A COVID-19 impulsiona a aquisição de dados e a evolução da análise

As estratégias de aquisição de dados estão evoluindo na era do COVID-19, impulsionadas pelo aumento dos requisitos para visualização remota de dados e decisões em tempo real baseadas em dados. Os sistemas de interface homem-máquina (IHM) e controle supervisório e aquisição de dados (SCADA) estão se tornando ainda mais importantes para alcançar a transformação digital porque podem realizar análises em dispositivos de ponta, fornecendo agilidade e resiliência fundamentais para o sucesso.

Conexão com sensores novos e antigos

Instrumentos tradicionais e sensores de Internet das Coisas (IoT) mais recentes instalados em equipamentos de campo estão próximos de dispositivos de borda, que por sua vez podem capturar grandes quantidades de dados produzidos, como pressões de bombas ou condições de operação da máquina. A International Data Corporation (IDC) prevê que 79,4 zettabytes de dados serão criados apenas pela IoT em 20251, mas todos esses dados brutos não produzirão necessariamente insights. Em vez disso, o valor só será criado pela obtenção e aplicação de informações, conhecimento e insights derivados da análise de dados brutos, capacitando os usuários finais a melhorar os processos.

Soluções de sensores inteligentes estão disponíveis hoje para compactar, filtrar ou converter sinais em tempo real no formato desejado para análise; no entanto, existem muitos dispositivos legados já em serviço com protocolos proprietários que também precisam ser incluídos para uma transformação completa orientada por dados. Como as instalações de software HMI/SCADA já estão próximas do limite, é natural e conveniente usar esse software para comunicação com dispositivos legados e colaboração com sensores inteligentes para apoiar a tomada de decisões em tempo real e orientada por dados.

Levando o Analytics ao limite

O software HMI/SCADA capaz de realizar análises avançadas em dispositivos de ponta desempenhará um papel fundamental no controle, visualização e formulação de insights e conhecimento de dados em tempo real. Por já ser utilizado para visualização e controle, o software HMI/SCADA atualmente fornece monitoramento e controle das operações (Figura 1).

Avançando, o software HMI/SCADA pode fornecer contexto essencial para dados em tempo real em apoio à tomada de decisões orientada por dados. Ele também pode detectar padrões conhecidos e descobrir anomalias, e pode prever e avisar os operadores sobre falhas iminentes com bastante antecedência. A inferência e a ação local podem ser tratadas no dispositivo de borda ou no servidor de borda, enquanto os dados agregados ou a modelagem preditiva podem ser realizados na nuvem. A análise avançada expande os recursos tradicionais do HMI/SCADA para que os usuários possam entender a causa raiz de eventos e comportamentos, bem como prever condições futuras.

A implantação de aplicativos móveis HMI/SCADA com análises na borda da rede oferece às organizações um nível adicional de flexibilidade para oferecer suporte a serviços móveis inteligentes para trabalhadores remotos. Esses aplicativos móveis podem aproveitar a coleta de dados avançados de dispositivos remotos e compartilhá-los com um servidor de borda para agregação e análise adicionais antes de enviá-los para a nuvem para modelagem de máquina e outras análises.

A integração estreita de análises com aplicativos HMI/SCADA, definidos como análises incorporadas, está em ascensão devido à necessidade de transformar dados em conhecimento. A Allied Market Research prevê que o mercado de análises incorporadas se expandirá de US$ 25,13 bilhões em 2016 para US$ 60,28 bilhões em 2023 inscrição.

Os resultados da análise incorporada incluem indicadores-chave de desempenho (KPIs), avaliações estatísticas e alertas próximos de onde os operadores realizam seu trabalho e onde as decisões são tomadas. Essa demanda para aproximar a transformação digital da borda onde os dados são coletados existe devido à pressão para tomar decisões baseadas em dados mais rapidamente. Com a necessidade de acelerar para respostas quase em tempo real, os operadores não têm mais tempo de retornar à sala de controle para análise.

Aprendizado de máquina e algoritmos

A análise de dados extrai informações significativas de fontes de dados em tempo real e outras. O aprendizado de máquina é uma forma de análise que usa algoritmos para extrair dados, aprender com eles e prever o futuro com base nos dados históricos. Algoritmos transformam um conjunto de dados em um modelo. O método ótimo de treinamento de algoritmo – ou aprendizado – depende do tipo de problema que está sendo resolvido, dos recursos de computação disponíveis e da natureza dos dados. Dois métodos de aprendizagem principais são supervisionados e não supervisionados.

Com o aprendizado supervisionado, um algoritmo é apresentado com um conjunto de entradas junto com suas saídas desejadas (também chamadas de rótulos). O objetivo é descobrir uma regra que permita ao computador essencialmente quebrar os relacionamentos e aprender quais dados de entrada são mapeados para as saídas e como.

