Pārdevējam agnostiska arhitektūra, kas uztver veikala stāvu datus, izmantojot Industrial Edge, modelē un iepriekš apstrādā tos ar AWS IoT SiteWise Edge, kā arī droši pārsūta saskaņotus laika rindu un aktīvu modeļu datus AWS digitālajām dvīņu, analītikas un mašīnmācīšanās darbplūsmām
Šis risinājums apvieno Industrial Edge ar AWS IoT SiteWise Edge un AWS mākoņpakalpojumu kopumu, lai nodrošinātu mērogojamu, drošu un no pārdevēja neatkarīgu ceļu no lauka ierīcēm līdz uzņēmuma lēmumu pieņemšanai. Vietējie malu komponenti apkopo, normalizē un iepriekš apstrādā OT datus; SiteWise Edge veido aktīvu modeļus un vietējo operāciju skatus; mākonis mitina digitālos dvīņus, vizualizāciju, analītiku un ML, lai veicinātu nepārtrauktu uzlabojumu un prognozēšanas iespējas.
Šī arhitektūra ir balstīta uz pirmo malu modeli, kas apvieno Siemens Industrial Edge un AWS IoT SiteWise Edge, lai apkopotu, saskaņotu un iepriekš apstrādātu veikala datus pirms konsekventas, analītikai gatavas plūsmas nosūtīšanas uz AWS uzņēmuma mēroga apstrādei. Veikala stāvā Industrial Edge atrodas pārdevēju agnostiskie savienotāji un vietējie HMI, kas nodrošina zemu latentuma piekļuvi ierīces signāliem un tūlītējiem darbības skatiem, vienlaikus saglabājot esošos automatizācijas ieguldījumus.
No malas AWS IoT SiteWise Edge veic laika rindu uzņemšanu un aktīvu modelēšanu tuvu avotam. SiteWise Edge veido tās pašas aktīvu hierarhijas un KPI, ko redzēsit mākonī, veic vietējos aprēķinus un apkopojumus, kā arī buferē datus savienojamības pārtraukumu laikā, lai galvenie rādītāji paliktu pieejami un tikai saskaņoti, saspiesti dati tiek pārsūtīti uz mākoni.
Industrial Edge Management un Industrial Edge Hub nodrošina lietotņu orķestrēšanu, dzīves cikla pārvaldību un novērojamību visiem malu komponentiem: savienotājiem, SiteWise Edge, AI secinājumu serveriem un vietējo operatoru lietotnēm (piemēram, WinCC Unified, LiveTwin). Šis slānis vienkāršo izvietošanu, modeļu atjauninājumus un secinājumu modeļu uzraudzību, nodrošinot, ka malu lietojumprogrammas ir konsekventas dažādās ierīcēs un viegli uzturamas.
Mākonī AWS IoT SiteWise (kopā ar IoT TwinMaker, SiteWise Monitor, Managed Grafana, S3, Athena, QuickSight un SageMaker) uztur uzņēmuma digitālos dvīņus, vēsturisko krātuvi, vizualizāciju un analīti/ML cauruļvadus. Saskaņoti aktīvu un laika rindu dati no malas nodrošina starpvietņu KPI, autoparka salīdzināšanu un mērogojamu modeļu apmācību, savukārt mākoņa rīki atbalsta informācijas paneļus, ad hoc vaicājumus un ilgtermiņa saglabāšanu.
Security un darbības tiek īstenotas no gala līdz galam: vietējie sertifikāti un drošie kanāli aizsargā pārvadājumus no malas līdz mākoņam, un AWS IAM/KMS, kā arī centralizēta reģistrēšana un uzraudzība regulē piekļuvi un novērojamību mākonī. Tā kā galvenā modelēšana un buferizēšana notiek lokāli, risinājums joprojām ir izturīgs pret interneta pārtraukumiem — operatori saglabā vietējo redzamību un trauksmes signālus, kamēr mākonis saņem konsekventus datus bez spraugām pēc savienojuma atjaunošanas.
Vietējā modelēšana un priekšapstrāde nodrošina darbību darbību pat ar periodisku mākoņsavienojumu un samazina joslas platuma vajadzības.
AWS IoT SiteWise Edge izveido tos pašus līdzekļu modeļus lokālā un AWS, uzlabojot KPI un analītikas konsekvenci.
Iepriekš apstrādāti, marķēti laika rindu dati S3+SiteWise nodrošina ātru analīzi un mērogojamas ML darbplūsmas (SageMaker), paātrinot paredzamo uzturēšanu un OEE uzlabojumus.
Pilnīga šifrēšana, uz IAM balstītas vadības ierīces un centralizēta izvietošana samazina drošības risku un ekspluatācijas izmaksas.
Mākoņpakalpojumi nodrošina gandrīz neierobežotu datoru/krātuvi analīzei, vēsturiskai saglabāšanai, uzņēmuma pārskatu sniegšanai un vairāku vietņu ieviešanai.
• Resursdators pārdevēja agnostiskiem OT savienotājiem, vietējiem HMI un lietotnēm
• Centralizēta orķestrēšana, lietotņu dzīves cikla pārvaldība un ierīces novērojamība
• Izpilda AI secinājumu serveri un modeļa monitoru vietējām prognozēm un anomāliju noteikšanai
* Industrial Edge lietotne, kas uzņem tieši no mašīnām/kontrolieriem un veido vietējos aktīvu modeļus.
* Veic vietējo priekšapstrādi, KPI aprēķinus un apkopošanu, lai samazinātu mākoņa joslas platumu.
* Mākoņos mitināta rūpniecisko datu platforma aktīvu modelēšanai, ilgtermiņa uzglabāšanai un autoparka pārvaldībai.
* Saņem harmonizētus datus no Industrial Edge starpvietņu analīzei un pārskatu sniegšanai.