Sử dụng HMI làm thiết bị thông minh

• Cảm biến thông minh và các thiết bị Internet vạn vật (IIoT) công nghiệp khác
• Bộ điều khiển logic có thể lập trình (PLC)
• Các bộ điều khiển chuyên dụng khác
• Hệ thống thu thập dữ liệu công nghiệp.

Thiết bị của tất cả các loại tiếp tục thêm cảm biến. Tự nhiên, nhiều cảm biến hơn sẽ dẫn đến việc thu thập nhiều dữ liệu hơn. Chỉ riêng sự phát triển theo cấp số nhân đối với các hệ thống công nghiệp đang vượt xa băng thông mạng có sẵn. Phần lớn dữ liệu này vẫn là nguồn chưa được khai thác từ các máy móc và quy trình, nhưng việc truy cập vào dữ liệu này là rất quan trọng để có được thông tin chi tiết có giá trị về doanh nghiệp.

Một khả năng khác đang nổi lên là khai thác dữ liệu này bằng phần mềm giao diện người-máy (HMI) được triển khai gần nguồn. Điều này đòi hỏi vai trò của HMI phải phát triển từ chỉ là một công cụ trực quan cơ bản thành một vai trò nâng cao như một bộ thu thập dữ liệu và bộ xử lý machine learning thông minh định vị cạnh.

Vai trò mới cho phần mềm HMI

Phần mềm HMI được lưu trữ trên các thiết bị tiên tiến cần bắt kịp với các yêu cầu ngày càng tăng về cách tất cả các loại dữ liệu cần được thu thập, phân tích cú pháp, khai thác và tinh chỉnh. Khối lượng dữ liệu tuyệt đối được thu thập có nghĩa là phân tích nâng cao và machine learning ở khía cạnh hoạt động cần đóng một vai trò quan trọng trong kế hoạch chuyển đổi kỹ thuật số tổng thể cho các hoạt động thông minh hơn.

HMI thường làm việc với các nguồn dữ liệu như PLC và cảm biến. Theo truyền thống, HMI được sử dụng như một công cụ trực quan hóa và đôi khi như một bộ thu thập dữ liệu được xem trên bảng điều khiển chuyên dụng, thiết bị di động hoặc trình duyệt web. Các HMI hiện đại vẫn cần thực hiện các vai trò này, nhưng chúng cũng phải thu thập dữ liệu trong thời gian thực, lưu trữ cục bộ để phân tích sâu hơn và sử dụng dữ liệu để tìm các mẫu và suy luận nhằm đưa ra dự đoán (Hình 1).

HMI đang phát triển như một nguồn dữ liệu để thực thi machine learning thời gian thực. Dữ liệu quy trình chuỗi thời gian phải tương quan với dữ liệu bản ghi sự kiện và báo động để đào tạo mô hình machine learning . Điều này cho phép các mô hình này phát hiện chất lượng của một sản phẩm trong quá trình sản xuất hoặc dự đoán tình trạng sức khỏe của một thiết bị quan trọng. Các mô hình machine learning hoạt động tốt nhất khi được cung cấp với số lượng lớn dữ liệu có độ trung thực cao. Có thể bảo trì dự đoán khi các mô hình này phát hiện ra sự sai lệch so với một hành vi phổ biến và chỉ ra một lỗi sắp xảy ra có thể dẫn đến thời gian ngừng hoạt động.

4 cách để xác minh chất lượng dữ liệu công nghiệp

Chuyển từ dữ liệu thô đến thông tin chi tiết yêu cầu HMI phân tích dữ liệu đến từ các tài sản vật lý và các điều khiển công nghiệp và lưu trữ nó một cách có tổ chức. Việc kết hợp dữ liệu lịch sử với thời gian thực đóng một vai trò quan trọng trong việc đặt nền tảng cần thiết cho mô hình dự đoán.

Các mô hình machine learning được phát triển bằng cách kiểm tra một lượng dữ liệu đủ đại diện cho một tập hợp đào tạo đủ đa dạng để bao gồm càng nhiều ví dụ về thành công và thất bại càng tốt, có lẽ theo tỷ lệ 70/30 thành công / thất bại.

Cần có thời gian để tìm đúng tập dữ liệu với chất lượng đã được xác minh, có nghĩa là tập dữ liệu đó đã được xóa để:

• Xóa giá trị NULL
• Đảm bảo dữ liệu chính xác cho tín hiệu và tỷ lệ mong muốn
• Đảm bảo đủ tỷ lệ lấy mẫu
• Nắm bắt các điều kiện quan tâm.

