導讀

隨著互聯網連接日益普及，現在有越來越多內存和計算資源很少的小型傳感器可以連入互聯網。同時，這些傳感器連接各種物理實體，比如家用警報器、熱傳感器和汽車。我們需要收集和分析來自這數百萬個聯網設備的數據。

比如說，從多個傳感器收集的天氣數據可用于預測天氣，從而用于風能和農業生產。家庭、工廠、油井、醫院、汽車和其他無數地方有數十億個物聯網設備，這些設備生成了大量數據，且數據量還在急劇增加，所有這一切都在推動數字化轉型。

由于物聯網在制造業經常用于處理機器數據和優化生產，工業物聯網（IIoT）這個概念隨之出現。下面將深入介紹工業物聯網的有關內容。

構建工業物聯網解決方案

工業客戶力求深入了解其工業數據，并實現諸多目標，比如降低能源成本、檢測和修復設備問題、發現生產線的低效現象、改進產品質量和提高產量等。這些客戶設法獲取來自機器和產品生命周期（PLC）系統的操作技術（OT）數據，以便生產線或機器出現故障時進行根本原因分析（RCA）。此外，物聯網可實時了解機械的微停運，在不影響產品質量的情況下提高產量。

構建和維護由多個來源、站點或工廠收集和組織的數據的系統困難重重。企業需要一致地呈現所有資產，以便用戶能輕松共享這些資產，用于在工廠和公司層面構建應用程序。

現實卻是，很多工廠使用本地服務器收集和組織的數據，被存放到一個工廠。由于缺乏開放、可訪問的數據，大多數本地收集的數據從未分析就被丟棄。

要解決這個問題，最佳的操作是從工業設施中常見的數據庫提取數據，傳輸到數據中心或云端的集中式存儲系統，并確保其結構易于被用戶和應用程序搜索。企業可以從這些數據獲得常見的工業性能指標，比如整體設備效率（OEE），從而監測多個工業設施的運營，并構建應用程序以分析工業設備數據，防止會帶來高昂代價的設備問題，并減少生產方面的缺口。若想設計工業物聯網架構，企業可從以下方面入手：

從工業設備、數據服務器和歷史數據庫提取數據。

大規模收集、組織和分析工業數據。

使用工業協議和標準（比如OPC-UA、Modbus和EtherNet/IP），從現場設備讀取數據。

創建物理資產的可視化表示，處理設備數據流，并計算工業性能指標。

訪問本地儀表板以查看實時和歷史設備數據，即使暫時斷開互聯網連接也是如此。

使用資產數據創建本地或云應用程序，以優化工廠產出質量、最大限度地提高資產利用率，并識別設備維護問題。

為了滿足對工業物聯網日益增長的需求，AWS等云提供商提供了AWS IoT SiteWise之類的托管服務，這類服務可以使用本地網關從工廠車間收集數據，對數據進行結構化和標記，并生成實時KPI和指標，以幫助做出更好的數據驅動決策。

在數據提取期間，所有站點的設備產生的數據都被收集起來，從AWS IoT Core通過PUT API發送到AWS IoT SiteWise之類的服務器。然后這套系統將創建模型資產，模型資產是物理資產的虛擬表示。

托管服務有助于對整個生產環境進行數字化、情境化和建模，客戶不必維護基礎架構。客戶可以使用豐富的信息建模，來表示復雜的設備層次結構。

事件管理對于檢測復雜工業系統的變化至關重要。企業需要持續監測設備中的數據，以識別狀態、檢測變化，并在出現變化時觸發適當的響應。

不妨看一看工業物聯網參考架構，以后把所有部分串聯起來。

聯網工廠物聯網架構

聯網工廠（CF）的解決方案旨在整合各種能力以轉變生產運營。CF使客戶可以輕松地從舊系統中發掘數據，近乎實時地可視化數據，執行更深入的分析以優化運營，并提高生產力和資產可用性。CF產品的重點是使工業數據收集商品化，并使開發具備可重復性。

AWS IoT Greengrass部署在工廠車間的邊緣，用于收集設備數據以及從工廠服務器提取的其他數據。數據通過IoT Core進入到AWS云，IoT Sitewide有助于構建物理設備模型。

