工业互联网平台建设挑战&建议
过去50年的科技发展为工业物联网(IIoT)的快速扩张奠定了基础。从PLC的发明,到工业自动化,再到云计算,接着传感器在车间中的普及,工业互联网已经趋于成熟。现在大多数工厂资源都建立连接关系,他们需要一种简单的方法来提取和利用数据,以便在生产上能够真正的实现智能制造。这时候需要一个平台来轻松收集、分析实时数据并对其决策和执行,以改进运营和IT决策。
一、工业互联网平台挑战
工业互联网平台解决方案基于互联网连接的机器和分析平台,这些机器和平台可以在内部或云中处理它们产生的数据。工业互联网平台收集、规范化和分析来自工业资产的大量实时数据,并通过边缘到企业的集成将其提供给OT和IT系统。
- 首先,如何采集所有异构的控制器和设备的数据。许多工厂同时存在着新的资产和遗留的旧资产以及来自不同供应商的设备。他们利用各种协议和数据格式,尽管它们可能连接到OT系统,却不能轻松共享数据到IT系统。
- 下一个挑战是如何选择的在边缘或者云中进行数据处理。云计算有利于长期分析和大规模部署,但受带宽限制,通常会收集大量数据,但只使用一小部分。边缘的价值在于在影响更大、延迟为零的边缘活动,而生产经理可专注于运营管理的业务。
- 系统集成是致力于数字化转型的公司面临的另一个常见的挑战,许多工业物联网解决方案解决了OT或IT挑战,并专注于边缘或云。但最好的解决方案需要从边缘到任何云、大数据或企业应用程序的实现无缝集成,弥合了从OT到IT的差距。
- 即使以上问题得到解决,许多公司仍存在难以扩大规模或者批量复制的难题。他们可能能够很好的培育一个植物,但到了增加10、20、30株植物的时候——项目可能会停滞不前。理想的平台能够提供可连接到任意数量的资产、管理设备,以及从一个项目跨任意数量的项目,部署应用程序和数据分析等能力。
二、构建工业互联网平台前提条件
IIoT平台通过无缝处理数据连接、边缘智能和OT-IT集成实现了快速部署,以实现真正的数据智能。IIoT平台能够连接资产、定制KPI并与领先的企业解决方案集成,从而满足任何行业的需求。边缘和企业将不断提高工厂的效率、正常运行时间、利润率和质量。以下基础能力是构建IIoT平台的关键:
1、数据连接
任何IIoT解决方案都必须克服的第一个障碍是数据连接。工厂既有绿地设备,也有棕地设备,每个设备都有拥有自定义协议和驱动程序。一个方法就是将设备组合在一起,在一个安全、规范化的公共数据层使用OT和IT功能。规范化数据可以在任何边缘、大数据、云或企业系统。IIoT平台可以连接到资产使用设备驱动程序,然后处理和规范化的数据。
- 大量的本机协议和驱动程序
- 通过拖拉拽编辑器设置事件处理
- 规范化和结构化的公共数据层
2、边缘智能
在数据被规范化之后,保留一些数据处理和分析功能在边缘,以便在数据源处立即采取行动,这是有意义的行为。许多公司将其所有数据发送到云,但大多数数据从未发挥价值。寻找IIoT平台具有内置的边缘分析功能,因此您可以在边缘。它应该在边缘、本地数据可视化、机器学习运行时,并允许对实时数据采取行动。
- 边缘处理,价值呈现更快
- 现成的分析,如时间序列分析和异常检测
- 内置KPI,如资产利用率、正常运行时间/停机时间
3、OT-IT集成
一旦在边缘收集、规范化和分析数据应轻松集成到第三方云、大数据和企业应用程序。无缝集成意味着OT和IT的发挥很好地结合在一起,数据可以在任何组织中共享多种业务需求。还应将数据推回到工业设备完成连续反馈回路优化和在边缘运行机器学习模型。公司可以决定存储哪些数据并在边缘采取行动移动到云中。
- 利用在边缘收集的数据并将其发送到云中
