Internet das Coisas Industrial (IIoT) com o Elasticsearch | Elastic Blog
Engineering

Internet das Coisas Industrial (IIoT) com o Elastic Stack

A Internet das Coisas Industrial (IIoT) oferece às empresas de manufatura a oportunidade de obter dados de milhares de sensores e dispositivos.

É importante vincular esses dados para monitorar os processos de produção e extrair mensurações apropriadas para análises posteriores. Um dos principais desafios é a coleta e a normalização dos dados para usá-los no contexto de analítica preditiva ou segurança do chão de fábrica.

Mesmo pequenas empresas de manufatura frequentemente administram várias fábricas com centenas de máquinas e milhares de sensores. Novos dados são produzidos em milissegundos e chegam facilmente à casa dos terabytes, mas não são armazenados nem analisados e, portanto, nenhum valor é obtido.

Com a Elastic, você pode coletar, aprimorar e analisar os dados de IIoT, ajudando os supervisores de produção a obter insights mais profundos sobre os processos de produção.
— Marco De Luca, arquiteto principal de soluções da Elastic

Poder coletar esses dados em escala será um diferencial importante que permitirá a otimização dos processos de produção, resultando em mais eficiência e em produtos de maior qualidade.

Normalmente, os fabricantes enfrentam pelo menos um dos seguintes desafios, além dos gerais mencionados acima:

  • As empresas de manufatura são inovadoras, mas ainda têm muito maquinário antigo, que pode permanecer lá por mais alguns anos. Um ciclo de vida típico é de 10 a 20 anos ou mais! Como você integra essas máquinas antigas às modernas plataformas de análise?
  • Existem sensores, veículos autônomos e outros dispositivos que precisam ser monitorados. Somente uma visão completa pode servir de base para ajudar na manutenção preditiva, nas operações e assim por diante. Todos os diferentes tipos de dispositivos usam diferentes tecnologias para se comunicar e ter diferentes formas de conectividade com a Internet.
  • Existem muitas soluções proprietárias que não se comunicam entre si. Como você obtém dados desses sistemas e permite a correlação com outros dados das máquinas?
  • Algumas empresas de manufatura já estão pensando em como construir uma plataforma para dados de máquinas, a fim de monitorar todos esses sistemas, novos e antigos. Como você utiliza os dados, seja para fins operacionais/de manutenção ou para criar casos de negócios e/ou serviços novos ou adicionais?

Existem muitos benefícios para as empresas que se concentram em coletar e analisar os dados de suas máquinas. As possibilidades não se restringem a otimizar os processos de produção e aumentar a qualidade dos produtos. A coleta e a análise desses dados podem fazer muito mais.

Uma solução de monitoramento bem projetada, juntamente com a manutenção preditiva, também pode ajudar a reduzir drasticamente os custos. Os dados dos sensores podem dizer muito sobre a condição de um dispositivo ou a qualidade do produto fabricado. Além disso, ajudam a reduzir o consumo de recursos. A MM Karton comprovou o potencial disso ao reduzir o consumo de matéria-prima em 20%.

Construa a base da sua análise de dados de IIoT

Para poder aproveitar esse conjunto heterogêneo de dados, é necessário armazená-lo em um ambiente separado com escalabilidade de acordo com as suas necessidades. O Elasticsearch é a solução perfeita para esse caso de uso. Além de possibilitar o armazenamento de muitos tipos de dados em escala, ele também permite que você analise esses dados com recursos de machine learning e visualize os dados da maneira que desejar.

Depois de conseguir coletar todos os dados relevantes de cada fábrica, imagine como um monitoramento geral poderia melhorar a eficiência de suas plantas de produção. Armazenar todos os tipos de dados necessários no Elasticsearch e combinar os dados de várias plantas de montagem em uma única tela usando o Canvas é tão fácil quanto criar um slide para uma apresentação conectada a dados ativos.

Veja alguns exemplos aqui:

Monitoramento de dashboards criados no Canvas

Monitoramento de várias plantas de montagem, desde um nível bem geral até detalhes de cada dispositivo

É bom ter essa visão geral sobre várias plantas de montagem diferentes, mas você também precisa saber o desempenho das diferentes máquinas em cada planta. Além disso, você precisa poder combinar e correlacionar os diferentes modelos de dados de cada fornecedor.

