Сравнение туманных вычислений и облачных вычислений для промышленной автоматизации

Введение: Конвергенция края и облака в промышленной автоматизации

Промышленная автоматизация претерпевает глубокую трансформацию, обусловленную распространением датчиков, интеллектуальных машин и Интернета вещей (IoT). Поскольку заводы генерируют все больше и больше объемов данных на краю, способ обработки, хранения и обработки данных становится критическим. В качестве ключевых факторов этого сдвига появились две вычислительные парадигмы: туманные вычисления и облачные вычисления. Хотя обе они направлены на поддержку промышленных операций, они выполняют различные роли. Эта статья обеспечивает авторитетное, глубокое сравнение туманных вычислений и облачных вычислений для промышленной автоматизации, помогая инженерам, ИТ-менеджерам и лицам, принимающим решения, понять компромиссы и создать оптимальные архитектуры.

Что такое Fog Computing? Архитектура для управления в реальном времени

Fog computing — это децентрализованная вычислительная архитектура, которая находится между источником данных (датчики, исполнительные механизмы, ПЛК, роботы) и облаком. Она была введена Cisco в 2012 году для решения ограничений облачных архитектур для чувствительных ко времени приложений. В туманной архитектуре, туманные узлы — которые могут быть промышленными шлюзами, краевыми серверами или даже программируемыми логическими контроллерами с вычислительными возможностями — обрабатывают данные локально или в локальной сети (LAN). Ключевые характеристики включают близость к источникам данных, обработку с низкой задержкой (часто до десятков миллисекунд) и снижение потребления полосы пропускания, потому что только агрегированные или критические данные отправляются в облако.

Как работает Fog Computing на фабрике

Рассмотрим производственную линию с сотнями датчиков вибрации на двигателях. Подход, основанный только на облаке, потребует передачи всех исходных данных датчиков в удаленный центр обработки данных, что приведет к высокой задержке (сотни миллисекунд или более) и непомерным затратам на пропускную способность. При вычислении тумана туманный узел рядом с двигателями выполняет предварительную аналитику - обнаружение аномалий, вычисление скользящих средних и генерирование предупреждений. Только флаги аномалий и обобщенная статистика передаются в облако для долгосрочного анализа тенденций. Это позволяет заводу запускать немедленные отключения безопасности или вызовы обслуживания, не дожидаясь поездки в облако.

Преимущества Fog Computing для промышленной автоматизации

Проблемы Fog Computing

Туманные узлы, как правило, менее мощные, чем облачные центры обработки данных, что ограничивает сложность аналитики, которую они могут выполнять. Управление распределенным парком туманных узлов - обновление программного обеспечения, вращающиеся сертификаты, мониторинг здоровья - вводит операционные накладные расходы. Кроме того, стандартизация среди поставщиков остается фрагментированной, хотя такие инициативы, как Консорциум OpenFog (теперь часть Консорциума промышленного Интернета) [[FLT: 1]] опубликовали эталонные архитектуры.

Что такое облачные вычисления? централизованная мощность и масштаб

Облачные вычисления предлагают по требованию доступ к обширным пулам вычислительных, хранилищ и сетевых ресурсов, размещенных в удаленных центрах обработки данных. Ведущие поставщики, такие как Amazon Web Services (AWS), Microsoft Azure и Google Cloud, предоставляют услуги промышленного уровня, адаптированные для производства, включая проглатывание IoT, озера данных, аналитику больших данных и машинное обучение (ML). В промышленной автоматизации облачные вычисления являются основой для приложений, которые не требуют сверхнизкой задержки, но извлекают выгоду из массивного параллелизма, эластичной масштабируемости и сложных моделей ИИ.

Случаи использования облачных вычислений в промышленности

Преимущества облачных вычислений в промышленной автоматизации

  • Неограниченная масштабируемость: Облачные ресурсы могут быть предоставлены в считанные минуты для обработки данных о пиках запуска продукта или сезонных пиках.
  • Эффективность затрат для больших объемов: Модели с оплатой по мере продвижения позволяют избежать капитальных затрат на локальные серверы, особенно полезны для производителей малого и среднего бизнеса.
  • Мощная аналитика и ИИ: Доступ к кластерам с ускорением GPU для глубокого обучения и высокопроизводительных вычислений для алгоритмов оптимизации.
  • Централизованное управление: Единая панель стекла для обновления программного обеспечения, политики безопасности и мониторинга на всех подключенных заводах.

