Cimenter la périphérie - ABB
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
32 ABB R EVI EW ABB Abilit y ™ — D E S D É C I S I O N S M E I LL E URE S E N MATIÈRE DE PRÉVISION DE L A R É S I STAN CE DU C I M E N T, GR ÂC E À L’INTELLIGENCE ARTIFICIELLE Cimenter la périphérie Quelqu’un a dit ‘Le logiciel a mangé le monde, maintenant l’IA mange le logiciel’ [1]. La croissance de l’Intelligence Artificielle (IA) ne s’arrête pas [2] et le secteur de l’automatisation de processus ne fait pas exception. Des applications d’analyse toujours plus nombreuses traitent les données provenant de capteurs en ligne et de laboratoires, ce qui rend les processus plus efficaces et augmente leur autono- mie. Au cours de la dernière décennie, le déploiement de ce genre d’applications dans le cloud s’est développé. Cependant, dans de nombreux cas, il n’est pas pratique de transférer de grandes quantités de données dans le cloud. C’est là qu’entre en jeu l’analytique en périphérie de réseau.
02| 2022 C IME NTE R L A PÉ RIPHÉ RIE 33
Dans un processus d’analytique en périphérie de réalisée en périphérie. Au bout du compte,
réseau, les tâches de traitement sont exécutées l’émergence de l’analytique en périphérie de
à proximité de l’endroit où les données sont réseau crée de nombreuses possibilités pour
générées (p. ex. sur site), afin de permettre des l’analytique industrielle.
réactions rapides [3] [4]. Les exemples d’applica-
tions dans l’automatisation des processus com- La plateforme ABB Ability™ Genix Industrial
prennent la surveillance de l’état des équipements, Analytics and AI Suite offre un énorme potentiel
la surveillance du fonctionnement des processus pour l’analytique en périphérie de réseau. Cet
et la détection des anomalies, avec des zones de article présente une démonstration de faisabilité
déploiement s’étendant aux villes intelligentes et basée sur des recherches et illustrée par le cas
aux transports intelligents [5]. L’informatique en d’utilisation de la prévision de la résistance du
périphérie est en train de rapidement prendre la ciment →01.
tête des technologies numériques.
Exemple : Prévision de la résistance du ciment
L’informatique en périphérie et l’analytique en De nombreux facteurs affectent la qualité du
périphérie de réseau fournissent de nombreux ciment au cours de son processus de fabrication
avantages : →01. Les variations en termes de matières pre-
• La proximité physique avec les appareils mières et de types de carburant signifient que
permet de réduire la latence et d’augmenter la production de ciment n’est généralement pas
la bande passante. Cela permet de traiter des régulière. Afin de répondre à ces variations, il
volumes de données plus importants avec des faut modifier en permanence les points d’exploi-
temps de réponse plus courts. tation de l’usine, en se basant sur des mesures
• Le traitement de données en périphérie permet effectuées en ligne et en laboratoire. Une qualité
de réduire le trafic de données vers le cloud, car particulièrement importante est la « Résistance
seules des informations filtrées et/ou agrégées du ciment à 28 jours ». Si la résistance du ciment
doivent être transmises. est trop faible, il ne peut pas être vendu ou bien
• En périphérie de réseau, il est plus facile de il faut le mélanger avec un ciment de meilleure
protéger les applications et les données en qualité. À l’inverse, une résistance trop élevée
termes de cybersécurité, car les données sont du ciment signifie soit une diminution du
traitées localement, avant d’être en partie rendement, soit une augmentation de la quantité
envoyées dans le cloud via une passerelle de d’additifs nécessaires (ce qui entraîne des coûts
périphérie de réseau sécurisée. La ‘surface trop élevés). Normalement, il faut attendre
d’attaque’ est ainsi réduite. 28 jours avant de pouvoir tester la résistance du
• Les nœuds de périphérie de réseau peuvent ciment. Mais alors, il est trop tard pour corriger le
—
opérer même si les services de cloud sont indis- processus. Cela signifie que les usines produisent
Marie Platenius-Mohr ponibles en raison de défaillances du réseau ou souvent un ciment d’une résistance supérieure
Jan Schlake
Michael Vach
du cloud, ou pour des équipements mobiles, tels aux spécifications, ce qui réduit leur marge
ABB Corporate Research que des camions, dont la connexion à Internet bénéficiaire.
