制造業(yè)IoT和大數(shù)據(jù)服務(wù)應(yīng)用方案

1、制造業(yè)IoT和大數(shù)據(jù)服務(wù)應(yīng)用方案技術(shù)創(chuàng)新，變革未來工業(yè)物聯(lián)網(wǎng)和大數(shù)據(jù)的應(yīng)用場(chǎng)景在滿足要求的基礎(chǔ)上，運(yùn)營(yíng)統(tǒng)一的視圖，提供工藝流 程所需要的信息、性能指標(biāo)及預(yù)測(cè)分析。從難以獲取的滯留數(shù)據(jù)中獲取見解，記錄和輸入生產(chǎn) 線所必需的狀態(tài)和工藝流程數(shù)據(jù)確定設(shè)備的質(zhì)量，性能和成本指標(biāo)，從單個(gè)設(shè)備到整 個(gè)產(chǎn)線，獲取產(chǎn)線性能詳情從定期維護(hù)向預(yù)測(cè)性維護(hù)轉(zhuǎn)變，提升設(shè)備性能，降低 故障率識(shí)別薄弱點(diǎn)，提供適當(dāng)?shù)膬?yōu)化措施商業(yè)價(jià)值工業(yè)原始數(shù)據(jù)產(chǎn)品即服務(wù)工業(yè)數(shù)據(jù)賦能智能運(yùn)營(yíng) 和智能產(chǎn)品聯(lián)網(wǎng)產(chǎn)品智能產(chǎn)品數(shù)/“執(zhí)行“企業(yè)智能工廠智能驗(yàn)證智能產(chǎn)品設(shè)計(jì)開發(fā) 智能服務(wù)“數(shù)據(jù)是新的石油”數(shù)據(jù)是新的石油但是從大數(shù)據(jù)中實(shí)現(xiàn)價(jià)值具有挑戰(zhàn)性是什么

2、阻礙了您使用大數(shù)據(jù)？無法將數(shù)據(jù)鏈接在一起數(shù)據(jù)收集得太少數(shù)據(jù)難以訪問96%的制造企業(yè) 表示數(shù)據(jù)未使用39%的制造企業(yè)沒有 定期收集數(shù)據(jù)66%的制造企業(yè)發(fā)現(xiàn) 數(shù)據(jù)難以訪問沒有合適的平臺(tái)，數(shù)據(jù)洞察力仍然難以捉摸從數(shù)據(jù)中獲得價(jià)值需要A大的工業(yè)數(shù)據(jù)湖客戶和 運(yùn)營(yíng)數(shù)據(jù)客戶和 運(yùn)營(yíng)洞察力應(yīng)用分析存儲(chǔ)采集工業(yè)數(shù)據(jù)湖需要什么？客戶和 運(yùn)營(yíng)數(shù)據(jù)客戶和 運(yùn)營(yíng)洞察力提取任何數(shù)據(jù)類型的靈活性構(gòu)建完整的數(shù)據(jù)湖需要攝取所有數(shù)據(jù)：歷史數(shù)據(jù)、能源消耗、企業(yè)資源規(guī)劃系統(tǒng)、物 聯(lián)網(wǎng)傳感器的數(shù)據(jù)流集中存放所有數(shù)據(jù) 沒有孤島！工業(yè)分析師需要從集中位置訪問所有可用的公司和運(yùn)營(yíng)數(shù)據(jù)，從而構(gòu)建洞察力和下一代產(chǎn)品適用于每項(xiàng)作業(yè)的正確分析工 具

3、支持所有類型的分析 當(dāng)前數(shù)據(jù)倉(cāng)庫(kù)的基本 SQL 查詢到將來獲得預(yù)測(cè)性見解的機(jī) 器學(xué)習(xí)連接到內(nèi)外部應(yīng)用從內(nèi)部商業(yè)智能可視化工具到產(chǎn)品推薦應(yīng)用，分析洞察需要無縫集成到所有內(nèi)容中1234采集存儲(chǔ)分析應(yīng)用工業(yè)數(shù)據(jù)湖 ata Lake on AWSAmazon S3機(jī)器學(xué)習(xí)/AI服務(wù)分析服務(wù)工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)遷移服務(wù) 運(yùn)行不同類型的分析 - 從可視化到 大數(shù)據(jù)處理，實(shí)時(shí)分析和機(jī)器學(xué) 習(xí)，以指導(dǎo)更好的決策。 存儲(chǔ)所有影響制造流程的結(jié)構(gòu)化和 非結(jié)構(gòu)化數(shù)據(jù)，具有任意收縮的彈 性能力利用物聯(lián)網(wǎng)技術(shù)，消除傳 統(tǒng)的信息孤島和IT/OT的 層層壁壘。輕松，經(jīng)濟(jì)的 將數(shù)據(jù)鏈接起來物感知 行動(dòng)3存儲(chǔ) 計(jì)算智能見解 邏輯 &

