专栏首页SDNLABOPC UA over TSN能否改变制造业格局 ?

OPC UA over TSN能否改变制造业格局 ?

为了变化,也在改变产业

悄然无息中,OPC UA和TSN已然成为了产业的聚焦,即便如此,对于很多企业而言,这似乎还比较遥远,变革的发生总有些不经意的味道,对于缺乏敏锐的人而言,沉湎于过去放佛被温水煮着的青蛙,不知不觉中放松警惕,而OPC UA over TSN实际上正在为“改变”而准备,也正在改变着我们的产业。

连接的挑战

这个世界上就两件事情最重要,一个是“Why”—决定我们的方向,而“How”则解决方法的问题,人们总是在讨论“转型升级”、“互联“,“智能”,不同的声音弥漫在产业中,却又似乎在很多人眼中看到的是迷茫,因为”Why“这个问题若不能被清晰描述,就会让”How“难以为继,这是符合逻辑的。

为什么要挑战

自动化真是伟大的存在,就单机生产而言,甚至包括连线的生产而言,都已经达到了巅峰状态的感觉,如何继续挖掘生产效能的潜力?显然,将机器连接起来,让生产变得连续这是一个解决办法,但是,不仅仅是产线的物理连接,包括了软件、信息必须连接才能成为一个整体。

对于已有系统的连接而言,接口的标准与规范是首要的问题,因为实际上,在各个领域的丰富知识和经验已经存在了,而需要的仅仅是“接口“的标准与规范,这个问题普遍存在于各个产业。

1.打破语言的障碍

连接并非像大部分说的“连接“就能连上,连接分为互联(物理接口一致)、互通(数据存储一致)、互操作(语义语法一致)多个层级,而就现状而言,各种总线已经在独立的内部实现了互联互通,但缺乏语义互操作级的标准规范,OPC UA扮演这个角色。

2.TSN-同一网络的意义

而TSN是另一个问题,即,连接并非发生在OT的世界内部,而是要与IT的系统连接,这个时候就会出现周期性、非周期性数据同一网络传输的需求,通过严格优先级+各种整形器(Shaper)的设计,TSN可以用于解决这个问题。

图1-OPC UA pub/Sub机制与TSN整体运行机制

如果通过OPC UA over TSN的连接后,它将如何给我们改变呢?

将要发生在自动化世界的改变

任意的数据访问能力

OPC UA提供了数据的透明访问,而且更为直观,例如mappVIEW就是这样。其实,任意一个终端都将成为一个HMI,去呈现数据,并作为一个入口来访问数据,通过OPC UA提供了跨平台、多用户、SoA面向服务架构的支持能力。

OPC UA的Pub/Sub机制提供了一种更便捷的数据交互方式,解决了人们所担忧的数据流量消耗过大的问题,仅对有数据发布的时候才提供连接。

云端APP架构提升资源效率

对于云端后台支持的应用,如数据驱动的分析、机器智能、深度学习而言,通过OPC UA和TSN构建了直接的连接,避免了由于多种工业复杂通信带来的障碍。

OPC UA over TSN提供了一种改变现有格局的实现方法,即,通过碎片化的云端APP架构,解决了现有MES/ERP的紧密绑定关系(这种强耦合让用户必须为某个功能购买庞大的系统),也将应用变成轻资产(用户无需购买APP,仅租赁时间、服务能力也是可以的),尤其对于中小企业,有众多的可以被开发的APP来实现细分市场的方案获得盈利,而另一方面也同样对于中小企业而言,可以分享IT资源(软件、存储、服务),而对于服务提供方,也可以通过大量的服务分摊其资源成本。让整个社会通过协作、资源分享实现经济性运营。

推进边缘计算(Edge Computing)

边缘计算用于解决各种全局的优化问题,但是,边缘计算中需要一定的实时性,而其采集量往往是信息而非控制信号,如机器视觉、振动信号、质量信息,虽然不像运动控制的微秒级实时,但考虑到动态的计算后需要指导现场设备的运行,如AGV路径规划、动态视觉检测下的焊接质量调整,动态OEE计算等问题,这些需要连接来自不同的控制器、而又需要实时和非实时数据的连接,这是OPC UA over TSN的典型应用场景。

图2-边缘计算实现机器到车间的全局规划

APM应用

资产性能监测是一种基于数据的全局数据采集,包括设备的性能、维护、诊断、能源的数据都可以通过这个架构来访问,如果需要效率更高,那么直接的云端传输即可,而OPC UA over TSN给了这个架构已实现的可能。

图3-采用公共信息平台来进行资产性能监测

OPC UA可以被云端应用直接访问,而TSN网络则构建了一个链接,直接从现场到云端,支持交换机网络的IT架构,可以解决原有的现场数据访问的复杂性(太多的总线与协议)。

机器学习中的规范

机器学习中同样需要考虑大量的数据预处理、标准化的问题,否则,数据无法得到结构化、标准化,需要在系统里做大量的程序预处理,而如果能够有OPC UA的规范的话,OT端现场数据可以与诸如Microsoft Azure中的学习算法和模型进行快速的对接,能够访问来自现场控制器的数据,通过OPC UA的Pub/Sub机制传输,而且不消耗大量的带宽,仅在有数据产生时才发送,如图4。