Ladenburg, Allemagne
peut être intermittente. On peut également
marie.platenius-mohr@ choisir cette solution pour des raisons de Être en mesure de prédire la résistance du ciment
de.abb.com
jan-christoph.schlake@
confidentialité des données. Le traitement en à 28 jours pendant la production et de préférence
de.abb.com périphérie permet donc d’améliorer la disponibi- plusieurs fois par jour, pourrait aider les usines
michael.vach@
de.abb.com
lité et la fiabilité de services clés. à réagir beaucoup plus rapidement. ABB s’est
• Les appareils existants incapables de se attaqué à ce défi en utilisant des fonctions
Ryan Koorts
ABB Process Automation
connecter seuls au réseau peuvent être inté- d’apprentissage automatique présentes dans
Dättwil, Suisse grés dans des architectures système basées en l’ABB Ability™ Genix Industrial Analytics and AI
ryan.koorts@ch.abb.com
périphérie. Suite. Des modèles ont été programmés dans
• Les ressources en périphérie sont générale- ABB Ability™ Genix en utilisant son composant
Anders Trosten
ABB Process Automation
ment moins chères que les ressources en cloud. Model Fabric pour cartographier les données
Vaesteras, Suède d’échantillons et prévoir la résistance du ciment
anders.o.trosten@
L’informatique en périphérie complète l’infor- à 28 jours →02. De nombreux modèles proposés
se.abb.com matique en cloud, car les tâches nécessitant une ont été passés en revue dans Genix Model Fabric
Vinod Ninan
grande quantité de données et de ressources pour établir leur précision et leur robustesse,
ABB Process Automation (comme la programmation de modèles d’appren- avant qu’un modèle final ne soit finalement
Bangalore, Inde
tissage automatique) peuvent être transférées sélectionné →03. Ce modèle a ensuite été déployé
vinod.ninan@in.abb.com au cloud, tandis que la prévision même peut être en périphérie pour prédire une résistance à
34 ABB R EVI EW ABB Abilit y ™
01
28 jours à partir de données de production
54
28-day cement
fournies toutes les 2 ou 3 heures.
52
strength
50
48 La précision continue du modèle sur site sera
46 surveillée avant que l’action ne soit éventuelle-
0 10 20 30 40 50 60 70 ment transférée à une autre technologie ABB :
XGBoost train (samples)
ABB Ability™ Expert Optimizer. Cette technologie
corrige automatiquement les processus de
production et vise à réduire les variations et à
54 obtenir une résistance du ciment à 28 jours plus
28-day cement
52
strength
constante et plus proche de l’objectif. On s’attend
50
à ce que la réalisation de cet objectif permette
48
46 d’obtenir un meilleur rendement avec des coûts
0 5 10 15 de consommation d’additifs réduits.
XGBoost test (samples)
02 ABB Ability™ Genix Industrial Analytics and
AI Suite
L’ABB Ability™ Genix Industrial Analytics and AI
Suite [6-7] est une plateforme d’analyse avancée
extensible contenant des applications et des
services intégrés faciles à utiliser. ABB Ability™
Genix est conçu pour améliorer la prise de
décision du client en prévoyant et optimisant les
performances des équipements, de l’usine et de
l’entreprise. Genix aide les clients à concevoir et
appliquer les analyses. Ce logiciel donne toute
leur valeur aux données en combinant la grande
expertise d’ABB dans le domaine industriel aux
technologies et capacités numériques.
