Grundprinciper: IoT, IIoT, AIoT och varför de är framtiden inom industriautomation

I takt med att IoT utnyttjas i allt större grad ökar också efterfrågan på mer avancerad teknik som artificiell intelligens (AI) och maskininlärning (ML). Det har lett till att betydelsen av IoT utvecklas och expanderas till det s.k. industriella sakernas internet (IIoT) sakernas artificiella intelligens (AIoT) och de tunga sakernas internet¹.

I industriella implementeringar innebär de anslutningsmöjligheter och smarta lösningar som IIoT erbjuder ökad produktivitet, effektivitet och andra ekonomiska fördelar. Utöver den nya IIoT-klara utrustningen är dock mängden befintlig "dum" (föråldrad) infrastruktur och maskinutrustning stor.

Istället för att låta den här utrustningen stå och vittra bort i utkanten av den tekniska utvecklingen visar den här artikeln hur anläggningschefer har incitament och möjligheter att använda den här äldre utrustningen i IIoT-åldern med lösningar från Molex, TE Connectivity, STMicroelectronics, Delta och Weidmuller.

Termdefinitioner

Termen "sakernas internet" myntades av den brittiska teknikpionjären Kevin Ashton under en presentation på Procter & Gamble (P&G) 1999. Kevin använde "sakernas internet" för att beskriva ett system där internet kopplas till den fysiska världen via sensorer med stor spridning. Det tog inte lång tid innan sakernas internet och den engelska förkortningen IoT nämndes överallt.

IoT: Vad som menas med sakernas internet (IoT) har utvecklats med tiden. Den allmänt godtagna definitionen för tillfället är: "Ett system med sammankopplade databehandlingsenheter, mekaniska och digitala apparater, föremål, djur eller människor som ges unika identifierare och förmågan att överföra data över ett nätverk utan att det kräver interaktion mellan människor eller mellan människa och maskin". Samtidigt syftar termen "IoT-enhet" på alla fristående internetanslutna enheter som kan övervakas och/eller styras på avstånd. Enligt Statistica förväntas det finnas ca 30 miljarder IoT-enheter runt om i världen 2020 och siffran antas stiga till ca 75 miljarder 2025.

IIoT och AIoT: Det industriella sakernas internet (IIoT) syftar på sammankopplade sensorer, instrument och andra enheter som kopplas samman i nätverk med datorstyrda industritillämpningar, inklusive tillverkning och energihantering. Den här anslutningen tillåter dataanslutning, utbyte och analys, vilket kan underlätta förbättrad produktivitet och effektivitet såväl som andra ekonomiska fördelar. IIoT är en utveckling av distribuerade styrsystem (DCS) som möjliggör en högre grad av automation genom att använda molnteknik för att förfina och optimera processkontrollerna. IIoT i sin aktuella form stöds av tekniker som cybersäkerhet, molnteknik, edge computing, mobilteknik, maskin-till-maskin, 3D-utskrift, avancerad robotteknik, stordata, IoT, RFID-teknik och kognitiv databehandling.

AIoT handlar om att förbättra IoT-enheter och infrastrukturer med AI-teknik. AI förbättrar IoT med maskininlärning (ML) och kognitiva funktioner.

Industrins uppvaknande och de tunga sakernas internet

Enligt en prognos från Gartner 2017 förväntades de globala utgifterna inom IoT uppgå till 772,5 miljarder USD 2018. Enligt IDC uppgick samtidigt den globala konsumtionen inom IoT för konsumenter under 2018 till cirka 62 miljarder USD. Som en jämförelse låg tillverkningssektorn på 189 miljarder USD, vilket överstiger beloppen för transportsektorn (85 miljarder USD) och infrastruktur (73 miljarder USD). Dessutom förutspår Bain & Company att IIoT-tillämpningar kommer att generera mer än 300 miljarder USD 2020, dubbelt så mycket som konsument-IoT-segmentet (150 miljarder USD).

Termen "tung industri" syftar på industri som innefattar en eller flera egenskaper, som stora och tunga produkter, stor och tung utrustning och anläggningar (t.ex. tung utrustning, stora maskinverktyg, väldiga byggnader och storskalig infrastruktur), eller komplexa eller omfattande processer.