Проблемы облачных вычислений для заводского этажа

Даже при использовании волоконно-оптической широкополосной связи время в оба конца до ближайшего облачного региона может превышать 50 мс, что слишком медленно для управления замкнутым циклом. Безопасность также требует тщательного проектирования: передача производственных данных за пределы периметра завода может нарушать политику компании или отраслевые правила (например, ISO 27001, GDPR). Кроме того, облачные сервисы зависят от надежного подключения к Интернету - любое отключение может остановить операции, которые зависят от решений на основе облака.

Основные различия между Fog Computing и Cloud Computing

Для эффективного сравнения двух парадигм, это помогает изучить несколько аспектов, которые имеют наибольшее значение для промышленных практиков.

задержка

Туманные вычисления предназначены для задержки менее 10 мс, что делает их пригодными для жестких приложений в реальном времени (например, управление дуговой сваркой, логика аварийной остановки). Облачные вычисления вводят задержки 30-300 мс в зависимости от условий сети и географического расстояния, что приемлемо для мягкой обработки в реальном времени или партии, но не для автоматизации, чувствительной ко времени.

Местоположение и топология сети

Туманные узлы физически расположены внутри завода (на производственном этаже, в шкафу управления или на самой машине). Облачные серверы находятся в централизованных центрах обработки данных, возможно, в сотнях миль. Это географическое распространение влияет на все, от суверенитета данных до сетевой инженерии.

Объемы полосы пропускания и данных

Туманные вычисления обрабатывают данные вблизи источника, поэтому передаются только соответствующие сведения. Облачные вычисления требуют передачи всех необработанных данных (или высокочастотных резюме) по WAN. Для одной линии с 1000 датчиков, отобранных на частоте 1 кГц, которые могут представлять 50 ГБ в час - непрактично для большинства WAN-ссылок. Экономия пропускной способности тумана часто является основным экономическим драйвером.

Масштабируемость

Облачные вычисления предлагают почти бесконечную масштабируемость: вычисления, хранение и услуги могут расширяться упругим образом. Туманные вычисления масштабируются горизонтально, добавляя больше узлов, но каждый узел ограничен по мощности. Управление 10 000 туманными узлами сложнее, чем масштабирование облачного экземпляра, но это необходимо для распределенного управления в реальном времени.

Безопасность и конфиденциальность данных

Туманные вычисления могут сохранять конфиденциальные данные в пределах заводского периметра, уменьшая экспозицию. Однако распределенная природа увеличивает поверхность атаки: каждый туманный узел должен быть затвердевшим и управляемым. Облачные провайдеры вкладывают значительные средства в физическую и сетевую безопасность, но данные покидают завод, повышая риски соответствия. Архитектура с нулевым доверием с зашифрованными данными в пути и в покое имеет важное значение в обоих случаях.

Структура затрат

Облачные вычисления обычно представляют собой операционные расходы (OpEx) с моделью оплаты за использование. Туманные вычисления включают капитальные затраты (CapEx) на оборудование (шлюзы, периферийные серверы) плюс текущие эксплуатационные расходы (электричество, техническое обслуживание). Анализ общей стоимости владения (TCO) должен учитывать затраты на передачу данных, которые могут быть значительными только в облачных подходах.

Гибридные туманно-облачные архитектуры: лучшие промышленные практики

На практике большинство систем промышленной автоматизации используют многоуровневую гибридную архитектуру, которая сочетает в себе туман и облачные вычисления. Эта модель уважает основной принцип: критически важная по времени обработка на краю, стратегическая аналитика в облаке . Слой тумана обрабатывает управление в реальном времени, блокировку безопасности и быстрое обнаружение аномалий. Он также действует как фильтр данных, отправляя только высокоценные данные (сигналы, метрики, события изменения состояния) в облако для слияния между растениями.

Пример: Прогнозное обслуживание с туманом и облаком

На прокатном заводе для мониторинга температуры и вибрации на 10 кГц используются туманные узлы. Туманный узел запускает облегченную модель Random Forest, которая классифицирует состояние как «нормальное», «разлагающее» или «критическое». Он может вызывать немедленные локальные действия (снижает скорость, звуковая сигнализация). Каждый час узел отправляет в облако сжатый набор функций (статистика, пики спектрограммы). Облако собирает данные со всех мельниц, переобучает более сложную модель глубокого обучения и возвращает обновленные параметры модели обратно в туманные узлы. Эта архитектура замкнутого цикла со временем повышает точность обнаружения без перегрузки сети.