Casos de uso típicos de IIoT com o Elastic Stack

Os seguintes casos de uso são alguns exemplos de uso do Elastic Stack para análise e monitoramento de dados de IIoT. Existem muitos outros, como respostas automatizadas a problemas por meio de interação remota com as máquinas.

Analítica preditiva levando a manutenção preditiva

O uso de dados dos sensores é muito eficaz para analisar a integridade dos dispositivos de IoT. Dados de sensores, como pressão do ar ou óleo, temperatura, voltagem, velocidade, som, frequência ou alteração de cor/iluminação, podem ser usados como um mecanismo de alerta precoce para falhas. Saber que algo falhará no futuro próximo e reagir a essa informação ajuda a reduzir custos.

Além disso, conhecer os limites dos dados dos sensores ou intervalos de dados permite ao gerente de produção definir planos de manutenção individuais com base em dados reais, em vez de ciclos de manutenção rígidos nos quais os componentes são trocados, independentemente de tenderem a falhar ou não. O uso disso resulta em um plano de manutenção dedicado e significativo, que reduz custos e tempo de inatividade da produção.

Para fazer isso, é necessário ter um conhecimento considerável sobre as circunstâncias que levam a falhas. Observar centenas de sensores de uma vez em tempo real e compará-los a eventos históricos é difícil para os seres humanos. Para machine learning, esse tipo de trabalho é perfeito. Encontrar anomalias por sensor ou correlacionar os dados de todos os sensores a um único resultado de pontuação de integridade é um recurso realmente poderoso.

Redução da taxa de rejeição ou refugo

Outro KPI importante é a taxa de rejeição/refugo. É importante reduzir a taxa de refugo sabendo qual parte da produção leva às rejeições. A detecção de outlier do Elastic Stack baseada em machine learning ajuda a encontrar produtos que diferem dos resultados esperados. Usando essa detecção junto com os dados dos sensores, os problemas podem ser encontrados de maneira rápida e fácil.

Um trabalho de machine learning bem projetado no chão de fábrica pode resultar em um cenário no qual as máquinas possam se otimizar sem a interação humana.

Exploração de analítica produzida por machine learning

A detecção de outlier baseada em machine learning é capaz de detectar métricas de qualidade do produto que podem desafiar o senso comum

Segurança do chão de fábrica

Hoje, a segurança dos sistemas relacionados à TI é um desafio bem conhecido. A segurança de um chão de fábrica é geralmente muito mais difícil de implementar. Atualmente, o conceito geral é evitar invasões desconectando instalações de produção inteiras da Internet.

Isso está se tornando cada vez mais difícil. O crescente impacto da "TI clássica" (como o dos sistemas de ERP como SAP PP ou PLM) nos sistemas de SPS (como Siemens SIMATIC) finalmente resultará em comunicação direta, com todos os aspectos positivos e negativos que isso envolve. A demanda é gerada pelo negócio — o MoD (manufatura sob demanda) já está presente por impressão 3D ou corte a laser. Por exemplo, imagine processos de produção totalmente automatizados, acionados por pedidos personalizados de qualquer loja virtual. O risco de ameaças inesperadas da TI interconectada para o chão de fábrica passará a ser um novo risco dimensionado. Portanto, a segurança do chão de fábrica se tornará um tópico muito importante durante a transição para a Indústria 4.0. Com o Elastic SIEM (gerenciamento de eventos e informações de segurança) em combinação com a possibilidade de coletar todos os dados relevantes, sua fábrica inteligente também pode ter monitoramento de eventos de segurança.

Coleta e análise de diferentes fontes de dados de IIoT com o Elastic Stack

Os recursos de análise necessários já foram implementados no Elastic Stack há muito tempo. O que deu mais trabalho foi colocar os dados das diferentes fontes de dados na pilha.

A coleta de dados de todas as várias fontes de dados existentes em uma planta de produção não pode ser feita de apenas uma maneira. É necessário reunir várias fontes de dados. Como a Elastic é uma plataforma de dados aberta e em tempo real, é fácil usar seu ecossistema para integrar todos os tipos de fontes de dados.