Com o aprendizado não supervisionado, um algoritmo é apresentado com um conjunto de entradas, mas sem saídas desejadas (rótulos), o que significa que o algoritmo deve encontrar estrutura e padrões por conta própria à medida que avalia e classifica milhares de pontos de dados com base nos padrões descobertos. Existem quatro categorias tradicionais de análise:descritiva, diagnóstica, preditiva e prescritiva, com uma quinta emergindo na forma cognitiva.

A análise descritiva responde à pergunta “O que está acontecendo?” Com base em dados passados ​​e em tempo real, ele obtém insights sobre o desempenho do processo, fornecendo contexto aos dados. Com base em dados em tempo real, os aplicativos HMI/SCADA usando análises descritivas fornecem visualização do que está acontecendo, anunciam alarmes para os operadores e fornecem detalhes como data/hora da ocorrência, valores associados e informações da máquina.

A análise de diagnóstico baseia-se na análise descritiva para responder à pergunta:“Por que isso aconteceu?” A análise de diagnóstico usa estatísticas para encontrar padrões e oferecer insights sobre dados em tempo real. Os usos típicos são a identificação de anomalias e causas-raiz (Figura 2).

A análise preditiva se baseia na análise de diagnóstico para responder à pergunta:“O que acontecerá no futuro e por quê?” A análise preditiva aproveita os mesmos dados históricos dos dois tipos anteriores de análise para construir modelos matemáticos que podem ser usados ​​para fazer inferências sobre o que acontecerá no futuro, prevenindo os operadores sobre eventos futuros que afetam a produtividade (Figura 3). Existem várias ferramentas usadas para análise preditiva, incluindo:

• 
  Detecção de anomalias, que responde à pergunta:“O comportamento é anômalo?” Ele encontra dados que não estão em conformidade com um padrão esperado.
  
• 
  Classificação, que responde à pergunta:“Esta máquina ou processo falhará?” Ele classifica os dados em categorias binárias como “Este produto tem um defeito? Sim ou não."
  
• 
  A classificação multiclasse tenta responder à pergunta:“Esta máquina ou processo falhará pelo motivo X?” Ele classifica os dados em uma de três ou mais categorias, como “Que tipo de defeito de qualidade este produto possui? Menor, maior ou crítico?”
  
• 
  A regressão responde à pergunta:“Quanto tempo antes que esta máquina ou processo falhe?” A regressão usa processos estatísticos para estimar as relações entre uma variável dependente e uma ou mais variáveis ​​independentes.
  

A análise prescritiva se baseia na análise preditiva para responder à pergunta:“O que devemos fazer?” A análise prescritiva fornece modelos para informar os operadores sobre as ações recomendadas. Os algoritmos de otimização e simulação são frequentemente usados ​​para análises prescritivas. O HMI/SCADA trabalhando com análise prescritiva pode prescrever várias ações possíveis e orientar os operadores em direção a uma solução.

A análise cognitiva baseia-se na análise prescritiva para responder à pergunta:“Por que devo fazer isso?” A análise cognitiva usa técnicas de algoritmos de autoaprendizagem e aprendizado profundo para emular o pensamento humano.

Compreensão de próximo nível

A análise descritiva e de diagnóstico usa dados passados ​​para explicar o que aconteceu e por que aconteceu, enquanto a análise preditiva, prescritiva e cognitiva usa dados históricos para prever o que acontecerá no futuro, juntamente com quais ações devem ser tomadas para afetar um resultado específico. Em muitos casos, várias análises e algoritmos são usados ​​simultaneamente, com resultados agregados para uma melhor tomada de decisão.

O software HMI/SCADA implantado em um dispositivo de borda pode ser um fator-chave no fornecimento de análises para levar as organizações a uma melhor tomada de decisão orientada por dados, mesmo em locais remotos, melhorando a competitividade.

Se há um lado positivo na pandemia do COVID-19, são as maneiras pelas quais as empresas estão aprendendo a ajustar os modelos de negócios para uma tomada de decisões mais em tempo real e orientada por dados. Ao criar uma visibilidade mais remota dos processos que utilizam pessoas, equipamentos, matérias-primas e instalações, as empresas estão descobrindo que podem operar de maneira mais otimizada, proporcionando laços mais próximos com clientes, funcionários e fornecedores.

Este artigo foi escrito por Bruno Armond Crepaldi, diretor de tecnologia da ADISRA (Austin, TX). Para mais informações, visite aqui .

Referências

1. 18 de junho de 2019 - Espera-se que o crescimento dos dispositivos IoT conectados gere 79,4 ZB de dados em 2025, de acordo com uma nova previsão da IDC.
2. 1º de junho de 2020 - Mercado global de análises incorporadas atingirá US$ 60,28 bilhões até 2023:AMR.