Почему периферийные вычисления так важны для IIoT

Майкл Шульденфрей из OptimalPlus

Изобретение печатной платы (PCB) в 1950-х годах изменило мир автоматизации. До появления печатной платы электронные платы собирались исключительно вручную, что являлось трудоемким процессом, который сильно ограничивал глобальное производство.

Сегодня, - говорит Майкл Шульденфрей, специалист по корпоративным технологиям в OptimalPlus . , промышленность переживает еще один революционный скачок с внедрением контрольно-измерительных приборов в производственный процесс и использованием периферийных вычислений.

Контрольно-измерительная аппаратура производственного процесса включает в себя многочисленные датчики и микроконтроллеры, которые могут незаметно изменять производственные условия в ответ на условия окружающей среды, обнаруживаемые датчиками. Эти датчики производят большие объемы данных, но микроконтроллеры не могут напрямую реагировать на полученные данные.

И датчики, и микроконтроллеры, используемые в производстве контрольно-измерительных приборов, в основном представляют собой небольшие сетевые компьютеры. Датчики отправляют свои данные в центральное место, где они затем анализируются. Эти небольшие автономные компьютеры не контролируются людьми в режиме реального времени и являются частью Интернета вещей (IoT). В частности, в контексте производства это устройства промышленного Интернета вещей (IIoT).

Пример использования IIoT для производственного оборудования

Устройства IIoT используются в любом количестве контекстов для выполнения работы, которую людям было бы сложно - если вообще возможно - выполнять надежно и / или точно каждый раз. Рассмотрим, например, контроль сварных швов. Сварка является неотъемлемой частью многих линий по производству электроники и имеет решающее значение для функциональности и долговечности конечного продукта.

К сожалению, производителей просят выполнять сварные швы на все более мелких компонентах со все более жесткими ограничениями. Чтобы защитить компоненты, сварные швы должны выполняться с минимально возможным нагревом и минимально возможным электрическим зарядом.

Устройства IIoT, которые могут помочь усовершенствовать этот процесс, включают датчики тепла, напряжения и давления, помогающие определить минимальную силу тока, необходимую для выполнения сварного шва в текущих условиях окружающей среды. Камеры IIoT могут также использовать системы визуального контроля сварных швов на основе машинного обучения, чтобы убедиться, что сварные швы удовлетворительны, даже если они слишком малы для человеческого глаза; и это только для начала.

Производственное оборудование может сделать любое производство - не только производство электроники - более точным, с меньшим количеством производственных ошибок и с меньшим количеством задействованных людей. К сожалению, это оборудование непросто, особенно с учетом сложности современной производственной цепочки поставок.

Обеспечение функции производственного оборудования

Команды информационных технологий (ИТ) используют контрольно-измерительные приборы на протяжении десятилетий. Встраивать датчики в программное обеспечение не так дорого, как встраивать их в оборудование. В результате операционные системы, приложения и ИТ-оборудование всех видов полностью завалены датчиками. Из-за этого ИТ-команды боролись с объемом данных, которые они производят, еще до появления современных микрокомпьютеров.

Так много данных, так мало времени

В реальном мире любая инструментальная инфраструктура производит гораздо больше информации, чем может обработать один человек. Невозможно ожидать, что даже большие группы людей будут тщательно анализировать все данные, передаваемые даже скромной ИТ-инфраструктурой. В области ИТ существуют целые дисциплины, предназначенные для того, чтобы сделать данные, передаваемые с помощью ИТ-оборудования, понятными. Технологии и методы варьируются от простых фильтров до сложных методов искусственного интеллекта (AI) и машинного обучения (ML).

До недавнего времени этого было достаточно для большинства ИТ-команд. Информация будет собираться и отправляться в центральное место, числа обрабатываться, и только важные данные пересылаются системным администраторам. Если это заняло несколько секунд или минут, ничего страшного; кратковременное отключение ИТ было в целом приемлемым.

Но по мере того, как организации по всему миру становились все более и более зависимыми от своих ИТ, приемлемое время, необходимое для работы с инструментами, значительно уменьшилось. Для многих организаций приемлемое время реакции сегодня намного ниже того, чего мог бы достичь человек. Таким образом, современные ИТ-системы в наиболее продвинутых организациях используют мощные комплекты искусственного интеллекта и машинного обучения, чтобы их ИТ-инфраструктура реагировала на изменения, сообщаемые данными датчиков, до того, как администраторы даже осознают наличие проблемы.

Современные производители, как можно догадаться, ищут производственные контрольно-измерительные приборы, которые также способны реагировать быстрее, чем человек. Считывание показаний датчиков и сообщение людям о том, что возникла проблема, полезно, но далеко не так полезно, как реагирование на данные датчиков в реальном времени.

