Производство в масштабе: MongoDB и IIoT

Kate

Administrator
Команда форума

Производство в масштабе: MongoDB и IIoT​

В последние годы мы наблюдаем масштабные изменения в области цифровой трансформации. Как люди, мы все "подключены" к сети — наши умные устройства, умные дома, умные автомобили, умные города и так далее. Мы используем умные устройства из-за удобства, которое они нам предлагают — автоматизируя ежедневные задачи и давая представление о текущих событиях, от давления в шинах автомобиля до того, оставили ли мы плиту включенной перед выходом из дома.

Причины, почему мы используем умные устройства, совпадают с тем, почему предприятия внедряют IoT и IIoT (Industrial IoT) в гораздо больших масштабах — для удобства, понимания, предиктивного обслуживания, автоматизации и повышения эффективности производства. IoT приобретает все большее значение в производстве и проектировании, соединяя тысячи датчиков и действующих устройств в процессах до, во время и после производства. Имплементация IoT в производственные процессы, от сырья до изделия или "умных" продуктов, только началась, и ей суждено превратиться в ключевой дифференциатор для успешных производственных компаний по всей цепочке поставок.

Цифровая трансформация в IIoT сводится к данным, которые лежат в ее основе, а также к тому, как они генерируются, хранятся и анализируются. IIoT требует сбора и обработки информации в огромных объемах в режиме реального или близкого к реальному времени для получения точных и оперативных данных при принятии решений. Производственные помещения постоянно оптимизируются по мере внедрения новых компонентов, датчиков и акторов для улучшения общей эффективности оборудования (OEE), повышения качества и снижения потерь. Практически с каждым новым устройством появляются дополнительные разнообразные сведения, что требует гибкой, высокодоступной и масштабируемой платформы для хранения и анализа этих данных.

Кроме того, с ростом конвергенции IT и OT требуется интегрировать и обрабатывать еще более сложные и разнообразные данные, что еще сильнее усложняет картину. Платформа данных общего назначения MongoDB позволяет производителям хранить датасеты OT/временных рядов в базе вместе с рецептами или цифровыми двойниками для получения полной end-to-end (сквозной) картины в реальном времени от периферии до облака и на мобильных устройствах для анализа и контроля в любое время и в любом месте, онлайн или офлайн.

Подключенная фабричная модель​

Команда Industry Solutions компании MongoDB поставила перед собой задачу продемонстрировать, как легко можно интегрировать MongoDB для решения задач цифровой трансформации IIoT в производстве с помощью гибкой, масштабируемой, прикладной платформы данных.

Используя мелкомасштабную модель умного производственного предприятия от компании Fischertechnik, команда собирает и отправляет данные через MQTT и обрабатывает их в MongoDB Atlas и Realm. Подобно полномасштабной физической фабрике, модель демонстрирует, как легко можно построить сценарии использования IIoT на базе платформы прикладных данных MongoDB для обеспечения и ускорения цифровизации производственных процессов в любой отрасли.

45176c2cde7c657ce57c60868e824c70.jpg

Модель завода работает как основа для использования IIoT. Она состоит из нескольких компонентов — склада, многопроцессной станции и зоны сортировки. Склад — это место, где сырье складывается и хранится, и при поступлении запроса сырье извлекается и перемещается на обработку с помощью передвижного крана. Оттуда изделия сортируются по цветам (например, красный, белый или синий) и отправляются по назначению. Этот процесс охватывает заказ и хранение сырья до заявки и производства конечной продукции. На протяжении всех этапов существуют многочисленные датчики, определяющие тип и цвет товаров, а также такие факторы окружающей среды, как температура и сколько хранится материалов на складе. Камера наблюдения обнаруживает движение и отправляет предупреждения, включая фотографии, через MQTT. Это моделирует широкий спектр данных, которые умная фабрика будет передавать в режиме реального времени для отслеживания, мониторинга и визуализации, оповещений и в качестве исходных данных для алгоритмов машинного обучения.

Фабричная инфраструктура​

Из коробки фабрика поставляется с несколькими дашбордами, подключенными к облаку Fischertechnik, которое устанавливается через интегрированный WLAN-маршрутизатор. Эти дашборды включают в себя:

  • Customer View (Пользовательский профиль): Интерфейс интернет-магазина, где можно заказать продукт, чтобы запустить процесс обработки цепочки поставок.
  • Supplier View (Профиль поставщика): Визуализация и отображение процесса заказа сырья.
  • Production View (Производственный профиль): Визуализация состояния завода, производственного процесса и значений датчиков с камеры и считывателей NFC/RFID.
Чтобы акцентировать внимание и объяснить, как можно использовать MongoDB в этой схеме, команда платформы разработала дополнительные приложения, используя JavaScript, ReactJS и Realm, для интеграции и оптимизации потоков данных и процессов поверх MongoDB. К ним относятся:

  • Портал заказов MongoDB Realm: Веб-приложение на ReactJS для заказа новых продуктов и отслеживания процесса выполнения заказов.
  • Визуализация данных: Визуализация различных типов данных, собранных в MongoDB и визуализированных с помощью MongoDB Charts для наглядности.
  • Приложение для управления оповещениями: Мобильное приложение, использующее MongoDB Realm и Realm Sync для оповещения и управления оповещениями в автономном и онлайн режиме.
Оборудование завода управляется контроллерами TXT, компьютерами на базе Linux, которые используют MQTT для связи между собой, а также с облачными приложениями. В основном существует два типа данных, отправляемых и получаемых через MQTT — команды для запуска действия и потоковая передача данных датчиков событий и временных рядов. Главный контроллер TXT запускает MQTT-брокер и реплицирует выбранные темы на MQTT-брокер HiveMQ в облаке HiveMQ. Оттуда контейнер redpanda kafka собирает потоки данных и вставляет их в MongoDB. Данные, сохраненные в MongoDB, затем визуализируются с помощью MongoDB Charts для получения информации в режиме реального времени.

