Dec 30, 2022 5:51:00 PM

工業大數據如何蒐集與應用 ? 方法完整公開 !

9:28

正確蒐集工業大數據的實務解決方法與實際應用

在工廠裡，蒐集數據這件事是再稀鬆平常不過的事。蒐集大數據能讓我們鑑往知來，進而改善設備製程效能、做 AI 預知保養防範設備無預警故障、成立戰情室、製作優質的報表支援決策…等等。

到了現今的工業 4.0 的時代，只要提到工業物聯網 ( IIoT )、AI、機器學習，便會把「蒐集大數據」的議題再拿出來炒一次。原因無他，隨著現代設備的高度自動化加上 IIoT 的發展，設備上的感測器 ( sensor ) 越來越多，蒐集到的數據也只會更多，就不用說需要大數據才能進行機器學習與訓練 AI 模型了。

工業大數據的六個特性，造成它不能以一般資料庫來儲存。

( 工業大數據的六個特性。(圖源: https://www.drishtiias.com/to-the-points/paper3/big-data-1 )

一般來說，工業大數據有六個特性 ( 6V ) : 大量 ( Volume )、快速 ( Velocity )、多樣 ( Variety )、真實性 ( Veracity )、價值性 ( Value )、可視性 ( Visibility )。

而因工業大數據的這些特性，使得工廠的資料庫常需要以「秒」級的方式，高速儲存來自工廠幾百幾千台設備傳過來的資料，才能確保資料的真實、即時。

我們簡單假設一下: 工廠有 500 台設備，每台設備每隔 5 秒傳送一個數值到資料庫儲存，24 小時不間斷持續一整年，這樣資料庫需要存多少筆數值 ?

500 台設備 * 720 筆數值 / hr * 24hrs/day * 365 days = 3,153,600,000。

是的，就是 31 億 5 千 6 百萬筆數值。這還只是以設備每 5 秒只傳 1 筆數值來算，現實中許多工廠的設備遠比 500 台還多，而且是以「每秒」或「毫秒」來傳送多筆數值。所以可想而知，用一般商用資料庫 ( 例如 : Oracle、MS SQL ) 直接收取巨量設備資料的下場就是資料庫當場當機。就算沒有死當也無法穩定的讓資料回放，同時還需要極大量的空間來儲存。

因此目前國內外工業界普遍使用的大數據資料庫 ( 稱為歷史 / 即時資料庫會比較準確 ) 會是以 AVEVA Historian 以及 AVEVA PI System 為主，這兩款資料庫都有使用高壓縮無失真的儲存技術 : 旋轉門 ( Swinging Door )。

以 AVEVA Historian 來說，原先需要 100 GB 儲存空間的資料量，使用 AVEVA Historian 只需要約 2 GB 的空間，壓縮比達 98%；並且每秒可接收 15 萬個設備點位的資料，最多可連接 200 萬個設備點位。這代表企業可以穩定的回放更大量的工業大數據，提供 IT 人員更為全面的資料建立分析報告給企業決策者。

那麼該如何正確地建立一個穩健蒐集工業大數據的系統架構 ?

這裡我們將分為小型 ( 單一地點 / 廠房 ) 與中大型 ( 多地點 / 廠房 ) 的架構來說明 :

以小型的架構來說，可以先參考下圖。

( 小型單一地點/廠房的工業大數據蒐集系統架構 )

最下層為設備、儀表、PLC、圖控，通常會有不同的通訊協定。所以我們需要先透過閘道器 ( Gateway ) 將不同的通訊語言轉換成上層監控系統可以讀得懂的語言後才能在系統上顯示即時資訊，並且將數據往後拋到資料庫中儲存。

再來大數據資料庫會分為「製程資料庫」與「製品資料庫」。「製程資料庫」會負責儲存設備、系統的運行資料，而這些與現場運作相關的數據將會是戰情室、AI 預測分析、報表等等的基礎；「製品資料庫」則是負責儲存在製品、成品的製造資訊。這些資料是作為品質溯源、工單管理、庫存管理等等的依據，並且可透通到 ERP 系統中，讓接訂單、下工單等工作無縫接軌。

( 中大型多地點/廠房的工業大數據蒐集系統架構 )

中大型的架構則是如上圖。假設企業有多個廠房在不同的地點，且每個廠房都有自己的監控系統與資料庫 ( 稱為階層1資料庫 )，這時企業通常都會有想要整合所有廠區製程、製品等數據到總部的需求。

考慮到企業總部的 IT 人員所需要的會是各廠區最為精要的重點資訊，所以會建議在總部建立第 2 階層的資料庫，只蒐集各廠區最為重要的營運數據，並且將資料整合到總部的戰情室與 ERP 系統中，可做為總部管理與決策時的依據。

實務上，收集工業大數據通常會遇到 3 個問題，有什麼解決方法嗎 ?

