Automasjon og digitalisering: En tidslinje

Fra de første SCADA-systemene, databasene og oppfinnelsen av PLS’en, til en enorm utvikling innen data, AI og Machine Learning. Mye har skjedd innen automasjon og digitalisering de siste 60 årene, – se vår tidslinje med de viktigste hendelsene her.

De første SCADA-systemene tas i bruk. Sammenlignet med hvordan vi kjenner SCADA-systemet i dag, var de første systemene enkle, med ingen eller få nettverksmuligheter. Data kunne sendes frem og tilbake til en «mainframe computer», en stor datamaskin, ved hjelp av RTU’er. Denne første generasjonen kalles «Monolithic SCADA». 

De første datamaskinbaserte databasene kom tidlig på 1960-tallet, og var forgjengerne for det vi kjenner som navigasjonsdatabaser. I løpet av 1960-tallet kom det to databasemodeller. En hierarkisk modell i ulike nivåer, – slik vi fremdeles kjenner mappestrukturer i dag, og en nettverksbasert modell som kunne knytte dataene sammen på tvers av nivåer.

I 1968 ble den første PLS’en utviklet. Før dette benyttet man seg av relay-baserte systemer. Disse var svært komplekse, og krevde mye tid og kostnader på vedlikehold og konfigurering. PLS’en forenklet produksjonsprosessene betydelig, og ble raskt populær. Den er fremdeles en selvfølgelig del av systemer for kontroll og styring, og er blant de viktigste oppfinnelse innen automasjon.  

På begynnelsen av 1970-tallet kom den første relasjonsdatabasen. Denne type databasemodell var søkbar, viste forholdet mellom ulik data og var mye enklere i bruk enn den nettverksbaserte modellen. Maskinvaren på denne tiden var begrenset, så bruken av relasjonsdatabaser ble ikke utbredt før tiåret senere. 

Tidlig på 1980-tallet ble datainnsamlingssystemer som målte blant annet arbeidstid, produksjonsdata og kvalitet tilgjengelige. Disse systemene var spesialiserte og uavhengige av hverandre, men viste seg senere og være grunnlaget for systemet vi i dag kaller MES.

2. generasjon SCADA-system, «Distributed SCADA», var mindre i størrelse og billigere enn forgjengeren. Med denne versjonen kom de første forekomstene av vanlige systemkomponenter, som inkluderte kommunikasjonsprosessorer, HMI, RTU’er og databaser. SCADA-systemene kunne nå kommunisere med hverandre.

I 1986 ble PC-basert programmering av PLS’er introdusert. Dette førte til større funksjonalitet, mer minne og sekvensiell kontroll. 

Novotek ble grunnlagt i Sverige i 1986, og startet i Norge året etter. Vi var blant de første som anvendte PC-baserte løsninger innen produksjon.

På starten av 1990-tallet begynte produksjonsbedrifter å kombinere systemer som hentet data fra ulike områder. Systemet inkluderte kvalitetssikring, dokumenthåndtering og gjennomføring av analyse. I 1992 fikk systemet navnet MES (Manufacturing Execution Systems). Samme år ble MESA, Manufacturing Enterprise Solutions Association grunnlagt, med oppgave å veilede utførelsen av MES-systemer og adressere den økende kompleksiteten.

3. generasjon SCADA-system, «Networked SCADA», kom med åpen systemarkitektur. Dette gjorde det mulig å koble SCADA-systemet til tredjeparts-enheter, som for eksempel skjermer, printere og harddisker. Den åpne systemarkitekturen gjorde det også mulig å kjøre flere SCADA-systemer parallelt, med samme database. 

Den første versjonen av OPC, OPC DA, kom på markedet i 1996. Både maskinvare- og programvareleverandører tok raskt OPC i bruk, og det ble besluttet at en uavhengig, ideell organisasjon skulle administrere OPC-spesifikasjonen. OPC Foundation ble dermed grunnlagt samme året. Utbredt bruk gjorde OPC til industristandarden allerede i 1998. 

Tidligere innebar HMI (Human Machine Interface) i stor grad knapper og lamper, før man gikk over til enkle skjermer. I løpet av 1990-tallet ble HMI i større grad programvarebasert, og inkluderte etter hvert informasjon som kunne hjelpe operatøren å ta bedre valg i produksjonen. 

AI og Machine Learning var kjent allerede på 1950-tallet, men teknologien var ikke på et nivå som kunne utnytte seg av dette. Først på 1990-tallet, med internett og betydelig økning i data, kunne AI og Machine Learning bevege seg fra en kunnskapsdreven tilnærming til å bli datadrevet. Dette var starten på AI og Machine Learning slik vi kjenner det i dag.

Tidlig på 2000-tallet kommer flere OPC-standarder: Alarm & Events, Historical Data Access, XML/CSV og Data Exchange. Disse, sammen med OPC DA, får betegnelsen klassiske OPC-standarder.

De første PAC-kontrollerne kom på markedet på starten av 2000-tallet. Disse hadde en kombinasjon av funksjonene og teknologien til DCS’er, RTU’er og PC-kontroll. I tillegg hadde de flere tilkoblingsmuligheter og bredere kontroll i en liten pakke, tilpasset bruk i industrielle miljøer. PAC-kontrollerne ble raskt populære. 

