Padrões industriais de organização de dados não resolverão seus problemas de interoperabilidade

Padrões industriais de organização de dados não resolverão seus problemas de interoperabilidade

“Padronizar os dados de chão-de-fábrica em modelos de estruturas através de um é crucial, mas ainda é só o começo.”

Este artigo foi originalmente escrito em inglês no dia 25/05/2022 na highbyte.com. O artigo foi traduzido e postado aqui com autorização expressa dos nossos parceiros da HighByte.

Os esforços de organizações responsáveis pelo desenvolvimento de padrões industriais como a OPC Foundation, Eclipse Foundation (Sparkplug), ISA, CESMII e MTConnect representam um importante passo para o avanço da produção na Indústria 4.0.

Esses padrões, entretanto, tem seus limites. As empresas precisam de dados para que possam dizer o que está acontecendo, por que está acontecendo e como eventuais problemas devem ser corrigidos. Informações de diferentes fontes precisam ser reunidas e organizadas para que se possa contar a história do caso de uso, assim como as palavras são combinadas em frases e frases são organizadas em sequência para formar uma narrativa. Os padrões industriais de organização de dados não conseguem contar a história do caso de uso, mas sim oferecer um dicionário.

Padronizar os dados de chão-de-fábrica em modelos de estruturas através de um Unified Namespace é crucial, mas ainda é só o começo. Isoladamente, essa medida é insuficiente para que se resolvam problemas de interoperabilidade uma vez que esses padrões não oferecem o contexto do caso de uso, o que é necessário para a tomada de decisões estratégicas. Seguem abaixo quatro razões principais pelas quais você precisa de uma solução de DataOps industrial como o Intelligence Hub, mesmo contando com a introdução – ou evolução – de novos padrões industriais de organização de dados.

1. Você está lidando com a variabilidade da máquina e do fornecedor

As organizações responsáveis pelo desenvolvimento de padrões são formadas tanto por fornecedores como por usuários de uma determinada indústria. À medida que o padrão de dados vai se definindo, são permitidas variações para acomodar o maquinário dos fornecedores que apresenta recursos ou limitações particulares e casos de uso exclusivos. Assim, embora a intenção das organizações seja dar mais flexibilidade, o resultado geralmente é a ambiguidade. Ainda, é comum que os fornecedores implementem o mesmo padrão de forma ligeiramente diferente. A história mostra que fornecedores têm aprimorado seus sistemas e, com o passar do tempo, têm alterado os modelos de dados para melhor atender às suas necessidades.

Como resultado, mesmo as variações mais sutis acabam demandando interação humana para que se estabeleça a conexão dessas máquinas a outros sistemas na rede e para automatizar dashboards e analytics.

O DataOps  permite conexões sem código a uma ampla variedade de fontes, incluindo equipamentos ou controladores, dispositivos inteligentes, sensores e sistemas. Se os dados de entrada forem padronizados, podem ser facilmente transmitidos ou combinados com outros dados sem maiores esforços. Caso não, podem ser modelados e adequados ao padrão de dados para o caso de uso.

2. Você está visualizando dados individuais sem acessar o contexto onde se relacionam

Pense em uma linha de produção com várias máquinas. Os padrões dos equipamentos lidam com dados relacionados a cada máquina de forma independente, e não com o conjunto delas ou com qualquer automação personalizada que as esteja conectando. Ao analisar métricas operacionais, gargalos ou causa raiz da qualidade para uma determinada linha de produção, as informações específicas de cada máquina, resultados de testes e sensor devem ser reunidas em uma único pacote para essa linha.

O DataOps pode reunir grandes cargas de dados de várias máquinas, consolidar e publicar no sistema destino. Os modelos no Intelligence Hub podem correlacionar os dados por caso de uso lógico. Em uma fábrica, isso normalmente é maquinário, processo e produto, mas também pode ser sustentabilidade ou consumo de energia. Essa abordagem sistemática de construção de modelos de dados para o caso de uso acelera muito a adoção dessas informações por usuários de outros departamentos com menos conhecimento das máquinas e layouts de linha.

3. Você está vendo mais do que apenas dados do dispositivo

Você não pode tomar decisões estratégicas se não estiver conectando os dados de suas máquinas a outros sistemas da organização. Isso inclui aplicativos corporativos, como o sistema ERP e bancos de dados de produção (por exemplo, SCADA, MES, Historian, QMS, LIMS e CMMS).

O DataOps pode se conectar a praticamente qualquer sistema em sua organização, combinando dados dos sistemas e das máquinas. Por exemplo, seu MES oferece o contexto sobre um lote específico. No Intelligence Hub, você pode combinar essas informações com dados do dispositivo e do sistema de qualidade em um único pacote e enviá-la à nuvem para análise ou ao painel de controle.

4. Você não está recebendo os dados que precisa, quando precisa

A sobrecarga de informações é um problema real no mundo da Indústria 4.0. Os dados industriais são quase infinitos tanto no volume de valores de dados quanto na frequência com que podem ser obtidos. Os CLPs modernos podem ter centenas de milhares de pontos de dados e coletar dados de sensores em frequências abaixo de milissegundos. Compreender o que é necessário – e quando – é fundamental. Às vezes, os dados são necessários em uma taxa cíclica, uma vez por segundo. Em outros casos pode-se precisar de um feed baseado em eventos para identificar a conclusão da produção da célula, defeitos ou problemas de desempenho da máquina. Ao definir o formato e conteúdo do pacote de dados desejado (como um payload JSON)a e seu evento ou frequência, obtém-se um processo de tomada de decisão mais eficiente. Além disso, os custos da nuvem são minimizados já que somente os dados estritamente necessários são processados e armazenados. 

O DataOps pode reunir dados de várias fontes em um único pacote, realizar quaisquer agregações e adequações e enviar para um data lake na nuvem ou outro sistema na frequência desejada ou quando for conveniente.

Concluindo

Modelos padronizados são importantes para nosso setor porque oferecem um conjunto de dados de base para trabalhar, ou seja, oferecem o “dicionário”. Embora os padrões industriais de organização de dados não substituam a história orientada a casos de uso – dotada de insights inteligentes e contextualizados que impulsionam a tomada de decisões estratégicas – eles ajudam a dar agilidade à modelagem de dados quando combinados com o Intelligence Hub. O Intelligence Hub permite que os padrões de dados ofereçam um valor que tem sido intangível desde que as organizações responsáveis pelo desenvolvimento de tais padrões começaram a surgir na década de 1990. À medida que você se transforma digitalmente para a Indústria 4.0, é preciso usar seus dados para contar histórias que resolvam seus problemas.

Para saber mais sobre as melhores práticas e armadilhas da modelagem de dados, confira o Guia de Modelagem de Dados da HighByte (em inglês). Esse guia inclui uma revisão da especificação ISA-95 e mostra como pode ser aplicada em uma solução DataOps industrial como o Intelligence Hub.

This blog post was originally posted in English on 05/25/2022 on highbyte.com. The post has been translated and reposted here with the express written permission of our partners at HighByte.