图4-OPC UA为机器学习提供有价值数据的高效传输与结构化

高效传输是一个问题,然后再看传输的数据必须是结构的,才能与分析软件进行数据对接,软件操作才能是一致的,例如一个温度包括了温度值、单位、事件、报警、HMI接口的描述,这个结构与其它软件在数据类型、结构上具有一致则易于对接,再次的问题是数据的价值,而这是OPC UA的垂直行业信息模型所带来的,通过对各个垂直行业如包装、塑料、纺织、电子行业的知识构建信息模型,进而让数据能够发挥其有效性,才能真正分析、优化。

数字孪生与OPC UA信息模型

图5-通过OPC UA构建统一的仿真信息模型

如图5-对于仿真软件如MATLAB/Simulink或其它的数字化设计软件如Pro-engineering而言,能够无需每次都配置和编写一个借口与不同自动化厂商进行信息的交互最好不过,因此,他们选择了将OPC UA与其建模仿真软件制定统一的接口,这样,对于数字孪生设计的数字化一方可以不用考虑下行的控制器平台是Portal、Automation Studio还是Logix,都可以进行交互,对于End User而言,也是欢迎这样的,避免他们的Know-how与某个厂商具有绑定关系,而仅限于自己独立的,可以选择性更高。

OPC UA over TSN带来的生态系统改变

IT对OT的访问便利性

对于IT的企业而言,这是一个突破边界的快速办法,因为如果不借助于OPC UA over TSN,意味着大量的软件编程与测试用于驱动程序,而且,还可能无法访问,如果推动OPC UA over TSN的话,这将使得IT访问制造业现场,推进IIoT成为可能。

图6-OPC UA over TSN加速OICT融合

围绕OPC UA over TSN的商业运营

自21世纪来,迈克尔.波特传统的《竞争战略》-基于比对优势的竞争模式正在向“竞合”的生态系统转型,这个现象也是为什么越来越多的“联盟”、“协会”、“组织”在制造业的圈子越来越多的原因,但是,这种产业的生态系统不是通过法律、行政的约束构建,而必须建立在“技术规范与标准”这个基础之上。

图7-主流的OICT厂商均支持OPC UA over TSN

没有人能够做所有的事情,也没有一家公司能够覆盖所有的场景,而合作必须基于“共同的语言”,而OPC UA over TSN就扮演了这样的角色,它们将自动化厂商ABB、SIEMENS、Honeywell,云平台架构厂商如Microsoft、华为等,包括通信厂商华为、思科等。

OPC UA over TSN是最受大部分厂商赞同的,并且具有一定的基础的,因此,对于构建智能时代的生态系统基地,是目前看来最好的选择。

本文分享自微信公众号 - SDNLAB(SDNLAB)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-08-30

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • Single-Shot Refinement Neural Network for Object Detection

    对于目标检测,两阶段方法(如Faster R-CNN)的准确率最高,而单阶段方法(如SSD)的效率较高。为了在继承两种方法优点的同时克服它们的缺点,本文提出了一...

    于小勇
  • 深度学习下一阶段:神经架构自学习,带来最优计算机视觉模型

    深度学习是人工智能模型的先驱。从图像识别、语音识别,到文字理解,甚至自动驾驶,深度学习的来临极大地丰富了我们对AI潜力的想象。

    大数据文摘
  • 机器学习之(四)特征工程以及特征选择的工程方法

    原文链接:http://www.uml.org.cn/ai/201811022.asp

    周小董
  • 反向传播退出历史舞台?新研究提出基于信息瓶颈估计的训练方法 | 一周AI最火论文

    呜啦啦啦啦啦啦啦大家好,拖更的AIScholar Weekly栏目又和大家见面啦!

    大数据文摘
  • Attention注意力机制的理解

    当我们人在看一样东西的时候,我们当前时刻关注的一定是我们当前正在看的这样东西的某一地方,换句话说,当我们目光移到别处时,注意力随着目光的移动也在转移,这意味着,...

    于小勇
  • Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

    最先进的目标检测网络依赖于区域建议算法来假设目标位置。SPPnet和Faster R-CNN等技术的进步,降低了检测网络的运行时间,但是暴露了区域提案计算的瓶颈...

    于小勇
  • Feature Pyramid Networks for Object Detection

    特征金字塔是不同尺度目标识别系统的基本组成部分。但最近的深度学习对象检测器已经避免了金字塔表示,部分原因是它们需要大量的计算和内存。本文利用深卷积网络固有的多尺...

    于小勇
  • tf.nn

    atrous_conv2d_transpose(): atrous_conv2d的转置。

    于小勇
  • Fast R-CNN

    提出了一种基于区域卷积网络的快速目标检测方法(Fast R-CNN)。Fast R-CNN建立在以前工作的基础上,使用深度卷积网络有效地分类目标建议。与之前的工...

    于小勇
  • 10分钟,用TensorFlow.js库,训练一个没有感情的“剪刀石头布”识别器

    “剪刀石头布”是我们小时候经常玩的游戏,日常生活中做一些纠结的决策,有时候也常常使用这种规则得出最后的选择,我们人眼能很轻松地认知这些手势,“石头”呈握拳状,“...

    大数据文摘

扫码关注云+社区

领取腾讯云代金券