הקדמה: Convergence of Cloud Computing and PID Control

אוטומציה תעשייתית נשענת כבר זמן רב על מחסנים של חומרים אדמיניסטרטיביים (PID) שחוקרים את תהליכי התחזוקה היציבים ותנאי ניהול יציבים (PID) – הכרחיים במגזרים החלים ממימון כימי לעיבוד מזון – אשר פותחים על ידי חישוב קבוע של ערך שגיאה כמו ההבדל בין סטנקט זמן פנוי לבין תהליך נמדד, ולאחר מכן החל תיקון המבוסס על תנאי אחסון פרופואליים, מסורתיים ונגזרים, לעתים קרובות, באמצעות ניתוח אבטחה ממוקדים, ומאובטחים יותר, באמצעות אבטחה, ומערכת אבטחה מתקדמת יותר, באמצעות אבטחה מתקדמת, ומערכת אבטחה מתקדמת, ומערכת אבטחה מתקדמת יותר ויותר, באמצעות אבטחה מתקדמת, ומערכת אבטחה מתקדמת, באמצעות אבטחה מתקדמת, ומערכת אבטחה מתקדמת, ומערכת אבטחה מתקדמת, באמצעות אבטחה מתקדמת, לעתים קרובות יותר ויותר, באמצעות אבטחה מתקדמת, באמצעות אבטחה מתקדמת, ומערכת אבטחה מתקדמת, ומערכת אבטחה מתקדמת, באמצעות אבטחה מתקדמת, באמצעות אבטחה מתקדמת, ומערכת אבטחה מתקדמת, באמצעות אבטחה מתקדמת, באמצעות אבטחה מתקדמת יותר ויותר, ומערכת אבטחה מתקדמת, באמצעות אבטחה מתקדמת, שימושית אבטחה מתקדמת של אבטחה מתקדמת, ומערכת אבטחה מתקדמת, ומערכת אבטחה מתקדמת, ומערכת אבטחה מתקדמת של אבטחה מרחוק, לעתים קרובות יותר ויותר, ומערכת אבטחה מתקדמת, באמצעות אבטחה מתקדמת, ומערכת אבטחה מתקדמת

מערכות בקרה PID ב- Depth

(ב) בקר PID משלב שלושה פעולות נפרדות: TheFLT:0proportionalalFLT:1 טווח תגובה לשגיאה הנוכחית, ה-FLT:2integralFLT 3:0) חשבונות מונחים עבור שגיאות העבר על ידי השלמתם של ציוד לפסולה על פני זמן, ו-FLT:4derivative System: 5 מונח צופה שגיאות עתידיות על ידי הערכת קצב השינוי הני של 3, 000, 000, 000, 000, 000, 000 כוונון, ללא מגבלות של חומרים סדירות, או כוונון, ללא שינוי יעיל, או כוונון, 000, 000, יעיל של חומרים סדירות, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 יעיל של חומרים קריטי, 000 יעיל של ציוד קבוע, 000, 000 יעיל של בקרת איכות, 000, 000, 000 יעיל של כוונון, 000, 000 יעיל של בקרת איכות תקין של בקרת איכות מחזוריות, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 יעיל של מחסנים של

כיצד מחשוב ענן מאפשר ניתוח בקרת PID

מחשוב ענן מציע שלוש תכונות ליבה התומכים ישירות ב- PID Data Centerization:0 calive Scales:0 calive Scales: 1 (FLT:2on-Desual processingFLT 3, לוח זמנים, ו-FLT:4geographic גמישות לולאה FLT:5 אספקת שרתים ייעודיים לכל צמח, ארגונים יכולים לשלוח נתונים - נקודות, תהליכים משתנים, פלט, אותות ושגיאות (או פלטפורמה מאובטחת) באמצעות שימוש מרחוק, באמצעות אלגוריתמית, Microsoft, באמצעות , באמצעות , באמצעות אספקת נתונים, אחסון, כולל אחסון, כולל נתונים, כולל אחסון, כולל אחסון מרחוק, Microsoft, אחסון, ועדכונים, כולל אלגוריתמים, כולל אלגוריתמים, כולל אלגוריתמים, באמצעות אלגוריתמים, כולל שימוש ב-Incremcreative, אלגוריתמים, אחסון, אלגוריתמים, באמצעות אלגוריתמים, באמצעות אלגוריתמים, באמצעות אלגוריתמים, באופן אוטומטי, באמצעות אלגוריתמים, באמצעות אלגוריתמים, באמצעות אלגוריתמים, אחסון מרחוק, באמצעות אלגוריתמים, כולל שימוש ב-In-In-In-In-In-In-In-In-In-In-cookielections.

