Wat is Industrial DataOps?
Industrial DataOps is de werkwijze en het bijbehorende softwareplatform waarmee een organisatie data uit operationele technologie verzamelt, voorziet van context, beheert en op schaal levert aan IT-toepassingen zoals analytics, MES en AI. Het idee is overgenomen uit generieke DataOps, maar toegespitst op de eigenaardigheden van fabrieksdata: duizenden losse tags, tientallen protocollen en data die opgesloten zit in historians en besturingen. Industrial DataOps vormt daarmee de datalaag van OT-convergentie.
🎯 Waarom is OT-data zo lastig te gebruiken?
Wie data uit een fabriek wil analyseren, loopt al snel tegen dezelfde problemen aan:
-
Tags zonder context — een besturing levert een waarde als
FIC101.PV = 42,7, maar zegt niet welke machine, eenheid, product of order erbij hoort - Veel protocollen — OPC UA, Modbus, Profinet, EtherNet/IP en merkgebonden drivers bestaan naast elkaar, vaak per lijn anders
- Data in silo’s — tijdreeksen staan in de historian, orders in het MES, onderhoud in een CMMS en stamgegevens in het ERP, zonder gemeenschappelijke sleutel
- Inconsistente naamgeving — elke brownfield-lijn heeft eigen tagnamen; dezelfde pomp heet op drie locaties drie keer anders
- Point-to-point-koppelingen — elke nieuwe toepassing krijgt een eigen koppeling, waardoor een onbeheersbaar web van interfaces ontstaat
Data scientists besteden daardoor een groot deel van hun tijd aan zoeken en opschonen. Industrial DataOps pakt dat structureel aan: de context wordt één keer, dicht bij de bron, toegevoegd en daarna hergebruikt door alle afnemers.
🔄 Wat is het verschil met DataOps en MLOps?
De term DataOps dook in 2014 op en werd vanaf 2015 uitgewerkt tot een discipline om analysegerede data sneller en betrouwbaarder te leveren, naar het voorbeeld van DevOps. De industriële variant werd eind jaren 2010 gepopulariseerd door leveranciers zoals HighByte en analistenbureau LNS Research, die de term Industrial DataOps gebruiken voor OT-specifieke dataplatforms.
| Kenmerk | DataOps | Industrial DataOps | MLOps |
|---|---|---|---|
| Doel | Betrouwbare datapijplijnen voor analytics | OT-data verbinden, contextualiseren en leveren aan IT | Machine-learningmodellen trainen, uitrollen en bewaken |
| Typische bron | Databases, SaaS, logbestanden | PLC’s, SCADA, historians, sensoren | Voorbereide datasets |
| Datatype | Vooral records en tabellen | Vooral tijdreeksen met hoge frequentie | Features en modellen |
| Grootste uitdaging | Kwaliteit en versiebeheer | Ontbrekende context en protocolvariatie | Modeldrift en reproduceerbaarheid |
| Locatie | Datacenter of cloud | Edge én cloud | Cloud of datacenter, uitrol soms op de edge |
Industrial DataOps is daarmee een voorwaarde voor MLOps in de fabriek: zonder schone, gecontextualiseerde data valt er voor Industrial AI weinig te trainen.
🧠 Hoe werkt Industrial DataOps?
Een Industrial DataOps-platform combineert vijf kerncapaciteiten:
| Capaciteit | Wat het doet | Voorbeeld |
|---|---|---|
| Connectiviteit | Leest data uit besturingen, historians en databases | Drivers voor OPC UA, Modbus, SQL, REST |
| Contextualisatie | Koppelt ruwe waarden aan asset, eenheid, order en product | Tag FIC101.PV wordt Lijn 2 / Menger / Debiet (m³/h) |
| Datamodellering | Legt herbruikbare modellen per type asset vast | Eén model Pomp met druk, debiet, status en draaiuren |
| Datapijplijnen | Transformeert, filtert, aggregeert en routeert data | Minuutgemiddelden naar de cloud, events naar het MES |
| Governance | Bepaalt eigenaarschap, kwaliteit, versies en toegang | Wie mag welk model wijzigen, welke afnemer krijgt welke data |
Voor de modellen gebruiken veel organisaties de apparatuurhiërarchie (equipment hierarchy) uit ISA-95 (internationaal IEC 62264): Enterprise → Site → Area → Work Center → Work Unit. Daardoor krijgt elke datastroom een herkenbare plek, ongeacht welk merk besturing eronder zit.
