云计算是
存储和分析大数据的关键推动力,这已成为制造企业的共识。即使在几年前,如此庞大的数据似乎还是无法想象的。由于很多企业想通过更好地利用财务、客户、供应链和运营数据,来提高运营效率并创建新的业务模式,从而完成其数字化转型战略,所以理解这点很重要。
现在,如果生产制造企业的过程工程师还没有使用基于云的分析工具,那很有可能其它部门已经在使用。例如,人事部门正在使用软件来分析员工数据,销售和市场部门的分析人员可能正在研究对特定产品和服务的需求。尽管这些程序被认为是生产或
商业智能应用,但它们是大多数公司基于云的分析的切入点。
为了实施数字化转型策略,基于云的分析技术(即应用程序、工具和技术部署在云端而不是在本地部署)的兴起,使企业能够快速获得数据洞察力。由于云计算资源具有几乎无限的可扩展性,可以迅速洞察更多不同类型的数据,从而简化该过程。这使员工能够近乎实时地解决越来越多的复杂业务挑战。
定义基于云的分析
基于云的分析是一个广义术语,指的是多层计算功能。首先是底层的云基础设施,即操作系统和硬件层,这是在云中托管数据和应用所需的。在该基础设施之上是数据管理层,在云服务或数据湖中,存储着各种类型的数据,包括结构化和非结构化的文本数据、视频数据和流式物联网数据。分析层的应用程序利用这些数据进行计算,为可视化层提供趋势、报告、仪表盘和其他见解所需的信息。
传统上,
制造业中的分析是在工厂内部完成的,将历史数据和电子表格相结合,结果可用于工厂的临时诊断、预测或运行仪表板。但是随着基于云的分析的优势的出现,这种情况正在发生变化。
探索新型分析的能力
部署在云中的应用程序,受益于云的核心功能。首先是云的租赁模式与硬件和
基础架构相关的资本成本。企业的信息技术(IT)部门,不必再购买和维护昂贵的
服务器来托管这些应用程序,从而转变为按需付费的模式,可以按需分配计算资源。
“IT团队必须抵制住一种诱惑,在将云分析应用程序连接到数据之前,不要汇总云中的过程数据或应用业务规则。”
举个例子:一家网上商店,在出现云之前,该零售商必须购买足够的服务器来处理网站流量,以应对高峰时期的“爆炸性”需求,但在当年剩余的时间里,不得不保持闲置状态。
在工业环境中,主题专家(SME)利用新的分析工具来加强对运营数据的了解,因此需要更大的灵活性。主题专家可能希望分析新的数据源,例如运营数据和情境数据,企业可能需要向更多的主题专家和其他用户提供分析工具,以便更好地进行协作和决策。
采用云的另一个驱动因素,是探索新型分析的能力,例如将历史和接近实时的过程数据用于机器学习(图1)。很多制造商希望利用这些以及其它高级功能来提高产品质量,预测最佳维护时段以防止计划外停机,但它们并不想在其实时
控制系统中运行机器学习模型。将运营数据复制到云后,即可用于机器学习,从而能够探索新的分析模型,而又不会影响源生产数据或依赖该数据的任何现有应用程序。
图1 云使数据可用于高级分析应用程序中的机器学习算法。本文图片来源:Seeq
基于云的分析可以轻松打破数据孤岛,这样无论数据来自哪里,用户都可以访问和连接数据。一旦这些孤岛通过云连接起来,主题专家和其他用户便可以将分析扩展到全球各地,并创建全球运营报告,以确保实现最佳的业务决策(图2)。
图2 不同部门的员工都可以在全球范围内访问基于云的数据和分析
云分析入门
实施基于云的分析时,请务必从最终应用开始。很多能源和制造企业经常花费大量的时间规划,如何将数据和应用程序迁移到云中,但在数据迁移完成后,却又会问:“现在该怎么办?”。在云端数据湖中移动或聚合数据,并不能使其更有价值;这只是实施全面数据分析策略的一个步骤。
避免此结果的最可靠方法,是确保主题专家尽早参与到分析项目中去。只有那些拥有深厚的过程专业知识,并了解在更广泛的运行过程中各个部门独特影响的专业人员,才能确保该数据带来洞察力和生产力。为主题专家提供的相关性更强、更易于使用、更灵活的分析应用程序越多,实现投资回报就越快。
