Penemuan Printed Circuit Board (PCB) pada 1950-an mengubah dunia otomatisasi. Sebelum PCB, papan sirkuit elektronik dirakit secara eksklusif dengan tangan, sebuah proses melelahkan yang sangat membatasi produksi global.
Hari ini, kata Michael Schuldenfrei, rekan teknologi perusahaan di OptimalPlus, industri mengalami lompatan revolusioner lainnya dengan pengenalan instrumentasi dalam proses manufaktur dan penggunaan komputasi tepi.
Instrumentasi dari proses manufaktur melibatkan banyak sensor dan mikrokontroler yang secara halus dapat mengubah kondisi manufaktur dalam menanggapi kondisi lingkungan yang terdeteksi oleh sensor. Sensor ini menghasilkan data dalam jumlah besar, tetapi mikrokontroler tidak dapat merespons data yang dihasilkan secara langsung.
Baik sensor dan mikrokontroler yang digunakan dalam pembuatan instrumentasi pada dasarnya adalah komputer jaringan kecil. Sensor mengirimkan data mereka ke lokasi pusat di mana data tersebut kemudian dianalisis. Komputer kecil dan otonom ini tidak dipantau oleh manusia secara real time dan merupakan bagian dari Internet of Things (IoT). Lebih khusus lagi, dalam konteks manufaktur, mereka adalah perangkat Industrial IoT (IIoT).
Kasus penggunaan IIoT untuk instrumentasi manufaktur
Perangkat IIoT digunakan dalam sejumlah konteks untuk melakukan pekerjaan yang akan sulit — jika bukan tidak mungkin — bagi manusia untuk dilakukan dengan andal dan/atau akurat setiap saat. Pertimbangkan, misalnya, inspeksi las. Pengelasan merupakan bagian integral dari banyak lini produksi elektronik dan sangat penting untuk fungsionalitas dan daya tahan produk akhir.
Sayangnya, produsen diminta untuk melakukan pengelasan pada komponen yang semakin kecil, dengan batasan yang semakin ketat. Untuk melindungi komponen, pengelasan harus dilakukan pada panas serendah mungkin dan dengan muatan listrik sekecil mungkin.
Perangkat IIoT yang mungkin membantu menyempurnakan proses ini termasuk sensor panas, tegangan, dan tekanan untuk membantu menentukan arus listrik minimum yang diperlukan untuk melakukan pengelasan dalam kondisi lingkungan saat ini. Kamera IIoT juga dapat memberi makan sistem inspeksi las visual berbasis Machine Learning untuk memverifikasi bahwa lasan memuaskan, bahkan ketika terlalu kecil untuk dilihat mata manusia; dan ini hanya sebagai permulaan.
Instrumentasi manufaktur dapat membuat manufaktur apa pun — bukan hanya manufaktur elektronik — lebih akurat, dengan lebih sedikit kesalahan produksi dan membutuhkan lebih sedikit orang yang terlibat. Sayangnya, instrumentasi ini tidak mudah, terutama mengingat kompleksitas rantai pasokan manufaktur modern.
Membuat fungsi instrumentasi manufaktur
Tim Teknologi Informasi (TI) telah menggunakan instrumentasi selama beberapa dekade. Tidak memerlukan biaya banyak untuk membangun sensor ke dalam perangkat lunak seperti halnya membangunnya menjadi perangkat keras. Akibatnya, semua jenis sistem operasi, aplikasi, dan peralatan IT benar-benar dipenuhi dengan sensor. Karena itu, tim TI telah berjuang dengan jumlah data yang mereka hasilkan sejak sebelum komputer mikro modern ada.
Banyak data, sedikit waktu
Di dunia nyata, infrastruktur terinstrumentasi apa pun menghasilkan lebih banyak informasi daripada yang mungkin dapat diproses oleh satu manusia. Bahkan tim besar manusia tidak dapat diharapkan untuk menyisir semua data yang dipancarkan bahkan oleh infrastruktur TI yang sederhana. Seluruh disiplin ilmu ada dalam bidang TI yang didedikasikan untuk membuat data yang dipancarkan oleh instrumentasi TI dapat dimengerti. Teknologi dan teknik berkisar dari filter sederhana hingga teknik Artificial Intelligence (AI) dan Machine Learning (ML) yang canggih.
