Najważniejsze wnioski
Krótka odpowiedź: Obliczenia brzegowe i przetwarzanie w chmurze to dwa miejsca przetwarzania danych, a w połączonej fabryce zwykle potrzebujesz obu.
Obliczenia brzegowe uruchamiają przetwarzanie przy źródle lub w jego pobliżu, na urządzeniu lub obok maszyny, dzięki czemu wyniki są natychmiastowe, oszczędza się przepustowość, a system działa dalej nawet przy utracie połączenia sieciowego.
Przetwarzanie w chmurze centralizuje przetwarzanie w zdalnych centrach danych, oferując ogromną skalę, tanie przechowywanie i moc obliczeniową potrzebną do analiz międzyzakładowych i uczenia maszynowego.
Brzeg to szybkość i odporność blisko zasobu; chmura to skala i inteligencja w całym przedsiębiorstwie. Praktyczne pytanie nie brzmi, które wybrać, lecz które zadania przypisać do którego środowiska.
Obliczenia brzegowe oznaczają wykonywanie przetwarzania danych tam lub blisko miejsca, w którym dane są generowane, na maszynie, na bramce obok niej lub na lokalnym serwerze na hali produkcyjnej, zamiast najpierw wysyłać wszystko do odległego centrum danych.
W fabryce „brzeg” to wyposażenie i hala produkcyjna: czujniki, sterowniki PLC, kontrolery i lokalne urządzenia, które mogą filtrować, analizować i działać na danych na miejscu. Kluczowe zalety to natychmiastowość i lokalność.
Ponieważ przetwarzanie odbywa się tam, gdzie dane powstają, odpowiedzi są niemal natychmiastowe (brak podróży do zdalnego serwera), tylko istotne wyniki muszą być przesyłane dalej (oszczędność przepustowości), a system działa nawet przy utracie połączenia z siecią lub internetem.
Obliczenia brzegowe umożliwiają podejmowanie decyzji w czasie rzeczywistym na poziomie maszyny, reagowanie na odczyt czujnika w milisekundach, uruchomienie lokalnej pętli sterowania, wyzwolenie alarmu, i pozwalają trzymać dane wrażliwe lub o dużej objętości na miejscu.
Ich ograniczeniem są zasoby: urządzenia brzegowe mają w porównaniu z centrum danych ograniczoną moc obliczeniową, pamięć i zasilanie, więc nadają się do wyspecjalizowanych, krytycznych czasowo zadań lokalnych, a nie do ogromnych analiz.
Przetwarzanie w chmurze oznacza przetwarzanie i przechowywanie danych centralnie, w dużych zdalnych centrach danych dostępnych przez sieć, z zasobami skalującymi się na żądanie.
Zamiast być ograniczonym tym, co potrafi lokalne urządzenie, chmura oferuje praktycznie nieograniczoną moc obliczeniową i pamięć, zaawansowane platformy analityczne i uczenia maszynowego oraz jedno miejsce do agregowania danych z wielu maszyn, linii, a nawet wielu zakładów.
Definiującymi zaletami są skala i inteligencja.
Chmura może tanio przechowywać lata historii, przetwarzać ogromne zbiory danych, trenować i uruchamiać złożone modele oraz prezentować pulpity przedsiębiorstwa łączące dane z całej organizacji, rzeczy, których żadne pojedyncze urządzenie brzegowe nie jest w stanie obsłużyć.
Jest też centralnie zarządzana i dostępna z dowolnego miejsca, co upraszcza utrzymanie i zwiększa dostępność danych.
Wadami są opóźnienia i zależność od łączności: każda runda do chmury zajmuje czas i zużywa przepustowość, a jeśli połączenie zostanie przerwane, przetwarzanie wyłącznie w chmurze przestaje działać.
Chmura jest więc naturalnym miejscem dla zadań, które są duże w skali, niekrytyczne czasowo i zyskują na agregowaniu danych z wielu źródeł, przeciwległy kraniec spektrum w stosunku do brzegu.
Główny kompromis dotyczy lokalnej szybkości i odporności kontra scentralizowanej skali i inteligencji.
Obliczenia brzegowe minimalizują opóźnienia, bo przetwarzanie odbywa się tuż obok danych, kluczowe, gdy decyzja musi zapaść w milisekundach, i są odporne na problemy sieciowe, ponieważ nie zależą od zdalnego połączenia, aby funkcjonować.
Przetwarzanie w chmurze maksymalizuje skalę i moc analityczną, bo łączy praktycznie nieograniczone zasoby i agreguje dane ze wszystkich miejsc, ale każda interakcja niesie ze sobą opóźnienie wynikające z rundki sieciowej i zależność od łączności.
