Endüstriyel IoT ve Dijital Dönüşüm

Endüstriyel IoT ve Dijital Dönüşüm

Üretim endüstrisinde Endüstriyel IoT (IIoT) projelerinde gözle görülür bir artış göze çarpıyor. Ancak, işletmelerin birçoğu izledikleri yanlış stratejiler ve uygulamalar sonucunda dijital dönüşüm anlamında istenilen sonuçları elde edememekte; rekabetçi olamamaktadırlar. Bu sonuç, dijital dönüşüm sürecine başlamak için gerekli olan metotların bilinmemesi ya da uygulanmaması, hangi teknolojinin ne zaman ve nasıl kullanılacağının anlaşılamaması ya da stratejik bakış açısındaki eksikliklerden kaynaklanabilmektedir.

Büyük işletmeler için bu denli sorun olmayan bu süreç kısıtlı imkana sahip Kobiler açısından uygulanabilir, net bir ‘referans dijital dönüşüm modelinin’ gerekliliğini ortaya çıkarmaktadır.

1.Giriş

Akıllı Fabrikalar konusunda oldukça fazla sayıda çalışma mevcuttur. Akıllı Fabrikaların temelini bağlantı; çıktısında ise anlamlı bilgi yattığı konsepti birçok araştırmacı tarafından desteklenmektedir. Bağlantı ya da ‘connectivity’ denilen unsur aslında dijital dönüşümdeki sihirli kelimedir. Veri, ancak bağlantılı nesnelerden gelebileceği ve yine bağlantılı nesneler üzerinden ilerleyebileceği için ilerleyebileceği bir ağa, omurgaya (backbone) ihtiyacı vardır.

Akıllı fabrika bileşenlerine baktığımız zaman bu omurganın iki kısımdan oluştuğunu görmekteyiz: 1) Veri üreten ve gönderen olan katman olarak adlandırılan üretim ya da operasyon teknolojileri (OT), 2) Veriyi kullanan katman olan iş yazılımları (IT). Akıllı Fabrikalarda ana omurga OT ve IT sistemlerinim birbirlerine entegre edilmesi yani birbirleri ile iletişime geçebilecek (ortak lisanın konuşulduğu) yapının kurulması ile mümkündür. Siber sistemler ile fiziksel sistemlerin entegrasyonu (CPS: OT + IT) olarak da adlandırılan bu omurganın kurulması dijital dönüşüm ya da Endüstriyel IoT projelerinde atılması gereken en öncelikli adımdır.

2. Operasyon Teknolojileri Entegrasyonu

Günümüz işlemelerinin çoğunda iş süreçlerinin yönetiminde iş yazılımları kullanılmaktadır. Kurumsal kaynak planlaması (ERP), Müşteri İlişkileri Yönetimi (CRM), Depo Yönetim Sistemleri (WMS) ya da Bilgisayar Destekli Tasarım (CAD), Ürün Veri Yönetimi (PDM) gibi yazılımlar bazen birbirlerine entegre bazen de ayrışık olarak iş süreçlerinde kullanılmaktadır. Öte yandan saha ekipmanlarından veri alınması konusu ise oldukça yetersiz durumdadır. SCADA, DCS gibi sistemler ile yönetilen ayrık üretim hücrelerinden kısmi veriler lokal olarak alınsa da birçok ekipman ya da süreç üzerinden hiç veri alınmamaktadır.

Endüstriyel IoT projelerinde öncelikli olarak üretim ekipmanlarının, süreçlerin birbirlerine entegre edilmesi gereklidir. Ancak, OT entegrasyonu olarak da adlandırılan bu süreçte birçok kısıt mevcuttur. Sahada veri üreten nesnelerin (ekipman, sensör, vs.) kullandıkları iletişim teknolojisi ya da protokollerin birbirlerinden farklı olması, mesafe sorunları nedeni ile bağlantının mümkün olamaması ya da nesnenin iletişime geçebilir özellikte olmaması bu kısıtlara örnek olarak gösterilebilir.

