Управление Интернетом вещей: схемы реализации, принципы и варианты архитектуры

***

Использование мобильной связи и GPS-позиционирования позволило специалистам Центра автоматической идентификации Массачусетского технологического института существенно улучшить мониторинг транспортировки грузов. Сотрудники получили возможность отслеживать местонахождение большегрузов практически в режиме реального времени. Кроме того, добавив в систему новые датчики, они смогли получать текущие значения не только скорости движения, но и, например, температуры внутри контейнера. Именно такая беспроводная автоматизация и получила название «Интернет вещей».

Исходя из накопленного мною опыта, обсуждать вопросы архитектуры, принципа реализации или управляемости систем (и платформ) Интернета следует в контексте истории развития подобных систем. Проанализируем, как выбор архитектуры программного обеспечения повлиял в дальнейшем на коммерческую успешность соответствующих систем, в том числе на примере нашей платформы ThingWorx.

Связь между устройствами и платформой Интернета вещей

Действительно, проводная и беспроводная автоматизации идеологически близки, однако дьявол, как известно, кроется в деталях. Успешность стандартов взаимодействия проводной автоматизации не в последнюю очередь зиждется на свойствах самого провода (или нескольких параллельных проводов), а именно на единой скорости передачи данных и надежности такого соединения. Наличие разрыва в соединении – форс-мажор, причем информацию об этом событии также можно получать достаточно оперативно. Как же обеспечить критически важную связь в нагруженных системах беспроводной автоматизации, когда зоны покрытия любых операторов связи имеют разрывы? Такие случаи отнюдь не редкость, могут повторяться, причем по причине экономической нецелесообразности, а не технологического несовершенства.

Ответом наших IoT-разработчиков стало создание технологии двунаправленной коммуникации, в которой передаются не только значения нужных параметров, но и временные метки, что позволяет синхронизировать одновременно протекающие процессы, информация о которых пришла в разное время. В случае попадания устройства в «слепую» зону данные могут буферизироваться на устройстве и при восстановлении связи пакетно пересылаться в систему для корректной обработки. Важное преимущество технологии Edge – абсолютная независимость от архитектуры сети передачи данных.

Предложенное архитектурное решение позволило исключить программирование реакций на ошибки сети передачи данных для большинства беспроводных устройств. Это привело к существенному (как минимум на порядок) снижению времени и затрат на разработку приложений Интернета вещей.

Наша практика показывает, что ценность внедрения приложений Интернета вещей состоит не в присоединении миллионов устройств к Сети, а во внедрении комплексных сервисных систем автоматизации, работающих с проводными и беспроводными АСУ (включая унаследованные), промышленными ИТ-системами и облаками.

Куда поступают данные с устройств?

Специфика двунаправленных коммуникаций и независимость от архитектуры сети передачи данных потребовали создания коммуникационной шины, для присоединения к которой необходимо написать несложный коннектор по открытому API. Технология двунаправленной коммуникации позволила использовать такое архитектурное решение, как интеграционная шина данных платформы.

Таким образом у нас появилась возможность использовать коннекторы к более чем 140 стандартам промышленной автоматизации. Конечно, с промышленными АСУ ТП и раньше можно было работать по низкоуровневым протоколам, однако стандартизованное решение на порядок уменьшает время возврата инвестиций на внедрение системы. К тому же интеграционная шина позволяет применять множество готовых коннекторов к различным системам ERP, CRM, PLM, SLM и т. д.

Главная наша миссия – объединение цифрового и физического миров. За этим стоит практический опыт внедрения тысяч приложений Интернета вещей. Действительно, Интернет вещей позволил соединить две ранее независимые ИТ-плоскости: мир приложений автоматизации человеческого труда (офисные приложения, ERP, CRM, PLM) и мир АСУ и систем управления в режиме реального времени.

Где хранить данные?

Кроме того, платформу можно использовать для предоставления облачного сервиса, причем речь идет как о родном облаке, так и о других, к которым имеется коннектор в магазине приложений. Таким образом, каждый клиент может найти решение, подходящее ему по уровню безопасности, стоимости хранения и обработки данных.

Как обрабатывать большие данные?

