różnorodnego parku maszynowego w jeden strumień danych wymaga zarówno kompetencji inżynierskich, jak i elastycznego sprzętu do zbierania danych. Kluczem jest urządzenie brzegowe komunikujące się zarówno z nowymi, jak i starszymi maszynami bez ingerencji w ich sterowanie.
To ostatnie zastrzeżenie – „bez ingerencji w sterowanie” – jest w kontekście produkcji przemysłowej krytyczne. Żaden dyrektor produkcji nie zgodzi się na podłączenie zewnętrznego urządzenia do sterownika maszyny produkcyjnej w sposób, który mógłby zakłócić jej pracę. Nowoczesne urządzenia brzegowe rozwiązują ten problem przez pasywny odczyt sygnałów: liczniki cykli, sygnały I/O, pomiary napięcia i prądu – bez żadnej ingerencji w logikę sterowania.
Mikołaj Hausmann wskazuje na typowe problemy związane z przetwarzaniem danych: – W praktyce wąskie gardła pojawiają się na styku starszego sprzętu, wielu protokołów komunikacyjnych i złożonych architektur IT. Często problemem nie jest brak danych, lecz ich nadmiar, niespójność lub opóźnienia. Dochodzi do tego kwestia bezpieczeństwa – dlatego coraz więcej firm decyduje się na rozwiązania, takie jak wspomniana już platforma CENTRAL, w których dane gromadzone są na lokalnym serwerze. Taka architektura upraszcza integrację, ogranicza ryzyko wycieków i daje pełną kontrolę nad informacją produkcyjną.
Architektura systemu danych produkcyjnych
Droga danych od czujnika do menedżera przebiega przez kilka warstw, z których każda pełni inną funkcję i wymaga innych technologii.
Warstwa sensoryczna to wszystko, co bezpośrednio wiąże się z procesem: czujniki, sondy pomiarowe, enkodery, kamery wizyjne, analizatory parametrów mediów. Ich zadaniem jest wierne zarejestrowanie stanu fizycznego procesu.
Warstwa edge to lokalne przetwarzanie danych – komputery przemysłowe lub są wstępnie filtrowane, agregowane i oceniane pod kątem istotności. To właśnie na tym poziomie działa coraz szerzej stosowana koncepcja Edge AI – przeniesienie algorytmów sztucznej inteligencji bezpośrednio na urządzenie brzegowe, aby decyzje były podejmowane lokalnie, bez czekania na odpowiedź z serwera.
W tradycyjnym modelu dane z czujnika wędrują do chmury, algorytm AI je analizuje, wynik wraca do maszyny – i cały ten cykl trwa setki milisekund. W wielu aplikacjach produkcyjnych to akceptowalne opóźnienie. W kontroli jakości inline, gdzie decyzja o odrzuceniu detalu musi zapaść w trakcie procesu, lub w sterowaniu predykcyjnym maszyny pracującej z częstotliwością kilkudziesięciu cykli na minutę – to już zdecydowanie za długo. Edge AI skraca ten czas do milisekund, eliminuje zależność od łącza internetowego i pozwala wrażliwym danym produkcyjnym pozostać w granicach zakładu.
Warstwa chmury i analityki to miejsce, gdzie dane z wielu maszyn, linii i zakładów są agregowane, przechowywane w długim horyzoncie czasowym oraz poddawane zaawansowanej analizie. To tu żyją dashboardy dla kierownictwa, tworzy się modele predykcyjne, raporty ESG i systemy wykrywania anomalii.
Mariusz Szwagrzyk, Marketing Intelligence Manager w Endress+Hauser Polska,
opisuje kierunek, w którym zmierza obecnie przemysł: – W Endress+Hauser przeszliśmy od „zbierania wszystkiego” do świadomego zarządzania danymi. Urządzenia dostarczają nie tylko wartości pomiarowe, ale pełen kontekst procesu – jakość produkcji i kondycję instalacji, co pozwala oddzielić dane istotne od szumu. Zakłady mogą selekcjonować dane pod cele biznesowe (jakość, koszty, ESG), agregować je w struktury Big Data i angażować AI do wsparcia człowieka
w podejmowaniu decyzji. W praktyce oznacza to integrację danych procesowych i technicznych (IT/OT), ich analizę oraz wizualizację w systemach MES, ERP, DCS/PLC, a także w chmurze.