Nhiều dữ liệu có thể bị loại bỏ trong khi thực hiện phân tích khám phá và dữ liệu mới thường phải được thu thập. Người dùng cũng phải đảm bảo tập huấn luyện không có bất kỳ sự thiên vị cài sẵn nào. Sau khi dữ liệu tốt được xác nhận, các mô hình machine learning có thể được tạo và áp dụng.

Xây dựng mô hình machine learning

Dữ liệu thời gian thực được thu thập hỗ trợ xây dựng và tinh chỉnh mô hình machine learning . Có một cuộc tranh luận liên quan đến việc liệu một khi mô hình machine learning được tạo ra, liệu mỗi thiết bị cạnh có khả năng thay đổi mô hình machine learning hay con người nên giám sát các bản cập nhật đó.

Lợi ích của việc cho phép mỗi thiết bị cạnh thay đổi mô hình là chúng có thể thích ứng theo cách có lợi. Tuy nhiên, một hệ quả của việc thay đổi mô hình động là các mô hình machine learning cho mỗi thiết bị cạnh có thể khác nhau. Các mô hình được cập nhật nhất quán có nhiều khả năng giảm thiểu các vấn đề hỗ trợ hơn.

Hầu hết người dùng bắt đầu quá trình phát triển mô hình với việc học có giám sát đối với các thuật toán như hồi quy tuyến tính, hồi quy logistic và mạng nơ ron. Hầu hết giá trị thực tế ngày nay đến từ việc học có giám sát.

Tiếp theo, người ta có thể bắt đầu áp dụng các kỹ thuật học sâu vào dữ liệu.

Khi mô hình machine learning ở trạng thái hợp lý, mô hình có thể được triển khai trên một thiết bị biên nơi nó có thể hoạt động trên dữ liệu thời gian thực và tìm kiếm các điểm bất thường. Khi gặp bất kỳ sự bất thường nào, HMI có thể thông báo cho người dùng bằng cách gửi cảnh báo.

Kiến trúc HMI hiện đại, phân tích tại biên

Vai trò của HMI hiện đại không chỉ là thu thập dữ liệu mà còn để xác định các mục, sự kiện hoặc quan sát không phù hợp với một mẫu mong đợi. HMI được định vị tốt để không chỉ đưa ra suy luận từ dữ liệu và phát hiện những bất thường này mà còn gửi cảnh báo qua màn hình, tin nhắn văn bản hoặc email cho người điều hành về các vấn đề thực tế hoặc tiềm ẩn.

Bằng cách thực hiện phát hiện gần nguồn dữ liệu hơn, HMI cho phép báo động sớm mà không có độ trễ vốn có khi gửi dữ liệu lên đám mây. HMI có thể phát hiện các mẫu đã biết có thể dẫn đến phát hiện lỗi trên một thiết bị quan trọng, với các suy luận và hành động cục bộ được xử lý cục bộ (Hình 2).

HMI cũng có thể thực hiện xử lý trước dữ liệu. Với HMI nằm ở rìa và tạo ra các suy luận trong thời gian thực, nó có thể phân loại, phát hiện và phân đoạn dữ liệu trước khi gửi lên đám mây. Điều này có thể mang lại hiệu quả cho quá trình xử lý ngược dòng và kết nối mạng.

Tuy nhiên, khái niệm về việc liệu cạnh có nên truyền dữ liệu thô, dữ liệu tổng hợp hoặc dữ liệu dự đoán lên đám mây để phân tích thêm hay không vẫn còn gây tranh cãi. Các mô hình machine learning trong các hệ thống dựa trên đám mây hoặc cấp cao hơn sẽ cần dữ liệu thô có độ trung thực cao nhất có thể để được tối ưu hóa. Thật không may, điều này có thể tạo ra gánh nặng kỹ thuật và thương mại cho người dùng.

Sự cần thiết phải lọc dữ liệu công nghiệp

Dựa trên ước tính của IDC về 463 exabyte được tạo ra mỗi ngày vào năm 2025, người dùng phải đưa ra quyết định truyền dữ liệu cẩn thận dựa trên dung lượng lưu trữ và băng thông mạng cần thiết để giữ cho dữ liệu được làm mới ở vị trí cần phân tích.

Phương pháp tiếp cận dữ liệu thô cung cấp dữ liệu cơ sở tốt nhất cho các mô hình machine learning . Tuy nhiên, với số lượng lớn dữ liệu được tạo ra, có thể khó truyền dữ liệu trong thời gian thực. Khi dữ liệu thời gian thực tổng hợp hoặc dự đoán được xử lý trước ở rìa và truyền đi, khối lượng sẽ thấp hơn. Người dùng phải lưu ý rằng cách tiếp cận này có thể lọc hoặc che khuất thông tin theo cách cho phép sự thiên vị xâm nhập vào mô hình machine learning .