Заводская компоновка, подключенная к инфраструктуре данных
Заводская компоновка, подключенная к инфраструктуре данных
Портал заказов MongoDB использует Realm Web SDK и бессерверный GraphQL API. GraphQL используется для получения данных из MongoDB Atlas, а веб-SDK - для добавления новых заказов (вставки новых документов) в кластер MongoDB. Когда новый заказ вставляется в базу данных Atlas, выполняется триггер Atlas, который затем отправляет MQTT-сообщение непосредственно на MQTT-брокер HiveMQ, предупреждая фабрику об обработке заказа. Затем брокер HiveMQ реплицирует заказ на фабрику для обработки.

Отправка данных на фабрику
Отправка данных на фабрику
Получать данные с фабрики так же просто. Фабрика предоставляет большое количество оперативной информации, которую можно передавать. Для получения данных используются HiveMQ и Kafka. На фабрике есть MQTT-брокер, который соединен мостом с облачным HiveMQ-брокером. Из брокера HiveMQ Kafka Connect с источником MQTT и sink-коннектором MongoDB данные перемещаются в MongoDB Atlas.

Получение данных с фабрики
Получение данных с фабрики

MongoDB и IIoT​

Цифровизация производства означает взаимосвязь IT и ОТ, смешивание и переплетение данных из обоих доменов и предоставление доступа к людям и алгоритмам для более высокого уровня автоматизации, повышения эффективности и сокращения потерь. Прикладная платформа MongoDB — это платформа данных, оптимизированная для работы с большим количеством и разнообразием информации, с мощным языком запросов для более эффективного принятия решений на основе большого объема данных. Все это легче сказать, чем сделать. Однако Atlas помогает решить эти сложные задачи благодаря своей экосистеме функций, включая:

Аналитика в реальном времени: Поскольку IIoT продолжает стремительно развиваться благодаря бурному росту числа подключенных устройств, каждый день увеличивается объем данных. Atlas легко масштабируется и способен принимать огромные объемы данных от датчиков и событий для обеспечения анализа в режиме реального времени, чтобы улавливать любые критические ситуации или изменения по мере их возникновения.

Динамическая масштабируемость: MongoDB Atlas и Realm обеспечивают автоматическое масштабирование, позволяя вам начинать с малого и динамически адаптировать кластеры по мере увеличения/уменьшения спроса. Особенно если данные датчиков со временем становятся более "холодными", вы можете автоматически выгружать их в объектные хранилища, такие как S3, сохраняя при этом возможность запросов к "горячим" и "холодным" данным через единый API.

Временные ряды: MongoDB 5.0 поддерживает данные временных рядов нативно благодаря оптимизированному хранению с кластеризованными индексами и оптимизированным операторам запросов временных рядов для быстрого анализа тенденций и выявления аномалий. Объединение данных временных рядов с другими структурами данных, таких как модели цифровых двойников, в рамках одной платформы значительно снижает сложность, усилия по разработке и затраты благодаря отсутствию дополнительных технологий, процессов ETL и дублирования информации.

База данных MongoDB также может быть развернута рядом с цехом для сбора и анализа данных, что делает его независимым от облака. Предварительно агрегированные или необработанные данные могут быть легко реплицированы или переданы в общедоступное облако для глобального просмотра по всем предприятиям.

Кроме того, Realm, бессерверный бэкенд на базе MongoDB Atlas, обеспечивает простую интеграцию приложений и систем через API REST / MongoDB Data и GraphQL, а также синхронизацию данных с мобильными устройствами для использования в автономном режиме, например, для решения задач по привлечению рабочей силы.

Atlas, Realm и IIoT
Atlas, Realm и IIoT
IIOT — это захватывающая область, открывающая широкие возможности для роста и инноваций. Для перехода на новый уровень инноваций требуется устойчивая многофункциональная платформа данных, которая снижает степень сложности, повышает эффективность разработчиков и сокращает дублирование, упрощает интеграцию данных, при этом эластично масштабируется в зависимости от спроса.

То, что команда MongoDB сделала, быстро синхронизировав фабрику интеллектуальных моделей с Atlas и Realm и осуществила итерации, является лишь малой частью инноваций, которые могут быть поддержаны нами в рамках производственных сценариев использования. Узнать больше о MongoDB Atlas и Realm, а также о том, как крупные предприятия используют эти решения для своих производственных и IIoT потребностей, можно здесь.

Перевод материала подготовлен для будущих студентов курса "MongoDB". Всех желающих приглашаем на открытый урок «Шардированный реплицированный кластер MongoDB». На занятии обсудим:
- replica set;
- концепцию кворума;
- балансировку;
- выбор ключа шардирования.

 
Сверху