Les data historiens opérationnels établis et les nouvelles bases de données de séries temporelles continuent d’évoluer et d’apporter une nouvelle valeur aux entreprises, mais l’expertise métier significative désormais intégrée dans les plateformes de data historien ne doit pas être négligée.
Les bases de données de séries temporelles sont spécialisées dans la collecte, la contextualisation et la mise à disposition des données issues de capteurs. En général, deux catégories de bases de données de séries temporelles ont émergé : les infrastructures de données opérationnelles bien établies (opérationnelles, ou data historiens), et les nouvelles bases de données de séries temporelles open source.
Fonctionnalité de data historien d’entreprise à une fraction du coût. Outils industriels de collecte et d’analyse de données de séries temporelles.
Data historien vs. base de données de séries temporelles
D’un point de vue fonctionnel, à un niveau élevé, les deux catégories de bases de données de séries temporelles accomplissent la même tâche de capturer et de fournir des données machines et opérationnelles. Les différences portent sur divers formats de données, fonctionnalités, capacités et facilité d’utilisation relative.
Les bases de données de séries temporelles et les data historiens, comme PARCserver Historien de dataPARC, capturent et restituent des données de séries temporelles pour les tendances et l’analyse descriptive.
Avantages d’un data historien
La plupart des solutions de data historien établies peuvent être intégrées aux opérations et commencer à collecter des données relativement rapidement. Les versions industrielles des logiciels commerciaux prêts à l’emploi (COTS), tels que les plateformes de data historien établies, sont conçues pour faciliter l’accès, le stockage et le partage sécurisé des données opérationnelles en temps réel au sein d’une entreprise ou à travers un écosystème. Cela est particulièrement crucial dans les scénarios de communications de données à faible bande passante, garantissant une collecte et une diffusion efficaces des données de production, qu’elles soient générées par des machines, des processus de production ou d’autres composants opérationnels essentiels.
Alors que, par le passé, les données industrielles étaient principalement utilisées par les ingénieurs et les équipes de maintenance, ces données sont de plus en plus exploitées par l’IT en raison de l’accélération de la convergence IT/OT des entreprises. Ces départements, ainsi que les services financiers, les compagnies d’assurance, les fournisseurs en aval et en amont, les fournisseurs d’équipements proposant des services de surveillance additionnels, et d’autres, doivent utiliser les mêmes données. Alors que les mécanismes de sécurité associés à l’internet industriel étaient déjà relativement sophistiqués, ils évoluent pour devenir encore plus sûrs.
Un autre atout majeur des data historiens établis est qu’ils ont été conçus spécifiquement et ont évolué pour stocker et gérer efficacement les données de séries temporelles issues des opérations industrielles. En conséquence, ils sont mieux équipés pour optimiser la production, réduire la consommation d’énergie, mettre en œuvre des stratégies de maintenance prédictive pour éviter les temps d’arrêt non planifiés et renforcer la sécurité. Le passage du terme « data historien » à « infrastructure de données » vise à mettre en avant la valeur de la compatibilité et de la facilité d’utilisation de cette approche axée sur les données et générée par les données.
Vous recherchez un data historien ? PARCserver Historien de dataPARC utilise des centaines de serveurs OPC et personnalisés pour s’interfacer avec votre couche d’automatisation.
Qu’en est-il des bases de données de séries temporelles ?
En revanche, la flexibilité et un coût d’acquisition initial plus faible sont les points forts des nouveaux produits open source. Sans surprise, ces nouveaux outils ont d’abord été adoptés par des sociétés financières (qui disposent souvent d’équipes de développement internes sophistiquées) ou pour des projets spécifiques où l’évolutivité, la facilité d’utilisation et la capacité à gérer les données en temps réel ne sont pas aussi critiques.
Puisque ces nouveaux systèmes étaient quelque peu moins éprouvés en termes de performance, de sécurité et d’applications, les utilisateurs étaient susceptibles de les expérimenter pour des tâches où la sécurité, la perte de production ou la qualité sont moins critiques.
