流程工业中的数字化转型是全球范围内更大规模数字化转型的一部分-每个人、每件事都在某种程度上参与其中。在 20 世纪,技术突破催生了我们如今极度依赖且几乎无暇多想的不断发展的计算机器。
即使在微处理器和超级计算机出现之前,就有某些著名的科学家和发明家为后来彻底重塑现代生活各个方面的技术奠定了基础。
对我们许多人来说,这一切始于最初的个人电脑如 Commodore 64,以及电子邮件,然后是我们的第一部手机,发展至今已有亚马逊的 Alexa 和 iPhone 的Siri。我们使用本质上属于我们自己的便携式迷你电脑-智能手机,来导航生活的诸多领域。数字化转型无疑也影响了我们工作生活中操作方式、数据和通信管理以及流程中问题解决的方式。
过去几年里,我们在流程行业的客户对数字技术有了更高的认识,我们现在听到他们关于数字化旅程的信息比以往任何时候都要多。在这种意识提升中,围绕 工业 4.0 和 IIoT等术语出现了混淆。尤其是这两个概念可能导致混乱。
一是认为这些技术都是新的,而实际上很多技术已经存在了几十年,数据可访问性这一基本问题并非新鲜事物。虽然有一些新的推动因素或催化剂,如成本降低和无线技术,但收集数据以做出更好决策的基本概念已经存在了几十年。二是将技术(如产品)与 IIoT 或工业 4.0 这类宽泛主题关联起来。这种宽泛主题容易陷入寻找问题来解决的经典陷阱,导致流程制造商从技术而非挑战和问题入手。
现实情况是存在着巨大的机遇,我们都在努力找出正确的解决方案。使用引人关注的术语是传达信息的一种方式,让人们注意并记住。IIoT 和工业 4.0 就是这类术语的例子。
我们经常听到的一个术语是 数字化转型。数字化转型是一个引起共鸣的术语。该术语暗示着成为数字化的过程并非非黑即白。不存在纯数字化或非数字化的公司;我们都在一个数字化光谱上。
流程工业的数字化转型阶段
在 dataPARC,我们喜欢更进一步,确定流程工业中数字化转型的五个阶段。每个组织都属于其中一类。划分转型类别提供了一个框架,用于定义每个制造商面临的广泛挑战,并在其数字化转型旅程中提出最佳前进路径。或许您能在其中一个阶段中看到自己和您的工厂。
第一阶段:无时间、无数据
第一阶段处于早期。如果您处于第一阶段,可能采用手动操作,并且有限或没有 PLC 或 DCS。
在 制造数字化转型的第一阶段,设施仍在寻求将其控制系统从模拟升级为数字。这一端存在机会,但首要重点应该是确定合适的解决方案(如 PLC 升级、增设传感器/仪表等),AR(增强现实)和ML(机器学习)等话题应是长期愿景。
关键考虑因素
- 您可以采取哪些小改变来实现运营数字化? 能否轻松添加传感器?与您的团队讨论如何做到这一点。
- 如何将手动数据转化为数字数据?您有哪些数据来源? 制定一个内部计划,或者借助供应商的帮助,实现数据数字化。
- 您购买或升级设备的预算是多少?自 COVID 疫情以来,您的预算是否有所变动?决定可用的资源。
第二阶段:少量数据,时间紧张
如果您处于第二阶段,您的数字化努力刚刚起步。您的工厂配备了 PLC 或 DCS,但尚未配备 历史数据库。您可能仍有很多需要手动操作的数据。
在数字化转型第二阶段优化运营的最佳方式之一是添加历史数据库。
关键考虑因素
- 您公司内部有哪些资源,如何有效利用? 您可以利用哪些财务和人力资源推动运营向前发展?
- 哪些区域的工厂可以快速实现自动化? 工厂的哪些部分易于自动化,哪些部分会带来更大挑战?作出决定并制定计划。
- 新系统在未来如何集成?考虑未来可能实施的新系统。这些系统将如何与现有解决方案集成?这些系统是否会完全取代或补充现有系统?