2.1 Connectivity

2.1.1 Inter-operability | Connectivity Layer

İşletme süreçlerinde veri üreten farklı model makineler, sensörler ya da sistemler bulunur. Her model kendine has, belirlenmiş bir iletişim protokolü kullanır. Örneğin bir CNC makinesindeki Mitsubishi PLC’nin veri iletim formatı (frame) ile bir başka makinedeki Siemens PLC’nin veri iletim formatı aynı olmayabilir. Bu durum aynı firmaya ait, farklı modeller için bile söz konusu olabilir. Klasik yöntemle (3.0 zamanında) sahadan veri toplamak için, veri toplayacak sistem ile veri alınacak ekipmanın kullandığı protokole uygun bir ara yüz yazılımı yapılır ve buradan ilgili veriler çekilirdi. Bu durun sahadaki tüm farklı protokole sahip ekipmanlar için yapılır, saha ekipmanlarının kendi aralarında da veri iletişi olacak ise bir de bu gereksinimler için ayrıca ara yüz yazılımları kullanılırdı. Oldukça karmaşık bir durum oluşturan, yoğun efor ve dışa bağımlılık gerektiren bu süreç artık günümüzde farklı bir katman üzerinden yönetilmektedir: Endüstriyel Bağlantı Katmanı (Industrial Connectivity Layer).

Endüstri 3.0 zamanında yaşanan farklı model/protokol cihazların birbirlerine bağlanabilmesi sorunu (inter-operability) bağlantı katmanı ile artık tarih oluyor. Bağlantı katmanı sayesinde saha ekipmanlarının hepsini tek bir platforma bağlayarak gerek birbirleri ile gerekse harici (ERP/MES) birimler ile iletişime geçebilmesine olanak sağlanabiliyor. Bu platformlar içinde yüzlerce protokol tanımlanmış durunda olduğu için bağlantı için yapılması gereken tek şey TCP/IP Enternet üzerinden iletişim kurulacak cihazın model ve protokolünün tanımlanmasından ibarettir. Hiçbir ara yüz yazılımı yapmadan, bağlantı platformu üzerinden, küçük tanımlamalar ile farklı iletişim protokollerine sahip tüm cihazları Open Protocol Communication | Unified Architecture (OPC|UA) standardına dönüştürülebilmekte ve bağlantıda yaşanılan inter-operability sorununu ortadan kaldırılabilmektedir.

2.1.2. IoT Ready | IoT Compatible

OT bağlantı katmanının oluşturulması sürecinde akıllara şu soru gelebilir. Bağlantı özelliği olmayan ya da TCP/IP Ethernet’i desteklemeyen yerlerden nasıl veri alınacaktır? Cevap aslında çok basittir. Bu noktaların bağlanabilir (bilgisayarlaşma: computerization) duruma getirilmesi şarttır. Yani nesnenin akıllı (Intelligence) ve iletişime geçebilir (Connected) olması gereklidir. Günümüzde atık hemen her nesne akıllı ve iletişime geçebilir olarak üretilmekte ve bu konsept IoT Ready ya da IoT Competable olarak tanımlanmaktadır.