Dans la gestion des données industrielles, les « systèmes de bases de données standard » représentent les piliers durables pour le stockage des données historiques générées lors des processus de fabrication. Contrairement aux nouvelles alternatives open source, ces systèmes ont constitué l’épine dorsale de l’infrastructure de stockage des données industrielles, offrant une méthode cohérente pour capturer et préserver les points de données provenant de sources diverses. Leur capacité éprouvée à gérer d’importants volumes de données continues les rend indispensables dans la fabrication, garantissant aux usines une base fiable pour une tenue de registres complète.
Alors que certaines des nouvelles bases de données de séries temporelles open source commencent à développer le type de capacités de gestion des données déjà généralement disponibles dans un data historien opérationnel mature, il est peu probable qu’elles remplacent complètement les infrastructures de données opérationnelles dans un avenir proche.
Les organisations industrielles doivent faire preuve de prudence avant d’adopter de nouvelles technologies open source. Lors de la comparaison entre data historiens et bases de données de séries temporelles, il convient d’évaluer soigneusement les conséquences potentielles en termes de temps de développement des applications, de sécurité, de coûts de maintenance et de mise à jour, d’exigences réglementaires et de leur capacité à s’aligner, s’intégrer ou coexister avec d’autres technologies. Il est important de comprendre les processus opérationnels ainsi que l’expertise métier et les applications déjà intégrées dans une infrastructure de données opérationnelle établie.
Ces systèmes standard excellent dans les environnements traitant des données provenant de multiples sources, par exemple en intégrant de manière transparente les entrées des capteurs de machines aux sources manuelles. La polyvalence est leur marque de fabrique, permettant aux organisations de centraliser des points de données diversifiés.
La cohérence inhérente à leur approche garantit un traitement uniforme de chaque point de données, un facteur critique pour une analyse et un reporting précis dans les environnements industriels. En somme, les systèmes de bases de données standard constituent la pierre angulaire des logiciels efficaces de gestion des données de fabrication, offrant un cadre fiable, cohérent et polyvalent pour des processus décisionnels robustes.
Pourquoi utiliser un data historien ?
Zone typique de gestion des connexions et de configuration d’un data historien d’entreprise.
Lors du choix entre data historiens et bases de données de séries temporelles, de nombreux aspects doivent être pris en compte et soigneusement évalués dans le cadre du processus global de transformation numérique d’une entreprise. Cela inclut le type de données, la rapidité d’accès aux données, les exigences spécifiques à l’industrie et à l’application, les systèmes existants et la compatibilité potentielle avec les nouvelles technologies émergentes.
Selon des données récentes de l’organisation de conseil en industrie des procédés ARC Advisory Group, les data historiens modernes et les infrastructures avancées de stockage de données seront des éléments clés pour la transformation numérique de l’industrie. Les organisations industrielles doivent sérieusement envisager d’investir dans des data historiens opérationnels modernes et des plateformes de données conçues pour les processus industriels.
11 éléments à considérer lors de la sélection de data historiens modernes pour les opérations de fabrication et l’analyse de données :
1. Qualité des données
Lorsqu’on considère les data historiens pour les opérations de fabrication et l’analyse de données, la qualité des données est un critère primordial. Le système choisi doit être capable non seulement de stocker les données, mais aussi de les ingérer, nettoyer et valider. Un aspect crucial est de s’assurer que les données sont enregistrées avec précision et représentent l’information souhaitée.
Par exemple, dans les scénarios où des données d’étalonnage sont impliquées, le data historien doit discerner et gérer correctement ces informations afin d’éviter de fausser les moyennes. De même, lorsque les opérateurs ou le personnel de maintenance interagissent avec les contrôleurs ou désactivent des alarmes, le data historien doit capturer et stocker ces données avec précision, reflétant l’état réel du système.