ИТ-оборудование и производственное оборудование

Разница между ними в том, что ИТ-инструменты сравнительно просты:они собирают данные об ИТ-инфраструктуре и приложениях с устройств, которые уже являются полностью цифровыми. Производство контрольно-измерительных приборов - более сложная задача. Устройства IIoT, используемые в производстве контрольно-измерительных приборов, собирают данные о физическом мире. Это означает сбор аналоговых данных и преобразование их в цифровые - и это совсем другая игра. Физические датчики необходимо откалибровать, и со временем они изнашиваются. Физические датчики также обычно развертываются в кластерах, чтобы можно было определять кворум.

При измерении кворума используется несколько независимых датчиков, чтобы компенсировать отклонение калибровки или неисправность датчика. Если один датчик в кластере сообщает данные, которые расходятся с данными его партнеров, его можно проигнорировать и / или пометить для повторной калибровки. Это позволяет продолжать производство с заведомо исправными датчиками до тех пор, пока неисправный датчик не будет откалиброван или заменен.

Сложности аналогового считывания в сочетании с острой необходимостью реагирования на данные датчиков в реальном времени создают реальные проблемы для производства контрольно-измерительной аппаратуры.

Не могут ли облачные вычисления все исправить?

ИТ-командам приходилось сталкиваться с множеством различных и сложных вычислительных требований. Одним из примеров решения, разработанного поставщиками ИТ, являются облачные вычисления.

Облачные вычисления и BDCA

Облачные вычисления позволяют организациям одним нажатием кнопки получить доступ к, казалось бы, безграничной ИТ-инфраструктуре. Хотя причины, лежащие в основе облачных вычислений, многочисленны и сложны, возможно, самая важная из них заключается в том, что облачные вычисления позволяют ИТ-командам управлять рабочими нагрузками ИТ без необходимости управлять базовой ИТ-инфраструктурой или поддерживать ее. Эту часть за них берет на себя облачный провайдер.

Облачные вычисления оказались очень полезными для рабочих нагрузок массового анализа данных (BDCA). Существует множество типов рабочих нагрузок BDCA, включая AI, ML, Big Data и другие; все, где собираются большие объемы данных и которые впоследствии необходимо анализировать, является рабочей нагрузкой BDCA. В последние несколько лет облачные вычисления были целью большинства новых проектов BDCA.

Одна из причин, по которой облачные вычисления используются для рабочих нагрузок BDCA, - это концепция облачного разрастания. Облачные рабочие нагрузки, такие как вычислительные рабочие нагрузки, используемые для анализа больших наборов данных, могут быть развернуты только по мере необходимости и в любом требуемом масштабе. Это хорошо подходит для рабочих нагрузок BDCA, потому что большинству рабочих нагрузок BDCA необходимо только проводить анализ по установленному расписанию. Здесь часто используются отчеты на конец месяца.

К сожалению, из-за экономии масштаба традиционные публичные облака располагаются в центре. Это позволяет поставщикам общедоступных облаков размещать свои центры обработки данных в местах с минимальными затратами и просто создавать действительно большие центры обработки данных. Хотя это полезно для рабочих нагрузок BDCA в стиле пакетных заданий, которые выполняются по расписанию, это менее чем полезно для рабочих нагрузок, требующих оперативности в реальном времени.

Чтобы решить эту проблему, были разработаны периферийные вычисления.

Периферийные вычисления

Периферийные вычисления можно рассматривать как облачные вычисления, но в чужом центре обработки данных. Периферийные вычисления развивались, потому что у ИТ-команд были рабочие нагрузки, требующие реагирования с малой задержкой, чего не могли обеспечить традиционные общедоступные облачные вычисления. ИТ-команды были способны создавать такие инфраструктуры, но просто не хотели бремени и хлопот, связанных с этим самостоятельно.

Удовлетворение новых потребностей в данных

После согласования мнений было решено, что для удовлетворения потребностей этих клиентов поставщики общедоступного облака установят серверы в центрах обработки данных соответствующих организаций. Это позволило ИТ-командам этих организаций выполнять рабочие нагрузки в том, что для них выглядело идентично региону, созданному специально для них поставщиком общедоступного облака, но находившемуся в той же локальной сети (LAN), что и остальные их рабочие нагрузки. .

Эти серверы «граничных вычислений» позволяют обрабатывать данные датчиков Интернета вещей и действовать намного быстрее, чем это было бы возможно, если бы эти данные должны были пройти через Интернет в центр обработки данных общедоступного облака, обработать, а затем передать результаты обратно через Интернет. . Периферийные вычисления позволяют использовать ряд новых технологий, в том числе беспилотные автомобили.

Пример использования:данные о беспилотных автомобилях в режиме реального времени

Беспилотные автомобили - отличный пример технологии, в которой ждать данных просто невозможно. Облачные вычисления могут помочь беспилотным автомобилям, собирая информацию с датчиков для всех автомобилей в заданном районе, обрабатывая данные и отправляя этим автомобилям карту, где все и вся находятся в заданном радиусе. Это позволит этим машинам буквально заглядывать за углы, что сделает их еще безопаснее.