2.1.3. Long Range Communication | LoRa

Nesneleri akıllı yapsak dahi bazı durumlarda mesafeden dolayı iletişime geçebilmesi ya da iletişime geçebilse dahi sensörlerin enerji sorunları nedeni ile uzun süre çalışır durumda olamaması gibi etkenler nedeniyle her nesne bağlantılı duruma gelemeyebilir. Örneğin, sensör PLC bağlantısında 75 m mesafeler üzerinde kablo bağlantısı sorun çıkarmakta, WiFi protokolleri işletme içindeki kapalı ortamlar, metal aksam, su gibi etkenlerden dolayı etkin olarak kullanılamamakta; kullanılsa dahi 80-100 m gibi mesafe sınırlamaları getirmekte, GSM gibi hücresel iletişim teknolojileri ise maliyetleri nedeni ile her zaman tercih edilememektedir. Kısaca, orta mesafelerde (<5km) iletişimin, düşük maliyet ve düşük güç tüketimi ile yapılabilmesine olanak sağlayan yeni bir teknolojiye gereksinim bulunmaktaydı. LPWAN (Low Power Wide Area Network) teknolojileri bu boşluğu doldurmak üzere geliştirilen kablosuz iletişim protokolüdür. Bugün LPWAN ile 4/5 km mesafeden, lisans gerektirmeyen frekanslar üzerinden (ISM Band) sanki modem ile WiFi iletişim kurar gibi PLC’ye gerek kalmaksızın doğrudan  bağlantı katmanı üzerinden iletişim tesis edebilmektedir. Bu sayede uzak mesafedeki nesneler de OT omurgasına alınabilmektedir.

Endüstriyel çağda; klasik fabrika hiyerarşisi ‘Sensör - PLC à SCADA - MES - ERP’ yapısı artık yerini ‘Sensor -PLC à Connectivity Layer - ERP/MES - Cloud’ yapısına bırakmaktadır.

2.2 Data Storage

Connectivity Layer bize birçok yerden veri akmasına olanak sağlıyor. Bu veriler zamana karşı hassas olmayan üretim verileri olabileceği gibi mili saniyeler mertebesinde okunması, analiz edilmesi yorumlanması ve karar alınası gereken zaman kritik (time critical) veriler de olabilir. Özellikle proses endüstrilerinde makineler üzerinden sıcaklık, basınç, hız gibi ilgili noktalardan birçok verinin, bazen saniyeler mertebesinde alınması (her bir veri alınan noktaya ‘tag’ denilir) gereklidir. Birçok yerden, oldukça sık miktarda alınan bu veriler giderek büyür ve büyük veri dediğimiz ana kütleyi oluşturur (big data lake). IIoT konseptinde daha önce de belirtiğimiz gibi ana tema büyük veriden anlamlı bilgi çıkarabilmektir. Bunun için önce büyük verilerin depolanmasına ve akabinde analiz edilmesine gereksinim vardır.

2.2.1 Time Series vs Relational Database

Veriler veri tabanlarında saklanırlar. Endüstri 3.0 döneminde kullanılan ve halende kullanılmakta olan ilişkisel veri tabanları (Relational Database: RDB) satır/sütün şeklinde ve olay bazlı (event base) veri saklama prensibi ile çalışırlar. Ancak, IIoT konseptinde sahadan alınan veri sürekli, zamana serisi bazında ve büyük miktarda akmaktadır. Bu durum, bir görüşe göre IIoT verilerinin veri tabanlarını çok daha hızlı şişirmesine; dolayısı ile performans kayıplarının yaşanmasına sebep verebilmektedir. Bu görüşü destekleyen bazı IoT platform uygulamaları büyük verilerin saklanması sürecinde, ilişkisel veri tabanlı depolama yerine daha farklı bir modelde, zaman serisi (time series) konseptine göre veri depolayan veri tabanları kullanmaktadırlar. Historian denilen bu konsepte göre verilerin depolanması aşamasında, farklı sıkıştırma teknikleri ile kapasite kazanımı elde edilebildiği gibi veri sorgulama sürecinin daha hızlı yapılarak veri analitiğinin daha etkin olduğu savunulmaktadır.

Ancak bu durumun aksini savunanalar da mevcuttur. Bazı bağlantı katmanları halen verilerini ilişkisel veri tabanlarında tutmaktadır. Bu durumun kapasite / hız anlamında ne derece etki ettiği henüz net olmasa da ERP tarafında da ilişkisel veri tabanı kullanıldığı için sahadan alınan verilerin ERP tarafından okunması konusunda pek sıkıntı çıkmamaktadır. Oysa, Historian tarzı veri tabanlarında ERP tarafındaki ilişkisel veri tabanları ile iletişime geçebilmek için arada başka bir dönüştürücü katmanı (gateway ya da sorgu) katmanı gereklidir. Teknik olarak her ikisi de bu süreçte kullanılabilir diyerek, tercihi süreci kurgulayanlara bırakmak gerekiyor.