Par conséquent, évaluer la capacité du système à maintenir l’intégrité des données dans divers scénarios opérationnels est essentiel pour garantir la fiabilité des informations enregistrées.
2. Données contextualisées
Lorsqu’il s’agit de modèles d’actifs et de processus basés sur des années d’expérience en intégration, stockage et accès aux données de processus industriels et à leurs métadonnées, il est important de pouvoir contextualiser facilement les données. Un attribut clé est la capacité à combiner différents types de données et différentes sources de données.
Le data historien de processus peut-il combiner des données provenant de feuilles de calcul et de différentes bases de données relationnelles, ou de multiples sources, synchroniser précisément les horodatages et être capable d’en tirer du sens ?
3. Données à haute fréquence/haut volume
Il est également important de pouvoir gérer de grands volumes de données à haute fréquence et haut volume selon les besoins du processus, et de pouvoir évoluer et s’adapter selon les besoins. Cela inclut de plus en plus des capacités edge et cloud.
À mesure que les entreprises avancent dans leur parcours de transformation numérique, la demande croissante de données devient de plus en plus évidente, les discussions sur le big data devenant quotidiennes. C’est précisément là que l’importance de la gestion des données à haute fréquence entre en jeu.
Un data historien robuste est essentiel, capable de traiter efficacement la collecte de données à grande vitesse, garantissant une gestion et une évolutivité sans faille pour répondre aux besoins et exigences croissants des processus de fabrication en évolution.
4. Accessibilité en temps réel
L’accès à vos données de séries temporelles, données d’événements et données de processus est essentiel pour optimiser les processus industriels. Un accès rapide et fluide à ces informations est déterminant pour résoudre rapidement les incidents, réduire les temps d’arrêt et garantir que les informations issues des données soient délivrées à la vitesse de la pensée.
Les data historiens modernes, conçus pour l’accessibilité en temps réel, peuvent permettre aux organisations non seulement de faire fonctionner leurs processus plus efficacement, mais aussi de prévenir de manière proactive les comportements logiciels anormaux, apportant des informations et une valeur significatives à l’ensemble du cadre opérationnel.
Les multi-tendances de PARCview permettent aux utilisateurs de visualiser de grandes quantités de données sur un seul écran.
5. Compression des données
La compression des données, mise en œuvre via des algorithmes spécialisés, est un aspect crucial des data historiens. Ces algorithmes permettent une compression efficace des données tout en conservant la capacité de reproduire les tendances si nécessaire.
Cependant, il est impératif de souligner que la compression des données ne doit pas compromettre l’intégrité des données ni altérer la forme fondamentale de vos données de processus. Lors du processus de compression, il est essentiel d’éviter la perte d’agrégats importants.
Différents data historiens emploient des approches variées pour la compression des données, ce qui souligne l’importance de comprendre ce qui correspond le mieux aux exigences spécifiques de votre site. Sélectionner un data historien qui garantit une compression optimale des données sans sacrifier l’intégrité est primordial pour une analyse historique précise et pertinente.
6. Séquence des événements
La capacité de séquence des événements (SOE) dans un data historien est essentielle pour fournir un compte rendu détaillé et précis des événements au sein des données d’usine ou d’un processus de production. Cette fonctionnalité permet aux utilisateurs de reproduire précisément les événements, offrant une compréhension complète de l’ordre chronologique dans lequel ils se sont produits.
7. Analyse statistique
L’intégration de capacités d’analyse statistique dans un data historien de séries temporelles améliore sa fonctionnalité en permettant des calculs complexes de type tableur et des analyses de régression sophistiquées. Cette fonctionnalité permet aux utilisateurs d’extraire des informations pertinentes à partir des données historiques, facilitant une prise de décision plus éclairée.
De plus, à l’ère des données en temps réel, la capacité du data historien à diffuser sans interruption les données vers des applications tierces pour des analyses avancées, l’apprentissage automatique (ML) ou l’intelligence artificielle (IA) est cruciale. Cela facilite non seulement l’analyse en temps réel, mais ouvre également la voie à la génération de rapports dynamiques basés sur les résultats des analyses statistiques.