🔗 Welke rol spelen de Unified Namespace en Sparkplug B?
De Unified Namespace (UNS) is een architectuurpatroon dat door Walker Reynolds bekend is geworden: alle
systemen publiceren hun actuele toestand naar één centrale, hiërarchisch ingedeelde broker, en alle
afnemers abonneren zich daarop. Zo verdwijnen de point-to-point-koppelingen ten gunste van een
hub-and-spoke-structuur. In de praktijk volgt de topicstructuur vaak ISA-95, bijvoorbeeld bedrijf/locatie/afdeling/lijn/machine.
MQTT is de gebruikelijke transportlaag: het protocol werd in 1999 bedacht voor pijpleidingmonitoring, werd in 2014 een OASIS-standaard en in 2016 ISO/IEC 20922; versie 5.0 verscheen in 2019. MQTT Sparkplug B voegt daar afspraken aan toe die MQTT zelf niet heeft:
-
Vaste topicstructuur —
spBv1.0/<groep>/<berichttype>/<edge node>/<device> - Compacte payload — gecodeerd met Google Protocol Buffers
- Statusbeheer — birth- en death-berichten (NBIRTH, DBIRTH, NDEATH, DDEATH) zodat afnemers altijd weten of een bron online is
- Rapportage bij wijziging — alleen gewijzigde waarden worden verstuurd, wat bandbreedte spaart
Sparkplug werd in 2016 door Cirrus Link ontwikkeld, kwam in 2018–2019 onder beheer van de Eclipse Foundation en is sinds 2023 als versie 3.0 gepubliceerd als ISO/IEC 20237. Een veelgehoorde kanttekening: Sparkplug-topics zijn technisch van opzet, dus veel architecturen combineren een Sparkplug-laag voor de connectiviteit met een aparte, ISA-95-gestructureerde UNS voor gecontextualiseerde data.
☁️ Waar vindt de verwerking plaats: edge of cloud?
Industrial DataOps werkt vrijwel altijd hybride. Op de edge, dicht bij de machines, worden data verzameld, genormaliseerd en van context voorzien. Dat houdt latentie laag, beperkt dataverkeer en laat lokale toepassingen doorwerken als de verbinding wegvalt. In de cloud of het centrale datacenter worden data van meerdere sites samengevoegd voor rapportage, benchmarking en het trainen van modellen. Een vuistregel: wat het proces nodig heeft, blijft lokaal; wat de organisatie nodig heeft, mag centraal.
🏭 Welke soorten tools en leveranciers zijn er?
| Categorie | Rol | Voorbeelden |
|---|---|---|
| Edge-DataOps / data hub | Verbinden, modelleren en routeren op of nabij de site | HighByte Intelligence Hub, Litmus Edge |
| Industrieel dataplatform | Contextualiseren van OT-, IT- en engineeringdata op ondernemingsniveau | Cognite Data Fusion |
| Historian / datainfrastructuur | Opslag en levering van tijdreeksen | AVEVA PI System (voorheen OSIsoft, overgenomen in 2021) |
| MQTT-broker | Kern van de Unified Namespace | HiveMQ, EMQX, Mosquitto |
| Generieke streaming | Datastromen in IT-omgeving | Apache Kafka |
HighByte werd in 2018 opgericht en richt zich specifiek op industriële DataOps; Cognite ontstond in 2016 in Noorwegen vanuit de olie- en gasindustrie. De keuze hangt vooral af van de schaal, de bestaande historian en de gewenste mate van zelfbeheer.
🔐 Hoe houdt u de datastroom van OT naar IT veilig?
