为物联网设计解决方案架构时，要考虑哪些方面？
作者| Saurabh Shrivastava
翻译 | 布加迪
策划 |武穆
随着互联网连接日益普及，现在有越来越多内存和计算资源很少的小型传感器可以连入互联网。同时，这些传感器连接各种物理实体，比如家用警报器、热传感器和汽车。我们需要收集和分析来自这数百万个联网设备的数据。
比如说，从多个传感器收集的天气数据可用于预测天气，从而用于风能和农业生产。家庭、工厂、油井、医院、汽车和其他无数地方有数十亿个物联网设备，这些设备生成了大量数据，且数据量还在急剧增加，所有这一切都在推动数字化转型。
由于物联网在制造业经常用于处理机器数据和优化生产，工业物联网（IIoT）这个概念随之出现。下面将深入介绍工业物联网的有关内容。
构建工业物联网解决方案
工业客户力求深入了解其工业数据，并实现诸多目标，比如降低能源成本、检测和修复设备问题、发现生产线的低效现象、改进产品质量和提高产量等。这些客户设法获取来自机器和产品生命周期（PLC）系统的操作技术（OT）数据，以便生产线或机器出现故障时进行根本原因分析（RCA）。此外，物联网可实时了解机械的微停运，在不影响产品质量的情况下提高产量。
构建和维护由多个来源、站点或工厂收集和组织的数据的系统困难重重。企业需要一致地呈现所有资产，以便用户能轻松共享这些资产，用于在工厂和公司层面构建应用程序。
现实却是，很多工厂使用本地服务器收集和组织的数据，被存放到一个工厂。由于缺乏开放、可访问的数据，大多数本地收集的数据从未分析就被丢弃。
要解决这个问题，最佳的操作是从工业设施中常见的数据库提取数据，传输到数据中心或云端的集中式存储系统，并确保其结构易于被用户和应用程序搜索。企业可以从这些数据获得常见的工业性能指标，比如整体设备效率（OEE），从而监测多个工业设施的运营，并构建应用程序以分析工业设备数据，防止会带来高昂代价的设备问题，并减少生产方面的缺口。若想设计工业物联网架构，企业可从以下方面入手：
从工业设备、数据服务器和历史数据库提取数据。
大规模收集、组织和分析工业数据。
使用工业协议和标准（比如OPC-UA、Modbus和EtherNet/IP），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，即使暂时断开互联网连接也是如此。
使用资产数据创建本地或云应用程序，以优化工厂产出质量、最大限度地提高资产利用率，并识别设备维护问题。
为了满足对工业物联网日益增长的需求，AWS等云提供商提供了AWS IoT SiteWise之类的托管服务，这类服务可以使用本地网关从工厂车间收集数据，对数据进行结构化和标记，并生成实时KPI和指标，以帮助做出更好的数据驱动决策。
在数据提取期间，所有站点的设备产生的数据都被收集起来，从AWS IoT Core通过PUT API发送到AWS IoT SiteWise之类的服务器。然后这套系统将创建模型资产，模型资产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，客户不必维护基础架构。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的变化至关重要。企业需要持续监测设备中的数据，以识别状态、检测变化，并在出现变化时触发适当的响应。
不妨看一看工业物联网参考架构，以后把所有部分串联起来。
联网工厂物联网架构
联网工厂（CF）的解决方案旨在整合各种能力以转变生产运营。CF使客户可以轻松地从旧系统中发掘数据，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产品的重点是使工业数据收集商品化，并使开发具备可重复性。不妨看一看下图，它表明了用于在AWS云平台上实施联网工厂解决方案的物联网架构。
图 1：AWS云中的联网工厂架构
如上图所示，AWS IoT Greengrass部署在工厂车间的边缘，用于收集设备数据以及从工厂服务器提取的其他数据。数据通过IoT Core进入到AWS云，IoT Sitewide有助于构建物理设备模型。
来自诸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，借由AWS Glue通过ETL管道来处理，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，将输入返回到产品设备或将运送信息返回到车辆。此外，这套系统中还有机器学习组件，可执行生产预测，并将该数据发布到ERP和PLM系统中以优化生产效率。机器学习会在边缘执行，以了解设备健康状况并发出警报，从而缩短停机时间。
培训员工使用设备和创建模拟物时，添加可视化层很有意义。现在有了AR/VR（增强现实/虚拟现实），添加可视化层就成为可能。这时候，数字孪生也能登台亮相了。
下面不妨进一步了解数字孪生。
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，企业可使用AR/VR构建机器的虚拟表示，实现实时数据叠加的可视化。通过结合机器学习，数字孪生有助于查看实时运营和正常数据；企业可以从实际行为（比如执行主动式维护）深入了解情况。数字孪生便于模拟假设分析场景，以确定机器的最佳KPI，并为操作人员提供构建沉浸式教育和培训，以帮助操作人员处理设备。
数字孪生使用物联网持续收集实时数据，可以从数字复制品控制机器的运行。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。数字孪生执行下图所示的以下任务：
图 2：使用数字孪生对机器的思维进行建模
如图所示，数字孪生通过以下方式来管理机器：
监控：数字孪生通过在虚拟世界中复现数字复制品来收集和分析数据。机器遥测数据可以来自云提取的传感器。工厂车间数据可以提取自基于本地应用程序构建的API包装器。
分析：要构建数字复制品，企业可以使用流行的AR/VR技术，比如微软HoloLens、Amazon Sumerian或Oculus。借助在数字复制品上创建数据叠加层，能显示数据如何从各种传感器流入，并可以进行进一步的分析。要构建数据可视化和搜索功能，企业可以使用Amazon OpenSearch和Quicksight等工具。数字孪生可以使用基于人工智能的服务，通过语音进行控制。使用机器学习功能，能训练、调整和部署机器学习模型。
行动：企业获得数据洞察和预测后，可以将消息发回到运营团队，以执行所需的行动。企业可以通过为一线工作人员创建自动维护工单来通知操作应用程序。AWS IoT Core可以接收一线的消息，并直接对机器执行操作。如果冷却风扇运行异常或温度超出预期，操作人员可以直接从数字孪生停止机器。
下面，不妨以飞机喷气发动机的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，并在数字发动机复制品中显示数据叠加层，以获得洞察力，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，温度和发动机速度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控制面板中显示可视化信息。喷气发动机的当前状态使用Device Shadow来维护，因此如果传感器停运，操作人员仍然可以执行模拟。在这里，使用Amazon Sumerian虚拟现实平台创建了喷气发动机数字复制品，并部署在Oculus中。使用Amazon Lex AI服务，操作人员可以通过语音或消息来启动/停止实际的发动机。
结语
在优化生产和缩短运营停机时间方面，工业物联网将会越来越普及。如何大规模解决IIoT运营问题，如何打造联网工厂的物联网架构，将AR/VR技术与物联网相结合，提供沉浸式体验，如何借助数字孪生，使用实时数据叠加层，创建物理机器的虚拟复制品，这些问题相信本文都会给读者一些启发。