4、行動(dòng)設(shè)備隊(duì)列，管理 和軟件更新數(shù)據(jù)清理，行動(dòng)和 集成數(shù)據(jù)存儲(chǔ)數(shù)據(jù)ETL, 分析安全的設(shè)備連接 和訊息傳遞AWS IoTGreengrass Amazon FreeRTOSAmazon FreeRTOSAWS IoT CoreAWS IoT Device ManagementAmazon EMR/SageMakerAWS 物聯(lián)網(wǎng)端 邊緣 云 數(shù)據(jù)W視圖邊緣計(jì)算微處理器釋放工業(yè)數(shù)據(jù)PLCs,AWS LambdaAmazon S3AWS 工業(yè)物聯(lián)網(wǎng)和大數(shù)據(jù)平臺(tái)參考架構(gòu)Amazon S3制造業(yè)數(shù)據(jù)湖KinesisMESMLInferenceIoT CoreSageMaker機(jī)器學(xué)習(xí)QuickSight

5、商業(yè)智能AthenaEMREBSEC2E&D Workloads (PLM/HPC/CAE)EBSEC2Batch AppStreamEnterprise Workloads (SAP ERP/CRM)DMS本地服務(wù) Storage GatewayRedshift數(shù)據(jù)倉(cāng)庫(kù)Data IngestionAPISnowball Edge 網(wǎng)產(chǎn)品DynamoDBLambdaIoT CoreAmazon Forecast商業(yè)功能車間維護(hù)產(chǎn)品計(jì)劃IoT Analytics分析OutpostsEC2Lambda業(yè)務(wù)邏輯SNS 網(wǎng) FactoryAWS CloudIoT Events智能產(chǎn)品RDS制造業(yè)應(yīng)用M

6、odbusIoT Greengrass IoT Greengrass Connectors邊緣/網(wǎng)關(guān)OPC-UAIoT SiteWise歷史數(shù)據(jù)Customer Connector工廠機(jī)器Transfer for SFTPGlueKinesis市場(chǎng)&銷售物流&供應(yīng)鏈AWS 工業(yè)大數(shù)據(jù)平臺(tái)參考架構(gòu)智慧工廠機(jī)器互聯(lián)工業(yè)設(shè)備制造業(yè)應(yīng)用企業(yè)級(jí)應(yīng)用CRM | CAE | PLM |ERP | MOM | MRO數(shù)據(jù)分析機(jī)器學(xué)習(xí)數(shù)據(jù)湖數(shù)據(jù)采集智能產(chǎn)品商業(yè)智能數(shù)據(jù)可視化數(shù)據(jù)倉(cāng)庫(kù)通過 2025 年生產(chǎn)戰(zhàn)略，我們制定了一個(gè)雄 心勃勃的目標(biāo)，即到 2025 年，生產(chǎn)率將比2018 年提高 30%。How will

7、 we realize this vision?挑戰(zhàn)非計(jì)劃停產(chǎn)制造過程缺乏透明度區(qū)域性的生產(chǎn)沒有統(tǒng)標(biāo)準(zhǔn)缺乏統(tǒng)管理平臺(tái)核zA鍵設(shè)備的可用性數(shù)據(jù)同步標(biāo)準(zhǔn)化目標(biāo)降低成本故障預(yù)測(cè)減少?gòu)U品減少意外變化提高設(shè)備轉(zhuǎn)換率提S內(nèi)部和外部自動(dòng)化大-數(shù)字化生產(chǎn)平臺(tái)場(chǎng)景選擇注重短期投資回報(bào)率，以及長(zhǎng)期平臺(tái)價(jià)值我們的平臺(tái)根據(jù)場(chǎng)景需 求來驅(qū)動(dòng)開發(fā)沖壓優(yōu)化PressOptimization能涌效率Energy Efficiency數(shù)字車間管理DiMagital ShopFloor nagement配件本地化PartLocalization預(yù)測(cè)維護(hù)PredictiveMaintenanceDPP Platform Servi