第三阶段:反思型决策
在第三阶段,数字化真正开始转变。第三阶段是 IT/OT 融合开始发生的地方。
此时,您的工厂可能从文化层面做好了准备,但缺乏软件工具。您可能有一个使用不多的小型历史数据库或其他自主研发的工具,但您能够看到前进所需的愿景。
关键考虑因素
- 从 IT 角度看,您的工厂希望达到什么水平?思考您最终希望在数字化方面达到的目标,并制定计划。
- 您将内部承担这项工作,还是与供应商合作? 您的团队能否内部处理这些任务,还是需要调研并联系供应商?
- 是否替换或利用遗留系统?您目前使用的系统是否仍然相关,或者需要完全替换?
- 所选的解决方案将连接现有系统或是需要一种淘汰和替换的方法? 您现有的解决方案是否与新解决方案互补,还是将变得过时?
查看我们的实时流程分析工具,了解更好的数据如何带来更好的决策。
第四阶段:数据驱动文化
第四阶段可以描述为开始和谐地实现数字化。在第四阶段,您的工厂在数据使用方面已经成熟。您拥有一个历史数据库,大部分数据已接入。您可能有各种 LIMS、手动数据等系统。企业文化倾向于利用数据进行决策,但现场缺乏将数据整合在一起的合适软件。
如果您处于第四阶段,核心数字系统已经到位。将工厂内外部数据源结合起来至关重要。文化变革也非常重要。在整个企业范围内实行标准化和协作,确保数据分享的一致性和准确性。
关键考虑因素
- 公司如何处理多个系统标准?随着您开始整合多个站点,必须决定如何处理使用多种系统标准的情况。例如,一半的工厂使用 OSI PI 历史数据库,另一半使用 Aspen IP.21 数据历史记录系统。您的公司可以选择将所有内容迁移到一个通用的历史数据库供应商,这可能会涉及大量工作且风险显著。
- 您将如何整合来自多个站点的数据? 公司可以选择实施集中式数据系统,如单一的企业级历史数据库。企业级数据的优势在于数据更易于访问。权衡可能是,根据所选技术,通过内部网或互联网访问数据时的应用性能。另一种选项是选择 能够轻松连接到现有基础设施的 数据分析应用程序 。这种方法的优点是利用现有投资,启动成本最少,为本地工厂站点提供最佳性能。一个缺点是不同站点之间可能存在数据完整性问题,进行分析之前可能需要大量工作来处理数据。还有第三种折衷方案提供了混合方法,试图兼顾前两种方案的优点。
第五阶段:数据融入 DNA
如果您处于第五阶段,您所在的工厂非常先进,拥有完善的数据和决策支持策略。您已经选定了一种主要的历史数据库,并花费大量时间和精力将其他来源(如 LIMS、MES、ERP 等)的所有数据转移到历史数据库,并有多个业务系统从历史数据库中提取数据。
处于第五阶段的组织在基础设施和文化层面上都准备好应对 AR 和 ML 等高级议题。在第五阶段,应继续使用高级数据建模和分析,可能存在应用程序整合的机会。
关键考虑因素
- 是否存在关键数据源尚未接入历史数据库?检查所有数据源,确保它们已连接到历史数据库。是否存在被忽视的数据源?
- 您的业务需求是否发生了变化或演变,您的数据平台如何适应这些变化? 您的业务发生了什么变化?确保您选择用于数字化和管理数据的解决方案实现了您的目标。
- 所有关键用户群体是否得到了所需的数据?工厂内的数据需求者可能涵盖操作员、工程师到厂长等多个角色。所有角色是否以他们需要的方式获取所需数据?
展望未来
任何形式的数字化转型都可能对您的业务产生重大影响。无论是像低成本传感器这样的小改动,还是大型企业级应用,流程工业中的数字化转型使组织能够更一致、更高效地运营,从而减少停机时间,提高盈利能力。
下载我们的概览数据表
点击以下链接,免费获取有关使用 dataPARC 将关键数据转化为可视化信息以进行及时决策的优势概述。