从数据中创造价值:使用人机界面作为智能边缘设备
人机界面(HMIs)正在从基本的可视化设备发展成为边缘定位、数据处理和分析的强大设备。参见5个现代HMI属性。
学习目标
- 人机界面(HMIs)能够从边缘设备发送和检索大量信息,更像是机器学习工具。
- 现代的人机界面可以识别不符合预期模式的项目、事件或观察结果。
人机界面(HMI)软件可以从快速增长的工业数据中创造价值。根据国际数据公司(IDC)的数据,在2025年,每天将会产生463 exabytes(每一个exabyte是1 quintillion bytes)数据(参考文献1)。这些数据中的大部分将通过以下方式产生:
- 智能传感器和其他工业物联网(IIoT)设备
- 可编程逻辑控制器
- 其他专用控制器
- 工业数据收集系统。
所有类型的设备都在继续添加传感器。更多的传感器自然会带来更多的数据收集。仅工业系统的指数级增长就超过了可用的网络带宽。这些数据中的大部分仍然是来自机器和流程的未开发资源,但是访问这些数据对于获得有价值的业务见解至关重要。
一种新的可能性是使用部署在数据源附近的人机界面(HMI)软件来挖掘这些数据。这要求HMI的角色从仅仅是一个基本的可视化工具发展到作为智能边缘数据收集器和机器学习处理器的增强角色。
人机界面软件的新角色
托管在边缘设备上的HMI软件需要跟上不断增长的需求,即如何获取、解析、挖掘和精炼所有类型的数据。正在收集的大量数据意味着,运营边缘的高级分析和机器学习需要在整体数字化转型计划中发挥重要作用,以实现更智能的运营。
人机界面经常与plc和传感器等数据源一起工作。传统上,人机界面被用作可视化工具,有时也被用作在专用控制面板、移动设备或web浏览器上查看的数据收集器。现代的HMIs仍然需要执行这些角色,但它们也必须实时收集数据,将其存储在本地以供进一步分析,并使用数据找到模式和推断以进行预测(图1)。
人机界面正在成为实时机器学习执行的数据来源。时间序列过程数据必须与警报和事件记录数据相关联,以训练机器学习模型。这使得这些模型能够检测正在生产的产品的质量或预测关键设备部件的健康状况。机器学习模型在提供大量高保真数据时表现最佳。当这些模型检测到偏离常见行为并指出可能即将发生的故障(可能导致停机)时,就可以进行预测性维护。
验证行业数据质量的四种方法
从原始数据到洞察,需要HMI解析来自实物资产和工业控制的传入数据,并以有组织的方式存储它。将历史数据与实时数据相结合,对于奠定预测建模所需的基础至关重要。
机器学习模型是通过检查足够多的数据来开发的,这些数据代表了一个足够多样化的训练集,能够涵盖尽可能多的成功和失败的例子,也许成功/失败的比例是70/30。
需要花时间来找到质量经过验证的正确数据集,这意味着它已经被清理为:
- 删除空值
- 确保数据对所需的信号和缩放是正确的
- 确保足够的抽样率
- 捕获感兴趣的条件。
在执行探索性分析时,可能会丢弃大量数据,并且通常必须获得新的数据。用户还必须确保训练集没有任何内置偏差。一旦确定了好的数据,就可以创建并应用机器学习模型。
如何建立机器学习模型
收集的实时数据支持构建和完善机器学习模型。关于机器学习模型一旦创建,每个边缘设备是否都有能力改变机器学习模型,或者人类是否应该监督这种更新,存在争论。
使每个边缘设备能够改变一个模型的好处是它们可以以一种有益的方式适应。然而,动态模型变化的后果是,每个边缘设备的机器学习模型可能会出现分歧。一致更新的模型更有可能最小化支持问题。
大多数用户在开始模型开发过程时,都有监督学习算法,如线性回归、逻辑回归和神经网络。今天大部分的实用价值来自于监督学习。
接下来,我们可以开始将深度学习技术应用于数据。
一旦机器学习模型处于合理状态,该模型就可以部署在边缘设备上,对实时数据进行操作,并查找异常情况。当遇到任何异常时,HMI可以通过发送警报来通知用户。
现代人机界面架构,边缘分析
现代HMI的作用不仅是收集数据,而且是识别不符合预期模式的项目、事件或观察。HMI的位置很好,不仅可以从数据中推断并检测这些异常,还可以通过屏幕、短信或电子邮件向操作人员发送有关实际或潜在问题的警报。
