物联网 (IIoT) 与 Elastic Stack
工业物联网 (IIoT) 让制造公司有机会从数千个传感器和设备中获取数据。
将这些数据实现互联，在监测生产流程和获得适当测量数据供进一步分析方面都非常重要。其中一个关键挑战是如何收集和规范数据，以便将数据用于预测性分析或车间安全领域。
即使是小型制造公司也往往会运营多个工厂，拥有数百台机器和数千个传感器。新数据以毫秒级的速度生成，极易累计到万亿字节，但这些数据并未得到存储和分析，因而毫无价值可言。
借助 Elastic，您可以收集、增强和分析 IIoT 数据，并帮助生产主管深入了解生产流程。
— Elastic 首席解决方案架构师 Marco De Luca
能够大规模地收集这些数据将是一个重要的分水岭。它可以优化生产流程，进而提升效率和改进产品质量。
通常，制造商除了上面提到的一般挑战之外，还至少面临以下挑战之一：
- 制造公司都极具创新精神，但仍会有大量的旧机器，而且这些机器可能还会继续使用好多年。机器的生命周期通常是 10-20 年或者更长！如何将这些旧机器集成到现代分析平台中呢？
- 拥有传感器、自动驾驶车辆，以及其他需要监测的众多设备。唯有掌握全局才是帮助运筹预测性维护、操作等等一切的基础。所有各种设备都使用不同的技术进行通信，而且与互联网的连接方式也各不相同。
- 有很多专有解决方案都彼此无法进行通信。如何从这些系统中获取数据并实现与其他机器数据的关联呢？
- 一些制造公司已经在考虑如何构建一个机器数据平台，以便对所有这些新旧系统一并实施监测。您如何利用这些数据呢？是用于运营/维护目的，还是构建其他/新的业务用例和（或）服务？
对于专注于收集和分析机器数据的公司来说，有很多益处。这不仅可以优化生产流程，还可以提高产品质量。收集和分析这些数据的好处远不止这些。
一个精心设计的监测解决方案结合预测性维护，还可以帮助大幅降低成本。传感器数据可以很好地反映设备状况或制成品的质量。此外，它还有助于减少资源消耗。MM Karton 的原材料消耗减少了 20%，已证明这一潜力。
构建 IIoT 数据分析的基础
为了能够利用这些种类各异的数据，您需要将数据存储在可随需扩展的独立环境中。Elasticsearch 就非常适合这个用例。它不仅支持您大规模存储多种类型的数据，还可让您使用 Machine Learning 功能来分析数据，并以任何您喜欢的方式可视化数据。
在您能够收集每个工厂的所有相关数据后，不妨设想一下，全面监测如何提高您的生产工厂的效率。在 Elasticsearch 中存储各种必需的数据，并使用 Canvas 将来自多个组装厂的数据集于一个屏幕之中，就像为一场展示会制作一个连接到实时数据的幻灯片一样简单。
下面是几个示例供您查看：
宏观掌握多个不同的组装厂固然很好，但是您还需要知道每个工厂中不同机器的性能如何。除此之外，您还需要能够组合和关联每个供应商的不同数据模型。
使用 Elastic Stack 的典型 IIoT 用例
下列用例是使用 Elastic Stack 进行 IIoT 数据分析和监测的一些示例。还有其他很多示例，例如通过与机器远程交互来自动响应问题。
预测性分析引入预测性维护
利用传感器数据分析 IoT 设备的运行状况非常有效。传感器数据（如气压或油压、温度、电压、速度、声音、频率或颜色/闪电的变化）可用作故障的早期预警机制。知道某设备在近期会出现故障，并根据这些信息做出反应，势必有助于降低成本。
此外，通过掌握传感器数据的阈值或数据范围，生产管理人员就能够根据实际数据设置单项维护计划，而不是遵循死板的维护周期，从而避免无论组件是否可能发生故障，都一股脑被更换的状况。通过利用这项功能，可以制定一个专门且有意义的维护计划，从而降低成本并缩短生产停机时间。
要实现这一点，需要对导致故障的环境有相当深入的了解。对我们常人来说，同时实时观测数百个传感器并将其与历史事件进行比较并非易事，但对于 Machine Learning 来说，这种工作就不在话下。发现每个传感器的异常，或者将所有传感器的数据与单个运行状况评分结果关联起来，功能都非常强大。
次品率或废品率降低
另一个重要的 KPI 就是次品率/废品率。降低次品率非常重要，而只有了解生产中的哪个环节会导致次品，才能降低次品率。基于 Machine Learning 的 Elastic Stack 异常值检测功能可帮助发现与预期结果不同的产品。通过将此检测功能与传感器数据结合使用，可以毫不费力地快速发现问题。
如果车间中的机器学习作业设计得当，最终可能会实现机器自动优化而无需人工干预。
车间安全性
如今，IT 相关系统的安全性是一个众所周知的挑战。车间的安全性通常更难以实施。目前，一般的概念是通过将整个生产设施切断与互联网的连接来防止入侵。
