直击Huawei Mate 40产线背后的华为云IoT智能制造

Posted 华为云开发者社区

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了直击Huawei Mate 40产线背后的华为云IoT智能制造相关的知识,希望对你有一定的参考价值。

摘要:数字孪生?在数字世界找到物理世界的设备!

本文分享自华为云社区《【云驻共创】Huawei Mate 40产线直击之华为云IoT智能制造助力工厂数字化转型》,原文作者:启明。

Part 1:智能化工业4.0时代的数字孪生

一、工业4.0,智能化时代已来

回顾人类历史,我们共同顺利经历了三次工业革命:

第一次是蒸汽机时代,开创了以机器代替手工劳动的时代;第二次是电气时代,自然科学的发展和工业紧密结合,科学在推动生产力方面发挥了更为重要的作用;第三次是信息化时代,科学技术转化为直接生产力的速度急速加快。

而今,我们迎来了第四次革命,即,工业4.0:智能化时代。“工业4.0的本质,就是通过数据流动自动化技术,从规模经济转向范围经济,以同质化规模化的成本,构建出异质化定制化的产业。对于产业结构改革,这是至关重要的作用。”

作为新一轮的工业革命,工业4.0的核心特征是互联。工业4.0代表了“互联网+制造业”的智能生产,孕育大量的新型商业模式,真正能够助力实现“C2B2C”的商业模式。

二、当前工厂数字化转型痛难点

当前,大家都还在“工业4.0”的摸索阶段。大量的工厂已经开始自己的智能化转型之路,比如通过构建应用来讲采集的数据可视化,讲数据价值最大化。但是,在这个实践过程中,问题不断涌现,诸如:

2.1 数据/信息孤岛,烟囱林立

一家工厂,在不同的阶段,因为项目的不同,有可能找不同的供应商去承接。分段式的项目供应商,导致的是不同的系统应用。形象点说,多系统不互通,就是像独立的“烟囱”,每个“烟囱”都有“烟”,但是却不互通。在工业4.0阶段,不互通,意味着信息孤岛,也就意味着企业的数字资产分布零散,维护成本高,使用效率低下;

2.2 应用上线慢,耗时耗力

正如第一点所说,不同系统之间的不互通,导致的是新的应用上线会“重复造轮子”:每个应用上线,都有大量的重复工作,浪费人力物力,且耗时长。更重要的是,新的应用带来的数据处理问题:由于缺乏统一的建模,每个应用在处理原始数据时,都需要重复处理。两个“重复”让本就高昂的成本,更加“雪上加霜”;

2.3 数据分析门槛高

工厂,或者企业,有着一颗想要降本增效的心,比如想要通过分析现有的数据找到规律,从而优化流程,但却因为数据分析的门槛高,望而却步。这其中最关键的原因,是其业务场景不明确,没有找到一个好的数据平台。

三、找对平台,是成功的一半

以上痛点难点,是大部分工业领域的厂家在“工业4.0”摸索过程中都会遇到的,而贯穿其中的是“应用”。也就是说,软件开发者未做到足够的分层解耦是造成上述问题的重要原因之一。以“应用”为基础,工厂经历了三个时期的三种模式:

3.1 模式一:“烟囱式”应用

在工业4.0之前,由于缺乏应用和实践,大部分厂家的应用,如上所述,都是“烟囱式”的:

https://image.cha138.com/20210603/b6cba6e0e72148e794781bfbd2198790.jpg

这样便导致,一是缺乏整体规划,各应用独立部署,数据各自基于业务需要单独进行采集和使用;二是效率低下,比如重复采集数据,对生产有较大影响。

3.2 模式二:平台解耦——统一数采平台

在“平台”概念提出之后,工厂管理者们逐渐意识到,或许,在生产线和应用之间,需要有一个“平台”,这样的解耦,能让应用和生产线,应用和应用之间互联互通。而这,就是工业4.0的一个基础模型。

https://image.cha138.com/20210603/1a798b0be77546da89fd6359e86c7b73.jpg

模式二的产生,让专业的数据采集团队完成尽可能多的数据采集,并集中统一开放,让整体效率有所提升。但是我们可以发现,即便是这样,数据的使用仍然是独立的,没有实现真正的融合。在产线或者生产设备取得的数据,仍然是元数据,应用在取得数据之后,仍然需要单独对数据进行二次加工处理使用,进而导致应用间对数据的处理仍然存在大量重复工作。