מסורתי על פרופילים לעומת ניהול מבוסס ענן

מסורתי על ארכיטקטורות אוטומטיות בדרך כלל לאחסן נתונים של RESTID בהיסטוריונים מקומיים (למשל, OSIsoft PI, Wonderware) מבודדים על ידי גבולות רשת צמחיים. Aאנליזה נתונים על פני אתרים דורשת יצוא ידני, העברה או מערכות היסטוריון יקרות ריכוזיות. לעומת זאת, גישה מבוססת ענן נתונים מנקודות אחסון או ישירות מבקרי לוגיקה הניתנים לתוכנה (PLC) להודעה כגון פונקציות מיקרוסקופיות של MQ) או ב-AMC.

אדריכלות של מערכת אופטימיזציה מבוססת ענן

מערכת אופטימיזציה מבוססת ענן מבוססת PID מורכבת ממספר שכבות מקושרות:

  • (FLT:0) שכבת buffer: 1 חיישנים ו- PLCs אוספים נתונים של תהליך במרווחי זמן תת-שניים. Edge Gateways buffer נתונים, לבצע אימות ראשוני, ולהעביר טבלאות זמן דחוסות לענן באמצעות פרוטוקולים כגון OPC UA, Modbus TCP, או MQTT. כמה שערים גם להפעיל משקל זיהוי אקראי לצמצום תעבורת ענן.
  • (FLT:0) Ingestion and Storage Layer:FLT:1 Cloud Services like AWS Kinesis, Azure Event Hubs, או Google Pub/Sub מטפלות בזרימי שפע.Data is written to a time-series Database for metadata (למשל, מזהה, כוונון, פרמטרים של כוונון, מיקומים צמחיים).
  • (FLT:0) אנליז ו-אופטימיזציה שכבת: 1.10.1RE, אצווה ומשרה אמיתית תואמים את מדדי הביצועים - יתר על כן, יישב זמן, טעות מוחלטת (IAE), ומאמץ בקר. ⁇ -התרגילים אופטימיזציה רבים-המציאותיים (למשל, ירידה ⁇ , אלגוריתמים גנטיים) לחפש טוב יותר סטים של שיטות למידה מנבאות של חיישנים או מעשים המבוססים על שינויים בתבנית בקרה.
  • (FLT:0)Visualization ו שכבת משוב:FreaLT:1 , דשורדונים מאפשרים למפעילים ולמהנדסים להציג ציוני בריאות לולאה, להשוות לולאות, לאשר באופן ידני או לעקוף את ההמלצות.

איסוף נתונים, אחסון ואבטחה

חיישנים נתונים Transmission ו-IoT פרוטוקולים

לולאות PID תעשייתיות מייצרות זרמי נתונים רצופים.כדי לרכז את הנתונים האלה, צמחים חייבים לגשר על טכנולוגיה מבצעית (OT) עם תשתיות ענן.גישות נפוצות כוללות שימוש בשערים תעשייתיים של IoT התומכים ב-OPC UA (פרוטוקול מכונה מאובטח למכונה למכונה) או MQew עם הצפנה TLS. חלק מהמערכות משתמשות בדחיסה בצד (למשל, סינון מת) כדי להפחית את רוחב הפס מבלי לאבד אירועים קריטיים (אך הם יכולים לעתים קרובות להיות בעלי רמות דיוק גבוהות) אם הם לעתים קרובות על פני רמות נמוכות (למשל, אם הם יכולים להשתמש ברזולוציה גבוהה).

שיקולים

אחסון בענן חייב לטפל בנתונים "חם" (הנחוצים בזמן אמת) ו"קר" נתונים היסטוריים (שימוש בניתוח טרנד ארוך טווח וציות) תבנית נפוצה משתמשת מסד נתונים של זמן בחודשים האחרונים ואחסון אובייקטים (למשל, אמזון S3, Azure Blob Storage) עבור ארכיונות, עם מדיניות מחזור חיים אוטומטית.

אבטחה וביטוח

(הופנה מהדף ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

ניתוח נתונים ולמידה של PID Optimization

סביבות ענן מרכזיות פותחות יכולות אנליטיות שאינן אפשריות עם בקרים עמידים.מעבר לסטטיסטיקות בסיסיות, ארגונים ליישם למידה מכונה בכמה דרכים:

« « Loop Tuning

באמצעות תגובות של צעד שנאסף או נתונים סגורים, אלגוריתמים יכולים לזהות את מודל התהליך (למשל, סדר ראשון בתוספת זמן מת) ורווחי PID אופטימליים.מחקר הראה כי שיטות כוונון מחשוב מבוסס ענן בשילוב עם אלגוריתמים גנטיים יכולים להפחית את זמן ההחלמה ב-20-30% בהשוואה לכוונון ידני.

