Kantsamling och kontextualisering (Industrial Edge)
Industrial Edge kör lokala enheter nära verkstadsgolvet och ansluts till leverantörsagnostisk automationsutrustning via OT-kontakter (OPC UA, Modbus, EtherNet/IP, etc.). Den förvärvar rå telemetri, larm och händelser.
Vid kanten förbehandlas data: filtrering, komprimering, normalisering av tidsstämplar, berikning med tillgångsmetadata (tillgångshierarkier, arbetsorder /batchkontext) och lokal aggregering för att minska molnbandbredden.
En intern databas (MQTT/Unified Namespace) eller Industrial Information Hub sprider harmoniserade ämnesströmmar för nedströmskomponenter och lokala konsumenter.
Protokoll- och formatöverbryggning
FFT DataBridge (Edge App) förbereder och berikar data för streaming och intag i nära realtid i Databricks. Dess kostnadsfria följeslagarapp, FFT DataService, får åtkomst till kontextualiserade data från Industrial Information Hub Essentials (Edge App) och gör den tillgänglig för FFT DataBridge, som sedan publicerar anpassade, kontextualiserade dataströmmar via Zerobus, vilket möjliggör kontinuerlig leverans direkt till Unity Catalog-styrda tabeller.
För att säkerställa robusthet använder lösningen buffring i minnet och lokal uthållighet för att överbrygga anslutningsavbrott och utökade avbrott. På Databricks-sidan samlas data in stegvis i Delta-tabeller under Unity Catalog, vilket möjliggör styrd åtkomst med låg latens för nedströms analys och AI-arbetsbelastningar. Säker anslutning upprätthålls genom tokenbaserade eller nyckelbaserade autentiseringsmekanismer.
Databricks dataintelligensplattform
Streaming-intag via Zerobus levererar kontinuerligt data till Databricks, där inkommande OT-nyttolaster skrivs in i Bronze Delta-tabeller som styrs av Unity Catalog, bevarar rå struktur och metadata för full spårbarhet och granskbarhet.
Transformationspipelines byggda med Lakeflow Declarative Pipelines, Databricks Workflows och Apache Spark förfinar gradvis data till Silver (curated) och Gold (analytiska) lager, vilket stöder tidsjustering, kontextuell berikning och beredskap för BI-konsumtion samt AI-drivna användningsfall.
AI-modeller utvecklas och tränas centralt i Databricks med hjälp av MLFlow och Mosaic AI, och kan sedan distribueras tillbaka till Siemens Industrial Edge för körning med låg latens nära verkstadsgolvet, vilket möjliggör sluten optimering och fysiska AI-scenarier.
Unity Catalog upprätthåller styrning från början till slut, inklusive finkornig åtkomstkontroll, datamaskering och spårning av släktlinjer, medan Lakehouse-plattformen körs inbyggt över AWS, Microsoft Azure och Google Cloud Platform, vilket stöder moln-distribution och sömlös datamobilitet.
