A Internet das coisas (IoT – Internet of Things) já teve um impacto significativo nos setores industrial e de serviços públicos, desde medidores inteligentes até monitores de petróleo e gás, e não há argumentos de que está mudando a indústria. Com uma tecnologia mais inteligente, os gerentes de Field Service (Serviço de Campo) podem obter informações mais profundas que não estavam disponíveis no passado. Internet Industrial das Coisas.
Mas o aumento do número de dispositivos conectados no campo também vem com um aumento de dados e uma questão ainda maior: o que fazemos com todos esses dados? À medida que as empresas coletam mais dados, eles precisam decidir que tipo de informação será valiosa para análise e levará a um impacto na tomada de decisões – uma força-chave para a próxima fase de crescimento da Internet Industrial das Coisas (IIoT – Industrial Internet of Things).
O primeiro conjunto de desafios que as organizações enfrentam envolve o armazenamento de dados, seja para armazenar tudo ou apenas parte deles, e quanto tempo mantê-los. Algumas pessoas dirão que o armazenamento na nuvem é barato e, como resultado, você deve manter tudo indefinidamente lá, mas depois de um tempo, esses custos irão crescer e, eventualmente, serão suficientemente importantes para serem questionados.
Técnicas como downsampling podem ajudar a reduzir a quantidade de dados enquanto ainda permitem a análise. Um sensor pode capturar uma leitura de temperatura a cada 10 segundos, mas você só pode querer manter uma granularidade de uma leitura por minuto ou mesmo por hora. Essas leituras podem ser agregadas em um valor, representando a média ou a mediana.
O próximo conjunto de desafios é onde e quando processar os dados. Isso geralmente é feito em um sistema centralizado, mas essa abordagem geralmente tem implicações de pontualidade. Certas organizações devem recorrer ao processamento de borda para evitar o atraso que demora em que os dados voltem a um sistema centralizado. Geralmente, o tipo de processamento de borda é bastante simples, como criar alertas que precisam de ação imediata.
A coleta manual de dados é geralmente realizada com pouca frequência, como por exemplo, de três em três meses, em um esquema de manutenção preventiva. Isso tornou muito difícil de se ver as tendências, mas quando os dados começam a ser coletados em um intervalo frequente, a cada minuto ou alguns segundos, ele abre as oportunidades para analisar as tendências e desenvolver a inteligência na análise, monitoramento e alerta em tempo real.
O conjunto final de desafios a serem discutidos relaciona-se com alertas em tempo real com base em leituras coletadas. Como vimos no monitoramento de TI moderno, o monitoramento de Internet das Coisas (IoT – Internet of Things) provavelmente enfrentará os mesmos problemas em torno da fadiga de alertas. Isto acontece quando um técnico de campo recebe muitos alertas falsos positivos e, como resultado, começa a ignorá-los ou fica sobrecarregado.
A fadiga de alerta pode acontecer quando há uma dependência excessiva de leituras brutas usadas isoladamente. Essas métricas brutas podem conter ruídos que não devem aumentar os alertas, a menos que a correlação de dados corresponda a certas condições ou tendências incomuns sejam identificadas. Um alerta será gerado se a temperatura de uma máquina permanecer acima de um determinado limite por alguns segundos, mesmo que não seja um problema que exija atenção imediata, se houver uma tendência de que essa máquina se torne mais quente a uma hora similar a cada dia e depois tendo a temperatura de volta a normalidade. Saber que essa tendência pode permitir uma melhor categorização desse alerta para ser de menor prioridade.
A análise de dados e a visibilidade para os gerentes direcionarão o futuro da Internet Industrial das Coisas (IIoT – Industrial Internet of Things). A visualização e a análise de dados podem ser categorizadas em tempo real ou histórico. A análise em tempo real pode ser realizada na borda, muitas vezes para aumentar os alertas, mas também para agregar métricas múltiplas ou fazer downsampling. A desvantagem com agregação ou downsampling na borda é que você perde a habilidade no sistema central para detalhar. A análise histórica é mais sobre examinar tendências e inferir o que provavelmente acontecerá no futuro.
A fim de fornecer visibilidade para os gestores, os dados coletados muitas vezes precisam ser agregados várias vezes para que possam se encaixar em uma única tela. Os gestores devem sempre ter a capacidade de detalhar as métricas de nível superior. Você realmente precisa manter as métricas do título ao mínimo e torná-las tão simples de entender quanto possível; Caso contrário, as pessoas ficarão sobrecarregadas e perderão indicadores-chave ou mudanças.
Os dados adequadamente analisados de dispositivos conectados terão um enorme impacto na manutenção preventiva, especialmente para indústrias que precisam evitar avarias devido a reparos dispendiosos envolvendo poços de petróleo e elevadores, por exemplo. Evitar todas as falhas não é viável na maioria dos casos, mas a análise também pode ajudar a reduzir o tempo necessário para restaurar um sistema através de melhores alertas e garantindo que os técnicos tenham as ferramentas e peças adequadas para resolver o problema o mais rápido possível – mantendo o tempo de inatividade em um mínimo.
A Internet das Coisas (IoT – Internet of Things) criou um novo conjunto de desafios para as organizações industriais, mas essas organizações podem usar técnicas de análise de dados inteligentes e eficazes para fornecer visibilidade aos gestores para impulsionar o futuro do IIoT no futuro.
Nic Grange é o CTO da Retriever Communications.
Matéria publica originalmente no RFID Journal, em 24/11/2017 com o título “What Opportunities Does de Industrial IoT Present for Field Service?“. Acesso pelo link: http://www.rfidjournal.com/articles/view?16890/