Engineering

Internet industrial de las cosas (IIoT) con el Elastic Stack

Internet industrial de las cosas (IIoT) ofrece a las empresas fabricantes la oportunidad de obtener datos de miles de sensores y dispositivos.

Es importante relacionar estos datos para monitorear los procesos de producción y deducir medidas adecuadas para un análisis más detallado. Uno de los desafíos clave es la recopilación de datos y su normalización para usarlos en el contexto de analíticas predictivas o de la seguridad de la planta.

Incluso las empresas fabricantes pequeñas generalmente operan varias fábricas con cientos de máquinas y miles de sensores. Se producen datos nuevos en milisegundos y se acumulan terabytes con facilidad, pero no se almacenan ni se analizan, por lo que no se obtiene ningún valor.

Gracias a Elastic puedes recopilar, mejorar y analizar datos de IIoT, y ayudar a los supervisores de producción a obtener conocimientos más profundos sobre los procesos de producción.
— Marco De Luca, arquitecto de soluciones principal en Elastic

Poder recopilar esos datos a escala será un importante diferenciador. Permite la optimización de los procesos de producción, lo cual lleva a una mayor eficacia y productos de calidad superior.

Por lo general, los fabricantes se enfrentan a los desafíos generales antes mencionados y al menos a uno de los siguientes:

  • Las empresas fabricantes son innovadoras, pero todavía poseen mucha maquinaria antigua que puede permanecer allí varios años más. Un ciclo de vida típico es de 10 a 20 años, ¡o más! ¿Cómo se pueden integrar esas máquinas heredadas a las plataformas de análisis modernas?
  • Hay sensores, vehículos autónomos y otros dispositivos que deben monitorearse. Solo una visión completa servirá como base para ayudar con el mantenimiento predictivo, las operaciones, etc. Todos los diversos tipos de dispositivos usan distintas tecnologías para comunicarse y tienen diferente conectividad a internet.
  • Existen muchas soluciones exclusivas que no se comunican entre sí. ¿Cómo obtienes los datos de esos sistemas y permites la correlación con los datos de otras máquinas?
  • Algunas empresas fabricantes ya piensan en cómo crear una plataforma para los datos de las máquinas con el objetivo de monitorear todos esos sistemas, tanto nuevos como antiguos. ¿Cómo usas los datos, ya sea para fines operativos/de mantenimiento o para crear servicios o argumentos comerciales adicionales/nuevos?

Existen muchos beneficios para las empresas que se enfocan en recopilar los datos de sus máquinas y analizarlos. No solo es posible optimizar los procesos de producción y aumentar la calidad de los productos. La recopilación y el análisis de los datos permiten hacer mucho más que eso.

Una solución de monitoreo bien diseñada, junto con el mantenimiento predictivo, también puede ayudar a reducir costos de forma drástica. Los datos de los sensores pueden brindar mucha información sobre el estado de un dispositivo o la calidad del producto fabricado. Además, ayudan a reducir el consumo de recursos. MM Karton ha demostrado el potencial de esto reduciendo el consumo de materia prima en un 20 %.

Creación de las bases del análisis de tus datos de IIoT

Para poder aprovechar este conjunto de datos heterogéneo, debes almacenarlo en un entorno separado capaz de escalar conforme a tus necesidades. Elasticsearch es perfecto para este caso de uso. No solo te permite almacenar muchos tipos de datos a escala, sino que puedes analizar los datos con capacidades de Machine Learning y visualizarlos de la forma que desees.

Una vez que puedes recopilar todos los datos relevantes de cada fábrica, imagina cómo un monitoreo general podría mejorar la eficacia de tus plantas de producción. Almacenar todos los tipos de datos necesarios en Elasticsearch y combinar los datos de varias plantas de ensamblaje en una sola pantalla con Canvas es tan sencillo como crear una diapositiva para una presentación vinculada a datos en vivo.

Puedes ver algunos ejemplos aquí:

Dashboards de monitoreo creados en Canvas

Monitoreo de varias plantas de ensamblaje desde un nivel muy alto hasta los detalles por dispositivo.

Es bueno tener esta vista de alto nivel sobre varias plantas de ensamblaje diferentes, pero también deseas conocer qué tan bueno es el rendimiento de las distintas máquinas en cada planta. Además, debes poder combinar y correlacionar los distintos modelos de datos de cada proveedor.