4. generasjon SCADA, «Web-based SCADA», kom som følge av utviklingen av internett. Med nettleser som grafisk grensesnitt/operatørens HMI, fikk man tilgang fra enheter som bærbare datamaskiner, nettbrett og mobiltelefoner, – når som helst og hvor som helst.

Idéen om Cloud Computing kan spores helt tilbake til 1950-tallet, men det var først på 2000-tallet at bruken av Cloud i moderne kontekst skjøt fart. Samtidig som WEB 2.0 utvikles, setter store bedrifter som Google, Microsoft, Amazon og IBM aktivt i gang med Cloud-initiativer. I løpet av kort tid blir skyløsninger en del av alles hverdag.

I 2006 blir den første versjonen av OPC UA tilgjengelig. I motsetning til de klassiske OPC-standardene baserer ikke OPC UA seg på Microsoft-teknologi, og er plattformuavhengig. Kommunikasjon over nettverk blir med dette enklere.   

Les mer: OPC og OPC UA

Mot slutten av 2000-tallet har MES-systemer blitt enda mer komplekse, og kommer med nye funksjoner for blant annet anleggsoperasjoner, businessoperasjoner, strategiske initiativer, lean produksjon, styring av produktsyklusen, overholdelse av regelverk og myndighetskrav og analyse. Dette er MES-systemet vi kjenner i dag.

Økning i data og investeringer fra samtlige store teknologibedrifter gjorde at AI og Machine Learning skjøt fart dette tiåret, og nye løsninger ble en selvfølgelig del av manges hverdag. Innen industri og produksjon sørger AI og Machine Learning for bedre effektivitet og kostnadsbesparelser ved å bruke data til å blant annet forutsi og redusere nedetid og spore produksjon og produkter. 

Konseptet digital tvilling ble snakket om allerede i 2002, men den første praktiske definisjonen ble utviklet av NASA i 2010, i et forsøk på å forbedre simulering av romfartøy. En digital tvilling er en digital versjon av et fysisk objekt eller en prosess. I industrien hjelper digitale tvillinger med å øke innsikten i de fysiske omgivelsene, og gjør det enklere å styre komplekse prosesser.

Begrepet Big Data har blitt brukt siden 1990-tallet, men ble først å finne overalt to tiår senere, som et av 2010-tallets buzzord. Med en enorm økning i data, og en tilsvarende utvikling i teknologien, ble det mulig å hente informasjon fra store datasett som tidligere var for komplekse. Med kontinuerlig økende datamengde er håndtering av Big Data blant teknologiens største utfordringer.   

Industri 4.0 ble først brukt i 2011 av Siemens i Tyskland. Begrepet forklarer den pågående automatiseringen av produksjon og industri, som skiller seg fra den tredje industrielle revolusjonen med bruk av IoT og smart produksjon. Siden 2011 har begrepet blitt et buzzord innen produksjon og industri, og betegner sammensetningen av avanserte, digitale teknologier som benyttes i industrien. 

Les mer: Industri 4.0 – ta del i den fjerde industrielle revolusjonen

GE, General Electric, kom med begrepet IIoT (Industrial Internet of Things) i 2012. IIoT, også kalt det industrielle internett, innebærer løsninger som kobler sammen maskiner med ny kommunikasjonsteknologi, og gjør det mulig å overvåke, samle inn, utveksle, analysere og levere verdifulle innsikter. Resultatet er økt effektivitet, produktivitet og ytelse. 

Les mer: Hva er IIoT?

DataOps kommer fra Data Operations, og ble først introdusert i 2014. I 2017 fikk DataOps større popularitet, med betydelig utvikling, undersøkelser og publikasjoner om konseptet. DataOps har verktøy som skal håndtere den pågående store økningen i data ved å gjøre dataanalyse enklere og mer effektivt, samt øke påliteligheten og kvaliteten. Dette innebærer fokus på kommunikasjon, samarbeid og integrasjon mellom data scientists, analytikere, dataingeniører, IT og OT. 

I 2020 var verdens totale datamengde 44 zettabyte (44 trillioner gigabyte). Innen 2025 er det forventet at vi når en datamengde på 175 zettabyte. Med dette kommer behovet for teknologi som kan håndtere økningen, og transformere Big Data til nyttig informasjon.

Les mer: Slik gjør du industriell data egnet til ditt bruk

Økende datamengde gjør AI og Machine Learning-løsninger «smartere». De siste årene har vi sett store hendelser innen feltet, og med forventinger om mer enn en tredobling av datamengden i løpet av de fire neste årene er det også forventet at den raske utviklingen innen AI og Machine Learning vil fortsette.

I dag er IIoT-markedet verdt 123 milliarder dollar. Innen 2030 er IIoT estimert av Accenture å ha 14.2 billioner dollar av den globale økonomien, som gjør det til en av de viktigste kreftene som former businessverden i dag.

Innholdet i denne artikkelen tar utgangspunkt i informasjon fra blant annet GE Vernova, OPC Foundation, MESA og mange flere aktører innen automasjon og digitalisering, i tillegg til vår egen kunnskap om temaene. Se fullstendig litteraturliste nedenfor.