John Lindström Erik Mattsson CEO, ProcessIT Innovations Senior Developer, Ductus PreEye john.lindstrom@ltu.se erik.mattsson@preeye.se 070-674 58 59 070-446 65 39 Rapport Uppkopplade system och stora datamängder - intervjuer med sex företag i Norrbotten Sammanfattning Industrial Internet of Things (IIoT), Industry 4.0, Cyber Physical Systems (CPS) och Big Data är för de flesta bekanta begrepp även om den exakta definitionen för begreppen uppges vara oklar. Vid intervjuerna framkom att förhållningssättet till dessa begrepp varierar något. Några av industrierna genomför tydliga satsningar mot att föra in fler uppkopplade system i sin verksamhet. Några är något mer avvaktande med hänvisning till att förbättringsarbete av processerna är något som pågår hela tiden och att de tekniker som det pratas mycket om i samband med Industry 4.0 inte känns så konkreta ännu. Samtliga uppger dock att det är viktigt att de håller sig uppdaterade om vad som händer kring dessa frågor för att hålla sig konkurrenskraftiga. Benämningen Industry 4.0 hänvisar till en tanke om att det just nu pågår en fjärde teknikrevolution för industrierna. Många av de intervjuade företagen upplevdes dock vara skeptiska till att det verkligen handlar om en revolution. Snarare att förbättringsarbetet fortgår som det alltid har gjort och att ny bättre teknik förs in gradvis när den blir tillgänglig och är kostnadseffektiv. En del av de intervjuade hade också tidigare deltagit i projekt där tekniker som neurala nätverk, idag ofta benämnt som Deep Learning, testats med begränsat resultat. En del av industrierna uppgav att deras underleverantörer till viss del styr teknikutvecklingen och att de har märkt av att fler och fler underleverantörer börjar erbjuda smartare utrustning med uppkoppling och tjänster kopplat till det. Något som industrierna behöver fundera kring när det gäller förhållningssätt och lösningar för IT-säkerhet. Samtliga företag i studien uttrycker att de inte känner sig bekväma med att lagra all data i molnbaserade tjänster eftersom de då upplever att de tappar kontrollen på hur data används och vem som har tillgång till den. Okänslig data sparas till viss del redan idag i molnbaserade tjänster medan mer företagskänslig data lagras på interna servrar. 1
Bakgrund Under 2015 pratades det mycket inom teknikvärlden kring begrepp som Internet of Things, Industry 4.0, Big Data analys, Deep Learning, m.m. Det finns en uppfattning inom tekniksfären om att det är på väg att ske, eller redan pågår, en teknikmässig revolution inom industrin där teknikerna bakom begreppen ovan nu börjar vara tillräckligt mogna för att tillämpa inom industriella applikationer. ProcessIT Innovations är ett samverkanscentrum för process- och verkstadsindustrierna, universiteten samt IT-företagen inom Norrbotten och Västerbotten. Under senare hälften av 2015 bestämde sig ProcessIT Innovations för att genomföra en analys om vart processindustrin i norra Sverige står idag, deras kunskap om och deras syn på möjligheter när det gäller uppkopplade system och analys av stora datamängder. Förstudien startade i mars 2016 i samarbete med Ductus PreEye AB som har genomfört intervjuer med representanter från sex större industrier i Norrbotten. Denna rapport sammanfattar svaren från dessa intervjuer. 2
Syfte Förstudien syftar till att ta reda på Processindustrins kunskap om, och syn på nya möjligheter vad gäller uppkopplade system och hantering av stora datamängder. Resultatet av förstudien är tänkt att ligga som grund för att hitta framtida forsknings-, utvecklings-, och affärsmöjligheter inom området. Definitioner Uppkopplade system Uppkopplade system syftar på sammankopplingen av fysiska industriella maskiner, sensorer, ställdon, och annan utrustning till ett gemensamt nät där informationsutbyte, konfiguration och styrning kan ske på ett strukturerat sätt mellan alla enheter. Relaterade termer är Cyber Physical Systems (CPS), Industrial Internet of Things (IIoT), och Industry 4.0. Stora datamängder Uppkopplade system ger stöd för mångdubbelt fler signaler och sensorer i styrsystemet än vad som är möjligt idag. Stora datamängder, även känt som Big Data, syftar på det informationsflöde som uppstår av alla dessa uppkopplade system och hanteringen av den stora datamängd som tillgängliggörs. Detta ger upphov till både nya möjligheter och utmaningar vid byggandet av nya, och vid uppgradering av befintliga produktionslinjer. Det ger även bättre möjlighet att koppla ihop styrsystem med processtyrnings-, ekonomi-, och beslutsstödsystem för att ytterligare effektivisera och optimera produktiviteten. De stora datamängderna som blir tillgängliga öppnar upp för nya analyser, användningsområden och applikationer som tidigare inte varit möjliga. Någon exakt definition av hur mycket data det behöver vara för att betraktas som Big Data finns inte utan namnet syftar snarare på en mängd data som är så pass stor och komplex att traditionella verktyg för datasammanställning inte är praktiska att använda. 3