經驗上，我們在幫業主建立蒐集大數據的系統時會遇到 3 個提問 :

現場很多傳統儀表怎麼蒐集數據 ?
現場設備眾多且形式不一如何整合才方便蒐集數據 ?
製程擴充後如何與舊有的系統 / 設備 / 控制器整合 ?

蒐集傳統儀表數據最有效率的方式莫過於使用「影像辨識」了。

大家一定去過有影像辨識車牌的大賣場或百貨公司，現今影像辨識的技術已相當成熟精準且廣泛應用在生活中，加上攝像鏡頭並不是高價品，所以影像辨識對於企業而言是經濟實惠的方式，而以收集數據的角度來看也是相當穩定的方式。

( 使用影像辨識的方式收集傳統儀表的數值。圖源 : tdv一二三視股份有限公司 )

設備繁多且形式不一，以及製程擴充後須整合舊有系統，對工程師而言是相當頭疼的問題。

先來看到下圖 :

( 使用智慧閘道器與統訊整合平台即可整合蒐集眾多且通訊協定不一的設備所產生的數據 )

設備繁多且形式不一代表通訊協定也很大的可能都不相同。面對這種情形，工廠通常會購入許多種類的閘道器並在電腦中裝入許多對應的通訊軟體才能使各設備的數值進入系統與資料庫。不過問題是如此常會造成管理上的困難以及電腦連線數過多負載過重，可能造成時常斷線、數值收取不穩定，更糟的是如發生狀況沒辦法迅速找出問題點。

因此，這部分我們會使用代理的智慧閘道器 ( CGW ) 或工業通訊整合平台 ( AUG )來整合現場常見 PLC 品牌的通訊協定。
例如: GE、Allen-Bradley、SIEMENS、Schneider、Mitsubishi、OMROM..等等，原先需要多種閘道器或安裝許多通訊軟體才讓數據透通到系統中，現在只要一款智慧閘道器 CGW 或是工業通訊整合平台 AUG 即可整合，方便管理之外也可降低連線數減輕電腦負擔。

( 一樣使用智慧閘道器CGW即可與舊有的設備與系統透通蒐集數據 )

而擴充製程與舊有系統連結的部分一樣可使用智慧閘道器 CGW 來整合。如果企業有在使用雲端蒐集分析大數據或是未來將會建置雲端平台，那麼支援 MQTT 的 CGW 也會是企業的得力助手，可直接將設備數據拋上雲端。

順利蒐集到工業大數據後，實際上會如何應用 ? 能為企業做到什麼事 ?

這麼辛苦蒐集到的工業大數據到底能做到什麼事呢 ?
這裡舉出幾個我們在現場實際的案例來提供各位朋友一些實際應用的靈感 :

AI 預測分析

說到蒐集大數據的功用，那就不得不提到它在 AI 上的運用。現在企業都在談論如何建立 AI、如何運用 AI，但沒有蒐集大數據那麼什麼都做不到。

在工業上，目前討論度高、實際運用層面最廣的就屬 AI 預知保養。
下面幾張圖片是我們在台灣某石化廠做 AI 預知保養的實際畫面，圖片下有註解為使用者帶來什麼效果。至於這部分怎麼做，之後會再寫一篇文章介紹如何使用 AVEVA Predictive Analytics 做 AI 預知保養，請各位朋友繼續關注我們囉 !

( AI 預知保養系統 AVEVA Predictive Analytics 實際畫面。第一張圖 : 直覺式清洗離群資料，使用者不需再花費大量時間撰寫程式篩選資料、建立模型；第二張圖 : 監測設備即時運轉曲線，若曲線有開始偏離 AI 預測模型，便會提前發出預警，可讓現場單位在設備真正故障前解決問題。 )

( AI 預知保養系統 : AVEVA Predictive Analytics 實際畫面。第一張圖 : 原因分析，告知使用者可能是哪個因素 ( 舉例: Y軸震動、軸溫偏高...) 造成設備運轉曲線開始出現偏離；第二張圖 : 總覽目前正在監控的設備它們目前的狀態 (例如 : 正常、待檢修、模型待修正... )