運用 Elastic Stack 的典型 IIoT 案例

以下為運用 Elastic Stack 進行 IIoT 數據分析與監控的實例。還有更多實例如遠端操控機器來處理問題。 

預測性分析導致預測性維護的出現

感測器資料能有效分析物聯網裝置的健康狀況。感測器資料如空氣、油壓、溫度、電壓、速度、聲音、頻率或顏色/電光變化，可作為故障的早期預警。能預知故障並適時因應以降低成本。
此外，有了感測器資料或資料的閾值，生產管理部門能根據數據為每台設備制定的維護計畫，而非流於僵化的維護週期，藉此降低生產成本與停機時間。

剔除率與報廢率的降低

另一項重要的 KPI 為剔除/報廢率 (reject rate / scrap rate)。了解生產過程中哪一部分導致廢品以降低報廢率是很重要的。Elastic Stack 中基於機器學習的異常值檢測 (outlier detection) 有助於發現與預期結果不同的產品。利用異常值檢測搭配感測器資料，能簡單快速地發現問題。設計良好的機器學習能讓機器在無人為干預的情況下進行優化。

廠房安全

IT 相關系統的安全是今日眾所皆知的挑戰。而廠房安全往往更難顧及。現在一般的做法是將整個生產設備中斷連線以防止入侵，不幸的是，這變得越來越困難。

「典型 IT」(如 ERP 的 SAP PP 或 PLM) 對 SPS (如 Siemens SIMATIC) 系統的影響越來越大，最終將導致直接通信 (direct communication) 一 這有好有壞。市場需求推動了 MoD (按需製造) 技術，此技術藉著 3D 打印與雷射切割技術而生。舉例來說，想像一下由網路商店中客製訂單所觸發的自動化生產過程。互聯的 IT 系統與廠房將是一個全新的風險。 廠房安全也因此成為工業轉型 4.0 很重要的議題。利用 Elastic SIEM (security information and event management) 收集所有相關資訊，您的智慧工廠也可以偵測安全狀況並解決問題。

利用 Elastic Stack 收集與分析不同的 IIoT 資料源

Elastic Stack 已持續多年擁有專業的分析技術。其中困難之處是將不同資料源納入 stack 中。
從生產工廠各式各樣的資料源收集資料不能只靠一種方法完成，而是需要將多個資料源放在一起， Elastic 為開源、實時的資料平台，其生態系統能輕易地整合所有類型的資料源。

在一個工廠裡有許多不同的系統需要監控，這些系統從舊式的 (可能使用 Windows 95 或更久遠的控制軟體）到最新的 Linux 及 OPC-UA 作業系統。這裡主要談論以下幾種系統：

• 製造控制系統 (Manufacturing control software) 如 IBM MQ ，為控制工廠內與工廠之間的製造過程。
• 可程式化邏輯控制器 (PLCs) 是一種獨特的電腦裝置，多用於工業控制系統。它是一種特殊用途的「工業 PC」，可以控制感測器與執行器。例如：它能控制造紙業中生產紙製品的機器，也可以控制電梯及電扶梯。還有許多可以用 PLC 來控制的實例。
• 工業機器人，以 KUKA (德國/中國製造商) 製造的為例，KUKA 機器人含有 OPC-UA 伺服器，它能控制 KUKA 機器人，同時也能與製造廠的其他機器人和系統互動。OPC-UA 也會透過網路互連系統，因此可能面臨安全威脅。這也就是為何安全在 OPC-UA 規範中那麼重要，此外它也需要 Elastic 這類監控平台來做監控。
• 感測器與其他自動駕駛汽車或裝置大多用於測量溫度、濕度、速度、加速度、定位、震動或其他需與製造過程資料有關聯的指標。舉例而言，溫度和濕度的變化會影響機器人的運作，並引發劇烈震動，可能因此使機器人故障或生產出品質差的產品。所以感測器和機器人資料對營運十分重要。

從 PLCs, MQTT brokers 及 OPC UA 伺服器中收集資料

為了收集所有接近實時的資料，我們可以使用 Machinebeat 一 能從 MQTT brokers 及 OPC UA 裝置中收集資料的 Beat 群集。Machinebeat 的 MQTT 模組能從不同的 IoT 雲端服務商收集資料，如：AWS IoT core 或 Azure IoT Hub。
為了收集 PLC 裝置的資料，有一套以 Apache Project PLC4X 作為 Logstash 外掛的組合，讓客戶能從所有支援 PLC4X 的 PLC 收集指標數據。

運用 Kibana 視覺化您的資料

擁有所有資訊後卻迎來新的挑戰。只有當您能從中獲得價值時，儲存的這些資料才有作用，而價值可以從深入了解資料狀況後獲得。視覺化能滿足這點，下方例子說明了 IBM MQ 控制的製造環境中多個佇列 (queue) 之間的訊息傳遞。在傳統的監測系統中，您必須熟知您監測的項目。有了 Canvas，您可以將特定資訊抽象化，並對當下情形提供簡易彩色編碼的反饋 (color-coded feedback)。