旅途现代制造业与AWS

||评论 (

我的一个工作中最有价值的部分是越来越看不同行业实现改善的新技术,改造业务。制造业,尤其是,一直深深吸引了我的注意力在这方面。当我思考如何亚马逊的全球网络相连的分销网络在过去的十年里改变了,这是难以置信的。从物联网(IOT)人工智能(AI)和任务自动化的互联网预测性维护技术,在这个领域的进步正在创造新的机遇的世界。

但是,这是由这一事实,很多厂商已经存在了几十年或更长的时间复杂化。他们的一些设备的设计之前,互联网甚至存在。如果更换这个设备是不是一种选择,如何做这些厂商开始他们的旅程,以现代制造业?什么样的选择,接受和从哪里开始可以艰巨。

最后,对于采用任何新技术在制造业的理由通常是为了实现一个或多个以下目标:生产出更多,增加安全性,还是提高质量,以及所有以更低的成本。好消息是,最重要的制造商需要与任何这些目标的实现是他们已经有了。它的东西,他们已经因为他们敞开大门的那一刻了,这是否是昨天还是100年前:数据。

数据驱动技术

在某些方面,数据是工厂对人体是什么氧气。氧气是在我们身边,但它不会对我们有什么好,直到我们在呼吸了。然后,我们可以用它来产生能量。更多的能量,我们有,我们就越能做到。制造商在世界各地都坐在他们没有数据的土墩“呼吸”。

诚然,旅程现代制造业开始解锁此数据。能力打入的数据是有“智能”和新技术中获益,如自动化,机器学习(ML),和AI工厂之间的区别,以及那些被过时的工具和系统的阻碍。

这哪里是被困数据?这就是问题所在了许多制造商。很多这样的有价值的数据是坐在地方,很难收集,比较,并采取行动,就像在旧机器,分离系统,电子表格,甚至是纸剪贴板。

在从过去的30多年变化的遗留协议和数据格式的环境中,一个人如何可以比较重要的指标,如生产效率,设备可用性和输出质量,从工厂或不同工厂用地内的不同线路?该数据是停留在发射井。我知道这是因为,在AWS,我们已经帮助数百家制造企业,如Georgia-Pacific公司大众汽车英威达,解决解放的工业数据,以从中提取见解的挑战。

使用正确的工具

那些正在设法现代化自己的工厂或感到不知所措有关的所有不同的投资,他们可以使新技术应该专注于获得的数据制造商。从本地设备,历史数据库,以及物联网传感器,并将其移动到云中收集数据。然后,它可以组织,分析,可视化,并最终用来做更高级的东西,像一个火车模型ML,可以帮助预测何时机械将需要进行维修,从而避免了操作计划外停机时间。虽然听起来谈何容易,有各种各样的解决方案,可以帮助。

让我们来看看旅程现代制造业和一些工具在AWS可以沿途帮助。

资料撷取

一个解决方案,它在AWS变得非常重要,简化了数据的摄取入云AWS物联网SiteWise,托管服务,可以很容易收集,存储,组织和处理来自工业设备大规模监控数据。

图1:AWS的IoT SiteWise处理流程

AWS的IoT SiteWise包括自动化的牢固连接到本地设备,收集和组织的工业设备的数据,并且将数据发送到云中的过程边缘网关的软件。制造商运行流行的第三方工业网关这个网关软件读取使用OPC统一架构(OPC-UA)的数据。这是工业自动化中由开发数据的安全可靠交换的开放的互操作性标准必威体育精装版app官网OPC基金会

通过使用如OPC-UA标准,行业客户对多种类型的工业设备的接口,如SCADA系统,PLC,并在工厂车间历史学家一致的方法。有了这些信息,制造商可以比较机1机2(其可能已经买了相隔15岁),生产线1生产线2条,甚至厂1,厂2。

AWS物联网SiteWise网关软件作为一个预打包的连接器上运行AWS物联网格林格拉斯,其延伸到AWS边缘设备,以便它们可以在本地对它们同时仍然使用进行管理,分析和耐用存储云生成数据起作用。有几百万连接的设备在制造世界收集的重要数据的每一分钟,象环境,处理和从一个特定的机器振动数据。