通过在更接近数据源的地方执行检测,HMIs允许在向云发送数据时进行早期预警,而不存在固有的延迟。HMIs可以检测已知的模式,这些模式可能导致设备关键部分的故障检测,并在本地处理推断和本地操作(图2)。
人机界面还可以进行数据预处理。HMI位于边缘,并创建实时推断,它可以分类、检测和分割数据,然后将其发送到云。这可以提高上游处理和网络的效率。
然而,关于边缘是否应该将原始数据、聚合数据或预测数据传输到云以进行进一步的分析,这个概念有些争议。在更高级别或基于云的系统中,机器学习模型将需要尽可能高的保真度原始数据,以便进行优化。不幸的是,这会给用户带来技术和商业上的负担。
过滤工业数据的需要
根据IDC的估计,到2025年,每天将产生463艾字节的数据,用户必须根据需要在需要分析的位置刷新数据所需的存储量和网络带宽,做出谨慎的数据传输决策(图3)。
原始数据方法为机器学习模型提供了最好的基础数据。然而,由于产生了大量的数据,实时传输数据可能会很困难。当聚合或预测的实时数据在边缘处进行预处理并传输时,体积会更小。用户必须意识到,这种方法可以过滤或模糊信息,从而允许偏见潜入机器学习模型。
另一种选择是实时发送聚合或预测数据,并设置不同的通道以较慢的速度发送原始数据。一个潜在的缺点是,如果使用这种方法,通信队列可能会被填满。
购买网络带宽和存储设备的经济成本必须与可用的技术实用性相平衡,例如确定网络是否具有足够的稳定性。这些压倒一切的因素将影响机器学习可以部署在哪里:在边缘、在云或两者的结合。
先进的人机界面分析和异常检测
先进的分析是可能的现代人机界面。世界上的许多数据都是流数据和时间序列数据,其中异常情况提供了指示关键情况的重要信息。有许多异常检测用例,包括预防性和预测性维护、故障检测和监控。
异常被定义为系统行为异常且与过去行为有很大不同的时间点。异常可以是空间异常,即值超出了典型范围;也可以是时间异常,即值没有超出典型范围,但其发生的顺序不正常。状态标签可以与异常相关联,并可以将异常分为时间或空间。报警系统还可以根据优先级、重要性和频率分配加权值来预测故障。
任何现代的HMI还必须本地支持以有状态方式发送和接收消息的机制,并确保远程设备数据是当前的和有效的。有状态通信可以通过使用MQTT和Kafka等协议来确保,而Sparkplug B规范处理状态管理。
一旦进入云中,数据就可以与来自多个数据源的数据进行聚合和连接。这里的价值在于,用户可以同时考虑多个操作或整个设备船队,而不管它们的物理位置。基于云的过滤和分析模型可用于对数据进行深度分析,以预测行为和趋势,如机器的平均故障间隔时间(MTBF)或寿命结束。然后,可以将这些信息部署回人机界面中运行的边缘位置机器学习模型,以改进其操作。
5现代人机界面要求
如果IDC的预测是正确的,那么人机交互的角色将需要不断发展,以适应海量数据。现代人机界面有能力连接到丰富的机器数据:
- 实时监控和分析这些数据
- 以连贯和用户友好的方式将其形象化
- 帮助用户做出明智的决定
- 以一种有用的方式存储数据,这样就可以随意挖掘数据
- 克服妥协和限制。
随着越来越多的传感器部署和对机器的依赖不断增加,这是人机界面的新角色。这些机器的关键性质和功能将会扩展,人机界面将成为智能边缘的大脑。
玛西娅Gadbois董事长兼总经理,Adisra;查克•凯利,首席数据官,Adisra.由CFE Media and Technology, Control Engineering,副主编Chris Vavra编辑,cvavra@cfemedia.com.
更多的答案
关键词:人机界面,HMI,边缘分析
考虑一下这个
有什么好处你的植物能从现代人机界面中衍生出来吗?
在线额外
参考文献1:世界经济论坛,2019年4月17日,https://www.weforum.org/agenda/2019/04/how-much-data-is-generated-each-day-cf4bddf29f/