Nuläge och vision Begreppen Industrial Internet of Things (IoT), Industry 4.0, Cyber Physical Systems (CPS) och Big Data är kända men den exakta definitionen är lite osäker. Det framgår från svaren att industrierna har jobbat med dessa frågor kontinuerligt redan under många år som en del i utvecklingsarbetet men kanske inte under dessa namn. Industrierna jobbar löpande med att effektivisera sina processer för att sänka kostnader och förbättra kvaliteten. En del i detta är att skapa en bättre förståelse för den egna processen genom att analysera mätdata som samlas in. En annan del är att kontinuerligt föra in mer automation där det är relevant och försvarbart ur kostnadsperspektiv. Flertalet av företagen ser sig själva och Norrbotten som föregångare inom respektive koncern. Bland underleverantörer kunde företagen se vissa som kommit längre i tänket och att det har lett till bra utbyte av erfarenheter när det gäller risker och möjligheter. En stor mängd data samlas in och lagras redan idag och har så gjorts under ganska lång tid hos de flesta av industrierna även om någon också uppger att de skulle behöva bli bättre på att lagra den data som redan finns i verksamheten. Till största del kommer den data som finns i verksamheterna idag från trådade mätsensorer. Lägger man in trådlös uppkoppling som ett krav för att benämna ett system som IoT eller Industry 4.0 så har industrierna till största del ännu inte tagit till sig den tekniken. Här kommer frågeställningar kring sekretess och tillförlitlighet in i bilden. Det finns dock exempel på företag i studien som mer uttalat tittar på att utnyttja trådlösa uppkopplade sensorer i sin verksamhet. Vi tror att detta kommer komma mer och mer under de närmaste åren, vare sig vi vill eller inte, från underleverantörer eftersom det är konkurrensdrivande. Den bästa utrustningen kommer vara uppkopplad. Svår fråga hur bekanta vi är. Tycker det är lite otydligt vad begreppen innebär fortfarande. Två av de medverkande företagen har redan idag en uttalad vision kring uppkopplade system och ett av företagen uppger att de just nu håller på att jobba med att ta fram en vision kring detta. Övriga tre har ingen uttalad vision men uppger att de vill hålla sig medvetna om vilken teknik som kommer fram och ta till sig det om det passar in i verksamheten. Samtliga medverkande ser en nytta i att hitta metoder för att bättre kunna analysera och ta beslut utifrån de stora datamängder som det handlar om. 4
På frågan om tidsperspektivet inom respektive företag, när det gäller uppkopplade system och stora datamängder, anger fyra av företagen att de just nu har projekt kring detta som ska vara avslutade inom ett till två år. Detta är det första steget och hur det kommer se ut på längre sikt är svårare att säga. En majoritet av de medverkande uppger samtidigt att detta är ett arbete som sker kontinuerligt och har gjort så sedan verksamhetens början. Samtidigt uppger alla utom ett av de medverkande företagen att de har behov av vidareutbildning kring dessa frågor men att vilket innehåll en utbildning bör ha är svårare att definiera. Ett företag ger ett mer svävande svar på frågan om utbildningsbehov, de vill vara med och förstå vad som händer men lägger i nuläget inga större resurser på detta. Möjligheter och utmaningar Beroende på typ av verksamhet så ligger fokus på lite olika områden. Antingen på möjligheten att kunna erbjuda kunden en funktion istället för som idag en produkt, eller i det andra fallet mer mot möjligheten att kunna förbättra den egna processen och kvaliteten på slutresultatet. För produkter som ligger nära slutkunden ser man möjligheter att kunna erbjuda kunden intelligenta system och komponenter som ger mervärde i form av tillförlitlighet, diagnostik och bekvämlighet. En annan utmaning är att hitta resurser med kompetens både inom IT och inom processen. I de egna processerna är man mer inne Vid tidigare försök med samarbete med på möjligheten till en bättre helhetsbild universitet har det varit svårt bara att förstå och förståelse för variationer, möjligheten att prediktera fel, bli varandra. bättre på att styra och optimera processer samt att