В нашем последнем сообщении в блоге мы сосредоточились на цифровой трансформации в обрабатывающей промышленности, поделившись своими первоначальными мыслями о микрооптимизации и MTL; сокращенно от Mesh Twin Learning, нашей собственной концепции, позволяющей техническую реализацию различных механизмов автоматизации на производственных линиях.

Эта концепция решает большинство общих проблем, с которыми организации сталкиваются при трансформации Индустрии 4.0, такие как сложность, пробелы в стандартизации или неспособность извлечь выгоду из более широкого диапазона решения. Он имеет множество применений в производственном секторе (но не только), поэтому мы будем больше демонстрировать его на Умном производстве! в Берлине 1 октября.

На этот раз мы хотели бы сделать еще один шаг и погрузиться в концепцию MTL с точки зрения реализации - в отличие от чисто технической - по двум причинам. Во-первых, необходимо лучше понять общую концепцию и конкурентные преимущества, которые дает такая реализация, но мы также хотим обсудить возможные варианты использования, которые намного более продвинуты и расширяемы за пределами исходной вертикали производственной отрасли.

Решение MTL было изобретено мной и моим другом Мацеем Мазуром - мы оба являемся архитекторами решений, у каждого из которых есть свой собственный опыт.

Мацей - наш главный специалист по данным - имеет большой опыт работы в области телекоммуникаций, промышленности и науки о данных (сюрприз!). Он также всегда много работал над крупномасштабными проектами, включая множество передовых решений, основанных на огромных объемах данных.

Я, однако, вырос на несколько ином основании, где современные технологии - особенно связанные с облаком, сетями и высокопроизводительными решениями - используются для создания передовых систем в сфере FinTech и электронной коммерции.

У нас есть несколько общих черт, но две из них наиболее важны для этой истории:

  1. Нам обоим нравится решать реальные проблемы, используя лучшие из возможных технологий - даже если это означает, что мы должны вывести последнюю за пределы ее нынешних ограничений.
  2. Мы всегда ищем способы объединить наши знания и опыт для разработки решений, способных продвинуть мир вперед.

Имея это в виду, некоторое время назад во время утреннего кофе мы впервые начали анализировать один из самых свежих кейсов, которые до нас дошли. Производственная компания хотела отслеживать все свои активы, процессы и логистику на складе и на производственных линиях. На рынке было несколько решений, но ни одно из них не могло удовлетворить всем этим требованиям. Таким образом, нам пришлось разработать что-то, что объединяет удары, отсутствующие в других продуктах.

Излишне говорить, что все прошло хорошо (мы бы не говорили об этом, если бы это было не так!), Клиент остался доволен, а решение было стабильным. Однако, хотя это служило первоначальной цели, для нас этого было недостаточно ...

Наша первая мысль заключалась в том, что с современными технологиями, доступными на рынке, которые мы используем в повседневных проектах, должен быть способ получить от них больше - не в последнюю очередь с точки зрения масштаба, даже если мы не думая о крупнейших мировых игроках. Так мы пришли к концепции Mesh Twin Learning, которую мы хотим описать шаг за шагом.

Однако, прежде чем мы перейдем к подробному описанию технической архитектуры MTL, важно начать с нуля - другими словами, с фундаментальных знаний о технологиях, которые мы использовали, чтобы сделать эту концепцию настолько эффективной, уникальной и особенной.

Итак, прежде всего, давайте быстро рассмотрим определения технологии и терминов, которые мы будем использовать позже:

  • Облако - большая сеть взаимосвязанных центров обработки данных, которые работают как единая экосистема, предоставляя необходимые ресурсы, вычислительные мощности и услуги для запуска приложений или доставки контента конечным пользователям.
  • Пограничные вычисления - тип системной архитектуры, в которой возможности хранения данных и вычислений перемещены в периферийные местоположения. Это поддерживается специализированными устройствами, подключенными к глобальной сети, что позволяет выполнять распределенные вычисления с немедленным доступом к результатам и беспрепятственной связью с облачными ресурсами.
  • Цифровые двойники - виртуализированная копия физического устройства, компонента или живого объекта, которая представляет свое состояние в виде серии параметров, которые постоянно отслеживаются и обновляются во времени. Это позволяет оцифровать все, от процессов, систем и мест до людей. Цифровые двойники обеспечивают расширенное моделирование, лучший мониторинг и более эффективное принятие решений в отношении состояния распределенной системы.
  • Машинное обучение - концепция, которая позволяет автоматически учиться и совершенствоваться на основе опыта в приложениях. Он использует доступные данные без явной реализации в виде набора статических поведений.
  • Наука о данных - набор научных методов и приемов, направленных на извлечение знаний из окружающей среды, а также на использование структурированных и неструктурированных данных из всех доступных источников для поддержки всех процессов, ориентированных на решения, прогнозы или бизнес. управление.
  • Сетка - подход к построению, масштабированию и эксплуатации распределенных экосистем. Основное внимание уделяется безопасности, возможности подключения и надежности разработанной архитектуры, чтобы ограничить потребность в совместном использовании всех активов, вместо этого вводя кросс-функциональные возможности различных частей системы.

Теперь, когда у нас есть эти основные определения, вы, вероятно, думаете: «Какого черта? Я уже знал это, так где же прячется Mesh Twin Learning? У них ничего нет! "

Что ж, как всегда, лучшее еще впереди!

Каждая из этих технологий сама по себе дает множество преимуществ, и обычно они подключаются только как отдельные системы, которые передают друг другу метаданные.

Попробуйте представить себе следующий сценарий: вы хотите внедрить систему, способную собирать всю доступную информацию от каждого датчика, встроенного в линию по производству шин. Эти данные следует использовать и использовать для отслеживания процесса, например для определения скорости, предупреждений о проблемах и т. Д. Поначалу это кажется простым, поскольку мы можем брать данные с датчиков и через шлюзы Интернета вещей передавать их в облако, где технология больших данных будет работать на нас, чтобы визуализировать все, что нам нужно. По окончании всего этого менеджер будет проинформирован о ходе производства.

Хотя это звучит здорово, обычно нам приходится решать две основные проблемы:

  1. Как правило, фабрика часто не имеет стабильных высокопроизводительных сетевых подключений, которые могли бы обрабатывать объем данных, которые необходимо передать. Одна машина на заводе может иметь несколько датчиков, каждый из которых может генерировать несколько потоков данных. Однако, если бы мы объединили их все, мы могли бы получить от 100 до 200 параметров для каждого производственного гнезда. И хотя на коротких линиях может быть около 20 гнезд, что-то вроде линии сборки автомобилей может иметь более 80 - это очень много!
  • Гибкая автоматизация. У каждого датчика, с которого мы хотим считывать данные, есть свои стандарты связи, форматирования данных и т. Д. Для работы с ними требуется огромное количество устройств Интернета вещей, и каждое из них необходимо настраивать. С другой стороны, у нас также есть люди-операторы, наблюдающие за производственными линиями и принимающие меры на основе отдельных параметров. Даже с лучшими панелями мониторинга и отчетами он или она всегда будет ограничен в принятии решений на основе огромного количества информации, передаваемой через все эти чтения. В результате совершенно очевидно, что такие реакции могут быть вызваны только для наиболее очевидных и четко известных предупреждений с потенциалом реальных улучшений и экспериментов, которые проходят незамеченными.

Эти проблемы применимы не только к промышленным помещениям. Фактически, мы сталкиваемся с ними в повседневной жизни - например, при подключении к сети в автомобилях, умном городском автомобилестроении, логистике и многом другом. Обладая всей мощью облачных систем и значительными улучшениями в области науки о данных, мы должны были ответить только на один-единственный вопрос: как заставить технологию служить нашей цели, не жертвуя преимуществами?

Интеллектуальное подключение для лучшего будущего

Концепция Mesh Twin Learning фокусируется на двух критических проблемах, о которых мы упоминали в предыдущем абзаце: возможности подключения и гибкая автоматизация. Давайте пройдемся сверху вниз и посмотрим, как построено решение, а также насколько оно отвечает потребностям современного мира.

С точки зрения архитектуры высокого уровня (представленной на рисунке 1 ниже) мы можем четко выделить три основные части решения, в которых реализуются важные шаблоны и происходит обработка: пограничные устройства, облачная инфраструктура и модели машинного обучения. Хотя приведенная ниже архитектура была подготовлена ​​на основе сервисов AWS, сама концепция может быть реализована в рамках любого поставщика общедоступного облака, такого как GCP или Azure.