Système de gestion des données opération-
nelles ABB Ability™ Edgenius
Edgenius [8] est le composant de périphérie
d’ABB pour les applications logicielles indus-
trielles. Il peut être utilisé comme système
03
02| 2022 C IME NTE R L A PÉ RIPHÉ RIE 35
—
autonome de gestion de la collecte et du calcul d’étude des données de Model Fabric aide les
01 Le processus de
fabrication du ciment des données opérationnelles, ou bien il peut être entreprises et les experts en science des don-
peut être optimisé
intégré au logiciel Genix pour incorporer solide- nées à ‘comprendre les données’ rapidement et
grâce à l’informatique
en périphérie (la ment des données opérationnelles dans l’analyse. facilement.
photographie présente
Il rassemble divers modules pour collecter des • Pré-traitement des données : Avant le passage
une installation de
la Qassim Cement données à partir de la technologie utilisée, à l’étape de modélisation, les données sont
Company pour laquelle
comme des systèmes et appareils de contrôle pré-traitées à l’aide de méthodes et de tech-
ABB a fourni des
solutions de contrôle réparti ou des protocoles OPC. Avec le moteur niques éprouvées de traitement des données.
du processus).
de calcul en continu d’Edgenius, il est possible • Création du modèle : Les données pré-traitées
— d’obtenir des données en temps réel, avec une sont séparées en jeux de données de pro-
02 Prévision de la
latence réduite au minimum. Le déploiement, la grammation et d’essais et des modèles sont
résistance du ciment
par rapport à la configuration et la surveillance faciles des nœuds alors créés à l’aide de divers algorithmes de
résistance réelle, pour
et des applications en périphérie dans l’ensemble programmation éprouvés. Pendant la création
la programmation et les
données d’essai (don- de l’entreprise sont rendus possibles grâce au des modèles, Model Fabric s’occupe de la ‘vali-
nées de programmation
Portail de gestion Edgenius. dation’ appropriée, ainsi que du réglage fin des
en haut, données
d’essai en bas, les paramètres. Une fois les modèles créés, Model
données réelles étant
Edgenius est entièrement conforme aux exi- Fabric fournit des mesures d’évaluation ainsi
indiquées en rouge et
les prévisions en noir). gences d’architecture ouverte NAMUR (NOA) [9]. que des tracés et des suggestions concernant
Pour respecter les objectifs NOA, Edgenius four- le choix de modèles.
—
03 Matrice de nit des fonctionnalités d’IdO supplémentaires • Enregistrement et déploiement du modèle :
corrélation ABB Ability
dans le domaine Surveillance et Optimisation Model Fabric prend en charge l’ensemble du
Genix™.
(M+O), sans modifier le dispositif de contrôle cycle de vie du modèle d’IA/AA. Une fois le
de l’activité centrale (CPC) d’une usine de modèle créé, ce module peut assurer simple-
transformation qui reste parfaitement sécurisé. ment l’enregistrement et le déploiement du
L’utilisation de différentes zones de sécurité modèle.
garantit que la sécurité du système d’automati-
sation de processus n’est pas remise en cause, Le modèle ainsi obtenu est utilisé dans la phase
même si les données et les informations passent opérationnelle. Il est déployé à partir de Genix
du processus aux modules de M+O. De plus, la Model Fabric, au sein d’une application de
séparation des cycles de vie de CPC et M+O est prévision du modèle ONNX qui utilise le moteur
réalisée, ce qui permet d’obtenir des mises à jour
plus rapides et d’accélérer l’innovation. —
Flux de production d’analytique en périphérie de Avec le moteur de calcul en
réseau intégré continu d’Edgenius, il est pos-
Le flux de production intégré pour une solution
d’analytique en périphérie de réseau permettant sible d’obtenir des données en
la prévision de la résistance du ciment ci-dessus temps réel, avec une latence
est présenté dans le diagramme →04. Cette
présentation fait la distinction entre la phase de réduite au minimum.