hitta och undvika flaskhalsar. Även möjligheten att kunna presentera mer faktabaserat beslutsunderlag för beslutsfattarna lyftes fram som något positivt. De flesta företagen ser ingen stor utmaning i att göra mätningar eller att få tillgång till data. Däremot upplevde samtliga analysen av data som ett större problem. Första utmaningen låg i att prioritera vad som skulle mätas och i vilken utsträckning. Andra utmaningen handlade om hur data skulle överföras och var och hur den ska lagras. Den tredje utmaningen och även den som de flesta bedömde som den största var hur mätdata ska Kunderna är förvirrade men leverantörerna är ännu mer förvirrade. Leverantörerna upplever en risk att tappa nuvarande marknad till något nytt och okänt. analyseras. I dagsläget sker oftast analyserna på avgränsade delområden i processorerna. Att hitta verktyg och metoder för att väva samman analysen från all data inom verksamheten ger stora 5
möjligheter men är samtidigt en väldigt stor utmaning. I dagsläget ser ingen av de tillfrågade hur detta skulle vara möjligt. Flera av de tillfrågade har även tidigare varit inblandade i försök med till exempel multivariat dataanalys, neurala nätverk, adaptiva reglerloopar m.m. Dock med begränsat tillfredställande resultat. På flera håll ser man tendenser att man redan i dagsläget samlade in mer data än man vet hur man ska agera och fatta beslut på. Det framhålls en risk Har vi flera hundra leverantörer så spelar det ingen roll om de var för sig uppger att deras kommunikationsprotokoll är hundra procent säkert. Vi kommer ändå ha flera hundra potentiella intrångsvägar så det gäller att tänka till kring detta med att ännu mer mätdata kan göra det hela för komplext samtidigt som det ibland uppstår situationer där det saknas relevant data för att kunna analysera ett händelseförlopp. Företagen ser fördelar med uppkopplad utrustning, trådlös överföring, lagring i molnet och access till data via webben för kunder eller underleverantörer men ser också risker i sådana lösningar med intrång och driftssäkerhet. Detta medför att de flesta företagen tittar på egna serverlösningar och slutna nät samt dedikerade ingångar utifrån för underleverantörer som erbjuder smart utrustning med uppkoppling. Automation, sensorer och lagring av data Automation De flesta av de medverkande företagen ser ett behov av att öka automationsgraden i verksamheten. Något företag menar att det är viktigt att hitta rätt automatiseringsgrad. Det är framförallt en fråga om att hålla sig konkurrenskraftiga på den internationella marknaden där konkurrenterna kan ha en helt annan lönebild än i Sverige. Ibland kan det även handla om att förbättra personsäkerheten men oftast är det en avvägning mellan investeringskostnaden och avkastningen. Detta är dock inget nytt som uppkommit senaste åren, en strävan efter att bli effektivare har alltid funnits där. Sammantaget ger det en bild av ett ökat behov av automation samtidigt som manuella lösningar i vissa fall är att föredra då alternativen inte är kostnadseffektiva. Generellt är de styrsystem som används idag inom de tillfrågade industrierna moderna system med goda möjligheter att byggas ut. Ingen av de tillfrågade ser att styrsystemen skulle vara en stoppkloss för att följa med i utvecklingen mot fler sensorer och ökad grad av automation. 6
Sensorer Även om samtliga företag i första hand önskar standardiserade off-the-shelf -lösningar så ser flera behovet av skräddarsydd mätteknik där det inte finns något färdigt tillgängligt på marknaden. Samtliga företag jobbar med trådlösa system i varierande grad. Vissa företag vill bygga ut, men upplever begränsningar med tillgängligheten på trådlösa och batteridrivna sensorer. Samtidigt som det minskar en initial installationskostnad när ingen kabel behöver dras till sensorn så ger det en risk och eventuellt en större underhållskostnad i form av att hålla koll på och byta batterier. Andra hade i stor utsträckning fasta installationer och såg därmed inga större fördelar med trådlöst. Ett av de tillfrågade företagen som i större utsträckning är inne på att börja använda trådlösa givare uppger att deras tankar kring batteridriften är att enbart logga data från vissa av givarna tills att batteriet är slut och sedan inte byta ut batteriet. Det kommer ändå ge mer information än vad som finns tillgängligt idag. Även risken med avlyssning av känslig data samt sabotage i form av till exempel signalstörning lyfts fram som viktiga frågor vid ett införande av trådlös teknik. Fler mätsensorer innebär också fler sensorer som riskerar att ge felaktig