На приведенной выше диаграмме показано упрощенное решение, подключенное к заводским производственным линиям (помогающее решить проблему визуализации, о которой мы говорили ранее). Чтобы предоставить дополнительные пояснительные детали:

  • Производственные участки на каждом заводе интегрированы с выделенными периферийными устройствами - они соответствуют стандартам промышленного Интернета вещей (IIoT).
  • На каждом устройстве работает несколько служб, связанных с данными и машинным обучением, и все это под контролем операционной системы реального времени.
  • Данные, собранные с этих машин, передаются в облако с использованием управляемых сервисов и безопасных протоколов (сертификаты, VPN-соединения и т. Д.)
  • Эта облачная часть в основном отвечает за:
  • Виртуализация состояния машин (все параметры) через ферму цифровых близнецов (Device Shadows Farm)
  • Наполнение аналитического механизма, который на самом деле является озером данных для механизма машинного обучения.
  • Все связано таким образом, что информация передается туда и обратно в режиме, близком к реальному, включая службы обновления и модели, развернутые на периферийных устройствах, - и все это посредством обновлений по беспроводной сети.
  • Мы можем подключить любое количество периферийных устройств к облачной инфраструктуре и оцифровать неограниченное количество процессов и физических устройств.

На первый взгляд, это не сильно отличается от решений, имеющихся на рынке. Давайте копнем еще немного и попытаемся понять преимущества дизайна Mesh Twin Learning, а также то, где скрыты все ключевые сильные стороны (а также различия по сравнению с другими).

Сетки, сетки повсюду

Как вы уже знаете из предыдущего определения, мы можем называть что-то сеткой, когда имеем дело с вещами, которые хорошо работают вместе общим способом. Если мы расширим эту концепцию в направлении сервисных сетей, где мы создадим специальный уровень, обеспечивающий безопасную, быструю и надежную связь между различными сервисами или устройствами, мы сможем решить большинство проблем, исходящих от автоматизированных устройств и периферийных устройств. вычислительное пространство.

Обычно машины, с которыми мы имеем дело в процессе автоматизации, имеют разный возраст и стандарты, что сразу повышает сложность окончательного решения. В то же время на крупном предприятии мы говорим о сотнях различных интерфейсов, из которых мы должны извлекать данные безопасным и надежным способом. Это та область, где общие решения начинают выявлять первые ограничения, даже во время пилотных проектов, поскольку они либо теряют данные во время передачи, либо завершают передачу неоптимальным (медленным) способом, либо, что хуже всего, они нарушают стандарты безопасности.

Во-вторых, мы должны помнить, что вся ответственность за обработку данных (которые поступают в разных форматах) возлагается на облачную инфраструктуру, что увеличивает эксплуатационные расходы (время, производительность, выставление счетов и т. Д.).

Это основные причины, по которым мы решили разработать специализированные мини-ПК (с действующей отраслевой сертификацией), позволяющие:

  • Создание подключенных устройств - это гарантирует, что мы готовы к любой интеграции. Эти граничные устройства совместимы с IIoT, работают в специализированной среде, позволяют нам вводить уровень абстракции и устойчивы к соответствующим стандартам машин. Они готовы использовать любые источники данных и работать с ними локально и в любом масштабе. Собранные здесь данные используются тремя способами:
  • В пакетном процессе - агрегированные состояния (необработанная информация) сжимаются и зашифровываются для передачи в облачную инфраструктуру через настроенный шлюз устройства. Пакеты отправляются более одного раза каждые 2–5 секунд, что ограничивает использование сети.
  • Виртуализация устройств. Каждое пограничное устройство создает локального цифрового двойника отслеживаемой машины, что позволяет ему быстро представлять текущее состояние и выполнять желаемые действия или моделирование без необходимости вызова облачных сервисов. В облако отправляются только метаданные оцифрованных активов, что в результате ограничивает размер загружаемых данных.
  • С помощью легких моделей машинного обучения. Каждое изменение состояния или событие, обнаруженное на отслеживаемом физическом устройстве, интерпретируется легкой, обученной моделью машинного обучения и может вызывать прямую реакцию, например корректировку производственных параметров. , Например. Локальные модели - это облегченные представления, которые находятся под постоянным наблюдением основной модели, развернутой в облачной инфраструктуре.
  • Использование среды реального времени. Это настраивается для конкретной конфигурации компьютера, на котором он работает, что позволяет незамедлительно реагировать на изменения параметров, события и любые проблемы, которые могут возникнуть. Кроме того, операционные системы реального времени (RTOS) позволяют развертывать собственные облачные сервисы в локальной среде с дополнительными уровнями управления и безопасности, что делает все решение более надежным и поддерживаемым в долгосрочной перспективе.
  • Защищенная связь. Эта настройка, основанная на собственных службах и построенная на основе ОСРВ с дополнительными службами управления, позволяет устанавливать несколько уровней безопасности, начиная с шифрования данных на локальных устройствах и защищенной передачи. через виртуальные частные сети (VPN) и защищенные сети с ротацией ключей и сертификатов. В решении MTL мы отправляем не сырые данные, а агрегированные состояния или метаинформацию, имеющую значение только на граничном устройстве или в облаке. Кроме того, само граничное устройство можно рассматривать как программное обеспечение для защиты подключенных машин, поскольку оно не предоставляет интерфейсы физических устройств напрямую в Интернет.
  • Обмен конфигурациями - каждое граничное устройство с конфигурацией, оптимизированной для данного типа физического устройства, может быть легко перенесено в облако и распространено на другие аналогичные устройства или недавно подключенные объекты, что начинает вводить концепция экономии масштаба.

После объединения всего вышеперечисленного в единое решение быстро становится очевидным, что Mesh Twin Learning предоставляет несколько вариантов, которые до сих пор не рассматривались на рынке.

С помощью этого решения мы начинаем быть устойчивыми к стандартам и конфигурациям конечных устройств, так как у нас есть полный контроль над интеграцией, включая способ получения данных. Локально развернутые среды с собственными вычислительными возможностями (границами) предлагают самодостаточные системы, которые не только работают с входящими данными, но также размещают решения машинного обучения и оцифрованные представления для отслеживаемых компонентов. Это дает нам два основных преимущества: модель машинного обучения постоянно снабжается информацией, что позволяет принимать немедленные меры при изменении условий, и мы не отправляем большие объемы данных по сети.

Однако наиболее важной частью этого подхода является экономия на масштабе. Ребра похожи с точки зрения архитектуры, и они могут принимать конфигурацию от других ребер, что означает, что каждый раз, когда мы подключаем новый компьютер к системе, он почти мгновенно настраивается на текущее оптимальное состояние всей сети.

Мы можем соединять между собой не только машины на одной производственной линии или здании, но и можем подключать устройства, расположенные на разных объектах. На каждом уровне мы создаем сеть граничных устройств, которые находятся в постоянном сотрудничестве и обмене информацией, и все это приводит к самой уникальной части MTL - конкуренции и оптимизации.

Бесконечное соревнование

Как упоминалось в предыдущем разделе, каждое пограничное устройство в основном выполняет две функции. Они размещают легкие модели машинного обучения и передают значимые данные в облако с помощью безопасных протоколов. Итак, давайте посмотрим на облачную архитектуру:

Здесь у нас есть несколько областей, о которых стоит упомянуть. Прежде всего, это область управления устройствами, которая напрямую связана с фермой теней устройств. Основная цель этой серверной системы - отслеживать изменения состояния виртуализированных ребер и реагировать на события. События, вызывающие изменения, могут происходить из двух разных источников:

  • Механизм правил Интернета вещей - в зависимости от текущего состояния машины мы можем настроить оповещения и различные варианты поведения, которые можно немедленно передать на пограничное устройство, а затем прямо на физический компьютер. Это обеспечивает централизованный контроль для руководителей производства и операторов с помощью интеллектуального адаптивного механизма настройки. Оператор может, например, удаленно передать приказ о повышении температуры в гнезде, так как заводская температура снизилась, что отрицательно сказывается на качестве производимых компонентов.
  • Центр машинного обучения - основная часть Mesh Twin Learning. Это центральное место, где в основные модели машинного обучения постоянно поступают данные в режиме, близком к реальному времени, и они делают прогнозы по процессам оптимизации. Новые модели, созданные для частей процесса, создаются и передаются на периферийные устройства как легкие, готовые выполнять действия локально.