גילוי דעת וגילויי דיכאון

שינויים בסימן השגיאה של הבקרה לאורך זמן מצביעים לעתים קרובות על סטיות שסתום, סחף חיישן או עבירה. על ידי אימון מודל על דפוסי שגיאה היסטוריים מפגמים ידועים, הענן יכול לדגל הלולאות שמתחילות להידרדר.זה מאפשר תחזוקה חיזויית - תיקון שסתום מקל לפני שהוא גורם לדחיית מוצר.זמן דחייה של ספריות זיהוי אממטיות (למשל, Facebook, TensFlow) שיכולה לשמש פונקציות ענן על פני לילה.

Cross-Loop Benchmarking

כאשר נתונים ממאות לולאות מצטברים, מהנדסים יכולים למדוד לולאות דומות בין קווים שונים או שינויים.לדוגמה, אם שני כורים מבצעים את אותה תגובה כימית אבל יש שגיאה אבסולוטית גבוהה יותר (IAE), הענן יכול לזהות הבדלים בכוונון או חומרה ולהמליץ על התאמות.גישה זו של עמיתים היא כלי רב עוצמה לשיפור מתמשך.

יתרונות של אופטימיזציה מבוססת ענן

היתרונות של העברת ניתוח נתונים PID לענן משתרעים הרבה מעבר לרשימה הפשוטה של כדורים לעתים קרובות מצוטטים.

זמן אמתי ושקיפות בכל האתרים

במקום להסתמך על דוחות תקופתיים מכל צמח, לוחמת ענן מעדכנת ביצועים תוך שניות עד דקות.מנהלי ההפקה יכולים לזהות לולאה שהיא מתבודדת במתקן מרוחק, ולדחוף מיד טכנאי או להנגינה חדשה – גרימת פסולת וירידה.

יעילות מוגברת באמצעות החלטות של Data-Driven

בקרים מקומיים לא יכולים לבצע ניתוח מורכב על נתונים היסטוריים; הם פשוט מגיבים לשגיאה הנוכחית.ענן, עם זאת, יכול לנתח שבועות או חודשים של נתוני מגמה כדי לזהות מחזורים עדינים או אינטראקציות בין לולאות סמוכים.זה מוביל להחלטות כוונון הממזערות את השחלות של התהליך הכולל, שיפור איכות המוצר.

עלויות יעילות ב- Scale

רכישת, התקנת, ושמירה על שרתים עבור היסטוריונים וניתוח נתונים בכל צמח היא יקרה.מודל מבוסס ענן עובר הוצאות תפעוליות, תשלום רק לאחסון ושימוש בשבחה. יתר על כן, IT overhead מופחת באופן דרסטי - שמירה, גיבוי, ומדפיפות מטופלים על ידי ספק הענן.

סקלאבול ללא הון

כאשר צמח חדש נוסף, ניתן לספק יכולת ענן בתוך דקות.אין צורך להזמין חומרה או לנהל משא ומתן על זמני מובילי IT באופן דומה, אם קו מוצר דורש איסוף נתונים גבוה יותר, הענן יכול להכיל את הזרם הגובר ללא שינויים אדריכליים.

תחזוקה חיזויית מפחיתה את המועד האחרון

על ידי גילוי של ירידה בביצועי בקרה מוקדם, הענן מאפשר תחזוקה להיות מתוכנן במהלך פרסום מתוכנן. מחקרים הראו כי תחזוקה חיזוי המבוססת על בריאות לולאה שליטה יכולה להפחית את זמן השבתה לא מתוכנן עד 30-50% בתעשיות עיבוד מתמשך.

אתגרים ושיקולים

בעוד היתרונות הם משכנעים, אופטימיזציה מבוססת ענן אינה ללא מכשולים.הבנת האתגרים האלה חיונית ליישום מוצלח:

אבטחת מידע וסיכון סייבר

העברת מידע על רשתות ציבוריות מציגה חשיפה להתקפות סייבר.מערכת ענן נפגעה יכולה, בתיאוריה, לשלוח פרמטרים של כוונון זדוניים שפוגעים בציוד או ליצור תנאים לא בטוחים. Mitigation דורש פיקוח אבטחה קפדני: צפינת נתונים מקצה לקצה, באמצעות מודולים אבטחת חומרה לאחסון מפתח, וליישם אימות חזק עבור ערוצי שליטה ובקרה.