data. Idag hanteras detta genom en mix av redundanta givare och rutiner för kalibrering och underhåll. Fler givare skulle därmed öka kostnaden på dessa poster. På frågan om det skulle vara möjligt att hitta avvikande mätvärden i ett system med fler sensorer med hjälp av någon form av Big Data analys svarar de flesta att det kanske kan vara möjligt på sikt. Lagring av data De medverkande företagen har lite olika strategier för hur de lagrar data i dagsläget. Generellt finns dock ett samband mellan mätfrekvensen och lagringstiden där högre frekvens på mätvärdena ger en kortare lagringstid. Några uppger att data efter en viss tid sparas om med medelvärdesbildning Måste vara kvalitativ mätdata. Hellre mindre data men bra data än mycket data som vi inte kan lita på fullt ut. för att minska mängden. Ett företag packar det data som lagras så att det går att återskapa sekundvärden flera år efteråt. I vissa fall är det gamla system som är byggda på den tiden då lagringsyta fortfarande var dyrt vilket gör att det idag är systemet som är begränsande för vilken frekvens på mätdata som kan lagras snarare än lagringsytan. På frågan om hur företagen ställer sig till att lagra data i molnbaserade tjänster uppger majoriteten att de idag lagrar det mesta internt. Att lagra i molnet ger upphov till många frågor om säkerhet och tillgänglighet. En respondent uppmärksammade att även tillsynes oskyldig mätdata som till exempel hur en pump körs kan avslöja hur processen går i stort och därmed ge information som kan påverka till exempel aktiekurser. Det framhölls också en oro att även spridd data kan sökas upp och 7
sammanställas om det ligger externt lagrat. Det uppgavs också att molnbaserad lagring idag blir dyrare än att lagra internt, det som saknas vid intern lagring är skalbarheten men än så länge är det en nackdel som väger mindre. Säkerhet Som nämnts tidigare uttrycker flera av företagen en oro att data kan sniffas upp om det skickas trådlöst, särskilt som det i vissa fall kan gälla nyckeldata som berör produktionen och att man därför behöver hög säkerhet och kryptering. Andra menar att risken för att någon skulle vilja stjäla data för kunskapen var låg, men att man riskerar att öppna upp sig för sabotage. En av de medverkande framhåller att inget system är helt säkert och en viss risk är acceptabel beroende vad nyttan är. Personen gör en liknelse vid att de flesta idag sköter sina bankärenden via internet vilket medför en risk men samtidigt ger bekvämlighet som vi inte vill vara utan. Majoriteten av företagen jobbar mycket med skalskyddet medan det internt är relativt öppna system. När det gäller underleverantörer som erbjuder tjänster baserade på att de har tillgång till sina system är samtliga av de tillfrågade överens om att detta behöver ske på ett kontrollerat sätt. Det ska bara finnas ett sätt att ta sig in i det interna systemet, vilket alla underleverantörer då får använda sig av. En person lyfte även fram att det är viktigt att ha kontroll på när en underleverantör är inne i ett system och vad de gör eftersom det annars kan uppstå risker för personsäkerheten för operatörerna. Analys av data Som nämnts tidigare anser samtliga deltagare i studien att analysen av de stora datamängder som samlas in är den största utmaningen. Det utförs mycket dataanalyser redan idag men då på delprocesser och väl avgränsade datamängder. I många fall tas hjälp utifrån in för specifik kompetens inom någon analysmetod. Ett problem är att analys av processdata innebär ett behov av tvärkompetens, både kunskap om avancerade analysmetoder men även en djup kunskap om den specifika processen. En av de medverkande berättar om hur det vid ett tidigare försök där man anlitat hjälp från ett universitet hade en del problem med att förstå varandra på grund av kunskapsglappet i båda ändar. Eftersom analysen av data ofta innebär en nyckelkompetens inom företagen ser majoriteten av deltagarna gärna att kompetensen finns internt. I dagsläget är det en mix av egenutvecklad analys och att data lämnas ut till tredje part som levererar resultatet i form av en rapport. 8