AWS的IoT SiteWise还提供接口用于从通过MQ遥测传输(MQTT)现代工业应用的消息或应用程序编程接口(API)来收集数据。

数据管理

为了使得数据有用,你必须给它的上下文。随着物联网AWS SiteWise,客户通过增加背景下(如设备类型和设备的位置)收集到的数据,并创建层级的代表关系的工业设备,工艺和设备进行建模。然后,他们定义常见的工业性能指标,如整体设备效率(OEE)和正常运行时间,在使用AWS物联网SiteWise数据的上方内置的数学函数库。

当数据被摄取到云,AWS的IoT SiteWise自动在由客户定义的时间间隔(如“正常运行时间报告每隔一小时”)计算的指标。所有上传的数据和计算指标都存储在一个全面管理的时间序列数据库,该数据库与客户的数据使用和存放情况自动缩放。这种类型的数据存储设计独特,存储和检索与低延迟时间标记的数据,使其显著客户更容易随着时间的推移分析设备的性能。

例如,拜耳作物科学,最大的农业公司在世界之一,不断努力优化收益在他们的农田,减少浪费在他们的生产工厂。他们所面临的这样做的一个主要挑战是让所有他们收集有用,因为它被卡在siloes数据。现在,使用AWS物联网SiteWise跨多个玉米生产工厂,他们能结合并以有意义的方式分析这些数据,就像来衡量他们的机器的OEE近实时识别生产效率低下。

数据可视化

拥有合适的工具来收集,整理,并创建传入的数据指标,而无需编写任何代码创建的时间和精力用于任何开发者节省大量。必威体育精装版app官网但数据和见解聚集还需要方便地共享和工业用户,如工艺工程师和运营商,谁将会使用这些信息来识别和采取纠正措施和过程改进可视化。

从AWS物联网SiteWise控制台内,客户可以创建无代码,在几分钟内完全托管的Web应用程序。在那里,他们可以显示设备的数据,并以近乎实时的计算指标和比较和分析不同的设备或设施的历史业绩。最终用户可以从浏览器通过单点登录(SSO)体验访问Web应用程序的任何网络功能的台式机,平板电脑或手机以及登录他们公司的凭据。客户可以创建一个或多个Web应用程序可以轻松地共享访问到工业数据与任何一支球队在他们的组织中发现异常。这有助于制造商减少浪费,更快地做出决策,并优化其设备性能。

图2:AWS的IoT SiteWise端用户网络应用程序

机器学习和更多

旅途中的现代制造业,下一步是开始使用ML预测性维护。许多制造商依靠人来执行常规诊断税和固定的时间表预防性维护。ML可以提供更可靠的方法来预防性维护。ML模型可以帮助使用传感器数据和优化时间表维护程序预测资产故障的可能性。这种预测性维护有助于降低维护成本,并减少非计划停机时间。

例如,Georgia-Pacific公司使用ML优化纸巾制造。佐治亚 - 太平洋ML模型可以预测,基于父纸巾转换线应该滚如何准确快速运行,避免撕裂,并最大限度地提高产量的同时仍保持最好的质量品质。通过减少纸张破损,Georgia-Pacific公司已经通过数百万美元只是一个生产线增加了利润。和至少有150个,可以从这些优化的流程中获益更多行。

预测性维护要求是在大量数据的训练有素的ML车型。这就是为什么数据摄取和数据管理是采取扩大到ML前的关键第一步。这也是为什么很多企业选择创建数据湖,集中储存库,企业可以在任何规模的将其所有的结构化和非结构化数据。数据湖是ML和AI(人工智能),因为ML和AI茁壮成长大,不同的数据集了强大的基础。

一个重要的工具,我们的许多制造业客户的使用ML,其中包括Georgia-Pacific公司,是亚马逊SageMaker,完全托管服务,从机器学习过程的每个步骤消除繁重的工作,以开发高品质车型。必威体育精装版app官网

概要

制造业的历史,是技术创新的时间表。自工业革命以来,厂商一直在开发的同时降低成本和浪费的新方法,以提高质量,速度,安全性和效率。必威体育精装版app官网现在,制造创新已经转移到云中,这是令人兴奋地看到适用于制造各种规模的客户,并在每一个行业的可能性。

在AWS,我们相信没有哪个厂家应该留下。我们提供了可帮助制造商利用新的技术和商业机会,无论他们是在他们的旅程的路径。我期待着看到我们的制造业客户将未来发展。必威体育精装版app官网

您可以了解更多有关现代制造业AWS物联网SiteWise在我们的网站。

评论

博客评论由Disqus