8、ces場(chǎng)景平臺(tái)開發(fā)方法論確定重要的 場(chǎng)景用例在現(xiàn)有產(chǎn)品 服務(wù)上實(shí) 施用例平臺(tái)組件 平臺(tái)組 件將用例移動(dòng) 到平臺(tái)組件制造業(yè)典:的應(yīng)用場(chǎng)景質(zhì)量預(yù)測(cè)分析本場(chǎng)景我們通過在工業(yè)鉆孔機(jī)設(shè)備上安裝傳感器，收集鉆頭壓 力，馬達(dá)s主軸轉(zhuǎn)速數(shù)據(jù)，并通過AWS IoT Greengra- 將數(shù) 據(jù)發(fā)送到云端存儲(chǔ)、分析、展示，以對(duì)設(shè)備運(yùn)行狀態(tài)s鉆孔質(zhì) 量等做分析監(jiān)控，并且基千機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測(cè)性分析。預(yù)測(cè)性分析主要方法是U用神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，輸入馬達(dá)轉(zhuǎn)速， 鉆孔周期，轉(zhuǎn)頭轉(zhuǎn)速。模型實(shí)時(shí)推理鉆孔質(zhì)量的好壞。本場(chǎng)景中AWS IoT Greengra-通過連接控W設(shè)備的PLC，通 過OPC-UA協(xié)議獲取實(shí)時(shí)鉆孔數(shù)據(jù)，在次

9、鉆孔結(jié)束o，自動(dòng) 對(duì)數(shù)據(jù)進(jìn)行聚合并將數(shù)據(jù)輸入到質(zhì)量預(yù)測(cè)模型，進(jìn)行實(shí)時(shí)推理 并g饋質(zhì)量結(jié)果。n時(shí)所有設(shè)備的數(shù)據(jù)s推理的質(zhì)量結(jié)果也A 在云上做現(xiàn)實(shí)為工廠的操作人員提供e考，幫助操作員避L故 障及提高產(chǎn)品質(zhì)量。整C來講， 本場(chǎng)景覆蓋了大數(shù)據(jù)、機(jī)器 學(xué)習(xí)的主要步驟s如何基千AWS進(jìn)行端到端的系統(tǒng)實(shí)現(xiàn)。預(yù)測(cè)維護(hù)這/場(chǎng)景主要針對(duì)刀具的壽命也m是刀具的磨耗程度進(jìn)行預(yù)測(cè)， 通常刀具壽命下降的形式主要有磨損和破損兩類。磨損般是連 續(xù)逐漸的磨損；破損則包括，比o刃、碎斷、剝落、裂紋破損等。 刀具磨損 降低 件n 度和 性, 刀具磨損 重 ,甚至 引起刀具破損，造成工件報(bào)廢甚至損壞機(jī)床。因此實(shí) 檢 測(cè)刀具磨損和推測(cè)

10、刀具剩余壽命將有效地優(yōu)化工作排程且降低刀 具采購(gòu)成本。我們通過外置的傳感器采集S削過程中刀P在x、y、z三維坐 標(biāo)軸上的振動(dòng)I號(hào)以及主軸電流I號(hào)，獲得刀P從全新狀態(tài)到 磨損的全壽r數(shù)據(jù)。我們把刀P磨損主要分為T期、正常、劇 烈磨損三個(gè)階段，O中在前期磨損較小，劇烈磨損階段，磨損速度急劇增加。由此在劇烈磨損階段A造成S削力、振動(dòng)幅度、 功率的急劇增加。在本實(shí)驗(yàn)中通過數(shù)據(jù)采集、預(yù)處理、特征提 取以及機(jī)器學(xué)習(xí)建?？梢院芎谜莆者@三個(gè)階段的變a，并對(duì)刀 P的剩余G用壽r進(jìn)行預(yù)測(cè)。刀具在 X 上的振動(dòng)信號(hào)刀具在 Y 上的振動(dòng)信號(hào)刀具在 Z 上的振動(dòng)信號(hào)刀具 信號(hào)資產(chǎn)狀態(tài)監(jiān)控本場(chǎng)景是模擬在一家Drilling Corp的制造公司中，他們的管理 人員為開發(fā)人員團(tuán)隊(duì)提供了一個(gè)機(jī)會(huì)。該公司有多個(gè)工廠，這 些工廠使用不同類型的設(shè)備，并且設(shè)備的使用年限不同。管理 層希望做出戰(zhàn)略決策，以確定是否有必要啟動(dòng)另一個(gè)項(xiàng)目，用 這些機(jī)器的較新版本替換其一些舊的生產(chǎn)設(shè)備。為了做出此決 定，他們需要知道舊