Een DataOps-platform is per definitie een brug tussen netwerken en verdient daarom dezelfde aandacht als elk ander conduit in IEC 62443:
- Via de IDMZ — data gaat nooit rechtstreeks van het besturingsnetwerk naar kantoor of cloud; een broker of replica in de IDMZ is het overdrachtspunt
- Uitgaande verbindingen — de OT-kant initieert de verbinding (publish naar buiten); er worden geen inkomende poorten naar OT opengezet
- Eenrichtingsverkeer waar mogelijk — voor kritieke processen dwingt een datadiode fysiek af dat data alleen naar buiten kan
- Geen schrijfacties zonder reden — commando’s (zoals Sparkplug NCMD/DCMD) standaard uitschakelen of streng autoriseren
- Toegangsbeheer per topic — TLS, certificaten per client en autorisatie per topic of datamodel
- Governance — vastleggen wie eigenaar is van elk model, welke afnemer welke data mag zien en hoe wijzigingen worden goedgekeurd
🧭 Stappenplan voor Industrial DataOps
- Begin bij een use case — bijvoorbeeld het automatisch berekenen van OEE voor één lijn, niet bij “alle data naar de cloud”
- Inventariseer bronnen — welke besturingen, historians en databases leveren de benodigde waarden, via welk protocol?
- Leg een naamgevingsstandaard vast — een ISA-95-hiërarchie en vaste modellen per assettype
- Bouw de edge-laag — connectiviteit en contextualisatie op de site, met buffering bij uitval
- Ontwerp de beveiligde overdracht — IDMZ, uitgaande verbindingen, eventueel een datadiode
- Lever aan afnemers — MES, dashboards, data lake en AI-toepassingen abonneren zich op dezelfde modellen
- Schaal op — hergebruik de modellen voor de volgende lijn en site; daar zit de echte winst
In Europese context speelt ook de Data Act (Verordening (EU) 2023/2854) mee. Sinds 12 september 2025 hebben gebruikers van verbonden producten recht op toegang tot de data die deze producten genereren, en verbonden producten die na 12 september 2026 in de handel worden gebracht, moeten zo ontworpen zijn dat die data standaard toegankelijk is. Voor fabrikanten en machinebouwers betekent dit dat goed gemodelleerde, gedocumenteerde data geen luxe meer is maar een verplichting.
❓ Veelgestelde vragen
Is Industrial DataOps hetzelfde als een historian?
Nee, een historian slaat tijdreeksen efficiënt op, terwijl Industrial DataOps zorgt voor verbinding, context, modellering en levering aan meerdere afnemers. Een historian is vaak een van de bronnen of bestemmingen binnen een Industrial DataOps-architectuur.
Is een Unified Namespace nodig voor Industrial DataOps?
Een Unified Namespace is niet verplicht, maar wel een veelgebruikt patroon om Industrial DataOps in te richten. Het voordeel is dat elke bron één keer publiceert en elke afnemer zich zelf abonneert, waardoor het aantal koppelingen sterk afneemt.
Wat is het verschil tussen Industrial DataOps en een MES?
Een MES stuurt en registreert de productie: orders, batches, kwaliteit en prestaties. Industrial DataOps levert de gecontextualiseerde data waar een MES, maar ook dashboards en AI-toepassingen, op draaien. De twee vullen elkaar aan.
Waarom is contextualisatie zo belangrijk bij Industrial DataOps?
Zonder context is een tagwaarde alleen een getal zonder eenheid, asset of order. Contextualisatie in Industrial DataOps maakt data begrijpelijk voor mensen en machines, zodat analyses en AI-modellen over meerdere lijnen en sites heen vergelijkbaar worden.
Is Industrial DataOps een risico voor de OT-beveiliging?
Industrial DataOps vergroot het aantal verbindingen tussen OT en IT en dus het aanvalsoppervlak als het slecht wordt ingericht. Met een IDMZ, uitsluitend uitgaande verbindingen, eenrichtingsverkeer waar mogelijk en strikte toegangscontrole per topic blijft dat risico beheersbaar.
Welke standaarden worden gebruikt bij Industrial DataOps?
Veelgebruikte standaarden zijn ISA-95 (IEC 62264) voor de asset-hiërarchie, OPC UA voor connectiviteit, MQTT en Sparkplug (ISO/IEC 20237) voor publish/subscribe-transport en IEC 62443 voor de beveiliging van de datastromen.
📌 Samengevat
Industrial DataOps maakt van losse OT-tags betrouwbare, gecontextualiseerde informatie die IT-toepassingen op schaal kunnen gebruiken. Wie begint bij één use case, ISA-95-modellen hergebruikt en de datastroom via een IDMZ beveiligt, legt het fundament voor MES, OEE-analyse en industriële AI.