Sampai saat ini, ini cukup baik untuk sebagian besar tim TI. Informasi akan dikumpulkan dan dikirim ke lokasi pusat, nomor akan diurutkan, dan hanya data penting yang diteruskan ke administrator sistem. Jika ini memakan waktu beberapa detik atau menit, tidak apa-apa; pemadaman TI singkat secara umum dapat diterima.
Tetapi ketika organisasi di seluruh dunia menjadi semakin bergantung pada TI mereka, jumlah waktu yang dapat diterima yang diperlukan untuk bertindak pada instrumentasi menurun secara signifikan. Bagi banyak organisasi, waktu reaksi yang dapat diterima saat ini jauh di bawah apa yang mungkin dapat dicapai manusia. Oleh karena itu, sistem TI modern di organisasi paling canggih menggunakan rangkaian AI dan ML yang andal agar infrastruktur TI mereka bereaksi terhadap perubahan yang dilaporkan oleh data sensor sebelum administrator manusia menyadari adanya masalah.
Pabrikan modern, seperti yang bisa dibayangkan, mencari solusi instrumentasi manufaktur yang juga mampu bereaksi lebih cepat daripada manusia. Meskipun membaca sensor dan memberi tahu manusia bahwa suatu masalah telah berkembang sangat membantu, itu sama sekali tidak membantu seperti merespons data sensor secara real time.
Instrumentasi TI vs. instrumentasi manufaktur
Perbedaan antara keduanya adalah bahwa Instrumentasi TI relatif mudah:satu mengumpulkan data tentang infrastruktur dan aplikasi TI dari perangkat yang sudah sepenuhnya digital. Instrumentasi manufaktur lebih menantang. Perangkat IIoT yang digunakan dalam instrumentasi manufaktur mengumpulkan data tentang dunia fisik. Ini berarti mengumpulkan data analog dan mengubahnya menjadi digital—dan itulah permainan bola lainnya. Sensor fisik perlu dikalibrasi, dan seiring waktu mereka aus. Sensor fisik juga biasanya diterapkan dalam kelompok sehingga penginderaan kuorum dapat dilakukan.
Penginderaan kuorum menggunakan beberapa sensor independen untuk mengkompensasi penyimpangan kalibrasi atau kerusakan sensor. Jika satu sensor dalam sebuah cluster melaporkan data yang berbeda dari mitranya, itu dapat diabaikan dan/atau ditandai untuk kalibrasi ulang. Hal ini memungkinkan manufaktur untuk melanjutkan dengan sensor bagus yang diketahui sampai sensor yang tidak berfungsi dapat dikalibrasi ulang atau diganti.
Kerumitan penginderaan analog, dikombinasikan dengan kebutuhan mendesak untuk respons real-time terhadap data sensor, menghadirkan tantangan dunia nyata untuk instrumentasi manufaktur.
Tidak bisakah komputasi awan memperbaiki segalanya?
Tim TI harus berurusan dengan banyak persyaratan komputasi yang berbeda dan sulit. Salah satu contoh solusi yang dikembangkan oleh vendor TI adalah komputasi awan.
Komputasi awan &BDCA
Komputasi awan memungkinkan organisasi untuk mengakses infrastruktur TI yang tampaknya tak terbatas hanya dengan menekan satu tombol. Sementara alasan di balik komputasi awan banyak dan kompleks, mungkin yang paling penting adalah bahwa komputasi awan memungkinkan tim TI untuk mengoperasikan beban kerja TI tanpa harus mengelola atau memelihara infrastruktur TI yang mendasarinya. Penyedia cloud menangani bagian itu untuk mereka.
Komputasi awan telah terbukti sangat berguna untuk beban kerja Analisis Komputasi Data Massal (BDCA). Ada banyak jenis beban kerja BDCA, termasuk AI, ML, Big Data, dan banyak lagi; apa pun di mana sejumlah besar data dikumpulkan dan selanjutnya perlu dianalisis adalah beban kerja BDCA. Dalam beberapa tahun terakhir, komputasi awan telah menjadi tujuan sebagian besar proyek BDCA baru.
Salah satu alasan cloud computing digunakan untuk beban kerja BDCA adalah konsep cloud bursting. Beban kerja cloud—seperti beban kerja komputasi yang digunakan untuk menganalisis kumpulan data besar—dapat diputar hanya sesuai kebutuhan dan ke skala apa pun yang diperlukan. Ini sangat sesuai dengan beban kerja BDCA karena sebagian besar beban kerja BDCA hanya perlu menghasilkan analisis pada jadwal yang ditetapkan. Laporan akhir bulan adalah kasus penggunaan yang populer di sini.
