监控和数据采集（SCADA）系统在收集和存储数据以及监视自动化机器性能方面表现出色。以前，它们由基于状态的维护工具和历史数据库技术支持。现在，更经济的预测过程分析和IIoT的使用带来了更高的效率。
通过IIoT将预测性过程分析应用于SCADA数据，可为工厂的资产绩效提供一个“未开采的金矿”。例如，SCADA数据可以监视资产运行状况，如果应用预测算法，还可以优化资产运行状况并节省大量成本。
IIoT改变了SCADA。现在，SCADA可以从分散的SCADA系统获取数据，然后将数据统一存储在同一个系统中，并可以通过网页和云访问这些数据。其它进展包括使用网页服务和IIoT协议，实时收集公开数据和控制流程。过程控制器也取得了进展，它将复杂的业务逻辑和预测性维护算法应用于运营数据和资产。
去年，麦肯锡公司的报告指出，由于计划外维护，整个行业在设备效率方面损失了3％至5％。对于化工厂而言，分析可使工厂至少减少一半的泵维修时间，还可避免泵故障所需维修成本，每次约为12万美元。
图1：计算机集成制造金字塔。本文图片来源：Trendminer
预测性维护需要处理大量数据并运行智能算法，而在本地SCADA实施这些应用的成本很高。它还需要稀缺的数据科学家参与复杂算法和数据模型的应用。另一方面，IIoT平台可以存储TB级的数据，并可以访问工厂全局数据。这些平台还能将“棕地”传感器数据与“绿地”传感器和设备数据整合在一起，从而为改进运营开辟新的途径。
自助式分析工具
为了获得更稳定的运行条件，现在很多过程制造企业已经了解了数据的价值，但是从SCADA系统解锁数据并不是一件容易的事。由于COVID-19新冠疫情的流行，对IIoT的投资有所减少，市场恢复可能需要一些时间。
同时，利用现有数据已被证明是一种快速而有利可图的方法，可以使企业快速适应不断变化的环境。在计算机集成制造金字塔的各个层面（图1），都可以应用复杂算法和数据模型来从数据中获取更多价值，但这已被证明具有惰性、费时、成本密集并且需要稀缺资源的。现在需要的是诸如自助式工业分析之类的新工具和技术，运维专家（例如过程和资产专家）、控制室人员和维护工程师可以据此分析生产数据。自助式工业分析工具基于模式识别技术，结合了机器学习技术，并可以在后台利用数据科学技术和算法。
这使过程专家能够掌握数据科学的力量，而他们自己无需成为数据科学家。借助自助式工业分析，运营专家可以搜索过程数据以查看发生了什么，发生的频率以及导致该事件发生的潜在根本原因。现代自助式工业分析工具还提供了机器学习技术，以向用户推荐要探索的潜在根本原因。开发这些下一代解决方案的目的是充分利用IIoT的机会，同时兼顾易用性、经济型和可扩展性。
图2.将实时数据与历史情境结合起来，可缩短分析等待时间，从而可以进行实时监控。
挖掘数据的潜在价值
荷兰化学品制造商Arlanxeo希望利用时间序列数据获取更多价值。首先，该公司使用了不同类型的分析模型，并确定了它们在试验项目之外进行扩展的局限性。随着时间的推移，基于对过程运营的深入了解，他们为普通用户创建了“基于模式搜索的发现和预测式过程分析”。这一平台独特的多维搜索功能使用户能够快速、轻松地找到精确的信息，而无需昂贵的建模项目或数据科学家。
就像Shazam或SoundHound之类的歌曲识别应用一样，该应用程序使用模式识别，而不是将歌曲中的每个音符映射到其歌曲数据库。模式识别软件会搜索“高能内容”或一首歌曲的最独特特征，然后将其与数据库中的相似模式进行匹配以进行识别。这种模式识别的准确性很高，速度也很快。
当然，制造工厂的分析需要更多的复杂算法，而不仅仅是搜索功能。自助式分析通过连接到现有的时间序列数据库来展开工作，为数据建立索引，而不是将其复制到另一个记录系统中。索引数据使查找、过滤、覆盖和比较感兴趣的时间区间变得更容易，可以通过批次或连续搜索过程以查明需要改进的区域。
另一个功能是搜索特定的操作方式、过程漂移、运行人员操作、过程不稳定或振荡。通过组合这些高级搜索模式，可以释放用户所需的有价值的信息。
过程数据的情境化
过程数据的情境化和预测分析功能增加了新的维度，并优化了过程控制系统，使它们实现多维度的、更好的过程质量控制。通过允许运行人员提供注释，从而可以获得更深入的见解。通过将保存的历史模式与实时过程数据进行比较，预测分析可以对任何异常或不良过程事件进行预警检测。此外，该解决方案会计算过程的所有可能轨迹。在任何事情发生之前就可以对过程变量进行预测。然后，可以将最新的过程更改与预期的过程行为进行匹配，并相应地主动调整设置。具有前瞻性的制造商正在使用数字化业务模型，并利用从一开始就为与数字化技术整合而开发的具有成本效益的“即插即用”分析技术，以获得更大的竞争优势。