1、工业和边缘计算张铭君 阿里云-高级技术专家|01实践案例实践案例02OT数据的特点数据的特点03IT和和OT数据融合数据融合04边缘计算架构边缘计算架构目录目录CONTENT|实践案例01|实践案例 汽车制造|某汽车制造基地,占地75万平方米,年产约20万辆汽车5大车间:冲压-焊接-涂装-电池-总装?实践案例 汽车制造|视频推荐视频推荐走进工厂-汽车制造:https:/ 80w点位自动化的车间构成:自动化的车间构成:流水线&传送带-电机-电机控制器-I/O中继-PLC-SCADA系统,每根信号线(采样或控制)就是一个点位实践案例 汽车制造|下图为涂装车间的20道工艺流程图片来源:http:/
2、汽车制造|下图为涂装车间,车体在各个工艺站点的滞留统计实践案例 汽车制造|?RFID?车体在工艺流程站点的过程跟踪、滞留统计背后是基于RFID的 车体标识跟踪系统实践案例 服装工厂|流程:流程:布匹入库 剪裁 铺布 打标 裁切 裁片 转运 吊挂转运 缝纫 脱色 镭射 水洗 烘干 入库OT数据的特点02|OT数据的特点|特点特点 自动化系统越复杂,信号线越多,对应数据点越多 数据类型:数字量(bool、INT)&模拟量(double),输入Input&输出Output 数据格式为key-value-quality-timestamp 采集频率高(ms s),数据重复量大优化方案:数字量做变化变化
3、存储,模拟量做死区死区过滤后存储 原始数据需要做实时计算、转换(如线性映射、bit拆分、四则运算)小结小结 数据天然适合存储在时序数据库中 通过IT&OT深度融合,满足企业对数字化、智能化的需求工业ISA-95标准PLC?ERPMES?-?SCADA?OT数据的特点|特点特点 自动化系统越复杂,信号线越多,对应数据点越多 数据类型:数字量(bool、INT)&模拟量(double),输入Input&输出Output 数据格式为key-value-quality-timestamp 采集频率高(ms s),数据重复量大优化方案:数字量做变化变化存储,模拟量做死区死区过滤后存储 原始数据需要做实时
4、计算、转换(如线性映射、bit拆分、四则运算)小结小结 数据天然适合存储在时序数据库中 通过IT&OT深度融合,满足企业对数字化、智能化的需求时序数据库的特点和注意事项|以开源的InfluxDB为例优点优点 列式存储,根据数据点类型不同自动选择差异化压缩算法,压缩率高 查询数据点的历史数据性能好,降采样或插值策略丰富,适合做历史数据趋势图表 内置各类数据函数库,方便做时间区间的计算分析缺点缺点 数据点的标签Tag预先设定,无法按照业务模型灵活修改 存储周期(retention policy)未做到使用方透明 最新值缓存机制不健全注意事项注意事项 数据压缩期间,CPU和内存消耗大,需要和业务做好
5、隔离 查询N个数据点对应的时间线时,N越大,性能越低时序数据库的特点和注意事项|以开源的InfluxDB为例优点优点 列式存储,根据数据点类型不同自动选择差异化压缩算法,压缩率高 查询数据点的历史数据性能好,降采样或插值策略丰富,适合做历史数据趋势图表 内置各类数据函数库,方便做时间区间的计算分析缺点缺点 数据点的标签Tag预先设定,无法按照业务模型灵活修改 存储周期(retention policy)未做到使用方透明 最新值缓存机制不健全注意事项注意事项 数据压缩期间,CPU和内存消耗大,需要和业务做好隔离 查询N个数据点对应的时间线时,N越大,性能越低IT&OT 数据融合03|OT?OT?
6、IT?IT&OT 数据融合|时序数据和 IT 订单信息关联,统计订单/工艺节拍能耗,做精细化管理IT&OT 数据融合|时序数据 和 钢卷ID、钢卷尺寸 关联,产生数字钢卷文档,做质量追溯图片来源:https:/www.fest-gmbh.ru/partners工业边缘计算架构04|场景:广域物联典型场景典型场景智慧城市(水表、电表等接入)分布式光伏、充电桩的监控平台技术特点技术特点公网接入,连接量大、单连接数据量小重平台:集中存储、分析、分发、应用轻边缘:采集、缓存、加工、上云场景:集团性工业互联?A?B?C?典型场景典型场景异地多工厂(水泥、硅片、玻璃等)技术特点技术特点专网连接,连接量小、单工厂数据量大重边缘:采集、存储、加工、分析、过滤、上云轻平台:抽取数据、建模存储、分析、分发?非常感谢您的观看|