Casos de uso típicos de IIoT con el Elastic Stack

Los casos de uso siguientes son algunos ejemplos del uso del Elastic Stack para el análisis y monitoreo de los datos de IIoT. Existen muchos más, como las respuestas automáticas a problemas mediante la interacción remota con tus máquinas.

Analíticas predictivas que llevan al mantenimiento predictivo

Usar los datos de los sensores es muy eficaz para analizar el estado de los dispositivos de la IoT. Los datos de los sensores, como la presión de aire o aceite, la temperatura, el voltaje, la velocidad, el sonido, la frecuencia o el cambio de color o iluminación, pueden usarse como un mecanismo de advertencia temprana de fallas. Saber que algo fallará a la brevedad y reaccionar conforme a esa información ayuda a reducir costos.

Además, conocer los umbrales de los datos de los sensores o los rangos de datos permite a la administración de producción establecer planes de mantenimiento individuales sobre datos reales, en lugar de ciclos de mantenimiento rígidos en los que los componentes se cambian independientemente de que tiendan a fallar o no. Usar esto da como resultado un plan de mantenimiento específico y significativo, lo cual reduce costos y el tiempo de inactividad en la producción.

Para hacerlo se requieren vastos conocimientos sobre las circunstancias que llevan a fallas. Resulta difícil para una persona observar cientos de sensores a la vez en tiempo real y compararlos con eventos históricos. Este tipo de tareas son perfectas para Machine Learning. Encontrar anomalías por sensor o correlacionar los datos de todos los sensores con un solo resultado de puntuación de estado otorga mucho poder.

Reducción de la tasa de rechazos o tasa de residuos

Otro KPI importante es la tasa de rechazos o residuos. Reducir la tasa de rechazos sabiendo qué parte de la producción lleva a los rechazos es importante. La detección de anomalías basada en Machine Learning del Elastic Stack ayuda a encontrar productos que difieren de los resultados esperados. El uso de esta detección junto con los datos de los sensores permite encontrar problemas de forma rápida y sencilla.

Una tarea de Machine Learning bien diseñada en la planta puede resultar finalmente en una situación en la cual las máquinas puedan optimizarse a sí mismas sin interacción humana.

Exploración de las analíticas producidas por Machine Learning

La detección de anomalías basada en Machine Learning puede detectar métricas de calidad de los productos que puedan desafiar el sentido común.

Seguridad en la planta

En la actualidad, la seguridad de los sistemas relacionados con IT es un desafío conocido. La seguridad de una planta suele ser mucho más difícil de implementar. El concepto general, actualmente, es prevenir la intrusión desconectando de internet las instalaciones de producción completas.

Esto resulta cada vez más difícil. El creciente impacto de la “IT clásica” (del tipo de ERP como SAP PP o PLM) sobre sistemas SPS (como Siemens SIMATIC) resultará en última instancia en la comunicación directa; con todo lo bueno y lo malo. El comercio genera la demanda; la MoD (fabricación a demanda) ya está presente mediante la impresión 3D o el corte láser. Por ejemplo, imagina procesos de producción completamente automatizados activados por pedidos personalizados de cualquier tienda web. El riesgo de que los problemas se trasladen de IT interconectada a la planta se convertirá en un nuevo riesgo dimensionado. Por lo tanto, la seguridad de la planta será un tema muy importante durante la transición a la industria 4.0. Con Elastic SIEM (información de seguridad y gestión de eventos) junto con la posibilidad de recopilar todos los datos relevantes, también es posible monitorear los eventos de seguridad de tu fábrica inteligente.

Recopilación y análisis de diferentes fuentes de datos de IIoT con el Elastic Stack

Las capacidades de análisis necesarias están implementadas en el Elastic Stack desde hace tiempo. Lo difícil era introducir los datos de las diferentes fuentes de datos en el stack.

Existen distintas maneras de recopilar los datos de todas las diversas fuentes de datos de una planta de producción. Necesitas juntar varias fuentes de datos. Como Elastic es una plataforma abierta de datos en tiempo real, resulta sencillo usar su ecosistema para integrar todos los tipos de fuentes de datos.