programmation, au cours de laquelle le modèle
d’IA/AA est créé et programmé et la phase
opérationnelle, au cours de laquelle le modèle d’inférence ONNX [10] (ONNX= Open Neural
est utilisé pour prévoir les résultats pendant la Network Exchange (Échange de réseau neuronal
production. ouvert), un standard ouvert d’échange de
modèles d’apprentissage automatique). ONNX
Le composant Model Fabric permet à tous les fournit des interfaces pour de nombreux réseaux
experts en sciences des données non spécialisés disponibles, tels que TensorFlow et ScikitLearn,
dans ce domaine d’étudier et de pré-traiter les quelle que soit la mise en œuvre détaillée du
données afin de créer un système de program- modèle. L’Application de prévision de modèle
mation d’apprentissage automatique. Le modèle ONNX est déployée dans Edgenius en tant que
de prévision de la résistance du ciment a été conteneur Docker [11] avec une interface de pro-
automatiquement programmé et optimisé à grammation d’application RESTful. Cela signifie
l’aide d’une approche AutoML dans les modules qu’elle peut être mise en œuvre dans n’importe
suivants de Model Fabric : quel langage de programmation fournissant la
• Étude des données : La capacité intégrée fonctionnalité de création de terminal HTTP.
36 ABB R EVI EW ABB Abilit y ™
Pour la récupération des données de produc- Des prises d’écran du flux de production décrit
tion, un module de connexion, KM Connect, se sont présentées dans les illustrations →05, en
connecte au système ABB Ability™ Knowledge commençant par (a) avec Genix Model Fabric.
Manager (KM) et intègre dans le système en (b) représente une périphérie dans le portail
périphérie les valeurs de ciment fournies par de gestion Edgenius. La partie gauche de cet
KM. Pour d’autres cas d’utilisation, il est possible écran présente des informations générales et les
d’utiliser d’autres modules de connexion, tels applications installées sont affichées à droite.
que Distributed Control System Connect pour (c) présente la manière dont les données du
un raccordement à ABB Ability™ 800xA DCS ou module KM Connect sont liées à la fonction de
OPC UA Connect pour un raccordement à un prévision de la résistance du ciment déployée
serveur OPC UA. Pour rassembler les données et dans le moteur de calcul en continu d’Edgenius.
le modèle IA/AA, le moteur de calcul en continu Les résultats prévus, c’est-à-dire les valeurs
Edgenius établit une correspondance entre les prévues de résistance du ciment sont renvoyées
flux de données et les informations provenant de à KM et éventuellement à Expert Optimizer, afin
la fonction de prévision et déclenche la fonction d’appliquer les corrections. Il est également
régulièrement ou lors d’événements définis. possible de visualiser les résultats à l’aide des
tableaux de bord Edgenius (d).
ABB Ability™
Genix
Model Fabric
P H A S E D E P R O G R A M M AT I O N
Données de pro- Modèle de prévision de
grammation sur la la résistance du ciment
résistance du ciment
Tableau de bord
P H A S E O P É R AT I O N N E L L E
ABB Ability™ Edgenius
Tableau de bord de prévision Portail de gestion
de la résistance du ciment ABB Ability™ Edgenius
Plateforme sur cloud
ABB Ability™
Résultats de
prévisions
Moteur de calcul en
continu
Données saisies
concernant le ciment
ABB ABB Conteneur de fonction
Ability™ Ability™ Connexion Plateforme de de l’application de pré-
Expert Knowledge à KM périphérie vision
Optimizer Manager
Application de
prévision du modèle
ONNX
Résultats de
prévisions Modèle de prévision de
ABB Ability™ la résistance du ciment
Edgenius edge
04
02| 2022 C IME NTE R L A PÉ RIPHÉ RIE 37
b
—
Ce flux de production est une boucle pouvant encore l’objet de recherches, mais ABB espère
04 Flux de production
d’analytique en être ajustée au fil du temps : à chaque fois que pouvoir bientôt le proposer aux clients. L’objectif
périphérie de réseau
le système détecte que le modèle IA/AA déployé sera de faciliter la création, le déploiement et la
intégré pour la prévi-
sion de la résistance du n’est plus optimal (p. ex., parce que les conditions maintenance des modèles.