2.3 Veri Analitiği

Veri, eğer bilgiye dönüşüyor ve dönüşen bilgi kullanılıyorsa fark oluşturur. Veriden anlamlı sonuç çıkarmak, karar almak ve aksiyona geçmek Endüstriyel IoT dönüşümün sürecindeki en büyük beklentidir. Zaten, dijital dönüşümün temek ekonomik potansiyeli algı – aksiyon sürecini kısaltarak, doğru kararların hızlı alınmasıdır. Bunun için veri analitiğinin oldukça önemi vardır.

Veri analitiğinde dört farklı katman vardır ve her bir farklı sorulara cevap verir.

1. Tanımlayıcı Analitik (Descriptive): Geçmiş verilerin kullanılmasıyla yine geçmişte neler olduğunun anlaşılmasına yarar. Hangi makine en çok arıza yapmış, en çok hangi ürün satılmış, makine OEE değerin dün kaçmış gibi bilgiler iş analitiği de denilen, klasik istatistik fonksiyonları üzerinden hesaplanır. Pareto analizleri, ortalama, standart sapma vs.
2. Tanısal Analitik (Diagnostic): Bu katmanda yine geçmiş zaman verileri kullanılarak sebep/sonuç ilişkileri irdelenmeye çalışılır. İlk durumda en çok arıza yapan makine olarak tespit edilen makinenin neden dolayı arıza yaptığı incelenir. AB testleri, korelasyon analizleri gibi istatistiksel araçlar üzerinden bu kez ne olduğu değil neden olduğu anlaşılmaya çalışılır.
3. Öngörücü Analitik (Predictive): Bu katman geçmiş verilerden yola çıkarak sürecin matematiksel modelini oluşturur ve gelecekte süreçte ne olabileceğinin anlaşılabilmesine olanak sağlar. Bu sayede oluşabilecek anormalliklerin önceden tespit edilebilmesine, daha doğru tahminleme yapılabilmesine olanak sağlar. Regresyon analizleri gibi istatistiksel araçlar bu katmanda sıkça kullanılan istatiksel fonksiyonlardır.
4. Buyurucu Analitik (Predictive): Bu katman ön görücü analitiğin bir adım ötesidir. Gelecekte ne olabileceğini ve ne yapılması gerektiğini de bildirme özelliğine sahiptir. Makine öğrenmesi teknikleri ile süreç üzerinden alınan veriler üzerinden sürecin anormal durumlarının sistem tarafından öğrenilmesi; diğer veriler ile ilişkilerin analiz edilmesi gibi karmaşık istatistiksel fonksiyonlar kullanır. Teknik olarak çok iyi gibi gözükse de endüstrilerin şu an için odaklandığı temel katmanlar ilk üç katmandır.

Buradan görüldüğü üzere veri analitiği yapabilmek için öncelikle gerekli olan verilerin sahadan toplanması, uygun formatta saklanması ve ileri seviye istatistik/matematik fonksiyonları ile modellenmesi gereklidir. Bugün birçok IoT platformu bu özelliği sunmaktadır. Toplamış olduğunuz büyük verileri aynen connectivity layer ‘da yaptığınız gibi matematik/istatistik bilgisi çok fazla gerekmeden buluta göndermenizi ve buradan analitik sonuçları almanızı sağlıyor. Bu analitiği ya da bazı kararları bulut üzerinden alıyorsanız buna cloud computing (bulut bilişim); daha alt katmanlarda alıyorsanız (SCADA, gateway, PLC ya da sensor node) edge ya da fog computing (sis bilişim) olarak adlandırıyoruz.