Теперь вам может быть интересно, откуда у MTL конкурентное преимущество и масштабное преимущество? Что ж, представьте, что каждая локальная модель, а также цифровые двойники постоянно обновляют базовый ML своими результатами, параметрами и операциями. Результаты этих действий (здесь мы говорим о нескольких ребрах и моделях, для ясности) сравниваются друг с другом и воспроизводятся в области Digital Twin Simulator. Победитель такого соревнования - модель, которая содержит наиболее оптимальные параметры для подпроцессов или этапов производства, - упаковывается и распределяется по всем периферийным устройствам. Это непрерывный процесс, поэтому, по сути, это означает, что мы постоянно получаем обновления, которые наиболее эффективные настройки распространяются по всему миру.

Но что это значит, когда мы применяем это на практике? Это означает, что мы можем выполнять микрооптимизацию в масштабе полностью автоматически. На уровне завода, чтобы лучше понять это, давайте вернемся к примеру завода по производству шин.

Для простоты давайте сделаем короткий производственный цикл, в котором мы должны нагреть и вулканизировать резину, сформировать из нее шину и охладить ее для проверки качества. Наш поставщик поставляет новый тип резины для производства, и наши кромочные устройства быстро обнаруживают, что после полного производственного цикла новая шина недостаточно эластична, поэтому вначале нам, вероятно, придется использовать более высокую температуру. Эта информация передается в центральный механизм машинного обучения, где обрабатываются модели, и в конечном итоге краевое устройство, отвечающее за печь, увеличивает температуру на несколько градусов.

В то же время и на другой производственной линии - или даже на другом предприятии - у нас уже есть информация о том, что благодаря этой новой резине мы можем ожидать менее эластичную шину, поэтому модель ML дополнительно увеличивает параметр давления.

После следующего цикла обе модели сравниваются с точки зрения результатов, и мы обнаруживаем, что оба активных вещества положительно влияют на конечный продукт. Все ребра немедленно обновляются до последней конфигурации, а также с новыми легкими моделями ML, которые начинают весь процесс оптимизации с самого начала.

По сути, мы объединяем опыт из разных источников со всего мира и автоматически. Это позволяет нам принимать решения в микромасштабе с результатами, которые повышают качество, скорость или безопасность в макроуровне, и все это без длительного процесса, полного трудоемких итераций.

Надеюсь, теперь вы должны понять Mesh Twin Learning и то, как оно происходит из комбинации ряда технологий, наиболее известных цифровых двойников, облака с сервисной сеткой и машинного обучения. Он разработан таким образом, чтобы обеспечить обучение сетке, что, по сути, означает, что все физические устройства и ребра подключены к ним, что позволяет им обмениваться опытом (конфигурациями) и влиять на оптимальные параметры, повышая общее качество работы всех контролируемых процессов.

Эта постоянная конкуренция между моделями машинного обучения гарантирует, что мы всегда получаем наилучшие возможные настройки с изменениями и обновлениями, которые распространяются глобально - в кратчайшие сроки - для каждого настроенного устройства. Как только MTL будет установлен, каждое новое подключенное предприятие будет немедленно получать наиболее эффективные и проверенные настройки из более широкой сети, что сокращает время запуска для бизнеса.

Кроме того, стоит помнить, что вся концепция была подготовлена ​​таким образом, чтобы охватить самые сложные аспекты IoT, облака и машинного обучения, а именно размер данных, возможность подключения, безопасность и эффективность операций. Правильно скомбинированные вместе, нам удалось гармонично извлечь из них все лучшее, открывая при этом несколько новых преимуществ!

Если вы хотите узнать больше, мы скоро представим некоторые подробности, особенно если вы будете в Берлине 1 октября!

Деловая перспектива

Mesh Twin Learning (MTL) - это высокоэффективный способ настроить средства для постоянного улучшения. Если вы хотите улучшить несколько производственных линий или целую глобальную сеть заводов, MTL позволяет каждой линии конкурировать с остальными, при этом внутренние результаты делятся в постоянном цикле доработки, который выполняет любые ручные действия.

Первоначально опубликовано на https://www.pgs-soft.com.