ciment.
environnantes ont changé), il est possible de le
— reprogrammer et de le redéployer. À l’avenir, on peut s’attendre à ce que les appli-
05 Flux de production
cations d’analytique en périphérie de réseau
représenté par
plusieurs écrans. Une solution applicable deviennent de plus en plus avancées et complexes.
La démonstration de faisabilité présentée dans Au lieu de se concentrer sur une ou plusieurs
cet article utilise la division entre le cloud et la périphéries, on peut s’attendre à ce que le dévelop-
périphérie. Elle s’applique à tous les types de pement évolue vers des réseaux et des maillages
prises de décisions basées sur une inférence, en périphérie hiérarchisés. Cela ouvre la porte à de
dans toutes les industries. Ce dispositif fait puissantes techniques d’analytique distribuée. •
—
Références
[1] M. van Attekum, J. Mei Disponible : https:// https://resource.stra- [6] (Page Web ABB sur [8] ABB Ability™ Edgenius net/en/focus-topics/
& T. Singth, « Software www.gartner.com/ tus.com/whitepaper/ Genix), https://new.abb. Operations Data namur-open-architec-
Ate The World, Now AI smarterwithgartner/ edge-computing-in-the- com/process-automa- Manager, Page Web ABB, ture.html [Consulté le
Is Eating Software », gartner-predicts-the- new-ot-ecosystem/ , tion/genix [Consulté le 31 https://new.abb.com/ 31 mars 2022].
Forbes, 2019. [En future-of-ai-techno- LNS Research, Stratus, mars 2022]. process-automation/
ligne]. Disponible : logies/ [Consulté le 31 2020. [Consulté le 31 edgenius [Consulté le 31 [10] Site Web Open
https://www.forbes. mars 2022]. mars 2022]. [7] ABB Ability Industrial mars 2022]. Neural Network
com/sites/cogni- Analytics and AI Suite, Exchange (Échange de
tiveworld/2019/08/29/ [3] M. Satyanarayanan, [5] M. Platenius-Mohr, de Leeuw, V, Livre blanc [9] (NAMUR), Association réseau neuronal ouvert)
software-ate-the- « The emergence of H. Abukwaik, J. Schlake ARC, juillet 2020, https:// internationale d’utili- (ONNX) https://onnx.
world-now-ai-is-eating- edge computing », IEEE & M. Vach, « Software search.abb.com/library/ sateurs de technologie ai/ [Consulté le 31 mars
software/ [Consulté le 31 Computer, Bd. 50, N° 1, Architectures for Edge Download.aspx? d’automatisation dans 2022].
mars 2022]. pp. 30 – 39, 2017. Analytics: A Survey », au DocumentID= l’industrie de transfor-
cours de la Conférence 9AKK107680A9852& mation), « NE 175: NAMUR [11] Site Web Docker
[2] Gartner, Inc., [4] J. Perino, M. Littlefield européenne sur LanguageCode= Open Architecture – NOA corporate https://
« Gartner predicts the & V. Murugesan, « Edge l’architecture logicielle en&DocumentPartId= Concept, » 2020. [En www.docker.com/
future of AI technolo- Computing in the New (ECSA’21), Springer, &Action=Launch ligne]. Disponible : [Consulté le 31 mars
gies », 2020. [En ligne]. OT Ecosystem », 2021. [Consulté le 31 mars 2022]. https://www.namur. 2022].
Vous pouvez aussi lire