Однако даже со скоростью света отправка информации из автомобиля в общедоступное облако и обратно может занять до четверти секунды. Люди могут умереть за четверть секунды, когда задействованы машины. Таким образом, перемещение обработки ближе к автомобилям - скажем, путем размещения соответствующих серверов в нескольких кварталах от того места, где автомобили будут пытаться перемещаться по сложной городской среде - может позволить использовать технологии, которые в противном случае были бы невозможны.

Таким же образом производство может использовать периферийные вычисления для обеспечения необходимого оборудования. Однако, как это обычно бывает, в производстве есть свои изгибы и повороты, которые не только делают периферийные вычисления более критичными для процесса, но и создают различные проблемы, которые необходимо преодолеть.

Зачем использовать периферийные вычисления в производстве?

Общее мнение о важности периферийных вычислений для производственных компаний вращается вокруг необходимости оперативного реагирования в реальном времени. Когда вы пытаетесь свести производственные дефекты к нулю на быстро движущейся производственной линии, полезно иметь возможность использовать кластеры датчиков. Кворум датчика может определить неисправность отдельного датчика, а затем выполнить повторную калибровку. Однако повторную калибровку необходимо проводить очень быстро, чтобы не нарушить производственную линию.

Если для отправки данных датчика через Интернет требуется 100 или 250 миллисекунд, то продукты на линии могут быть потеряны или оборудование может быть повреждено. Но если данные могут обрабатываться локально, что занимает примерно пять миллисекунд, производители могут повторно калибровать датчики в реальном времени и / или изменять настройки производственного оборудования в зависимости от условий окружающей среды.

Перегрузка датчика

Еще одна причина полезности периферийных вычислений, которую не так часто обсуждают, заключается в том, что в производстве контрольно-измерительной аппаратуры может быть неуправляемо большое количество датчиков. Это может не только превысить пропускную способность сети, но также привести к созданию огромного набора данных, который не требуется полностью. Таким образом, полезно просмотреть данные перед пересылкой только на то, что необходимо отправить.

Обычно объемы данных огромны или требуют какой-либо формы фильтрации, когда датчики используются в кворуме для решения проблем с калибровкой или старением. Здесь отдельные датчики могут быть отклонены, если другие близлежащие датчики, участвующие в кворуме, не согласуются с показаниями. Полностью оборудованный завод может содержать миллионы отдельных датчиков, которые в конечном итоге состоят всего из нескольких десятков тысяч кворумов датчиков - потенциально намного больше, чем можно разумно ожидать от локального подключения к Интернету.

В других конфигурациях периферийных вычислений для производства есть некоторые датчики, которые используются только локально. Это может быть связано с тем, что они используются для оперативного реагирования в реальном времени, или потому, что они актуальны только локально, например, как часть решения безопасности.

Контрактное производство

Граничные вычисления также полезны во все более распространенном сценарии контрактных производителей (CM). У CM есть ИТ-решения, независимые от производителей оригинального оборудования (OEM), которые заказывают работу. Однако многие OEM-производители видят преимущества в использовании всей своей цепочки поставок, даже тех ее частей, которые были переданы по контракту.

В этом случае OEM-производители могут внедрить часть своей сети в сеть CM, используя периферийные вычисления. ИТ-отдел OEM-производителя может разместить серверы в сети CM, которые будут подключаться обратно к частному облаку OEM. В сочетании с датчиками IIoT эти серверы граничных вычислений позволят CM достичь поставленных производителем инструментов и целей интеграции цепочки поставок, не затрагивая собственную сеть CM и не требуя радикальных изменений в конструкции сети CM.

Граничные вычисления дают OEM-производителю возможность просматривать всю свою цепочку поставок и производственные операции, используя согласованный интерфейс и интегрированный набор приложений, независимо от того, производятся ли отдельные компоненты на производственных мощностях OEM или CM. Такая единообразие упрощает обучение и поддержку CM, поскольку все используют один и тот же набор инструментов.

Резюме

Облачные вычисления, которые существуют уже более десяти лет, часто продаются как решение всех проблем ИТ. Это не. Облачные вычисления решают множество проблем, но скорость света означает, что гигантские централизованные серверные фермы будут только когда-либо так полезны.

Граничные вычисления служат двум основным целям:извлечение сигнала из шума путем локальной обработки больших объемов данных, которые невозможно отправить через Интернет, и предоставление возможности обрабатывать определенные вещи локально, где и когда задержка является проблемой. И то, и другое полезно для производственных компаний, которые все больше зависят от контрольно-измерительной аппаратуры.

Производство не может ждать, пока свет доберется от точки А до точки Б и обратно. Слишком многое поставлено на карту, и некогда делать ошибки. Периферийные вычисления решают проблемы, с которыми облака не могут справиться, так что пора развиваться или оставаться позади.

Автор этого блога - Майкл Шульденфрей, специалист по корпоративным технологиям OptimalPlus