发布于: Jul 22, 2022
打造智能工厂是很多的制造企业数字化转型的目标，企业利用机器学习，计算机视觉和机器人等技术提升制造自动化程度
打造智能工厂是很多的制造企业数字化转型的目标，企业利用机器学习，计算机视觉和机器人等技术提升制造自动化程度，智能工厂便是在制造数字化的基础上，整合信息技术（IT）和运营技术（OT），利用物联网，AI，机器学习等技术进行实时收集、连接、分析和推断企业数据。这些数据可以通过各种应用实现可操作性，这些数据还可用于有效衡量某条生产线或工厂的性能，与组织中的其他生产线或全球基准进行比较，以提高生产过程可控性、减少生产线人工干预，优化计划排程，并在性能、质量和安全方面进行持续的优化。
然而大部分制造企业的数字化和智能工厂转型道路并不是一帆风顺，在这个进程中他们都会面临着各种各样的问题，这其中包括了很多产线设备数据因网络，协议等问题没有被很好的收集；海量的运营数据因本地存储限制而被丢弃，没有被很好的利用；企业紧缺的 IT 人才被繁琐的系统维护花费了大量的精力，而没有时间投入到能为生产制造带来价值的创新和优化上。近些年云计算、物联网、大数据、人工智能等技术正在从各个方面改变我们的生活，同时这些技术也可以为制造企业的数字化转型扫清很多技术障碍，为智能工厂提供技术保障。本文将介绍 Amazon Web Services 如何利用这些技术为智能工厂提供解决方案并展示如何利用物理网技术将产线数据上云，如何利用边缘计算技术实时控制设备。
要让数据驱动我们向智能制造的转型，就需要数字化和智能工厂平台让数据真正流动起来，这里我们介绍 Amazon Web Services 的智能工厂的解决方案如何让工业数据流动起来，下图我们给出一个端，边，云的智能工厂参考架构。
在左边的工厂站点“端”侧是底层的工业设备和 PLC 控制器，这是数据的源头，这些源头数据我们可以通过协议转换将特定的工业协议转换为物联网通用的协议。在工厂侧的小数据中心我们称“边缘“侧，这里可以部署边缘网关负责数据的收集和预处理工作，预处理后的数据通过专线或者互联网发送到“云端”，并且作为实时的热数据存储起来，对于这些实时数据一方面给到操作 KPI 仪表板展示给工厂经理和主管，同时对于一些异常数据比如温度过高，震动异常等数据需要立即触发报警管理系统。另外这些热数据也会最终流入数据湖中作为温数据或者冷数据存储起来，用于机器学习和大数据分析或者构建数据仓库的数据源。数据湖除了具有各种类型和体量数据的存储能力之外，还要具有灵活的数据访问能力，以便于为数据工程师和科学家提供训练机器学习模型的能力。同时也为工厂经理企业决策者提供业务智能报表的能力。对于工厂生产工艺或者业务经理人员，也可以利用自助服务即可访问数据湖的数据做相应的业务分析。对于企业的 IT 数据例如 ERP，CRM 等可以通过远端的服务调用访问相应的数据做 OT 和 IT 的融合。
在这个参考架构的每一部分 Amazon Web Services 都提供了相应的服务来帮助企业快速构建自己的智能工厂平台，如下图所示，在工厂本地端和边缘侧，Amazon Web Services 提供的 Amazon Web Services IoT Greengrass 服务可以帮助做边缘数据的收集，预处理工作；在云端，Amazon Web Services 也提供了各种的服务来满足不同业务的需求，比如使用 IoT 服务做工业数据的入口，使用 Amazon S3 做数据湖的载体，使用 Amazon SageMaker 服务做机器学习的训练等等。在后边的章节中将展示如何利用 Amazon Web Services 的合作伙伴研华的硬件设备来实际搭建智能工厂的演示环境。
相关文章