Protokoły i standardy: mapa niejednorodnego świata
Jednym z największych praktycznych wyzwań integracji danych w przemyśle jest heterogeniczność protokołów komunikacyjnych. OPC UA, MQTT, HART, IO-Link, Modbus, PROFINET, EtherNet/IP – to tylko część alfabetu, którym posługują się urządzenia na hali produkcyjnej. Czy istnieje już dominujący standard? Według Mariusza Szwagrzyka nie ma dziś jednego dominującego standardu – rynek pozostaje zróżnicowany. Dlatego stosuje się architekturę otwartą, co pozwala integrować dane z różnych źródeł.
– W swoim podejściu wykorzystujemy otwarte standardy komunikacyjne i integracji systemowej. Nasze portfolio wspiera szeroki zakres współczesnych interfejsów cyfrowych oraz współpracę z głównymi systemami sterowania i zarządzania aktywami. Zapewniamy tym samym spójność i kompatybilność – tłumaczy.
OPC UA zyskuje coraz silniejszą pozycję jako standard wymiany danych w środowiskach przemysłowych – głównie dlatego, że definiuje nie tylko format komunikacji, ale też semantykę danych, co umożliwia ich interpretację bez konieczności pisania dedykowanego kodu dla każdego urządzenia. MQTT z kolei dominuje w zastosowaniach IIoT wymagających niskiej przepustowości i niezawodnej komunikacji w niestabilnych sieciach.
Chmura w przemyśle: kiedy ma sens?
Chmura obliczeniowa staje się dziś oczywistością. Rafał Rodziewicz z Factbird wymienia najważniejsze korzyści z perspektywy praktycznej, które przekonują coraz więcej zakładów:
MOŻE ZAINTERESUJE CIĘ TAKŻE
– Chmura jest dziś nieodzowna. Dostęp z każdego miejsca z dostępem do internetu, łatwa skalowalność i zawsze aktualne oprogramowanie. Koniec z kosztownymi projektami migracyjnymi – wszystko jest w subskrypcji.
I dodaje, że architektura chmurowa pozwala klientom monitorować wydajność linii produkcyjnych w czasie rzeczywistym i z każdego miejsca (OEE, dostępność i wiele więcej) – niezależnie od tego, czy siedzą w biurze w Warszawie, czy na spotkaniu w Hamburgu.
Mariusz Szwagrzyk z Endress+Hauser omawia kolejny wymiar: – Chmura zyskuje obecnie na znaczeniu w przemyśle. Udostępnia kierownictwu główne dashboardy, dostępne w trybie 24/7/365, co przyspiesza podejmowanie właściwych decyzji pod kątem osiągania postawionych celów biznesowych i operacyjnych.
Ale chmura ma też swoje ograniczenia i ryzyka, które w środowisku przemysłowym są szczególnie istotne. Dane produkcyjne – parametry procesów, receptury, wydajność linii, informacje o defektach – to często najcenniejsza własność intelektualna firmy. Przekazanie ich na serwery zewnętrznego dostawcy, nawet zaszyfrowanych, budzi uzasadnione obawy.
– W sektorach, takich jak obronność czy w niektórych instytucjach rządowych obowiązują surowe wymogi dotyczące suwerenności danych, które wymagają innego podejścia. Jednak dla zdecydowanej większości producentów chmura jest po prostu właściwym fundamentem – mówi przedstawiciel firmy Factbird.
Rzeczywistym ograniczeniem są sektory objęte szczególnymi wymogami regulacyjnymi: obronność, infrastruktura krytyczna, część farmaceutyki. Tu suwerenność danych jest wymogiem prawnym, nie kwestią preferencji, i architektura musi to uwzględniać już od pierwszego dnia.