Buraya kadar ne yaptık?

• Veri alınacak yerleri bağlanabilir yaptık (IoT Ready: Intelligence and Connected)
• Verileri tek bir platform üzerinde topladık (OPC Standard Connectivity Layer)
• Endüstriyel verileri depoladık (Historian Database | Time Series)
• Verileri bulut üzerinde analiz ettik (Data Analytics)

Aslında buraya kadar konuştuklarımızın bir kısmı endüstri 3.0 döneminde mevcuttu. Bugün özellikle proses endüstrilerinde (petro kimya, çimento, demir çelik, vs.) benzeri metotlar SCADA, DCS denilen sistemler üzerinden yönetilebiliyordu. Belki şu anki yapay zekâ / makine öğrenmesi seviyesinde beklentimiz olmasa da süreçler üzerinden veri alınıyor, yorumlanıyor ve işleniyordu. Ancak, süreç tek parça (stand alone) halinde çalışıyor, sadece süreç hakkında bilgi alınabiliyordu. Diğer fonksiyon ya da iş süreçleri ile aralarında iletişim/etkileşim yoktu.

Peki 4.0‘da ne değişti?

Değişen şey bağlantının sadece üretim ya da operasyon ekipmanları ile sınırlı kalmaması; iş süreçlerinin de yine iş yazılımları üzerinden üretim ekipmanları ile iletişime geçebilir olmasıdır. Yani, buraya kadar konuştuklarımızın hepsi saha ya da operasyon ekipmanları üzerinden alınan veriler üzerine kurulu bir yapıydı. OT dediğimiz (Operations Technology) saha ekipmanları ile (fiziksel dünya) IT dediğimiz iş süreçlerinin yönetiminde kullanılan iş yazılımların (Information Technology) birbirleri ile iletişime geçebilmesi konsepti Endüstriyel Dijital Dönüşümün esasını teşkil etmektedir. Bu konsept literatürde daha önce de bahsedildiği üzere CPS. (Cyber Physical Systems) olarak adlandırılmaktadır. Veri kaynakları ßà Veri kullanıcıları

Özet:
Akıllı Üretim ya da dijital dönüşüm sürecinde hem teknik hem de maliyet açısından beş ana unsur vardır.

1. IoT Ready: Nesnenin, akıllı (Intelligence) ve bağlantı kurabilir (Connected) olması demektir. Bu özelliğe sahip olmayan yani IoT uyumlu olmayan endüstriyel enstrümanların IoT networke bağlanma şansı olmadığı için işletmelerin öncelikli olarak IoT platformuna almak istedikleri nesneleri (eski teknoloji ekipmanları) IoT Ready konseptine uygun hale getirmeleri gerekir. Bu konu maliyetin ilk kalemidir.
2. Inter-operability: Sahada bulunan farklı teknoloji / model IoT Ready nesnelerin birbirleri ile iletişime geçebilmesi için ortak bir platforma ihtiyacı vardır. Bunun için ya peer-to-peerbağlantı ara yazılımları ya da üniversal bağlantı katmanları (connectivity layer) kullanılmalıdır. Bu da maliyettin ikinci kalemidir.
3. Storage: Sahadan toplanan verileri depolamak için bir veri tabanına ihtiyaç vardır. Üçüncü maliyet burasıdır.
4. Analitik: Analitik için iki opsiyon vardır. Kendiniz bir analitik platformu oluşturacaksınız ki bu pek kolay değildi, ciddi uzmanlık/yetkinlik gerektirir. Veya hazır olan platformaları kullanacaksınız. Her ikisi de maliyettir.
5. CPS Entegrasyon: Buraya kadar saha verilerini yönetebilirsiniz. Bu veriler ile (veri üreten) veri kullanan (iş yazılımları: ERP) sistemleri entegre etmek bir diğer maliyettir.