Demonstrando Inteligência de Planta Através de Experiência de Cerveja Artesanal Interna

É segredo (nem tanto) que temos máquina de cerveja caseira na Sure Controls. Máquina é sempre destaque em tours que damos a clientes. Pensei que também seria forma legal de demonstrar algumas capacidades de Inteligência de Planta! Semanas atrás, nosso mestre cervejeiro Josh produziu alguns lotes. Enquanto ele fabricava, conectamos nosso Historian interno usado para testes de projetos de clientes e coletamos dados. O que espero demonstrar é como conectamos ao processo para comunicar dados, e uma vez coletados, quais métodos usar para visualizá-los.
Parte 1 – Coletando os dados
Em blog anterior "Desmistificando Coleta de Dados" discuti detalhes sobre padrões e protocolos. Não entrarei tanto aqui, mas exercício é bom exemplo de como abordamos projetos para clientes. Primeiro sentei com Josh para determinar pontos críticos de informação a coletar. Basicamente três etapas no processo: Mostura, Fervura e Resfriamento. Item crítico a monitorar: temperatura. Também precisávamos forma de dizer ao sistema qual etapa do processo estávamos.
Para coletar dados de temperatura, analisamos máquina e notamos controladores de temperatura ligados aos aquecedores dos vasos. Felizmente, controladores têm capacidade de comunicação, restava determinar padrão e protocolos. Esses controles usam Modbus como protocolo. Ótimo, Modbus é comum e fácil. Desafio: controladores só usavam link serial, e servidor Historian estava distante. Resolvemos com gateway serial-para-TCP/IP. Permitiu servidor Historian usar Modbus TCP para comunicar diretamente com controles e coletar dados de temperatura. Para resolver questão da etapa do processo.
Para capturar qual etapa, usamos pequeno CLP e IHM. Tínhamos CLP pequeno para testes, e IHM para demos de vendas. Programamos CLP com registro para dados de texto. Programamos IHM com botões simples para Josh selecionar etapa. Pressionando "Mostura", IHM escrevia "Mostura" no registro do CLP. CLP conectado à rede Ethernet, Historian lia registro diretamente registrando etapa. Isso ajudará depois na visualização para dar contexto.
Parte 2 – Temos dados – e agora?
Uma vez lote fabricado, usamos etapas registradas pelo CLP como flags para puxar dados. Notando quando etapas mudam, capturamos início e fim de cada etapa. Trouxemos cada etapa em visualização de tendência:
A Mostura

Aqui vemos que durante Mostura, temperatura manteve 67°C (153°F) estável.
A Fervura

Mesmo para fervura, temperatura mantém 99°C (210°F) estável.
O Resfriamento

Etapa crítica, pois importante levar Mosto (líquido durante brassagem – ainda não é cerveja) a temperatura segura para inocular levedura. Vemos que levou ~13 min para baixar de 93°C (200°F) a 38°C (100°F). Parece que mestre cervejeiro fez excelente trabalho.
Falemos mais dos dados. Usamos tendências para análise inicial. Apresentar dados visualmente permite identificar anomalias rapidamente. Se, durante fervura, víssemos queda súbita de temperatura por curto período, perguntaríamos: o que aconteceu? Fusível queimou causando perda real, pondo lote em risco? Ou sensor desligou, distorcendo dados, mas religado vemos temperatura constante, lote provavelmente ok? Essa análise útil para identificar "o que deu errado" se algo não passou testes de qualidade.
E se quisermos resumo simples? Usando ferramenta Query do cliente Historian, faço resumo assim:

Análise estatística simples da temperatura do Mosto durante Mostura. Puxei Min, Max, Média e Desvio Padrão. Visão única do que aconteceu. Temperatura ficou dentro de 1° do setpoint, média quase exatamente no setpoint.

Variação ligeiramente maior na Fervura, mas dentro de parâmetros aceitáveis.
Se quiser "mergulho profundo", exporto para Excel, ferramenta familiar, vejo dados brutos, crio gráficos e relatórios:

"Dicas e Truques" adicionais. Se fôssemos cervejaria real, boa ideia atribuir número de lote e registrar no Historian. Da próxima vez que fabricar "Citra Tripel", comparo lote atual ao anterior. Se degustadores notarem algo extraordinário, analiso o que aconteceu, atualizo receita para replicar melhoria. Também, usando tendência, posso puxar dados de ambos lotes simultaneamente com "time offset", permitindo comparação visual detalhada sobrepondo ambos na mesma tendência.
Espero que gostou. Isso só arranha superfície do que coleta automatizada pode fazer para melhoria de processo. Em artigo futuro, discutirei técnicas para capturar dados de downtime e analisar causas. Também falarei como alavancar sistema para notificar equipe de processo quando evento ocorre, em vez de analisar "depois do fato".