这种操作正在变得日益困难。“经典 IT”（如 SAP PP 或 PLM 等 ERP）对 SPS（如 Siemens SIMATIC）系统的影响越来越大，最终将导致好坏内容间杂的直接通信。需求由业务产生 — MoD（按需制造）已经可以通过 3D 打印或激光切割实现。例如，想象一下由来自任意网店的定制订单触发的全自动化生产流程。从互连 IT 到车间的火花飞溅风险将成为一种新的维度风险。因此，在工业 4.0 过渡期间，车间安全性将成为一个非常重要的话题。借助 Elastic SIEM（安全信息和事件管理），以及收集所有相关数据的功能，您的智能工厂也可以监测安全事件。
使用 Elastic Stack 收集和分析不同的 IIoT 数据源
所需的分析功能已经在 Elastic Stack 中实现了很长一段时间。艰巨的工作是将不同数据源的数据放入堆栈中。
从生产工厂中现有的所有各种数据源收集数据不能仅凭一种方式进行。您需要将多个数据源放在一起。因为 Elastic 是一个开放的实时数据平台，因此可以轻松使用它的生态系统来集成所有类型的数据源。
在一个制造工厂中，从非常旧的系统（可能使用 Windows95 或更早版本运行控制软件）到运行 Linux 和 OPC-UA 的最新技术，会有许多不同的系统需要监测。我们主要讨论以下几个类型的系统：
- 用于控制工厂内部和工厂之间制造流程的制造控制软件（如 IBM MQ）。
- 可编程逻辑控制器 (PLC) 是专门为在工业控制系统中应用而设计的一种独特形式的计算机设备。它是一种特殊用途的“工业用计算机”，用于控制传感器和执行器；例如，它可以控制造纸行业中生产纸制品的机器，也可以控制箱式电梯和自动扶梯。由 PLC 控制的设备用例有很多。
- 工业机器人，例如 KUKA（德国/中国制造商）制造的机器人。KUKA 机器人配备了一个 OPC-UA 服务器，它可以控制 KUKA 机器人，但同时又能够与制造车间的其他机器人和系统进行交互。此外，OPC-UA 还能够通过互联网实现系统互联，因此，它也将面临安全威胁。这就是为什么安全性在 OPC-UA 规范中扮演着重要角色，但它也需要通过像 Elastic 这样的监测平台进行监测。
- 传感器和其他自动驾驶车辆或设备大多用于测量温度、湿度、速度、加速度、定位、振动或其他将它们与生产流程数据关联起来所需的指标。例如，温度和湿度的变化会影响机器人的运转，并引起更大的振动，从而导致机器人故障或生产出低质产品。因此，传感器和机器人数据对客户运营非常重要。
从 PLC、MQTT 代理和 OPC UA 服务器收集数据
要收集所有这些近实时数据，我们可以使用 Machinebeat，这是一个能够从 MQTT 代理和 OPC UA 设备收集数据的社区 Beat。它的 MQTT 模块还能够从不同的 IoT 云服务提供商（如 AWS IoT 核心或 Azure IoT 中心）收集数据。
为了从 PLC 设备收集数据，作为一个 Logstash 插件与 Apache Project PLC4X 进行了集成，这使得客户能够从 PLC4X 支持的所有 PLC 收集指标。关于 PLC4X 与 Elasticsearch 结合使用的更深入探讨信息，请参阅我们的合作伙伴 Codecentric 的这篇博文。
针对收集、扩充和分析所有数据的解决方案概述
使用 Kibana 实现数据可视化
掌握所有这些信息之后会带来一项新的挑战。仅当您可以从中获取价值时，存储大量数据才有用。通过对正在发生的事情获得更好的洞察才能产生价值。可视化功能就可以提供这方面的帮助。在下面的示例中，可视化显示了 IBM MQ 控制的制造环境中多个队列之间的消息传递。在旧式监测系统中，您需要对所监测的内容有特定的了解。通过使用 Canvas，您可以抽象出特定的知识，并用易于辨识的不同颜色对当前情况作出反馈。
亲自试用
- 开始为期 14 天的 Elasticsearch 服务免费试用，让您对 IoT 监测解决方案有个基础的了解。
- 转到 Github，下载 Linux 或 Windows 版本的Machinebeat。
- 按照 Readme 中 Configuration 部分的所示步骤，配置与免费 OPC-UA 服务器的连接或输入连接我们自己 OPC-UA 服务器的凭据。或者，您也可以按照步骤配置 MQTT 代理，并通过该代理从各种传感器收集数据。
- 一旦数据开始流动，便可构建您自己的仪表板，以可视化/分析数据。Canvas 是可视化数据的另一个很好的替代方案，支持您使用实时数据创建演示幻灯片。如需了解更多信息，可以参考 Canvas 入门博客。