Sayangnya, skala ekonomi berarti bahwa cloud publik tradisional berada di pusat. Hal ini memungkinkan vendor cloud publik untuk menempatkan pusat data mereka di tempat yang biayanya paling rendah dan hanya membangun pusat data yang sangat besar. Meskipun ini berguna untuk beban kerja BDCA gaya pekerjaan batch yang berjalan sesuai jadwal, ini kurang bermanfaat untuk beban kerja yang memerlukan respons waktu nyata.
Untuk mengatasi ini, komputasi tepi dikembangkan.
Komputasi tepi
Komputasi tepi dapat dianggap sebagai komputasi awan, tetapi di pusat data orang lain. Komputasi tepi berkembang karena tim TI memiliki beban kerja yang memerlukan respons latensi rendah yang tidak dapat disediakan oleh komputasi awan publik tradisional. Tim TI sangat mampu menciptakan infrastruktur seperti itu, tetapi mereka tidak ingin beban dan kerumitan menanganinya sendiri.
Memenuhi permintaan data baru
Setelah pertemuan pikiran, diputuskan bahwa untuk memenuhi kebutuhan pelanggan ini, penyedia cloud publik akan menginstal server ke pusat data organisasi terkait. Hal ini memungkinkan tim TI dari organisasi tersebut untuk menjalankan beban kerja pada apa yang, bagi mereka, tampak identik dengan wilayah yang dibuat hanya untuk mereka oleh penyedia cloud publik tetapi yang terletak di Jaringan Area Lokal (LAN) yang sama dengan beban kerja mereka yang lain. .
Server "komputasi tepi" ini memungkinkan data sensor IoT untuk diproses dan ditindaklanjuti jauh lebih cepat daripada yang mungkin dilakukan jika data tersebut harus melintasi internet ke pusat data cloud publik, diproses, dan kemudian hasilnya dikirim kembali ke internet. . Komputasi tepi memungkinkan sejumlah teknologi baru, termasuk mobil tanpa pengemudi.
Kasus penggunaan:Data waktu nyata untuk mobil tanpa pengemudi
Mobil tanpa pengemudi adalah contoh bagus dari teknologi di mana menunggu data bukanlah pilihan. Komputasi awan dapat membantu mobil tanpa pengemudi dengan mengumpulkan informasi sensor untuk semua mobil di area tertentu, mengolah data, dan mengirimkan mobil tersebut peta di mana semua orang dan segala sesuatu berada di dalam radius tertentu. Hal ini dapat memungkinkan mobil-mobil ini untuk benar-benar melihat ke tikungan, membuatnya lebih aman.
Namun, bahkan pada kecepatan cahaya, pengiriman informasi dari mobil ke cloud publik dan kembali lagi dapat memakan waktu hingga seperempat detik. Orang bisa mati dalam seperempat detik ketika mobil terlibat. Jadi, memindahkan pemrosesan lebih dekat ke mobil—misalnya dengan menempatkan server yang relevan dalam beberapa blok dari tempat mobil akan mencoba menavigasi lingkungan perkotaan yang rumit—dapat mengaktifkan teknologi yang sebelumnya tidak mungkin dilakukan.
Dengan cara yang sama, manufaktur dapat menggunakan komputasi tepi untuk mengaktifkan instrumentasi yang diperlukan. Seperti biasanya, bagaimanapun, manufaktur memiliki tikungan dan belokan sendiri yang tidak hanya membuat komputasi tepi lebih penting untuk proses tetapi juga menghadirkan berbagai tantangan yang harus diatasi.
Mengapa menggunakan komputasi tepi dalam manufaktur?
Pitch umum untuk relevansi edge computing dengan perusahaan manufaktur berkisar pada kebutuhan akan responsivitas real-time. Ketika mencoba untuk menjaga cacat manufaktur mendekati nol pada lini produksi yang bergerak cepat, akan membantu untuk dapat menggunakan kluster sensor. Sebuah cluster sensor dapat merasakan kuorum jika sensor individu rusak, dan kemudian mengkalibrasi ulang. Namun, kalibrasi ulang harus dilakukan dengan sangat cepat agar tidak mengganggu jalur produksi.
