Промышленный Интернет вещей (IIoT), может, и медленно приживается, но служит испытательным полигоном и в конечном счете изменит основы экономики производства, пишет независимый аналитик Джо Маккендрик на портале ZDNet.

IIoT может найти множество блестящих и интересных применений. Начиная с подключенных к сети автомашин и заканчивая продуктами, которые сами обновляются посредством обновления ПО. Но действительно важные события происходят за кулисами. Речь идет о поддержке промышленных машин и систем, о датчиках двигателей, предиктивном техническом обслуживании и анализе временных рядов контроллеров.

Такое большое и сложное дело, как IIoT, может потребовать больше времени, чем ожидалось. Недавний опрос 600 высокопоставленных ИТ-руководителей, проведенный Bain & Company, показал, что в 2018 г. промышленность испытывала меньше восторга по поводу предиктивного обслуживания, чем двумя годами ранее. Заказчики рассказали, что реализация таких решений оказалась сложнее, а извлечение из данных ценных знаний труднее, чем предполагалось. Проблема заключается в интегрировании новшества с имеющимися технологиями со всеми их марками, брендами, стандартами и протоколами.

Тем не менее, утверждают некоторые промышленные эксперты, IIoT служит испытательным полигоном и в конечном счете изменит основы экономики производства. Например, главный технолог Software AG и учредитель компании Cumulocity Бернд Гросс считает, что распространение IIoT ускоряется. По его словам, искусственный интеллект и машинное обучение меняют правила игры для промышленности и не только для нее. Они окажут влияние и на корпоративное ПО.

IIoT растет медленнее, чем прогнозировалось, поскольку данная технология находится еще в зародышевой стадии. «Мы находимся в самом начале пути, — отметил Гросс. — Большинство проектов являются пилотными, а не коммерческими. Люди много говорят о предиктивной аналитике, но в действительности ее коммерческое использование только начинается». В качестве примера он привел датчики, которые подключаются к системам на базе ИИ и ведут мониторинг краскопультов на автозаводах. Хотя человек способен обнаружить 95% ошибок окрашивания, может потребоваться время для установления и устранения проблемы. А наделенная ИИ система IoT умеет даже прогнозировать будущие трудности.

Одна из проблем связана с масштабированием пилотных проектов. «Масштабирование представляет большие трудности, поскольку оно всегда весьма специфично для конкретных машин или процессов и даже для точно такой же машины, — сказал Гросс. — Предиктивное обслуживание на одном заводе может отличаться от такого же обслуживания на любом другом». В промышленных средах сформировался ряд уровней, образующих, по его словам, «традиционную промышленную пирамиду»: системы ввода-вывода, датчики, программируемые логические контроллеры, системы диспетчерского управления и сбора данных (SCADA), системы управления производственными процессами (MES). Венчают пирамиды системы ERP.

Эта среда созрела для консолидации. Облака и периферийные вычисления уменьшают сложность промышленной пирамиды. В частности, Гросс предвидит революционные изменения, касающиеся ERP. Посмотрите, говорит он, как изменились системы CRM за последнее десятилетие. Это симптоматично. «Большинство людей не помнят, что десять лет назад CRM были частью ERP. Теперь же облачные CRM растут гораздо быстрее ERP. Это первый случай, когда облачная среда отбирает функции у ERP. Облачные приложения значительно более инновационны, более дружественны для пользователей и существенно более интегрированы, чем ERP. От производителей облачных приложений исходят мощные инновации, и они подрывают позиции ИТ-подразделений и ERP».

Это лишь усиливает способность бизнеса к реагированию и адаптации, продолжает Гросс. «Сотрудникам, пользователям и партнерам проще и быстрее использовать облака, которые более понятны интуитивно. Например, сегодня можно интегрировать облачное приложение в корпоративное с помощью одного лишь интерфейса пользователя. Пять лет назад требовались очень крупные интеграционные проекты. Запросто можно было потратить миллион долларов».

Однако Гросс не рекомендует размещать все системы и данные в облаках. Он считает, что большим потенциалом обладают, скорее, периферийные вычисления, когда обработка распределена по всему спектру, от центра до самих устройств. Периферия приобретает очень большое значение, поскольку во многих сценариях нельзя полагаться только на облака, особенно в промышленности.

Периферийные вычисления важны, т. к. они автономны. «Если нет подключения к сети, система должны продолжать работать, потому что аналитика в реальном времени не может зависеть от соединения с Интернетом», — поясняет Гросс. Далее, есть требование агрегирования данных. «Когда поступает так много данных, нет смысла помещать все их в облака, — говорит он. — Вы хотите агрегировать данные, но не каждый их элемент».

Наконец, периферийные вычисления имеют смысл, поскольку помогают преодолеть проблему задержек, присущих облакам. Многие приложения, особенно промышленные, требуют времени отклика, измеряемого миллисекундами, чего облака гарантировать не могут.

Версия для печати (без изображений)