Stąd rosnąca popularność modeli hybrydowych: dane surowe i wrażliwe pozostają lokalnie na serwerach zakładu lub urządzeniach brzegowych, natomiast zagregowane wskaźniki, raporty oraz analizy trafiają do chmury, gdzie są dostępne dla menedżerów i systemów analitycznych. Takie podejście eliminuje większość ryzyk przy zachowaniu głównych korzyści chmury. Ten wybór między przetwarzaniem danych lokalnie a w chmurze jest jednym z podstawowych dylematów współczesnej architektury systemów danych w przemyśle. Nie ma jednak jednej właściwej odpowiedzi – jest za to zestaw kryteriów, które powinny pomóc w wyborze.
Od danych do decyzji: 3 poziomy wartości analitycznej
Wartość danych produkcyjnych realizuje się na trzech poziomach, odpowiadających rosnącej dojrzałości cyfrowej zakładu.
Poziom pierwszy to monitoring i wizualizacja w czasie rzeczywistym. Operator widzi na ekranie aktualny stan maszyny, OEE bieżącej zmiany, liczbę wyprodukowanych detali i odchylenia od normy. Wartość jest natychmiastowa: problemy są widoczne, zanim staną się przestojem.
Poziom drugi to analiza trendów i wykrywanie anomalii. System porównuje obecny stan z historią i statystykami procesu, identyfikuje odchylenia, które ludzkie oko by przeoczyło, i alarmuje zanim parametry przekroczą granice tolerancji. To tu realizuje się statystyczna kontrola procesu i wczesne wykrywanie zmiany parametrów, gdy maszyna powoli „odpływa” od optymalnych ustawień.
Poziom trzeci to predykcja i optymalizacja. Algorytmy uczenia maszynowego analizują wzorce historyczne i identyfikują sygnały poprzedzające awarie lub odchylenia jakościowe. Predykcyjne utrzymanie ruchu nie czeka na usterkę – planuje interwencję serwisową wtedy, gdy dane wskazują na zbliżający się problem.
Człowiek w centrum systemu danych
Technologia może być doskonała, a system danych nawet nienagannie zaprojektowany, ale mimo to może nie przynosić oczekiwanych efektów. Dlaczego? Bo dane muszą być zrozumiałe dla ludzi, którzy mają na ich podstawie działać. Rafał Rodziewicz podkreśla, że jeden czynnik jest łatwy do niedoceniania: dane muszą być zrozumiałe dla operatora, nie tylko dla analityka.
– Zbyt skomplikowany dashboard trafia na półkę. Analityka ma wartość wyłącznie wtedy, gdy prowadzi do działania – dodaje.
To obserwacja, która powraca w rozmowach z praktykami wdrożeń. System, który pracownik może odczytać w 10 sekund, zrozumieć i podjąć decyzję – jest wart więcej niż platforma pełna wskaźników, której interpretacja wymaga wykształcenia analityka danych.
Stąd rosnące zainteresowanie interfejsami projektowanymi według zasad Human-Centered Design – prostymi, intuicyjnymi ekranami operatorskimi, które hierarchizują informacje według priorytetu działania, a nie według logiki programisty, który je tworzył.
Rafał Rodziewicz zwraca uwagę na jeszcze jeden aspekt: – Od liderów produkcji oczekuje się coraz stabilniejszych wyników przy coraz mniejszych marżach, rosnącej złożoności i kurczącym się zespole doświadczonych pracowników. Dlatego cyfryzacja jest na tak wielu agendach: liderzy chcą lepszej widoczności tego, gdzie traci się czas, szybszego reagowania na powtarzające się problemy i spójności działań doskonalących między zmianami.
To jest właśnie punkt, w którym dane produkcyjne stają się narzędziem zarządzania, a nie tylko inżynierskiego monitoringu. Menedżer, który widzi w czasie rzeczywistym, że np. na linii nr 3 współczynnik OEE trzeciej zmiany jest wyraźnie niższy niż na pierwszej, może podjąć działanie. Bez sprawnego systemu danych mógłby się o tym dowiedzieć dużo później, kiedy straconych godzin już nie da się nadrobić.
