TL;DR
Utmaningen: Industri 4.0 kräver mer än att systemen kan utbyta data. Ett meddelande kan följa rätt format och ändå lämna mottagaren utan svar på vilket objekt det beskriver, vad värdena betyder eller om informationen går att lita på för ett beslut.
Angreppssättet: Håll tre frågor isär: identitet (vilket objekt eller vilken funktion), betydelse (vad informationen beskriver, uttryckt genom gemensamma begrepp och vid behov ontologier) och kvalitet (om den är tillräckligt korrekt, fullständig och aktuell för den avsedda användningen).
Effekten: Informationskrav blir testbara, leveranser kan accepteras på underlag, och nya tillämpningar kräver mindre omtolkning varje gång system, leverantörer eller analyser förändras.
Anslutningen är början, inte acceptanskriteriet
En maskin skickar en temperatur och en status. Anslutningen fungerar och meddelandet följer rätt format. Ändå kan mottagaren sakna avgörande information: vilken temperatur, från vilken del av processen, i vilken enhet och när mätningen gjordes. En status behöver dessutom en definition som skiljer exempelvis utrustningens driftläge från kommunikationsfel.
Att informationen går att överföra visar alltså inte att den går att använda för det avsedda ändamålet.
Tre frågor behöver hållas isär
Identitet: Vilket objekt eller vilken funktion avser uppgiften? Olika system kan ha olika identifierare, men kopplingarna mellan dem behöver vara uttryckliga och förvaltade.
Betydelse: Vad beskriver uppgiften? Begrepp, egenskaper och relationer behöver vara tillräckligt uttryckliga för användningsfallet. En ontologi kan bidra till att beskriva och bearbeta dem maskinellt.
Kvalitet: Är uppgiften tillräckligt korrekt, fullständig och aktuell för uppgiften? Bedömningen behöver även ta hänsyn till källa, sammanhang och hur uppgiften har verifierats.
Semantik och datakvalitet är inte begränsade till industriella tillämpningar. Här ligger fokus på produktion och tekniska anläggningar, där information behöver fungera över discipliner, system och leverantörer.
Börja med användningen
För produktionsanalys kan det vara avgörande att olika maskiner beskriver stopporsaker på jämförbara sätt. För en fastighets energianalys behöver mätvärden kopplas till rätt mätare, försörjningsområde och tidsperiod. Exemplen kräver inte samma modell eller kvalitetsgränser.
Utgå därför från beslutet eller funktionen. Bestäm därefter vilka objekt, begrepp, relationer och uppgifter som behövs, och vilka brister som gör resultatet oanvändbart.
Gör kraven möjliga att kontrollera
Informationskrav behöver gå att verifiera. Kontroller kan exempelvis pröva om obligatoriska uppgifter finns, om enheter är tillåtna, om tidsstämplar är tillräckligt aktuella och om kopplingar pekar på kända objekt.
Men en modell kan vara strukturellt giltig och ändå beskriva fel fysisk koppling. Datavalidering behöver därför kompletteras med teknisk granskning eller fysisk verifiering där det behövs. Det måste också framgå vem som får godkänna och rätta uppgifterna.
HubMinds perspektiv: proportionerlig struktur, tydligt ansvar
Standarder och ontologier kan minska behovet av egna definitioner och stödja samverkan. De ersätter inte lokala beslut om källansvar, acceptans och ändringar. Ibland räcker tydliga definitioner och mappningar; ibland behövs en mer uttrycklig semantisk modell.
HubMind rekommenderar att börja med ett avgränsat användningsfall och förena informationsmodellen med kvalitetstester och ansvar. Målet är inte största möjliga modell, utan ett underlag som går att använda, verifiera och förvalta.
HubMind deltar i standardiseringsarbetet för industriell data och interoperabilitet (SIS/TK 280, kopplat till ISO/TC 184), vilket håller perspektivet i fas med den internationella utvecklingen kring Industri 4.0.
Nästa steg
Vilket beslut behöver ni bättre information för? Börja med att avgränsa uppgiften och bedöma de källor, samband och kvalitetskrav den faktiskt behöver. Vårt kompetensområde teknisk informationsarkitektur och datastyrning beskriver hur vi strukturerar det arbetet.