在运营数据和云计算模型中要注意的一点是,IT团队必须抵制住一种诱惑,在将云分析应用程序连接到数据之前,不要汇总云中的过程数据或应用业务规则。汇总数据时,没有资产或过程知识的人,会预先猜测主题专家可能会感兴趣的事物,这可能会减少其潜在影响。最佳实践是将所有数据以其原始格式存储,以便主题专家在分析时就修改哪里以及如何修改做出决策(例如,数据清理以及访问任何数据集以进行调查和模型开发)。
连接新的数据源
一家拥有50多个运营站点的能源公司,分布在一个地理上非常广阔的区域范围内。最初,该公司在某个站点聘用6名工程师,成功地实施了基于云的分析。这些工程师一开始确定了3个用例:资产完整性监视和性能趋势、预测性维护和生产预测。
在随后的90天里,该团队扩展到10多个站点的50多名工程师。他们使用这些用例,通过共享的云部署和协作功能来连接新的数据源。这释放了工程师的创造力,使他们可以找到更多用例,来获得洞察并改善资产可用性和生产效率(图3)。从小规模应用开始试点,并利用云来快速扩展分析,使得项目运营者可以衡量业务影响,建立业务案例以吸引更多用户和站点参与。
图3 主题专家可使用Seeq直接与感兴趣的数据进行交互并获得洞察力
下一步,该公司计划从远程站点连接其它物联网数据,需要牢记两个关键因素,即网络延迟和分析性能。用户不会使用性能低下和延迟过多的笨拙分析工具,因此必须考虑这些因素。在实施云之前,这些远程站点的报告一般是离线手动完成的。
为了解决这些问题,该公司正在使用具有边缘分析功能的混合云方法。该方法是在边缘或数据源附近配置计算和分析资源,并在网络可用时将结果传输到云端。
制造业仍处于基于云的分析的初始阶段,但学习热潮正在兴起。企业必须将主题专家放在任何分析工作的中心,并且可以扩大和缩小云应用的规模,来连接数据孤岛。必须保持原始数据的完整,以确保分析和洞察具有灵活性。还必须确保团队和站点之间的协作,以实现投资回报并扩大潜在的业务影响。将适合的高级分析软件与大多数企业使用的云平台相结合,将有助于提高运营效率。
高级分析软件与云平台的合作
为了满足工业厂房和设施最终用户的需求,各类软件都已转移到云中,高级分析软件也不例外。为响应这些需求,Seeq的软件可在亚马逊云计算服务(AWS)市场和微软Azure市场中使用,从而使最终用户能够快速获得和共享来自过程制造业、存储在本地或云中的数据洞察力。
Seeq获得了AWS工业软件能力认证,这是亚马逊合作伙伴网络(APN)中技术合作伙伴的最高等级。这样做,需要通过对可用性和部署准则的严格技术审查,以确保云应用程序的安全、高性能和高效率。
Seeq的首席执行官SteveSliwa说:“利用AWS的敏捷性,Seeq使过程工程师、经理、团队和数据科学家,能够通过加速分析、发布和决策来从已经收集到的数据中获得更多价值。”
正如先前宣布的那样,Seeq可以作为微软Azure的软件即服务(
SaaS)产品提供,以满足石油、天然气、制药、化工、能源、采矿、食品、饮料及其它过程工业的全球客户对基于云的分析解决方案的需求。
这项合作可为微软Azure目录服务、Azure数据存储、微软视窗服务器和AD(通过SQL服务器和Office365集成)提供支持。Seeq计划很快宣布支持Azure时序见解(TSI),以响应TSI客户和Azure Marketplace的要求。
数据科学家可以使用Seeq,访问已在Seeq中清理、情境化和建模的时间序列数据,以使用AWSSageMaker或Azure中的机器学习算法进行分析。这为IT部门中的数据科学家与制造工厂的主题专家之间的协作提供了新的机会,可以改善生产效率。
“借助工程师的专业知识和机器学习创新,Seeq等领先的解决方案,使企业能够从运营中获取更多信息并快速地获得业务价值,”ARC咨询集团的首席分析师Janice Abel说道,“Seeq旨在使工厂各类员工易于上手使用,使他们能够轻松快捷地在数据中查找和共享见解。”
本文为授权转载文章,任何人未经原授权方同意,不得复制、转载、摘编等任何方式进行使用,e-works不承担由此而产生的任何法律责任! 如有异议请及时告之,以便进行及时处理。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。