信息建模与事件管理助力复杂工业系统，工业物联网应对海量传感器数据推动数字化转型

作者 |索拉布·施里瓦斯塔瓦

翻译 |布加迪

策划|五木

信息建模和事件管理对于检测复杂工业系统的变化至关重要。工业物联网解决方案可以解决这个问题。

随着互联网连接变得越来越普遍，越来越多内存和计算资源很少的小型传感器现在可以连接到互联网。同时，这些传感器连接到各种物理实体，例如家庭警报器、热传感器和汽车。我们需要收集和分析来自这数百万台联网设备的数据。

例如，从多个传感器收集的天气数据可用于预测风能和农业生产中使用的天气。家庭、工厂、油井、医院、汽车和无数其他地方有数十亿个物联网设备，产生的海量数据正在急剧增长，所有这些都在推动数字化转型。

由于物联网经常在制造业中用于处理机器数据和优化生产，因此工业物联网（IIoT）的概念应运而生。下面将对工业物联网的相关内容进行深入介绍。

第 01 部分

构建工业物联网解决方案

工业客户寻求深入了解其工业数据并实现降低能源成本、检测和修复设备问题、识别生产线效率低下、提高产品质量和提高产量等目标。这些客户寻求从机器和产品生命周期 (PLC) 系统获取运营技术 (OT) 数据，以便在生产线或机器出现故障时进行根本原因分析 (RCA)。此外，物联网可以实时了解机械的微故障，从而在不影响产品质量的情况下提高产量。

构建和维护从多个来源、站点或工厂收集和组织数据的系统充满了困难。企业需要一致地呈现所有资产，以便用户可以轻松共享它们以在工厂和企业级别构建应用程序。

现实情况是，许多工厂使用本地服务器来收集和组织数据，并将其存储在一个工厂中。由于缺乏开放、可访问的数据，大多数本地收集的数据未经分析就被丢弃。

为了解决这个问题，最佳实践是从工业设施中常见的数据库中提取数据，将其传输到数据中心或云中的集中存储系统，并确保用户和应用程序可以轻松搜索其结构。公司可以从这些数据中得出常见的工业绩效指标，例如整体设备效率（OEE），以监控多个工业设施的运营并构建应用程序来分析工业设备数据，以防止代价高昂的设备问题并减少生产差距。如果想要设计工业物联网架构，企业可以从以下几个方面入手：

为了满足对工业物联网不断增长的需求，AWS 等云提供商提供 AWS IoT SiteWise 等托管服务，它可以使用本地网关从工厂车间收集数据，构建和标记数据，并生成实时 KPI 和指标来帮助做出更好的数据驱动决策。

在数据提取期间，所有站点设备生成的数据都会被收集并通过 PUT API 从 AWS IoT Core 发送到 AWS IoT SiteWise 等服务器。然后，系统创建模型资产，它们是物理资产的虚拟表示。

托管服务有助于对整个生产环境进行数字化、情境化和建模，而客户无需维护基础设施。客户可以使用丰富的信息模型来表示复杂的设备层次结构。

事件管理对于检测复杂工业系统中的变化至关重要。企业需要持续监控来自设备的数据，以识别状态、检测变化并在变化发生时触发适当的响应。

让我们看一下工业物联网参考架构，并在未来将所有部分连接在一起。

第02部分

互联工厂物联网架构

互联工厂 (CF) 解决方案旨在集成各种功能以实现生产运营转型。 CF 使客户能够轻松地从遗留系统中发现数据，近乎实时地可视化数据，执行更深入的分析以优化运营，并提高生产力和资产可用性。 CF产品的重点是使工业数据收集商品化并使开发可重复。看一下下图，它说明了用于在 AWS 云平台上实施互联工厂解决方案的 IoT 架构。

图 1：AWS 云中的互联工厂架构

如上图所示，AWS IoT Greengrass部署在工厂车间边缘，用于收集从工厂服务器提取的设备数据和其他数据。数据通过 IoT Core 进入 AWS 云，IoT Sitewide 帮助构建物理设备模型。

来自许多工业设施的数据存储在 Amazon S3 中以构建制造数据湖，该数据湖可以进一步加载到 Redshift for Datawarehouse 中，通过 AWS Glue 通过 ETL 管道进行处理，并使用 Amazon Athena 执行即席查询。最后，企业可以使用QuickSight为业务用户提供可视化数据。

流数据经过转换和处理，以将输入返回到产品设备或将运输信息返回到车辆。此外，系统中还有一个机器学习组件，可以执行生产预测并将这些数据发布到 ERP 和 PLM 系统中，以优化生产效率。机器学习在边缘执行，以了解设备健康状况并发出警报，从而减少停机时间。

在培训员工使用设备和创建模拟时，添加视觉层是有意义的。现在有了 AR/VR（增强现实/虚拟现实），可以添加可视化层。这个时候，数字孪生也可以登场。

让我们更多地了解数字孪生。

第03部分

实施数字孪生

数字孪生是物理机器的数字复制品。在数字孪生中，公司可以使用 AR/VR 构建机器的虚拟表示，以可视化实时数据叠加。通过整合机器学习，数字孪生有助于提供实时运营数据和正常数据的可见性；企业可以从实际行动中获得洞察，例如执行主动维护。数字孪生可以轻松模拟假设场景，以确定机器的最佳 KPI，并为操作员建立沉浸式教育和培训，帮助他们操作设备。

数字孪生利用物联网持续收集实时数据，并可以通过数字副本控制机器的运行。它提供了机器实际模型的身临其境的体验，有助于预警、预测和优化。数字孪生执行以下任务，如下图所示：

图 2：使用数字孪生来模拟机器思维

如图所示，数字孪生通过以下方式管理机器：

接下来我们以飞机喷气发动机数字孪生的参考架构为例，如下图所示。在这里，公司使用物联网传感器实时收集发动机温度和速度数据，并在数字发动机副本中显示数据叠加，以获得洞察并采取行动。

图 3：飞机喷气发动机的数字孪生架构

如上图所示，温度和发动机转速数据从喷气发动机发送到云端。 AWS IoT Analytics 执行数据处理操作以深入了解收集的传感器数据并在 Amazon QuickSight 仪表板中显示可视信息。喷气发动机的当前状态是使用设备影子来维护的，因此如果传感器出现故障，操作员仍然可以执行模拟。这里，使用 Amazon Sumerian 虚拟现实平台创建了喷气发动机的数字复制品，并将其部署在 Oculus 中。使用 Amazon Lex AI 服务，操作员可以通过语音或消息启动/停止实际发动机。

第04部分

结论

工业物联网在优化生产和减少运营停机时间方面将变得越来越受欢迎。如何大规模解决IIoT运营问题，如何为互联工厂构建物联网架构，如何将AR/VR技术与物联网相结合以提供沉浸式体验，以及如何使用实时数据叠加创建物理机器的虚拟副本在数字孪生的帮助下，相信本文会给读者关于这些问题的一些启发。

参考链接：