En una planta de fabricación deben monitorearse muchos sistemas diferentes, desde algunos muy antiguos (quizás con software de control que usa Windows 95 o versiones anteriores) hasta la tecnología más reciente que ejecuta Linux y OPC-UA. Nos referimos principalmente a los siguientes tipos de sistemas:

  • Software de control de la fabricación como IBM MQ, que se usa para controlar el proceso de fabricación en una planta y entre plantas.
  • Los controladores lógicos programables (PLC) son una forma característica de dispositivo informático diseñado para su uso en sistemas de control industrial. Es una “PC industrial” para fines especiales que controla los sensores y actuadores; por ejemplo, controla las máquinas que producen productos de papel en la industria papelera o también puede controlar ascensores y escaleras mecánicas. Existen muchos casos de uso de lo que puede controlar un PLC.
  • Robots industriales, como los que fabrica KUKA (fabricante alemán/chino). Los robots de KUKA incluyen un servidor OPC-UA que puede controlar el robot, pero al mismo tiempo interactúa con otros robots y sistemas en la planta de fabricación. El OPC-UA también puede interconectar sistemas a través de internet y, por lo tanto, estará expuesto a amenazas de seguridad. Es por eso que la seguridad tiene un rol importante en la especificación del OPC-UA, pero también es necesario el monitoreo mediante plataformas de monitoreo como Elastic.
  • Los sensores y otros dispositivos o vehículos autónomos se usan principalmente para medir la temperatura, la humedad, la velocidad, la aceleración, el posicionamiento, la vibración y otras métricas necesarias para correlacionarlos con los datos del proceso de producción. Por ejemplo, los cambios de temperatura y humedad pueden afectar el funcionamiento de un robot y causar una mayor vibración que pueda provocar la falla del robot o productos de mala calidad. Por lo tanto, los sensores y los datos de los robots son importantes para las operaciones con los clientes.

Recopilación de datos de PLC, brokers MQTT y servidores OPC-UA

Para recopilar todos estos datos casi en tiempo real, podemos usar Machinebeat, un Beat comunitario que puede recopilar datos de los brokers MQTT y dispositivos OPC-UA. Su módulo MQTT también es capaz de recopilar datos de diferentes proveedores de servicios de cloud de la IoT, como AWS IoT Core o Azure IoT Hub.

Para recopilar datos de los dispositivos PLC, existe una integración con el proyecto PLC4X de Apache como plugin de Logstash, lo que permite a los clientes recopilar métricas de todos los PLC que soporte PLC4X. Puedes encontrar información más detallada sobre PLC4X en combinación con Elasticsearch en este blog de nuestro socio Codecentric.

iiot-data-collection-overview-blog.pngVisión general de la solución para la recopilación de datos, el enriquecimiento y el análisis de todos tus datos.

Visualización de tus datos con Kibana

Contar con toda esta información lleva a un nuevo desafío. Almacenar todos esos datos solo es útil si puedes extraerles valor. Es posible generar valor adquiriendo conocimientos más detallados sobre lo que está sucediendo. Las visualizaciones pueden ayudar. En el ejemplo siguiente se visualizan los mensajes entre varias colas en un entorno de fabricación controlado por IBM MQ. En sistemas de monitoreo heredados, necesitas conocimientos específicos sobre lo que monitoreas. Con Canvas, puedes abstraer el conocimiento específico y proporcionar información codificada por colores sencilla sobre la situación actual.

Monitoreo y visualización en tiempo real de métricas de IBM MQ

Monitoreo en tiempo real de métricas de IBM MQ, incluido el cambio de color condicional basado en un conjunto de reglas personalizado.

Pruébalo tú mismo

  1. Comienza una prueba gratuita de 14 días de Elasticsearch Service, que te proporcionará las bases para tu solución de monitoreo de la IoT.
  2. Ve a Github y descarga la versión para Linux o Windows de Machinebeat. 
  3. Sigue los pasos en la sección Configuraciones del archivo Léeme para configurar una conexión a un servidor OPC-UA gratuito o ingresar las credenciales de tu propio servidor OPC-UA. Como alternativa, puedes seguir los pasos para configurar un broker MQTT y recopilar los datos de varios sensores a través de ese broker.
  4. Una vez que se estén transfiriendo los datos, crea tus propios dashboards para visualizar o analizar tus datos. Canvas es otra alternativa excelente para visualizar los datos: te permite crear diapositivas de presentación con datos en tiempo real. Para obtener más información, visita el blog Primeros pasos con Canvas.

¡Cuéntanos tu opinión! Consulta nuestros foros de Debate o ingresa una PR en GitHub.