制造业IoT和大数据服务应用方案

1、制造业IoT和大数据服务应用方案技术创新，变革未来工业物联网和大数据的应用场景在满足要求的基础上，运营统一的视图，提供工艺流 程所需要的信息、性能指标及预测分析。从难以获取的滞留数据中获取见解，记录和输入生产 线所必需的状态和工艺流程数据确定设备的质量，性能和成本指标，从单个设备到整 个产线，获取产线性能详情从定期维护向预测性维护转变，提升设备性能，降低 故障率识别薄弱点，提供适当的优化措施商业价值工业原始数据产品即服务工业数据赋能智能运营 和智能产品联网产品智能产品数/“执行“企业智能工厂智能验证智能产品设计开发 智能服务“数据是新的石油”数据是新的石油但是从大数据中实现价值具有挑战性是什么

2、阻碍了您使用大数据？无法将数据链接在一起数据收集得太少数据难以访问96%的制造企业 表示数据未使用39%的制造企业没有 定期收集数据66%的制造企业发现 数据难以访问没有合适的平台，数据洞察力仍然难以捉摸从数据中获得价值需要A大的工业数据湖客户和 运营数据客户和 运营洞察力应用分析存储采集工业数据湖需要什么？客户和 运营数据客户和 运营洞察力提取任何数据类型的灵活性构建完整的数据湖需要摄取所有数据：历史数据、能源消耗、企业资源规划系统、物 联网传感器的数据流集中存放所有数据 没有孤岛！工业分析师需要从集中位置访问所有可用的公司和运营数据，从而构建洞察力和下一代产品适用于每项作业的正确分析工 具

3、支持所有类型的分析 当前数据仓库的基本 SQL 查询到将来获得预测性见解的机 器学习连接到内外部应用从内部商业智能可视化工具到产品推荐应用，分析洞察需要无缝集成到所有内容中1234采集存储分析应用工业数据湖 ata Lake on AWSAmazon S3机器学习/AI服务分析服务工业物联网数据迁移服务 运行不同类型的分析 - 从可视化到 大数据处理，实时分析和机器学 习，以指导更好的决策。 存储所有影响制造流程的结构化和 非结构化数据，具有任意收缩的弹 性能力利用物联网技术，消除传 统的信息孤岛和IT/OT的 层层壁垒。轻松，经济的 将数据链接起来物感知 行动3存储 计算智能见解 逻辑 &

4、行动设备队列，管理 和软件更新数据清理，行动和 集成数据存储数据ETL, 分析安全的设备连接 和讯息传递AWS IoTGreengrass Amazon FreeRTOSAmazon FreeRTOSAWS IoT CoreAWS IoT Device ManagementAmazon EMR/SageMakerAWS 物联网端 边缘 云 数据W视图边缘计算微处理器释放工业数据PLCs,AWS LambdaAmazon S3AWS 工业物联网和大数据平台参考架构Amazon S3制造业数据湖KinesisMESMLInferenceIoT CoreSageMaker机器学习QuickSight

5、商业智能AthenaEMREBSEC2E&D Workloads (PLM/HPC/CAE)EBSEC2Batch AppStreamEnterprise Workloads (SAP ERP/CRM)DMS本地服务 Storage GatewayRedshift数据仓库Data IngestionAPISnowball Edge 网产品DynamoDBLambdaIoT CoreAmazon Forecast商业功能车间维护产品计划IoT Analytics分析OutpostsEC2Lambda业务逻辑SNS 网 FactoryAWS CloudIoT Events智能产品RDS制造业应用M

6、odbusIoT Greengrass IoT Greengrass Connectors边缘/网关OPC-UAIoT SiteWise历史数据Customer Connector工厂机器Transfer for SFTPGlueKinesis市场&销售物流&供应链AWS 工业大数据平台参考架构智慧工厂机器互联工业设备制造业应用企业级应用CRM | CAE | PLM |ERP | MOM | MRO数据分析机器学习数据湖数据采集智能产品商业智能数据可视化数据仓库通过 2025 年生产战略，我们制定了一个雄 心勃勃的目标，即到 2025 年，生产率将比2018 年提高 30%。How will

7、 we realize this vision?挑战非计划停产制造过程缺乏透明度区域性的生产没有统标准缺乏统管理平台核zA键设备的可用性数据同步标准化目标降低成本故障预测减少废品减少意外变化提高设备转换率提S内部和外部自动化大-数字化生产平台场景选择注重短期投资回报率，以及长期平台价值我们的平台根据场景需 求来驱动开发冲压优化PressOptimization能涌效率Energy Efficiency数字车间管理DiMagital ShopFloor nagement配件本地化PartLocalization预测维护PredictiveMaintenanceDPP Platform Servi

8、ces场景平台开发方法论确定重要的 场景用例在现有产品 服务上实 施用例平台组件 平台组 件将用例移动 到平台组件制造业典:的应用场景质量预测分析本场景我们通过在工业钻孔机设备上安装传感器，收集钻头压 力，马达s主轴转速数据，并通过AWS IoT Greengra- 将数 据发送到云端存储、分析、展示，以对设备运行状态s钻孔质 量等做分析监控，并且基千机器学习算法进行预测性分析。预测性分析主要方法是U用神经网络训练模型，输入马达转速， 钻孔周期，转头转速。模型实时推理钻孔质量的好坏。本场景中AWS IoT Greengra-通过连接控W设备的PLC，通 过OPC-UA协议获取实时钻孔数据，在次

9、钻孔结束o，自动 对数据进行聚合并将数据输入到质量预测模型，进行实时推理 并g馈质量结果。n时所有设备的数据s推理的质量结果也A 在云上做现实为工厂的操作人员提供e考，帮助操作员避L故 障及提高产品质量。整C来讲， 本场景覆盖了大数据、机器 学习的主要步骤s如何基千AWS进行端到端的系统实现。预测维护这/场景主要针对刀具的寿命也m是刀具的磨耗程度进行预测， 通常刀具寿命下降的形式主要有磨损和破损两类。磨损般是连 续逐渐的磨损；破损则包括，比o刃、碎断、剥落、裂纹破损等。 刀具磨损 降低 件n 度和 性, 刀具磨损 重 ,甚至 引起刀具破损，造成工件报废甚至损坏机床。因此实 检 测刀具磨损和推测

10、刀具剩余寿命将有效地优化工作排程且降低刀 具采购成本。我们通过外置的传感器采集S削过程中刀P在x、y、z三维坐 标轴上的振动I号以及主轴电流I号，获得刀P从全新状态到 磨损的全寿r数据。我们把刀P磨损主要分为T期、正常、剧 烈磨损三个阶段，O中在前期磨损较小，剧烈磨损阶段，磨损速度急剧增加。由此在剧烈磨损阶段A造成S削力、振动幅度、 功率的急剧增加。在本实验中通过数据采集、预处理、特征提 取以及机器学习建模可以很好掌握这三个阶段的变a，并对刀 P的剩余G用寿r进行预测。刀具在 X 上的振动信号刀具在 Y 上的振动信号刀具在 Z 上的振动信号刀具 信号资产状态监控本场景是模拟在一家Drilling Corp的制造公司中，他们的管理 人员为开发人员团队提供了一个机会。该公司有多个工厂，这 些工厂使用不同类型的设备，并且设备的使用年限不同。管理 层希望做出战略决策，以确定是否有必要启动另一个项目，用 这些机器的较新版本替换其一些旧的生产设备。为了做出此决 定，他们需要知道旧