- 与企业应用程序和数据库的预集成
- 为大数据系统提供更深入的分析
三、实现智能工业物联网平台思路
智能IIoT平台的思路,应从任何PLC、CNC、传感器、机器人系统或SCADA/MES/Historian收集数据,对数据进行规范化和管理,在边缘执行分析,与第三方应用程序集成,实现应用程序协调,并提供从中心位置管理边缘计算设备生命周期的工具。数据也应该从一边流到另一边,以便在边缘和云之间形成连续的反馈循环。
- 一体化平台
IIoT平台通过从工厂收集、规范化、分析实时数据并采取行动来提供价值,从而通过一个单一的解决方案满足整个企业的业务需求。
2、部署在边缘
在边缘部署使客户能够使用实时数据分析、监控、可视化和洞察力,在机器数据具有最大价值的源头对其采取行动。
3、多维数据源
理想的IIoT平台从多维来源收集数据,无需编程,然后自动处理和规范数据,以便与其他系统轻松共享。
4、随时随地
数据可以在边缘进行分析,推送到云、数据湖或任何企业应用程序,然后返回到边缘,实现真正的随时随地连接。
5、数据智能
运营数据可以用于即时分析和预先构建的KPI,然后与云和大数据应用程序集成以创建机器学习模型。快速部署和运行新的机器学习模型在边缘不断改进资产和流程性能。
6、以现有投资为基础
IIoT平台应能够收集数据,并与现有MES、SCADA、历史记录和其他工业自动化系统集成。正确的IIoT平台可确保以前的投资,并获得新的价值和效益。
四、应用场景
工业互联网的预期在制造业、石油和天然气、能源、分销和运输等热门行业展开。大多数公司的目标是更好地了解资产运行状况和性能,改进OEE(设备综合效能),预测性维护活动,并基于机器学习改进流程和效率。以下是IIoT最常见的四个用例。
1、资产状况监控
资产状况监控通常是IIoT的第一个用例。许多公司都是被动的,用自己的方法解决他们所看到的问题。资产状况监控通过收集和分析机器数据,来确定资产是否处于正常状态或者亚健康等问题。譬如温度、振动和速度等基本机器数据,通过创建KPI和警报等方式,以确保所有机器按计划运行。
2、OEE(设备综合效能)
OEE(设备综合效能)是20世纪60年代创造的一种离散制造最佳实践,用于衡量生产力。OEE评估通过将完全生产时间与计划生产时间进行比较来有效地利用制造操作。OEE计算基于取决于三个因素:可用性、性能和质量。尽管OEE不是一个新术语,但它是IIoT的一个完美KPI,因为现代技术提供随时可用的实时数据,为OEE测量提供燃料,然后帮助公司确定如何随着时间的推移改进运营。
3、预测性维护
生产线中的异常情况通常会导致计划外停机和高昂的维护成本。IIoT平台可以实现预测性维护以降低故障成本。理想的平台具有资产利用率、正常运行时间/停机时间等KPI。客户可以设置实时警报,以便根据预定义的事件在数据源采取行动。用例通常从反应性维护开始,转向预测性维护,最终是规定性维护,以降低维修成本,最大限度地减少停机时间,最大限度地提高产量,并提高补救效率。
4、机器学习与人工智能
机器学习和人工智能始于边缘的连接。连接设备,收集和规范生产数据并制作这些数据可用于大数据和机器学习系统,允许公司开发改进运营所需的ML模型。能够在边缘快速部署和运行这些新模型,完成反馈循环,并提供持续优化所需的边缘到云智能。
五、结论:
总之企业面临数字化转型——IIoT,工业4.0,智能制造,都是绕不开的话题。事实是,具有挑战性的制造业只有构建更高的质量和效率才能保持行业竞争力,IIoT平台技术有助于公司优化运营和管理资产,结合机器学习和人工智能的应用,进而实现业务持续改进。