L’intégration des données en temps réel dans l’analyse statistique améliore non seulement la précision et la pertinence des analyses, mais garantit également que les décideurs disposent des informations les plus récentes pour des actions rapides et efficaces.
8. Visualisation
Créer et personnaliser facilement des tableaux de bord numériques avec une meilleure conscience situationnelle est crucial pour des processus de fabrication fluides. Différents individus, du terrain à la direction, nécessitent souvent des perspectives variées sur les données.
Un outil de visualisation polyvalent offrant plusieurs options, telles que les tendances, les tableaux de bord et la génération de rapports, s’avère inestimable pour répondre aux besoins divers de chaque collaborateur. Que ce soit via les tendances, les tableaux de bord ou des rapports détaillés, un outil de visualisation complet garantit que les utilisateurs peuvent interpréter et analyser les données de production de la manière la plus efficace et pertinente, adaptée à leurs besoins spécifiques.
9. Connectivité
La capacité à se connecter de manière transparente à de multiples sources de données est essentielle. Ainsi, la collecte et le stockage des données sont nécessaires, tout comme l’intégration avec divers systèmes de contrôle. Bien que la norme OPC soit largement utilisée et fiable, elle n’est pas forcément adaptée à toutes les applications.
Bien que le processus d’établissement de ces connexions puisse être chronophage, l’utilisation de connecteurs spécialisés s’avère bénéfique, garantissant un lien entre le data historien et la multitude de sources de données de l’écosystème de fabrication.
Intégrez vos données de n’importe quelle source avec PARCview.
10. Synchronisation des horodatages
La synchronisation des horodatages permet de garantir la précision des horodatages, assurant ainsi l’exactitude des données. Cela est essentiel pour garantir un alignement précis entre les données du système de base de données standard et ses métadonnées associées, que le stockage des données soit sur site ou dans le cloud.
Une synchronisation précise des horodatages est particulièrement critique lorsque vous collectez des données à partir d’instruments répartis sur différents sites géographiques ou provenant de divers systèmes. Pas d’inquiétude concernant des horloges système non synchronisées. Un mécanisme de synchronisation temporelle garantit que les données reflètent fidèlement l’ordre chronologique des événements, offrant aux utilisateurs une base fiable pour l’analyse et la prise de décision.
11. Écosystème de partenaires
L’importance d’un écosystème de partenaires ne doit pas être sous-estimée dans le contexte des data historiens. Un écosystème de partenaires étendu peut considérablement améliorer la fonctionnalité et la valeur du data historien en offrant aux utilisateurs la flexibilité d’intégrer des applications verticales dédiées en toute transparence.
Cette intégration va au-delà de l’infrastructure de base, permettant aux utilisateurs de tirer parti d’outils et d’applications spécialisés adaptés à leur industrie ou à leurs besoins opérationnels spécifiques.
Les efforts collaboratifs au sein d’un écosystème de partenaires riche peuvent aboutir au développement de solutions innovantes répondant à des défis uniques dans les processus de fabrication. De plus, un écosystème de partenaires bien établi assure un support continu, des mises à jour et un flux constant de nouvelles fonctionnalités, contribuant à la longévité et à l’adaptabilité de la solution de data historien.
Quelle est la prochaine étape pour vos données de fabrication
Lors de l’évaluation des data historiens par rapport aux bases de données de séries temporelles, plutôt que de s’affronter directement, il est probable que les infrastructures de données/data historiens établis et les bases de données relationnelles de séries temporelles open source continueront de coexister dans les années à venir. À mesure que les entreprises de bases de données de séries temporelles open source ajoutent progressivement des fonctionnalités distinctives à leurs produits, il sera intéressant d’observer si elles perdent certaines de leurs caractéristiques open source. Dans une certaine mesure, nous avons déjà observé cette dynamique dans le monde de Linux.