Vid outsourcing av dataanalys handlar det mycket om förtroende för leverantören. I vissa fall finns även ett behov av långsiktighet. Som exempel nämner en av de medverkande ett tidigare försök med simuleringsmodeller med gott resultat. Ett problem är dock att simuleringsmodellerna behöver underhållas och uppdateras för att stämma med verkligheten. Det innebär att man behöver knyta upp en resurs som ansvarig för det under en lång tid. Det pågår en utveckling där punkten där operatörerna tar vid flyttas upp. Utvecklingen med automation gick relativt snabbt från början (styrning på temp, tryck m.m.) men sedan har punkten där operatörerna tar vid legat ganska konstant. Det som istället har hänt är att alla delar av processen blivit mer automatiserade. Från början fanns det en del öar med automation. det kommer dröja länge innan de har en helt förarlös process. En annan respondent uppger att de använder sig mycket av simuleringar idag och att planen är att använda sig av det i ännu större utsträckning i framtiden. På frågan kring möjligheter att analysen av data innehåller automatisk övervakning och automatiska beslut svarar majoriteten att styrsystemen redan idag innehåller en hel del automatiska beslut på lägre nivå blandat med larm till operatörer på högre nivå. En medverkande svarar att Kraven på hur lång tid en analys får ta varierar beroende på vilket förlopp det handlar om. I en del applikationer handlar det om realtidsanalys medan det i vissa fall handlar om förlopp där det kan ta timmar och till och med upp till dagar innan en förändring syns på slutresultatet. Sammantaget ger studien en bild av att industrierna till stor del jobbar mycket med analys av data, både i mindre och i större skala. Multivariat dataanalys nämndes av flera. Någon hade även varit inblandad i försök med neurala nätverk men med begränsat resultat. Till stor del används idag excel för analyser internt. Andra verktyg för analys som nämns är Matlab och Python. Diskussion Huruvida det faktiskt pågår en revolution teknikmässigt inom industrin är svårt att säga. Som en av respondenterna uttrycker det så känns det än så länge som det är ganska mycket prat kring detta men inte så mycket konkreta lösningar. Inom hemelektroniken har det funnits produkter och lösningar för Internet of Things relativt länge nu utan att det riktigt fått något genombrott. Kanske är det så att denna utveckling framförallt kommer drivas av leverantörer av produkter som mer och mer kommer övergå till att sälja en funktion istället. Möjligen är detta det första steget som sker nu medan det kommer dröja längre innan det finns tillförlitlig teknik, metoder och verktyg för 9
att industrierna ska kunna föra in hela system med uppkopplade sensorer, styrsystem och utrustning som pratar direkt med varandra, samt utföra så kallade Big Data analyser för den egna processen. Söker man på begreppen IoT, Industry 4.0, CPS och Big Data inser man att det finns en uppsjö av tekniker och trender som det forskas och experimenteras kring. Det finns mycket artiklar om molnbaserade analyser och verktyg för detta (Hadoop som ett exempel), nya modeller för att lagra data (så kallade big data lakes) som skiljer sig markant från den traditionella databasen, artificiell intelligens och deep learning (neurala nätverk). En hel del av dessa tekniker bygger på gammal teori, som exempel kan sägas att iden kring neurala nätverk utvecklades redan under 40-talet och framåt (Wikipedia), men det är först nu som det finns processorkraft och datamängder för att kunna få bra resultat ut från teknikerna. I en artikel från Computerworld av Robert L. Mitchell, 8 big trends in big data analytics, nämns bland annat ett försök där en deep learning algoritm kördes på data från Wikipedia och på egen hand lärde sig att Kalifornien och Texas båda är stater i USA utan att mjukvaran på förhand visste något om vad en stat eller ett land är för något. När det gäller trådlösa sensorer är en viktig nyckelfaktor att det hela tiden utvecklas elektronik/mikrokontroller som är mer och mer strömsnåla. I relation till detta är också trenden med energy harvesting, där iden är att utnyttja vibrationer, tryckförändringar, befintliga mekaniska roterande axlar med mera, för att generera tillräckligt med ström för att tillgodose till exempel en eller flera mätgivare med kraft. När, vilka och i vilken form dessa tekniker och trender kommer finnas tillgängliga som konkreta och kostnadsbesparande lösningar till industrin i stor skala återstår att se. Den här studien visar i vilket fall att de stora industrierna i Norra Sverige är medvetna om utvecklingen och funderar kring förhållningssätt till det. Intresset för utbildning i dessa frågor finns hos industrierna men i vilken form en sådan utbildning bör ske och med vilket innehåll framkommer inte av studien. Analys av stora datamängder framstår som den största utmaning hos industrierna och kanske är det främst där som fokus i ett utbildningsmaterial bör ligga. Gärna då kopplat till konkreta lösningar vilket efterfrågas av några av de medverkande. 10