Jika diperlukan 100 atau 250 milidetik untuk mengirim data sensor melalui internet, maka produk di saluran dapat hilang, atau peralatan dapat rusak. Namun jika data dapat diproses secara lokal, membutuhkan waktu sekitar lima milidetik, maka produsen dapat mengkalibrasi ulang sensor secara real time dan/atau mengubah pengaturan peralatan manufaktur sebagai respons terhadap kondisi lingkungan.
Kelebihan sensor
Alasan lain di balik kegunaan komputasi tepi yang tidak begitu mudah dibahas adalah bahwa mungkin ada sejumlah besar sensor yang terlibat dalam instrumentasi manufaktur. Ini tidak hanya dapat membebani kapasitas jaringan tetapi juga menghasilkan kumpulan data yang sangat besar, yang tidak diperlukan secara keseluruhan. Oleh karena itu, akan berguna untuk menyaring data sebelum meneruskan hanya yang perlu dikirim.
Biasanya volume data menjadi berlebihan atau memerlukan beberapa bentuk pemfilteran, di mana sensor digunakan dalam kuorum untuk mengatasi masalah kalibrasi atau penuaan. Di sini, sensor individu dapat ditolak jika sensor terdekat lainnya yang berpartisipasi dalam kuorum tidak setuju dengan pembacaan. Pabrik dengan peralatan lengkap mungkin berisi jutaan sensor individual yang pada akhirnya hanya terdiri dari beberapa puluh ribu kuorum sensor—berpotensi jauh lebih banyak daripada yang dapat ditangani oleh koneksi internet lokal secara wajar.
Dalam konfigurasi edge computing lainnya untuk manufaktur, ada beberapa sensor yang hanya digunakan secara lokal. Ini bisa jadi karena mereka digunakan dalam respons waktu nyata, atau karena mereka hanya relevan secara lokal, misalnya, sebagai bagian dari solusi keamanan.
Manufaktur kontrak
Komputasi tepi juga berguna dalam skenario yang semakin umum dari produsen kontrak (CM). CM memiliki solusi TI yang independen dari Original Equipment Manufacturers (OEM) yang menugaskan pekerjaan. Namun, banyak OEM melihat manfaat dalam melengkapi seluruh rantai pasokan mereka, bahkan sebagian darinya yang telah dikontrakkan.
Dalam hal ini, OEM dapat mengekstrusi bagian dari jaringan mereka ke dalam jaringan CM menggunakan komputasi tepi. Tim TI OEM mungkin menempatkan server ke jaringan CM yang terhubung kembali ke cloud pribadi OEM. Dikombinasikan dengan sensor IIoT, server komputasi tepi ini akan memungkinkan CM untuk memenuhi tujuan integrasi rantai pasokan dan instrumentasi OEM tanpa mengganggu jaringan CM sendiri atau memerlukan perubahan radikal pada desain jaringan CM.
Komputasi tepi memberi OEM kemampuan untuk melihat seluruh rantai pasokan dan operasi manufaktur mereka menggunakan antarmuka yang konsisten dan kumpulan aplikasi yang terintegrasi, terlepas dari apakah komponen individual sedang diproduksi di fasilitas OEM atau fasilitas CM. Konsistensi ini membuat pelatihan dan dukungan CM menjadi lebih mudah, karena semua orang menggunakan rantai alat yang sama.
Ringkasan
Komputasi awan, yang telah ada selama lebih dari satu dekade sekarang, sering dipasarkan sebagai solusi untuk semua penyakit TI. Ini bukan. Komputasi awan memecahkan banyak masalah, tetapi kecepatan cahaya berarti bahwa kumpulan server terpusat raksasa hanya akan sangat berguna.
Komputasi tepi memiliki dua tujuan utama:mengekstrak sinyal dari derau dengan memproses secara lokal volume data besar yang tidak layak untuk dikirim melalui internet dan menyediakan kemampuan untuk memproses hal-hal tertentu secara lokal di mana dan kapan latensi menjadi perhatian. Kedua hal ini berguna bagi perusahaan manufaktur yang semakin bergantung pada instrumentasi.
Manufaktur tidak bisa menunggu cahaya untuk membuatnya dari A ke B dan kembali. Terlalu banyak yang dipertaruhkan dan tidak ada waktu untuk kesalahan. Komputasi tepi memecahkan masalah yang tidak bisa dilakukan cloud, jadi inilah saatnya untuk berkembang atau ditinggalkan.
Penulis blog ini adalah Michael Schuldenfrei, rekan teknologi perusahaan di OptimalPlus
