Edge Computing kommer til at transformere produktionsvirksomheder

Edge Computing kan med den rette indlæring og ekspertise hjælpe produktionsvirksomheder med at realisere potentialet i prædiktiv vedligeholdelse. Det reducerer arbejdsulykker og øger oppetiden.

De fleste er enige i, at anvendelse af data til at forbedre produktionsprocesser giver god mening. Alligevel er det interessant, at mange stadig foreslår virksomhederne at begynde med at flytte data til skyen.

Det kan skyldes en udbredt misforståelse, der går på, at fabrikkerne er lige så konsistente som de produkter, de fremstiller. Selvom det kan være værdiskabende at benytte cloud til at analysere data, så kan det indebære, at man mister chancen for at bruge dataene til at muliggøre løbende procesforbedringer.

I dag har sammenkædningen af information og produktionsteknologi resulteret i nye muligheder i periferien, der kan bidrage til at sætte fart på indsigten ved at flytte analyserne fra datacentret til en placering i selve fabrikken, tættere på de steder, hvor tingene rent faktisk sker. De nye muligheder kalder vi Edge Computing.

Den vertikale integration og fleksibilitet på fabrikkerne, som den nye type Edge Computing-løsninger muliggør, åbner op for nye muligheder inden for operationel effektivisering.

Eksempelvis effektiviserede en bleproducent energieffektiviteten ved at analysere udsvingene i energiforbruget på de enkelte celler i produktionslinjen.

Oplysningerne bidrog til, at produktionsvirksomheden kunne reducere energiforbruget på fabrikken betydeligt. Derudover gav udjævningen af forbruget også virksomheden mulighed for at forhandle lavere elpriser på grund af de lavere forbrugsmønstre.

Hvad er Edge Computing

Edge Computing har eksisteret i adskillige år, men interessen er steget i de seneste år i forbindelse med fremkomsten af IoT-enheder og -sensorer i fabrikkerne.

Edge Computing hjælper produktionsvirksomheder med at bearbejde enorme datasæt, der er genereret af maskiner og sensorer, til indsigtsfulde data, der kan benyttes til praktiske tiltag. Det opnås ved, at Edge Computing gør brug af analyse ved datakilden, uanset om det er temperatursensorer, alarmer eller motordrivsystemer.

Forbedret analyse øger evnen til at visualisere dataene og opnå ny indsigt, samtidig med at machine learning og kunstig intelligens hjælper produktionsvirksomheden med at anvende den nye indsigt i produktionsmiljøet.

Udtrykket “Edge” refererer til den databehandlingsinfrastruktur, der er placeret tættest på datakilderne, eksempelvis robotarme og automatiseret maskineri til tunge løft.

De betragtes som værende i periferien (“at the edge”), fordi de sædvanligvis findes længst væk fra hjertet af databehandlingsinfrastrukturen, som i dag ofte er placeret i skyen.

I mange af de situationer er det kun opsummerede data, der bliver sendt til skyen. I de miljøer, hvor opkoblingen stadig er uregelmæssig, bliver data desuden indsamlet og gemt lokalt for at sikre, at alle dataene bliver indhentet.

Læs mere: Hvordan udnytter man potentialet i Industri 4.0?

Effekten af Edge Computing

Edge Computing tilbyder nogle virkelig effektfulde resultater. I et ofte citeret eksempel blev det påvist, at en selvkørende bil, der kører med knap 90 km/t på en tæt trafikeret vej, kan analysere data og omdanne dem til en machine learningskommando i selve bilen, der derefter fortæller bilen, at den skal undvige en fodgænger for at forhindre en grim ulykke eller endda en dødsulykke.

Og selvom eksemplet med den selvkørende bil bliver diskuteret flittigt blandt forbrugerne i medierne, så er det nemt at overse den pointe, der er virkelig vigtig i forhold til kommercielle industrielle miljøer.

Selvom en produktionsvirksomhed har adskillige fabrikker rundt omkring i et land eller i verden, har hver enkelt fabrik sine egne parametre, dimensioner og maskinpark, så det er svært at oprette og vedligeholde en centraliseret dataanalyseenhed i skyen eller i et koncerndatacenter, der kan analysere dataene og reagere i rette tid.

Frontlinjeledere på fabrikkerne har ikke tid til at vente adskillige dage på, at en central enhed analyserer dataene og sender en automatiseringsfunktion til maskinindlæring retur.

Med de automatiseringsværktøjer, der er tilgængelige i dag, kan fabrikschefer bruge periferidataene til at udarbejde en funktion til machine learning, som de kan sætte i gang i løbet af blot et par timer.

Ved at drage fordel af disse muligheder kan fabrikscheferne identificere et problem i fabrikken og gribe ind, længe inden der opstår en fejlfunktion på en maskine, der kan stoppe produktionen.

I forhold til industrielle fabriksledere tilbyder Edge Computing en unik mulighed for at bruge analyse til at køre prædiktiv vedligeholdelse, så man får mulighed for at undgå bekostelige fabriksstop, længe inden der opstår nedbrud på en komponent eller en sensor.

På mange måder har industrien overhalet sig selv. Vi er flere år fra den type Edge Computing inden for selvkørende biler, hvor periferienheder foretager lynhurtige liv og død-beslutninger på masseniveau.

Men Edge-enheder til IoT-miljøer i fabrikker er tilgængelige i dag, og med den rette indlæring og ekspertise kan produktionsvirksomheder realisere potentialet i prædiktiv vedligeholdelse, så antallet af arbejdsulykker på fabrikken reduceres og oppetiden øges.

Download guide: Sådan påvirker Industri 4.0 din virksomhed

Læs mere: Produktionsindustrien har fået en digital overhaling

Sig din mening

*