Före IoT var industriella system som använde motorer, generatorer och tunga maskiner i allmänhet inte anslutna till varandra och kördes isolerat. Dock kan anslutning till internet och att bli en del av sakernas internet innebära att stora fördelar kan uppnås när det gäller effektivitet, produktivitet och tillförlitlighet. Dessa fördelar inkluderar förmågor som fjärrövervakning och kontroll, felsökning och förebyggande underhåll. Detta förklarar varför ny industriutrustning levereras med ett stort urval av sensorer och kommunikationsfunktioner.

Problemet är att mängden befintlig "dum" (föråldrad) infrastruktur och maskinutrustning är stor. Bara i USA beräknas sådan utrustning uppgå till ett värde på 6,8 biljoner USD. De val som finns nu är att fortsätta som idag, att ersätta befintlig utrustning med moderna motsvarigheter till höga kostnader eller förbättra och förstärka befintlig utrustning med moderna sensor-, styr- och kommunikationssystem och baxa in den i 2000-talet.

Det amerikanska riskkapitalbolaget Kleiner Perkins har givit förbättringen av industrisystem med IIoT- och AIoT-kapacitet namnet "Industrial Awakening" (det industriella uppvaknandet). I en artikel från 2015, The Industrial Awakening: The Internet of Heavier Things, nämnde Kleiner Perkins en rapport från World Economic Forum, som noterade att det här industriella uppvaknandet förväntas generera ett globalt värde på 14,2 biljoner USD till 2030.

Förbättra föråldrad utrustning med IIoT- och AIoT-kapacitet

Elmotorer är den enskilt största elförbrukaren runt om i världen. De utgör 2/3 av den industriella strömförbrukningen och runt 50 % av den globala strömförbrukningen. Det innebär att varannat kraftverk eller annan kraftkälla uteslutande används till att driva motorer.

Problemet är att den genomsnittliga industrimotorn endast har en verkningsgrad på 88 % (kommersiella motorer kan ha betydligt sämre värden). Verkningsgraden kan förbättras dramatiskt med lämpliga sensorer och styrsystem.

En av de största riskerna för industriföretag är stillestånd som orsakas av oförutsedda utrustningsfel. Ett sätt att minska det här problemet är att använda förebyggande underhållsåtgärder, vilket innefattar att använda sensorer för att övervaka utrustningen samt IIoT- och AIoT-funktioner för att känna av eventuella avvikelser från normal drift och förutsäga potentiella fellägen och tidsramar (t.ex. "Maskinens sekundära rotator arbetar nu med 95 % verkningsgrad, vilket minskar med 0,9 % per dag och förväntas drabbas av ett katastrofalt haveri om 6 dagar +/- 1 dag").

Skälen till att använda IIoT- och AIoT-funktionerna är att de kan upptäcka mönster, hitta trender i historiska data och härleda potentiella fel mycket effektivare än människor kan.

Människor har svårt att upptäcka mönster och identifiera avvikelser när de ställs införa stora mängder numeriska data, men de har mycket lättare att se mönster och identifiera avvikelser när dessa data presenteras i grafisk form.

Exempelvis är det svårt eller i det närmaste omöjligt för människor att upptäcka och identifiera problemet i sifferuppgifterna i figur 1. Som en jämförelse kan samma data presenteras grafiskt i figur 2 och då ser en människa omedelbart avvikelsen.

Figur 1: Människor har svårt att upptäcka mönster och identifiera avvikelser när de ställs införa stora mängder numeriska data. (Bildkälla: "Generiska mätningar från ett IoT-system som rensats för offentlig presentation" från en presentation av Stephen Bates)

Figur 2: Människor har mycket lättare att upptäcka mönster och identifiera avvikelser när de ställs inför data i grafisk form. (Bildkälla: "Generiska mätningar från ett IoT-system som rensats för offentlig presentation" från en presentation av Stephen Bates)

Poängen här är att IIoT- och AIoT-system kan upptäcka mönster och identifiera avvikelser oavsett hur data presenteras. När dessutom flera identiska system övervakas – möjligen på olika platser runt om i världen – kan IIoT- och AIoT-systemen lära sig från dem alla och använda kunskaper från ett system för att förutsäga problem i ett annat.