Cyfrowy bliźniak – kolejny krok
Dojrzałą formą wykorzystania danych produkcyjnych jest również koncepcja cyfrowego bliźniaka – wirtualnej repliki maszyny, linii lub całego zakładu, która działa równolegle z fizycznym obiektem i jest karmiona rzeczywistymi danymi pomiarowymi w czasie rzeczywistym.
Cyfrowy bliźniak pozwala symulować scenariusze bez ingerowania w rzeczywistą produkcję. Co się stanie z przepływem materiałów, jeśli zatrzymamy jedną z maszyn do przeglądu? Jak zmieni się zużycie energii, jeśli przestawimy harmonogram produkcji? Czy możemy skrócić czas taktu bez ryzyka dla jakości? Odpowiedzi na te pytania można uzyskać w modelu cyfrowym – bez ryzykowania realnych przestojów i odpadów.
Mariusz Szwagrzyk z Endress+Hauser postrzega standaryzację jako kolejny etap rozwoju systemów zarządzania danymi produkcyjnymi: – W przyszłości należy spodziewać się kolejnych kroków w kierunku standaryzacji ze szczególnym uwzględnieniem wyzwań cyberbezpieczeństwa, rozwoju platform chmurowych – w tym filozofii Digital Twin – i zwiększania udziału przesyłania danych bezprzewodowo.
Bezpieczeństwo jako niewidoczny fundament
Żaden system danych produkcyjnych nie może dziś funkcjonować bez solidnej warstwy cyberbezpieczeństwa. Podłączenie hali produkcyjnej do sieci – niezbędne dla cyfryzacji – tworzy jednocześnie nowe możliwości ataku. Sieć OT, obsługująca maszyny i procesy produkcyjne, ma zupełnie inne priorytety niż sieć IT – tu priorytetem jest niezawodność i ciągłość pracy, nie aktualizacje oprogramowania i zarządzanie patchami.
Dyrektywa NIS2 objęła producentów nowymi wymogami w zakresie zarządzania ryzykiem cyberbezpieczeństwa w sieciach OT. To regulacja, która zmusza do myślenia o bezpieczeństwie systemów danych przemysłowych w sposób systemowy, a nie doraźny.
Segmentacja sieci IT/OT, zasada minimalnych uprawnień dostępu, szyfrowanie transmisji danych, monitoring anomalii w ruchu sieciowym są elementami, bez których żadna architektura danych przemysłowych nie powinna być projektowana. To jeden z powodów, dla których wiele firm decyduje się zatrzymać przynajmniej część danych lokalnie. I wówczas mieć pełną kontrolę nad tym, kto ma do nich dostęp i w jaki sposób są one przesyłane.
Co nas czeka w najbliższej przyszłości?
Patrząc na kierunki rozwoju, kilka trendów wydaje się pewnych. Czeka nas dalsza standaryzacja protokołów komunikacyjnych – OPC UA zdobywa kolejne obszary, a różne inicjatywy pracują nad wspólnymi ramami wymiany danych między systemami różnych dostawców.
Edge AI będzie stawać się normą, a nie wyjątkiem – procesory neuronowe zdolne do uruchamiania zaawansowanych modeli AI w niskim poborze mocy są coraz tańsze i coraz powszechniej wbudowywane w urządzenia przemysłowe.
Chmura hybrydowa, łącząca lokalne przetwarzanie z globalną analityką, stanie się standardową architekturą dla zakładów, które nie chcą wybierać między bezpieczeństwem a dostępnością.
I wreszcie – dane produkcyjne będą coraz częściej wychodzić poza mury zakładu, zasilając łańcuchy dostaw, systemy zarządzania jakością dostawców i platformy raportowania ESG. Fabryka przestanie być czarną skrzynką z danymi dostępnymi wyłącznie dla wąskiej grupy osób. Stanie się węzłem w szerszym ekosystemie danych.
Bez wątpienia dane z hali produkcyjnej są dziś zasobem strategicznym. Konieczne jest więc mądre zarządzanie nimi – nie liczy się bowiem wolumen gromadzonych informacji, ale umiejętna selekcja i wyciąganie na tej podstawie konkretnych wniosków.
O Autorze