來自諸多工業設施的數據存儲在Amazon S3中，以構建制造數據湖，該數據湖可以進一步加載到Redshift for Datawarehouse中，借由AWS Glue通過ETL管道來處理，并使用Amazon Athena執行即席查詢。最后，企業可以使用QuickSight為業務用戶提供可視化數據。

流數據經過轉換和處理，將輸入返回到產品設備或將運送信息返回到車輛。此外，這套系統中還有機器學習組件，可執行生產預測，并將該數據發布到ERP和PLM系統中以優化生產效率。機器學習會在邊緣執行，以了解設備健康狀況并發出警報，從而縮短停機時間。

培訓員工使用設備和創建模擬物時，添加可視化層很有意義。現在有了AR/VR（增強現實/虛擬現實），添加可視化層就成為可能。這時候，數字孿生也能登臺亮相了。

下面不妨進一步了解數字孿生。

實施數字孿生

數字孿生是物理機器的數字復制品。在數字孿生中，企業可使用AR/VR構建機器的虛擬表示，實現實時數據疊加的可視化。通過結合機器學習，數字孿生有助于查看實時運營和正常數據；企業可以從實際行為（比如執行主動式維護）深入了解情況。數字孿生便于模擬假設分析場景，以確定機器的最佳KPI，并為操作人員提供構建沉浸式教育和培訓，以幫助操作人員處理設備。

數字孿生使用物聯網持續收集實時數據，可以從數字復制品控制機器的運行。它提供了機器實際模型的沉浸式體驗，有助于預警、預測和優化。數字孿生執行下圖所示的以下任務：

使用數字孿生對機器的思維進行建模

如圖所示，數字孿生通過以下方式來管理機器：

監控：數字孿生通過在虛擬世界中復現數字復制品來收集和分析數據。機器遙測數據可以來自云提取的傳感器。工廠車間數據可以提取自基于本地應用程序構建的API包裝器。

分析：要構建數字復制品，企業可以使用流行的AR/VR技術，比如微軟HoloLens、Amazon Sumerian或Oculus。借助在數字復制品上創建數據疊加層，能顯示數據如何從各種傳感器流入，并可以進行進一步的分析。要構建數據可視化和搜索功能，企業可以使用Amazon OpenSearch和Quicksight等工具。數字孿生可以使用基于人工智能的服務，通過語音進行控制。使用機器學習功能，能訓練、調整和部署機器學習模型。

行動：企業獲得數據洞察和預測后，可以將消息發回到運營團隊，以執行所需的行動。企業可以通過為一線工作人員創建自動維護工單來通知操作應用程序。AWS IoT Core可以接收一線的消息，并直接對機器執行操作。如果冷卻風扇運行異常或溫度超出預期，操作人員可以直接從數字孿生停止機器。

下面，不妨以飛機噴氣發動機的數字孿生的參考架構為例，如下圖所示。在這里，企業使用物聯網傳感器實時收集發動機溫度和速度數據，并在數字發動機復制品中顯示數據疊加層，以獲得洞察力，并采取行動。

飛機噴氣發動機的數字孿生架構

如上圖所示，溫度和發動機速度數據從噴氣發動機發送到云端。AWS IoT Analytics執行數據處理操作，以深入了解收集的傳感器數據，并在Amazon QuickSight控制面板中顯示可視化信息。噴氣發動機的當前狀態使用Device Shadow來維護，因此如果傳感器停運，操作人員仍然可以執行模擬。在這里，使用Amazon Sumerian虛擬現實平臺創建了噴氣發動機數字復制品，并部署在Oculus中。使用Amazon Lex AI服務，操作人員可以通過語音或消息來啟動/停止實際的發動機。

結語

在優化生產和縮短運營停機時間方面，工業物聯網將會越來越普及。如何大規模解決IIoT運營問題，如何打造聯網工廠的物聯網架構，將AR/VR技術與物聯網相結合，提供沉浸式體驗，如何借助數字孿生，使用實時數據疊加層，創建物理機器的虛擬復制品，這些問題相信本文都會給讀者一些啟發。