介绍随着互联网连接的日益普及，越来越多的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。我们需要从这些数以百万计的连接设备中收集和分析数据。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的天气。家庭、工厂、油井、医院、汽车和无数其他地方的数十亿物联网设备正在产生大量且快速增长的数据，所有这些都在推动数字化转型。工业物联网(IIoT)的概念应运而生，因为物联网通常用于制造业以处理机器数据和优化生产。下面就工业物联网的相关内容进行深入介绍。构建工业物联网解决方案工业客户寻求深入了解他们的工业数据并实现诸如降低能源成本、检测和修复设备问题、发现生产线效率低下、提高产品质量和增加吞吐量等目标。这些客户寻求从机器和产品生命周期(PLC)系统中获取操作技术(OT)数据，以便在生产线或机器发生故障时进行根本原因分析(RCA)。此外，物联网提供对机械微中断的实时可见性，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可能很困难。企业需要所有资产的一致表示，以便用户可以轻松共享它们以在工厂和公司级别构建应用程序。现实情况是，许多工厂使用本地服务器来收集和整理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从未被分析和丢弃。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，传输到数据中心或云端的集中存储系统，并确保其结构易于用户和应用程序搜索。组织可以从这些数据中得出通用的工业性能指标，例如整体设备效率(OEE)，以监控多个工业设施的运行，并构建应用程序来分析工业设备数据，防止代价高昂的设备问题，并减少生产差距。要设计IIoT架构，公司可以从以下方面着手：?从工业设备、数据服务器和历史数据库中提取数据。?大规模收集、组织和分析工业数据。?使用OPC-UA、Modbus和EtherNet/IP等工业协议和标准从现场设备读取数据。?创建物理资产的可视化表示、处理设备数据流并计算工业性能指标。?访问本地仪表板以查看实时和历史设备数据，即使暂时断开与互联网的连接。?使用资产数据创建本地或云应用程序以优化工厂输出质量、最大化资产利用率并识别设备维护问题。为了满足对工业物联网不断增长的需求，AWS等云提供商提供了AWSIoTSiteWise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和指标帮助做出更好的数据驱动决策。在数据摄取期间，所有站点的设备生成的数据被收集并通过PUTAPI从AWSIoTCore发送到服务器，例如AWSIoTSiteWise。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建模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。组织需要持续监控来自设备的数据，以识别状态、检测变化并在发生变化时触发适当的响应。查看工业物联网参考架构，稍后连接所有部分。互联工厂IoT架构互联工厂(CF)解决方案旨在集成功能以转变制造运营。CF使客户能够轻松地从遗留系统中挖掘数据，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产品专注于将工业数据收集商品化并使开发具有可重复性。AWSIoTGreengrass部署在工厂车间的边缘，用于收集设备数据和从工厂服务器提取的其他数据。数据通过IoTCore进入AWS云，IoTSitewide帮助构建物理设备模型。来自许多工业设施的数据存储在AmazonS3中以构建制造数据湖，这些数据可以进一步加载到RedshiftforDatawarehouse中，使用AWSGlue通过ETL管道进行处理，并使用AmazonAthena执行临时查询。最后，企业可以使用QuickSight为企业用户可视化数据。流式数据经过转换和处理以将输入返回到生产设备或将运输信息返回到车辆。此外，该系统还有一个机器学习组件，可以执行生产预测并将此数据发布到ERP和PLM系统以优化生产效率。机器学习在边缘执行，以了解设备运行状况并发出警报，从而减少停机时间。在培训员工使用设备和创建模型时，添加可视化层很有意义。现在有了AR/VR（增强现实/虚拟现实），添加视觉层成为可能。这时候，数字孪生体也可以登场了。在下面了解有关数字孪生的更多信息。实施数字孪生数字孪生是物理机器的数字副本。在数字孪生中，企业可以使用AR/VR构建机器的虚拟表示，从而实现实时数据叠加的可视化。结合机器学习，数字孪生有助于查看实时运营和健康数据；企业可以从实际行为中获得洞察力，例如执行主动维护。数字孪生有助于模拟假设场景以确定机器的最佳KPI，并为操作员提供沉浸式教育和培训以帮助操作员处理设备。数字孪生使用物联网不断收集实时数据，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沉浸式体验，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：使用数字孪生对机器的思维进行建模以收集和分析数据。机器遥测数据可以来自从云端提取的传感器。工厂车间数据可以从构建在本机应用程序之上的API包装器中提取。?分析：要构建数字复制品，企业可以使用流行的增强现实/虚拟现实技术，例如MicrosoftHoloLens、AmazonSumerian或Oculus。通过在数字复制品之上创建数据覆盖，可以显示数据如何从各种传感器流入并可以进一步分析。要构建数据可视化和搜索功能，企业可以使用AmazonOpenSearch和Quicksight等工具。可以使用基于人工智能的服务通过语音控制数字孪生。使用机器学习功能，您可以训练、调整和部署机器学习模型。?行动：一旦企业有了数据见解和预测，就可以将消息发送回运营团队以执行所需的行动。企业可以通过为一线员工创建自动维护工作单来通知运营应用程序。AWSIoTCore可以从前线接收消息并直接在机器上执行操作。如果冷却风扇运行异常或温度高于预期，操作员可以直接从数字孪生中停止机器。下面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，企业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，以获得洞察力并采取行动。飞机喷气发动机的数字孪生架构如上图所示，温度和发动机速度数据从喷气发动机发送到云端。AWSIoTAnalytics执行数据处理操作以深入了解收集的传感器数据，并在AmazonQuickSight控制面板中呈现可视化效果。喷气发动机的当前状态是使用DeviceShadow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。在这里，喷气发动机的数字复制品是使用AmazonSumerian虚拟现实平台创建的，并部署在Oculus中。使用AmazonLexAI服务，操作员可以通过语音或消息来启动/停止实际引擎。结论在优化生产和减少运营停机时间方面，工业物联网将变得越来越流行。如何大规模解决IIoT运营问题，如何为互联工厂创建物联网架构，将AR/VR技术与物联网相结合以提供身临其境的体验，以及如何使用数字孪生通过实时数据创建物理机器的虚拟副本overlays相信这些问题会给读者一些启发。参考链接：https://dzone.com/articles/the-internet-of-things-in-solutions-architecture