Det handlar om sensorerna (och processning och anslutningsbarhet och...)

Det första steget i att förbättra föråldrad industriutrustning är att lägga till sensorer. Det finns en stor variation i sensortyper och mycket stora urvalsmöjligheter för varje sensortyp. De olika egenskaper som sensorerna kan mäta inkluderar, men begränsas inte till, följande:

Det finns tiotusentals olika sensortyper/alternativkombinationer. Några få exempel inkluderar Contrinex 120254-serien av fotoelektriska sensorer från Molex och M3041-000006-250PG ventilerat mätartryck från TE Connectivity Measurement Specialties (figur 3). M3041-000006-250PG är en del av Microfused-sortimentet från TE Connectivity och är lämplig för mätning av vätske- eller gastryck, även för svåra media som förorenat vatten, ånga och lätt frätande vätskor.

Figur 3: Trycktransduktorn M3041-000006-250PG och är lämplig för mätning av vätske- eller gastryck, även för svåra medier som förorenat vatten, ånga och lätt frätande vätskor. (Bildkälla: TE Connectivity)

Några exempel på sensorutvecklingssatser och utvärderingskort är IoT Studio Platforms, STEVAL-STLCS02V1 SensorTile, STEVAL-MKSBOX1V1 SensorTile.box utvärderingskort och X-NUCLEO-IKS01A3 Motion MEMS utvärderingskort, alla från STMicroelectronics.

Utvärderingskortsystemet X-NUCLEO-IKS01A3 med rörelse-MEMS och miljösensor är kompatibelt med Arduino UNO R3-kontaktdonslayouten (figur 4). I systemet ingår LSM6DSO 3-axlig accelerometer + 3-axligt gyroskop, LIS2MDL 3-axlig magnetometer, LIS2DW12 3-axlig accelerometer, HTS221 fukt- och temperatursensor, LPS22HH temperatursensor och STTS751 temperatursensor.

Figur 4: Utvärderingskortsystemet X-NUCLEO-IKS01A3 med rörelse-MEMS och miljösensor är kompatibelt med Arduino UNO R3-kontaktdonet. (Bildkälla: STMicroelectronics)

Förutom sensorerna krävs lokal databehandling, processning och kontroll. Dessa uppgifter kan utföras med programmerbara logikstyrenheter (PLC:er) som AS Series kompakta modulbaserade mellanklass-PLC från Delta Industrial Automation (figur 5).

AS Series är en multifunktionsstyrenhet med hög prestanda för alla typer av automatiserad utrustning. Den har Deltas egenutvecklade SoC (system-on-chip) baserat på 32-bitarsprocessorer för förbättrad körningshastighet upp till 40 000 steg per millisekund. Den har stöd för upp till 32 utbyggnadsmoduler eller upp till 1 024 insignaler/utsignaler.

Figur 5: Delta Compacts modulbaserade PLC AS-mellanklasserie har stöd för upp till 40 000 steg/ms och upp till 1 025 insignaler/utsignaler. (Bildkälla: Delta Industrial Automation)

Samtidigt kommer avancerade AIoT-baserade analysmetoder att ta plats i dimman och molnet, vilket kräver nätverks- och kommunikationsfunktioner som Complete Solution for Industrial Ethernet Connectivity från Weidmuller Group.

Slutsats

I takt med att övergången till IoT ökar och ML och AI läggs till måste anläggningschefer hitta sätt att modernisera föråldrad industriutrustning i enlighet med detta för att förbättra produktiviteten och effektiviteten.

Som tur är erbjuder flera leverantörer lösningar som kan lägga till intelligens och anslutningsbarhet i föråldrade system för att göra dem till en del av IIoT-revolutionen.

Referenser

1. The Industrial Awakening: The Internet of Heavier Things, Kleiner Perkins, 2015