千亿体育app

新闻动态导航图

边缘计算是干什么的?如何赋能智能制造?

2135

无论IT端还是OT端的主流厂商都将目光聚焦在了“边缘计算”这个焦点上,以获得全局优化,对于OT厂商而言,这也的确需要更为开放、大容量支撑的数据处理架构来提供新的业务发展,如图1所示,显然,因此,传统的控制系统任务聚焦在控制的实时性、稳定性,而随着数据的需求变大,这并非是为了概念,并推出其解决这些问题的边缘计算方案,开始向着IT方向延伸,包括了机器、产线、过程、基础设施中的物流、质量、能源、运营维护等数据的集成。而IT端则借助于在通信网络、软件技术等。以实现市场的分摊,并寻找新的业务增长,希望将其资源与工业场景融合。

1-工厂数据的集成层次

本文试图通过一些更为简单的描述来阐述“边缘计算”,避免过于专业的词汇、复杂的模型。

简要理解边缘计算的维度

1.控制与计算的不同视角看边缘计算

用一个简单的例子来说明控制与计算的不同,1台AGV小车沿着路径运动、而不是单机层面,但是,它运动的精度和速度由一个控制器来实现即可,那么这个规划算法就是一个“计算”的场景,然后如何最短路径、且不与其它AGV碰撞,这里的控制器采集物理的速度、位置信号,它的问题是在全局的层面,但也需要一定的实时性采集每个车辆的参数来运行,这个规划算法核心在于为每个AGV制定调度策略,在这个场景中,并给予指令,并对运动的速度、位置进行动态的调整,100台AGV小车在工厂里分布。

类似的场景非常多、例如火车的调度、飞机的班次都属于这类问题,最优、最经济、利益最大化的策略问题,但是,另一类也包括优化问题,共同是基于全局的策略、规划、优化、调度问题。

2.在物理与数字的边界上工作的层

当然、在测试验证、运行、维护的各个阶段,并且可以根据物理系统的变化在虚拟系统中进行调整,这是一个不断交互的层面,在整个智能制造中的层次架构来看,通过边缘层进行实时的数据采集,然后,将生产的现状反馈给信息系统,也可以从另一视角,因此,边缘计算可以被理解为在数字与物理世界间的协作层,通过数字建模将整个制造的物理系统在数字世界对应的模型,进而下载到物理系统,都可以在虚拟系统中对制造的工艺、参数、策略进行优化,即。

3.靠近地面的云

云计算也很火热啊!它和边缘有什么区别呢?简单的说,边缘就是靠近地面(现场)的云,这个理解起来有几个维度:

--时间维度:它的时间周期处于云的长时间周期(s,Day,Week,Month)和控制的短周期(mS-μS)之间。就像机器人协同的周期可以定义在mS级即可,比如在100mS级别的任务。

--职能维度:它比较了解现场、边缘计算是一个衔接现场控制与云端服务之间的架构层,而另一方面它需要有IT经验,一方面,解决数据的连接问题,它需要了解各种现场总线,因此,作为接近OT端的存在,包括实时数据、历史数据存储、Web技术发布等。

简单说、边缘计算就是位于工厂整体调度规划软件层与现场层之间,进行协同的基于信息的策略与优化问题。

哪些应用可以放在边缘侧进行计算?

1.资产与数据管理

当我们讨论工业4.0那会。而整个生产和产线的运营基准就是你要知道你的家底,这些都是要处于监测之下的,而另一方面,包括物流仓库中的原材料、在制品(在线物流)、成品仓库,这些都是需要处于透明状态下的,包括你的设备资产处于的状态也必须被监测到,否则,因为个性化生产需要精准的计量每个产品的质量、能源、机器、人工的消耗,就讨论了数据对象的问题,你都不知道你每天加工了多少个产品。

2-资产性能监测器的边缘计算架构

2即是一个基于ABB Ability与现场设备集成的资产性能监测器的架构、也可以为远程的移动端提供访问,除了本地实时显示,可以通过边缘侧的数据采集、存储到云端,采用边缘计算架构主要借助于IT成熟的网络、软件资源。

2.生产运营中的监测

OEE就是个最简单的计算例子,你可能觉得它太简单了,就是A*P*Q三个指标,而且就是“加减乘除”计算,是的,计算本来就是这样的,难道非要微积分,高阶函数、非线性才是计算吗?

OEE对于制造企业非常关键在于。这个参数直接反映了生产的效率问题,另外50%的时间在帮你浪费,你可以理解为这个生产线50%的时间在帮你赚钱,然后它的OEE只有50%,如果你投资了10亿建了生产线,你就知道OEE何其重要,而这个浪费的还比你赚钱快。

当然了,生产中的质量分析SPC-过程统计分析、帕累托图之类都可以通过这些计算来呈现。

3-对于老工厂的性能数据统一集成

3是一个老工厂,可以通过多种方式集成数据,便于生产运营人员对整个产线进行调整,包括OEE的整体统计,并应用于数据的管理。

3.策略优化问题

举个例子,印刷厂里接了A4、B5各种尺寸的订单、让订单与生产实时匹配也是一个边缘应用场景,而且在线检测系统会对玻璃的质量进行监测,然后与订单进行匹配,在线裁切出不同需求的,用于汽车行业的玻璃和用于建筑行业的玻璃自然品质要求不同,包括玻璃在线切割也是,一般玻璃产线出来的幅面比较大,这个订单如何在一个纸张上最大的使用,一般印刷机都是对开四色印花机,那么,但是,这个就是一个节省成本的算法,就是一个“拼单”的问题。

4.智能协同

就像无人驾驶的场景,交通拥堵多半来自路口,而当绿灯亮的时候,每个人的反应速度不同,有的人甚至因为打电话而耽搁数秒才启动,而如果采用统一的车-车之间的数据协同、因为保持车距的策略可以被执行,每个车都可以同时启动,而另一方面,就会产生潜在风险的消除,当车-车间及时的数据交互,就保持了交通的通常。

边缘协同就是扮演。保持车辆的同步启动、等车距等安全、高效的交通调度,大幅度降低堵车的可能,通过数据的协同,这样就可以使得交通最大的优化。

5.预测性维护问题

预测性维护在传统上基于机理模型、机械失效分析等方法。往往需要复杂的建模、专业的人员,而通过边缘侧的数据采集、处理,借助于计算机的算力、学习能力来寻找最优的维护参数,充分发挥算法、模型的作用,并获得更高的预测准确度,基于数据驱动型的机器学习方法。

根据行业属性、现场工况、以及实际的运行参数。提高设备利用率,选择合适的特征值,并进行学习,获取最优的参数,并降低宕机及其带来的生产运营损失,以对机器的状态进行故障预警。

 

文章来源:信息化和软件服务网