Эффективная обработка данных, поступающих с IoT-устройств, предусматривает полную автоматизацию построения аналитической модели данных. Необходимо, чтобы программисту было достаточно просто указать целевой параметр и градацию (глубину анализа) алгоритма для поиска связей, в том числе нелинейных, в представленных данных. Остальное система выполнит автоматически. Кроме того, процесс обучения при необходимости должен учитывать и данные, поступающие в реальном времени, естественно, с учетом мощности аппаратного обеспечения. При этом хорошо, чтобы система больших данных могла работать как в облачном исполнении, так и в виде классического серверного приложения, действующего на платформе заказчика.

Принципы функционирования систем предиктивной аналитики основываются на работах Клода Шеннона, в частности, на решении задачи избыточности передаваемого сообщения. По сути, речь идет о системах архивирования и разархивирования. Просто алгоритмы ZIP или RAR работают с текстовыми файлами и устраняют повторяемые и пустые блоки информации, тогда как алгоритмы предиктивной аналитики – с таблицами, где колонки – это измеряемые величины, а строки значения величин, как правило, градуированы по времени изменения. В отличие от стандартных программ архивирования алгоритмам машинного обучения нужно восстановить только значение ключевого параметра переданного набора текущих измерений, а не исходное сообщение целиком. Неподготовленному человеку сложно находить закономерности в огромных табличных данных, алгоритмы машинного обучения часто обнаруживают закономерности, которые не отследит человек.

Строго говоря, предиктивные свойства подобных инструментов основываются на предположении, что условия работы системы в прошлом сохранятся и в будущем. Для многих технологических систем, например при исследовании вероятности выхода из строя агрегата (допустим, трактора), статистически достаточное количество экземпляров которого работает в разных условиях, такое допущение корректно. Если предполагается, что условия работы системы могут изменяться во времени, то следует применять методики отслеживания подобных изменений. Например, строить аналитические модели на разных временных интервалах, допустим, за последний год работы системы и за последний месяц. Если модель, построенная на основе данных за последний месяц, существенно отличается от модели, основанной на более длинном временном отрезке наблюдений, это может быть сигналом снижения уровня предиктивности системы.

У «правильной» платформы Интернета вещей, которая может строить аналитические модели на данных из принципиально разных систем (промышленная и проводная автоматизация, корпоративные ИТ-системы, облака, даже социальные сети или сценарии кинофильмов), есть большая вероятность найти скрытые закономерности работы исследуемой системы и благодаря этому обеспечить повышенную эффективность внедрения такой платформы.

Как отображать данные процессов беспроводной автоматизации?

В то же время в промышленной автоматизации для визуализации данных широко применяются SCADA-системы. Их особенность – клиент-серверная архитектура с использованием «толстого» клиента, что ограничивает возможности управления инсталляциями SCADA. Так, для исправления ошибки или обновления системы требуется обновить все копии SCADA-интерфейса на каждом работающем компьютере.

Наша IoT-платформа представляет собой систему SCADA с трехзвенной архитектурой (сервер данных, сервер приложений, «тонкий» клиент). Для получения доступа к человеко-машинному интерфейсу пользователю необходимо лишь знать адресную строку (URL) приложения и загрузить её в браузер. Платформа предусматривает также инструменты для быстрого создания интерфейсов с привязкой данных, поступающих из Интернета вещей.

Персональный компьютер – далеко не единственная среда для человеко-машинного интерфейса. Современная платформа Интернета вещей должна позволять использовать аналогичные интерфейсы в виде приложений для Android, iOS и Windows Mobile.

Применение дополненной реальности в промышленности

Например, какую дополнительную информацию можно наносить на экран планшета, на котором отображен двигатель или трактор? С платформой для Интернета вещей можно отображать данные о состоянии объекта в текущий момент времени: значения крутящего момента или температуру в определенных областях, информацию из ERP-, PLM-, SLM- или CRM-систем предприятия, показывать пошаговую инструкцию, сценарии исправления ошибок.

За последние два года Интернет вещей стал модным трендом в мире информационных технологий. С ним связывают начало едва ли не новой промышленной революции, которая многократно повысит эффективность и конкурентоспособность производства. Полагаю, стоит говорить об эволюционном развитии информационных технологий, связанном в первую очередь с объединением систем промышленной и беспроводной автоматизации, а также автоматизации человеческого труда на базе современной архитектуры программного обеспечения. На мой взгляд, Интернет вещей повысит эффективность производства не настолько сильно, как многие ожидают. Важнее другое: технологии способны повысить эффективность мировой «сервисной экономики», одним из элементов которой являются контракты полного жизненного цикла.