Stąd obliczenia brzegowe odpowiadają na „potrzebuję odpowiedzi teraz, tutaj, niezawodnie”, a chmura na „muszę przeanalizować dużo danych, z całej organizacji, z poważną mocą obliczeniową”. Przepustowość jest częścią tego samego kompromisu: wysyłanie każdego surowego odczytu czujnika do chmury jest marnotrawne, a czasem niemożliwe, więc brzeg filtruje i podsumowuje, przesyłając dalej tylko to, czego chmura potrzebuje.
Żadne z rozwiązań nie jest uniwersalnie lepsze, optymalizują przeciwstawne cele, dlatego ciekawsze pytanie brzmi, jak podzielić pracę między nimi, a nie które wybrać.
W praktyce odpowiedź niemal zawsze jest hybrydowa: używaj brzegu do tego, co musi być szybkie, lokalne i odporne, a chmury do tego, co musi być wielkoskalowe, agregowane i analitycznie ciężkie.
Sterowanie krytyczne czasowo i natychmiastowe reakcje, uruchamianie pętli sterowania, reagowanie na przekroczenie progu, wyzwalanie działania bezpieczeństwa, obliczanie bieżącego wskaźnika maszyny, należą do brzegu, gdzie opóźnienia są najniższe, a działanie kontynuuje się mimo awarii sieci.
Dane surowe o dużej objętości są filtrowane i wstępnie przetwarzane na brzegu, tak aby dalej trafiały tylko znaczące wyniki, oszczędzając przepustowość.
Długoterminowe przechowywanie, agregacja między maszynami i między zakładami, złożone analizy, trenowanie modeli uczenia maszynowego i pulpity korporacyjne należą do chmury, gdzie skala i moc obliczeniowa są dostępne.
Typowym wzorcem jest trenowanie modeli centralnie w chmurze na połączonych danych historycznych, a następnie wdrażanie ich na brzegu do uruchamiania wnioskowania lokalnie w czasie rzeczywistym, łącząc analityczną moc chmury z natychmiastowością brzegu.
Pytanie projektowe dla konkretnego zadania jest proste: czy to musi dziać się natychmiast i lokalnie (brzeg), czy zyskuje na skali i agregacji i może tolerować opóźnienie (chmura)?
Rozważ monitorowanie stanu na linii produkcyjnej. Czujniki drgań o wysokiej częstotliwości generują potok surowych danych, zdecydowanie za duży, by przesyłać go nieprzerwanie do chmury, i zbyt krytyczny czasowo, by czekać na rundkę do chmury.
Na brzegu lokalne urządzenie przetwarza sygnał drgań w czasie rzeczywistym, oblicza istotne cechy i obserwuje próg sygnalizujący rozwijającą się usterkę; jeśli próg zostanie przekroczony, podnosi alarm i może wyzwolić działanie ochronne w ciągu milisekund, a wszystko to działa nawet przy utracie połączenia z internetem.
Nie wysyła dalej potoku surowych danych, lecz zwarte podsumowanie, kilka wartości na minutę.
W chmurze te podsumowania ze wszystkich maszyn na wszystkich liniach i we wszystkich zakładach są agregowane i przechowywane przez lata, analizowane razem, aby wykryć wzorce w skali floty, oraz używane do trenowania modelu uczenia maszynowego, który definiuje, jak wygląda nadchodząca awaria.
Ulepszony model jest następnie przesyłany z powrotem na urządzenia brzegowe, aby działać lokalnie.
Brzeg dostarczył wykrywanie w czasie rzeczywistym, odporne i efektywne pod względem przepustowości; chmura dostarczyła skalę, naukę między urządzeniami i długą historię, każde środowisko zrobiło to, w czym jest najlepsze.
Ramą decyzyjną jest kierowanie każdego obciążenia według jego wymagań, a nie całkowite zobowiązanie się do jednego modelu.
Wybierz brzeg, gdy opóźnienie musi być minimalne (sterowanie i reakcje w czasie rzeczywistym), gdy łączność jest zawodna lub nie może być pojedynczym punktem awarii, gdy wolumen danych jest zbyt wysoki, by je ekonomicznie przesyłać, lub gdy dane muszą pozostać na miejscu ze względów bezpieczeństwa lub suwerenności.
Wybierz chmurę, gdy musisz agregować dane z wielu maszyn lub zakładów, gdy analiza wymaga dużej mocy obliczeniowej lub rozległych danych historycznych, gdy potrzebna jest widoczność na poziomie przedsiębiorstwa, lub gdy tanie skalowanie pamięci i przetwarzania jest ważniejsze niż natychmiastowa lokalna odpowiedź.