שקיפות ורשת Reliability

אופטימיזציה מבוססת ענן עובדת בדרך כלל על נתונים היסטוריים או ליד-אמת, אבל שליטה בזמן אמת (תגובה של חתלתול) נותרה התחום של בקרים מקומיים.אם קישוריות לרשת לענן אבדה, בקר PID המקומי חייב להמשיך לפעול באופן עצמאי.האדריכלות צריכה לכלול מצב של נפילה שבו קצה מאחסן נתונים וסנכרון כאשר קישוריות קורות חיים.

Bandwidth ו-Data Volume

לולאה אחת המדגימה ב-1 kHz מייצרת 86.4 מיליון נקודות נתונים ביום.עבור צי של 1,000 לולאות, זה הופך בלתי-אפשרי ללא דחיסה זהירה. פילטר קצה חכם - נתונים המתקיפים רק כאשר תהליך משתנה על ידי יותר מפס מת - ושימוש בדחיסה ללא הפסד (למשל, דלטה ⁇ ) הם הכרחיים לשמור על עלויות רוחב פס מנוהלות.

התנגדות ארגונית וגלשי סקי

מהנדסים תעשייתיים ומנהלי צמח עשויים להיות לא מוכרים עם ארכיטקטורות ענן, ומהססים למסור את השליטה על הלולאות "שלהם" (המעבר המוצלח) דורש פרויקטים של טייסים, אימונים וממשל נקי, אשר שומר על סמכות מקומית להחלטות קריטיות בטיחות.

מפת דרכים יישום

אימוץ פלטפורמת ניתוח PID מבוססת ענן בדרך כלל עוקב אחר שלבים אלה:

  1. (FLT:0) אסממנט: 1FLT 1 {\displaystyle \ Audit: Count of Controller, available data מקורות, קישוריות לרשת ומדיניות אבטחה.Determine אשר לולאות הן מועמדים (לא בטוח קריטי, ערך גבוה).
  2. (FLT:0)Pilot:BuildFLT:1) בחר לולאות 5-10 מצמח אחד. Deploy שער קצה אוסף נתונים ושולח אותו למסד נתונים של זמן ענן. לפתח לוחות נתונים בסיסיים ולהשוות ביצועים עם קווי בסיס היסטוריים.
  3. (FLT:0)Optimization: 1FLT אלגוריתמים אוטומטיים של כוונון על בסיס אצווה.אימות שיפורים באמצעות בדיקות סגורות-פרלופ ומעורבות מפעילי ביקורת על תוצאות.
  4. (FLT:0)Scale:BuildFLT:1) רול לצמחים נוספים, סטנדרטיזציה על MQTT או OPC UA עבור נתונים ingestion. integrate with הקיים ארגוני מערכות ארגוניות (ERP, CMMS) כדי לעורר הוראות עבודה עבור תקלות חזו.
  5. (FLT:0) שיפור מתמיד: FLT:1 השתמש במכונת ענן למידה כדי לחדד מודלים ועדכון כללים כוונון באופן קבוע ביקורת על יציבה אבטחה ועדכון רכיבי תוכנה.

עתיד Outlook: AI, Edge-Cloud Hybrid ואופטימיזציה אוטונומית

הגבול הבא בשליטה PID כרוך באינטגרציה הדוקה יותר בין ניתוח ענן וביצוע קצה. במקום לשלוח את כל הנתונים לענן, אבני קצה ינהלו מודלים קלים שהופכים התאמות בזמן אמת, בעוד הענן מסדיר את המודלים האלה באמצעות נתונים בכל צי. גישה היברידית זו משלבת את הגמישות הנמוכה של בקרת LTE הפרטית עם האינטליגנציה העולמית של ניתוח ענן, יתר על כן, התקדמות ב- AI ומודלים גדולים עשויים לאפשר למהנדסים אינטראקציה עם שאילתות אוויריות גבוהות יותר עם תרופות אוטומטיות ".

ארגונים שמשקיעים היום בבניית תשתית ענן קלאבילית ובטוחה עבור נתוני בקרת PID יהיו ממוקמים הטוב ביותר לנצל את היכולות המתעוררות הללו.המעבר מטיפול פעיל, מחוספס לאופטימיזציה ממוקדת-נתיחה, לא רק שדרוג טכנולוגי - זהו טרנספורמציה אסטרטגית שמשפרת באופן ישיר את יעילות הייצור, איכות המוצר, וחוסן תפעולי.