Автоматические цифровые двойники, машинное обучение без очистки данных и многое другое.

В предыдущей статье я сравнил архитектуру IIOT с конференц-залом, где все присутствуют и обмениваются идеями в режиме реального времени, используя один и тот же язык. Одним из языков, которые можно использовать для этой цели, является SparkplugB. Ранее AWS был единственным поставщиком облачных услуг, который мог говорить на этом языке, но ситуация изменилась в сентябре 2022 года, когда Azure анонсировала IOT Bridge для Azure. . См. статью ниже:
Новости о продукте: IoT Bridge от Cirrus Link для подключения данных OT к Microsoft Azure | Умная индустрия

Последствия этого огромны.

Теперь Azure может развернуть цифрового двойника за полчаса и сразу же создать модели машинного обучения без необходимости очистки или стандартизации данных. То, что раньше занимало месяцы, теперь может занять недели. Как это возможно?

Inductive Automation, компания, создавшая популярного брокера MQTT (Ignition), создала IOT Bridge для Azure, который может использоваться Azure для автоматического использования всех действующих моделей данных. в пространстве имен брокера. Позвольте мне немного разобрать это, определив, что такое модель данных, как она выглядит в Ignition и как она используется Azure.

Что такое модели данных?

Модель данных в этом контексте — это шаблон данных, представляющий физический актив. Метаданные, такие как единица измерения, могут быть определены в шаблоне. Например, вот как может выглядеть модель данных для двигателя:

Модель двигателя

  • об/мин
  • Температура
  • Напряжение

Для любого из параметров ex-Voltage в этой модели данных может быть определена единица измерения (Вольт).

В Ignition это проявляется в форме пользовательского шаблона (UDT). Смотрите скриншоты из моего экземпляра Ignition ниже:

Любые теги в данных брокера ex — IOT можно легко сопоставить с этими моделями данных в Ignition.

Как эти модели данных используются Azure?

Здесь на помощь приходит Мост IOT для Azure. По сути, это виртуальная машина с определенными конфигурациями, которая создает соединение между брокером Ignition MQTT и Цифровой двойник Azure. Данные Azure Digital Twin могут храниться в мощной базе данных временных рядов Azure, Azure Data Explorer.

Вот архитектура:

Конфигурация этой архитектуры проста. Развертывание всех частей в Azure занимает 30–45 минут. После завершения вы сможете увидеть, как все ваши модели ресурсов отображаются в Azure Digital Twin. Вот несколько скриншотов экземпляра, который я раскрутил:

На втором снимке экрана показаны данные одного из конвейеров, которые я настроил с помощью модели данных конвейера. Для переноса этих данных с контекстом в Azure не требовалось конвейеров очистки или преобразования данных. Это чрезвычайно увлекательно!

На следующем этапе архитектуры данные из цифрового двойника сохраняются в Azure Data Explorer, и их можно запрашивать с помощью языка запросов Kusto:

Опять же, вне зависимости от источника этих данных — SAP ERP, ПЛК Siemens S7–1200 или даже Arduino — все данные форматируются одинаково и готовы к анализу. Заинтересованы в профилактическом обслуживании? Azure Data Explorer имеет встроенный запрос обнаружения аномалий среди многих других решений.

Во многих ситуациях предприятиям требуется, чтобы результат модели машинного обучения был отправлен обратно в приложения на заводе для выполнения таких функций, как подача сигналов тревоги SCADA или выдача рабочего задания из системы управления техническим обслуживанием. Это возможно в Azure. Функцию Azure можно создать для запроса Azure Data Explorer и отправки результата запроса брокеру. (В идеале размещается в облаке, чтобы соответствовать модели промышленной кибербезопасности Purdue). Если модель машинного обучения построена с использованием такого приложения, как Машинное обучение Azure, модель можно развернуть как веб-службу в Azure IOT Edge, на которую брокер может отправлять запросы, чтобы получить результат модели машинного обучения.

Подразумеваемое

Вот некоторые из возможностей, которые может открыть эта архитектура:

  • Устранение необходимости в конвейерах обработки данных.Для очистки промышленных данных многие облачные решения используют архитектуру хранилища данных (например, архитектуру Kimball). Это включает сброс данных в озеро данных, а затем создание конвейеров для очистки и преобразования данных, прежде чем они будут готовы для анализа. Это пакетный процесс, что означает, что данные никогда не доступны в режиме реального времени. В этой архитектуре модель данных автоматически обнаруживается в Azure и сразу же готова к анализу без необходимости обработки данных!
  • Решения для создания отчетов можно предоставлять быстрее: Azure Data Explorer имеет встроенную интеграцию с PowerBI, феноменальной платформой визуализации, предлагаемой Azure. Это может привести к более быстрой разработке решений для отчетности, поскольку очистка данных не требуется. Это также позволит сообщать данные почти в реальном времени.
  • Решения для машинного обучения могут предоставляться быстрее.Помимо возможностей обнаружения аномалий Azure Data Explorer предлагает подключаемые модули для кластеризации, обнаружения сезонности и алгоритмов регрессии. Он также обеспечивает встроенную интеграцию с Azure Machine Learning, облачной платформой Microsoft для создания, развертывания и управления моделями машинного обучения. Эта интеграция позволяет пользователям использовать богатый набор алгоритмов и моделей для создания прогностических моделей, проведения анализа настроений и выполнения других задач машинного обучения.
  • Поддерживайте архитектуру, в которой модель данных определяется на периферии.В очень многих облачных решениях модель данных определяется в облаке. Это позор, потому что на заводе/шахте так много приложений, которые не могут использовать эту модель данных, например, ERP, MES, SCADA, архивы и т. д. Вместо этого каждое из них создает свою собственную модель данных, что приводит к тому, что данные определяются по-разному в разных приложениях. Приложения. Если приложение становится избыточным и его необходимо заменить, усилия по созданию модели данных необходимо начинать заново (это может занять месяцы). В этой архитектуре модель данных определяется на границе (брокер MQTT), а не в облаке. Azure — это всего лишь узел в экосистеме, и при необходимости его можно легко заменить. Компания не оказывается в ловушке с PowerBI на случай, если появится что-то лучшее.

С помощью IOT Bridge для Azure компания Azure продемонстрировала возможность развертывания цифрового двойника менее чем за час и создания алгоритмов машинного обучения и визуализаций без очистки данных. Это значительно сокращает время на понимание, и я рад видеть, что отрасли делают с этой архитектурой.