Existem muitos sistemas diferentes em uma fábrica que precisam ser monitorados, desde sistemas muito antigos (talvez executando software de controle que use o Windows 95 ou mais antigo) até a mais recente tecnologia executando Linux e OPC-UA. Estamos falando principalmente dos seguintes tipos de sistemas:

  • Software de controle de fabricação como o IBM MQ, usado para controlar o processo de fabricação dentro de uma planta e também entre plantas.
  • Os PLCs (controladores lógicos programáveis) são uma forma distinta de dispositivo de computador projetado para uso em sistemas de controle industrial. É um "PC industrial" de finalidade especial que controla sensores e atuadores; por exemplo, controla máquinas que produzem produtos de papel na indústria de papel ou também pode controlar elevadores e escadas rolantes. Há muitos casos de uso do que pode ser controlado por um PLC.
  • Robôs industriais, como os fabricados pela KUKA (fabricante alemão/chinês). Os robôs KUKA vêm com um servidor OPC-UA incluído, que pode controlar o robô KUKA, mas ao mesmo tempo interagir com outros robôs e sistemas no chão de fábrica. O OPC-UA também é capaz de interconectar sistemas pela Internet e, assim, estará exposto a ameaças à segurança. É por isso que a segurança desempenha um papel importante na especificação do OPC-UA, mas também precisa ser monitorada por plataformas de monitoramento como a Elastic.
  • Sensores e outros veículos ou dispositivos autônomos são usados principalmente para medir temperatura, umidade, velocidade, aceleração, posicionamento, vibração ou outras métricas necessárias para correlacioná-las aos dados do processo de produção. Por exemplo, alterações de temperatura e umidade podem afetar a operação de um robô e provocar vibrações mais pesadas, que podem fazer o robô falhar ou produzir produtos de má qualidade. Assim, os dados de sensores e robôs são importantes para as operações do cliente.

Coleta de dados de PLCs, brokers MQTT e servidores OPC-UA

Para coletar todos esses dados quase em tempo real, podemos usar o Machinebeat, um Beat da comunidade capaz de coletar dados de brokers MQTT e dispositivos OPC-UA. O módulo de MQTT dele também é capaz de coletar dados de diferentes provedores de serviços de nuvem de IoT, como o core do AWS IoT ou o Hub IoT do Azure.

Para coletar dados de dispositivos PLC, há uma integração com o projeto Apache PLC4X como um plugin do Logstash, que permite aos clientes coletar métricas de todos os PLCs compatíveis com PLC4X. Informações mais detalhadas sobre o PLC4X em combinação com o Elasticsearch podem ser encontradas neste post do blog da nossa parceira Codecentric.

iiot-data-collection-overview-blog.pngVisão geral da solução para coleta, enriquecimento e análise de todos os seus dados

Visualize seus dados com o Kibana

Ter todas essas informações resulta em um novo desafio. Armazenar tantos dados só é útil se você conseguir extrair valor deles. O valor pode ser gerado com a obtenção de melhores insights sobre o que está acontecendo. As visualizações podem ajudar. O exemplo a seguir visualiza as mensagens entre várias filas em um ambiente de fabricação controlado pelo IBM MQ. Nos sistemas de monitoramento mais antigos, você precisa ter um conhecimento específico sobre o que está monitorando. Ao usar o Canvas, você pode abstrair o conhecimento específico e fornecer feedback fácil codificado por cores sobre a situação atual.

Monitoramento e visualização em tempo real das métricas do IBM MQ

Monitoramento em tempo real das métricas do IBM MQ, incluindo troca de cores condicional com base em um conjunto de regras personalizado

Experimente você mesmo

  1. Inicie uma avaliação gratuita de 14 dias do Elasticsearch Service, que fornecerá a base para a sua solução de monitoramento de IoT.
  2. Vá para o Github e baixe a versão do Machinebeat para Linux ou Windows. 
  3. Siga as etapas na seção Configurations do arquivo Readme para configurar uma conexão com um servidor OPC-UA gratuito ou inserir as credenciais do nosso próprio servidor OPC-UA. Como alternativa, você pode seguir as etapas para configurar um broker MQTT e coletar dados de vários sensores por meio desse broker.
  4. Depois que os dados estiverem fluindo, monte seus próprios dashboards para visualizar/analisar seus dados. O Canvas é outra excelente alternativa para visualizar seus dados, permitindo criar slides de apresentação com dados em tempo real. Para saber mais, consulte o blog Getting started with Canvas.

Expresse sua opinião! Entre em contato por meio dos nossos fóruns de discussão ou insira um PR no GitHub.