Ponieważ te kryteria kierują różnymi obciążeniami w różnych kierunkach, właściwa architektura dla większości inteligentnych fabryk to przemyślana hybryda: warstwa przetwarzania brzegowego dla szybkich, lokalnych, odpornych zadań, zasilająca warstwę chmurową dla pracy na dużą skalę, agregowanej i inteligentnej, z wyraźnym podziałem odpowiedzialności między nimi.
Błąd polega na traktowaniu tego jako wyboru albo-albo; umiejętność polega na wyznaczaniu granicy zadanie po zadaniu.
Podział brzeg, chmura kształtuje sposób, w jaki dane OEE są zbierane i wykorzystywane.
Przetwarzanie brzegowe umożliwia żywe OEE na poziomie maszyny: zliczanie cykli, wykrywanie zatrzymań i mierzenie przestojów w czasie rzeczywistym przy urządzeniu, dzięki czemu operatorzy widzą bieżącą wydajność i straty natychmiast, a dane przetrwają przerwy w sieci.
Chmura agreguje te dane OEE z maszyn, linii i zakładów w trendy, porównania i głębsze analizy, które ujawniają przewlekłe straty i pozwalają porównywać wydajność, widok przedsiębiorstwa, którego nie zapewni pojedyncza maszyna.
Systemy sterowania, które to zasilają, jak SCADA i DCS, funkcjonują na brzegu tej architektury, a ciężkie analizy często trafiają do platform danych w chmurze (temat data lake vs data warehouse).
Prawidłowy podział oznacza, że OEE jest jednocześnie natychmiastowe na hali (brzeg) i analizowalne w całym przedsiębiorstwie (chmura), nie jest to ani opóźniony pulpit tylko w chmurze, ani odizolowana wyspa lokalnych danych.
Fabrico przekształca dane maszynowe w OEE, niezależnie od tego, czy pochodzą z brzegu, czy są agregowane centralnie, dając operatorom widok strat na hali w czasie rzeczywistym, a menedżerom widok zbiorczy obejmujący urządzenia i zakłady.
Rejestrując stany pracy, zatrzymania i przyczyny blisko źródła i prezentując je jako Dostępność, Wydajność i Jakość, dostarcza natychmiastowość, w której brzeg się specjalizuje, jednocześnie agregując dane do analiz międzymaszynowych, które umożliwia chmura.
Zarezerwuj demo, aby zobaczyć, jak OEE w czasie rzeczywistym i OEE agregowane działają razem.
Obliczenia brzegowe przetwarzają dane tam lub blisko miejsca ich generowania, na urządzeniu lub obok maszyny, dla niskich opóźnień i odporności. Przetwarzanie w chmurze przetwarza dane centralnie w zdalnych centrach danych dla ogromnej skali i analityki. Brzeg jest szybki i lokalny; chmura jest skalowalna i agregująca. Większość fabryk używa obu rozwiązań.
Gdy opóźnienie musi być minimalne (sterowanie i reakcje w czasie rzeczywistym), gdy łączność jest zawodna, gdy wolumen danych jest zbyt wysoki, by je ekonomicznie przesyłać, lub gdy dane muszą pozostać na miejscu. Przetwarzanie brzegowe działa mimo przerw w sieci i reaguje w milisekundach, czego chmura nie zapewni.
Gdy musisz agregować dane z wielu maszyn lub zakładów, wykonywać ciężkie analizy lub uczenie maszynowe, przechowywać duże zestawy danych historycznych tanio, lub zapewnić widoczność na poziomie przedsiębiorstwa. Chmura oferuje skalę i inteligencję, której nie mają urządzenia brzegowe, o ile zadania tolerują opóźnienie sieciowe.
Nie, są komplementarne. Większość inteligentnych fabryk stosuje hybrydę: brzeg obsługuje szybkie, lokalne, odporne zadania i filtruje dane o dużej objętości, podczas gdy chmura agreguje i analizuje w skali. Powszechny wzorzec to trenowanie modeli w chmurze i wdrażanie ich na brzegu do działania w czasie rzeczywistym.
Przetwarzanie brzegowe umożliwia żywe OEE na poziomie maszyny, które aktualizuje się w czasie rzeczywistym i przetrwa przerwy w sieci. Chmura agreguje OEE między maszynami i zakładami, tworząc trendy i benchmarki. Prawidłowy podział pracy sprawia, że OEE jest jednocześnie natychmiastowe na hali i analizowalne w całym przedsiębiorstwie.
Zaloguj
Blog