Một tùy chọn khác là gửi dữ liệu dự đoán hoặc tổng hợp trong thời gian thực và thiết lập một kênh khác để gửi dữ liệu thô với tốc độ chậm hơn. Một nhược điểm tiềm ẩn là hàng đợi giao tiếp có thể bị lấp đầy nếu phương pháp này được sử dụng.

Chi phí kinh tế của việc mua sắm băng thông mạng và thiết bị lưu trữ phải được cân bằng với các thực tế kỹ thuật sẵn có, chẳng hạn như xác định xem mạng có đủ ổn định hay không. Những yếu tố quan trọng này sẽ ảnh hưởng đến nơi mà machine learning có thể được triển khai: ở rìa, trên đám mây hoặc kết hợp cả hai.

Phân tích HMI nâng cao và phát hiện bất thường

Có thể phân tích nâng cao với HMI hiện đại. Phần lớn dữ liệu của thế giới là dữ liệu truyền trực tuyến và dữ liệu chuỗi thời gian, nơi các điểm bất thường cung cấp thông tin quan trọng chỉ ra các tình huống quan trọng. Có rất nhiều trường hợp sử dụng để phát hiện bất thường, bao gồm bảo trì dự phòng và dự đoán, phát hiện và giám sát lỗi.

Sự bất thường được định nghĩa là một thời điểm mà hành vi của hệ thống là bất thường và hoàn toàn khác với hành vi trong quá khứ. Sự bất thường có thể là không gian, nghĩa là giá trị nằm ngoài phạm vi điển hình hoặc theo thời gian trong đó giá trị không nằm ngoài phạm vi điển hình nhưng trình tự mà nó xảy ra là bất thường. Các nhãn trạng thái có thể được liên kết với các điểm bất thường và có thể phân loại chúng theo thời gian hoặc không gian. Hệ thống cảnh báo cũng có thể ấn định các giá trị có trọng số để dự đoán lỗi dựa trên mức độ ưu tiên, mức độ quan trọng và tần suất.

Bất kỳ HMI hiện đại nào cũng phải hỗ trợ các cơ chế gửi và nhận tin nhắn theo cách nguyên bản và đảm bảo dữ liệu thiết bị từ xa là hiện tại và hợp lệ. Thông tin liên lạc trạng thái có thể được đảm bảo bằng cách sử dụng các giao thức như MQTT và Kafka, trong khi đặc điểm kỹ thuật Sparkplug B xử lý việc quản lý trạng thái.

Khi ở trong đám mây, dữ liệu có thể được tổng hợp và kết hợp với dữ liệu từ nhiều nguồn dữ liệu. Giá trị ở đây là người dùng có thể xem xét nhiều hoạt động hoặc toàn bộ nhóm thiết bị cùng nhau, bất kể vị trí thực tế của họ. Các mô hình phân tích và lọc dựa trên đám mây có thể được sử dụng để tinh chỉnh dữ liệu nhằm phân tích sâu nhằm dự đoán hành vi và xu hướng, chẳng hạn như thời gian trung bình từ khi hỏng hóc (MTBF) hoặc kết thúc vòng đời của máy móc. Sau đó, thông tin này có thể được triển khai trở lại các mô hình machine learning định vị cạnh chạy trong HMI để cải thiện hoạt động của chúng.

5 yêu cầu khi trang bị HMI hiện đại

Nếu dự đoán của IDC gần đúng với dự đoán thì vai trò của HMI sẽ cần phải phát triển để đáp ứng lượng dữ liệu khổng lồ. HMI hiện đại có khả năng kết nối với nhiều dữ liệu máy để:

• Theo dõi và phân tích dữ liệu này trong thời gian thực
• Hình dung nó một cách mạch lạc và thân thiện với người dùng
• Giúp người dùng đưa ra quyết định thông minh
• Lưu trữ dữ liệu theo cách hữu ích để có thể khai thác theo ý muốn
• Vượt qua những thỏa hiệp và ràng buộc.

Đây là vai trò mới của HMI vì ngày càng có nhiều cảm biến được triển khai và sự phụ thuộc vào máy móc tiếp tục tăng lên. Bản chất và chức năng quan trọng của các máy này sẽ mở rộng, và HMI sẽ là bộ não của lợi thế thông minh.