Включение технологий для гибридных развертываний

  • MQTT и Sparkplug: Легкие протоколы публикации-подписки, которые несут данные датчиков и командные сообщения с уровнями качества обслуживания. Спецификация Tahu Sparkplug обеспечивает совместимость между туманными узлами и облачными платформами.
  • Контейнеризация (Docker, Kubernetes): Запуск аналитических рабочих нагрузок в контейнерах упрощает развертывание и обновление тысяч туманных узлов. Легкие дистрибутивы Kubernetes (K3s, MicroK8s) набирают обороты на промышленных шлюзах.
  • Облачная оркестровка: Такие инструменты, как Azure IoT Edge и AWS Greengrass, позволяют разработчикам развертывать и управлять облачными сервисами на туманных узлах, сочетая опыт разработки.
  • OPC UA over TSN: Конвергенция OPC Unified Architecture (UA) с Time-Sensitive Networking обеспечивает детерминированную связь от датчиков до туманных узлов и от туманных узлов до облака через стандартный IP.

Как выбрать: Рамки решений для промышленной автоматизации

Выбор тумана, облака или гибридной модели зависит от конкретного случая использования. Следующие критерии могут направлять решение:

Требования к задержке

Если цикл управления должен закрываться менее чем за 10 мс (например, сервоприводы, робототехника с визуальным управлением, функции безопасности), то туманные вычисления являются обязательными. Мягкие приложения в реальном времени (например, контроль, регистрация данных) могут переносить задержки в облаке.

Чувствительность к данным и соблюдение нормативных требований

Заводы, обрабатывающие секретные проекты (например, аэрокосмическую, оборонную) или личную информацию (PII), могут потребоваться для хранения данных на местах. Туманные вычисления могут служить в качестве уровня хранения данных, с только анонимными сводками, разрешенными в облаке.

Сеть пропускная способность и надежность

Сайты с дорогими или ненадежными интернет-соединениями (например, удаленные шахты, суда, сельские объекты) должны уделять приоритетное внимание вычислениям тумана, чтобы минимизировать трафик WAN и поддерживать автономию во время отключений.

Вычислительная сложность

Передовые модели ИИ (глубокое обучение, моделирование) требуют облачных ресурсов. Внедрить легкую предварительную обработку в тумане и тяжелый вывод/обучение в облаке. Гибридный подход позволяет постоянно улучшать без перегрузки периферийных устройств.

Общая стоимость владения

Расчет аппаратных затрат на туманные узлы плюс использование облака (вычислить, хранить, передавать данные). Часто стратегия «туман-первый» снижает облачные затраты на 50-80%, потому что передаются только значимые данные. Используйте облако для аналитики, которая обеспечивает высокую рентабельность инвестиций (например, сокращение простоев на 30%).

Будущие тренды: эволюционирующий край

Границы между туманом и облаком продолжают размываться. 5G частные сети предлагают сверхнадежную связь с низкими задержками (URLLC), которая может соединять туманные узлы с облачным ИИ при сохранении детерминированного поведения. Федерированное обучение позволяет обучать модели ИИ через многие туманные узлы, не перемещая необработанные данные в облако, сохраняя конфиденциальность. Между тем, бессерверные вычисления на краю (например, AWS Wavelength, Azure Edge Zones) привносят облачные сервисы в центральные офисы телекоммуникаций, уменьшая задержку до однозначных миллисекунд. В ближайшие годы промышленные архитектуры будут рассматривать туман не как альтернативу облаку, а как интегральный слой в континууме — от датчика до облака.

Вывод: создание архитектуры, которая работает

Туманные вычисления и облачные вычисления являются взаимодополняющими, а не конкурирующими парадигмами промышленной автоматизации. Туман превосходит те, где скорость, надежность и суверенитет данных имеют первостепенное значение; облако обеспечивает масштабируемость, передовую аналитику и централизованное управление. Наиболее успешные реализации рассматривают их как два конца спектра, с гибридными архитектурами, обеспечивающими лучшее из обоих миров. Понимая технические и экономические компромиссы, изложенные в этой статье, инженеры по автоматизации и ИТ-лидеры могут проектировать системы, которые являются одновременно гибкими и надежными - способными удовлетворить сегодняшние производственные потребности при масштабировании для завтрашних инноваций.

Для дальнейшего чтения, изучите справочную архитектуру Промышленного интернет-консорциума , IEEE документ по туманным вычислениям в производстве и ресурсов Фонда OPC на TSN .