3.3 模式三:数据处理——统一孪生模型

如何同步解决“应用解耦”和“数据统一处理”问题,华为IoT有自己的方法。

https://image.cha138.com/20210603/0a939ae6cc1c41a8982225badfc7d9f3.jpg

在物联网领域,有“孪生体”这样一个概念。通过“孪生体”把设备的感知和设备的认知,进行统一的处理。同样以工厂为例,工厂里面是有非常多的生产装备、生产产线以及其他各式各样的物理设备的,那我们能不能帮助工厂把所有的这些物理设备,通过统一的建模,对这些设备一一进行处理,抽象为数字化的形象呢?

答案是,可以。通过把物理对象一一进行数字化处理,那么应用和物理设备的交互,就转变成了应用和数字孪生体的交互。相对于前两种模式,这种模式的开发方式有了一个非常大的变化:我们可以无视最底层的物理设备,或者物理接口,将数据建模部分的工作,交由IoT的“统一孪生模型层”完成。

“孪生”这一概念,意味着我们在建模的时候,首先需要对模型有清晰的认知,也即广泛的数采能力,毕竟在工厂里面,会有各式各样的设备,这些设备同时又有各式各样的一些协议;其次,需要有非常高的抽象能力,你需要将物理世界的设备,抽象成数字世界里的模型,并且能进行交互。

数采能力和抽象能力,是目前开发物联网应用过程中,非常关键的两个能力。

基于华为云IoT带来新的开发模式,帮助用户快速构建数字化转型的基础平台。

接下来以华为自己的工厂为例,来简单说明华为云IoT是如何使用新的开发模式,助力工厂数字化转型的。

正如大家所知道的,华为本身也是一个制造型的工厂,华为云IoT的能力首先是在自己的工厂进行实践。我们以南方工厂,也就是Huawei Mate 40 生产工厂为例,把工厂的手机贴片过程通过数采、建模在数字世界中构建出一个数字化的产线的孪生体。

基于华为云IoT的能力,在南向完成一个统一的孪生体,并在上层构建可视化、智能化的应用,具体架构图见下:

https://image.cha138.com/20210603/21918f4ce337484d908b82c96462c037.jpg

        在南方工厂实际数字化进程中,有以下几个挑战:

  • 产线设备厂家/种类/型号多种多样,涉及超过30+不同应用层协议需要对接,采集难度大;
  • 一条产线上超过上千条测点数据,缺乏数据建模手段,导致数据处理低下。

        那么,如何站在开发者的角度,去省时省力地完成数字化呢?华为云IoT正式登场。

四、以多维模型为核心,构建数字孪生

在一个数字孪生体的实际应用背后,是有很多的模型的,比如产线的模型,设备的模型,质量缺陷的模型等等。而在建模过程中,从看待一个工厂物理世界当中的物理对象的角度,可以把工厂的孪生体分为两类:制造的数字孪生和产品的数字孪生。

制造数字孪生:

  • 定位:将工厂的制作环节进行数字化的镜像,能够实时反映工厂的制造过程;经过对制造过程的统一抽象,不同应用可以基于同样的语义进行交互;
  • 建模内容:生产装备、产线、生产工艺流程、质量缺陷、物理结构等等;

产品数字孪生:

  • 定位:从工厂在制产品维度,组织生产过程中产生的各种数据,并预留通过与数字主线对接能力打通产品设计阶段、产品维护阶段的数据;
  • 建模内容:产品的各种属性,生产过程数据,质量数据等。

https://image.cha138.com/20210603/07288e1a04314eef8c7756320b2466f3.jpg

以上,就是工厂数字孪生的两个非常重要的数字抽象维度。通过将产线生产过程透明化,实现生产有序可控,让应用上线时间从原来的6-9个月,缩减至3个月;同时,孪生建模+智能分析,用数据去驱动智能生产,让数据的开发效率能提升70%。通过华为云IoT,我们可以快速实现工厂的全要素联结,并通过构建工厂数字孪生模型,大幅度提升数据利用效率。

https://image.cha138.com/20210603/88706a7b5a6e46058b71b5e3f14173ea.jpg

Part 2:基于南方工厂的数字孪生实践

回到我们的主题。南方工厂,即是生产Huawei Mate 40的产线。手机产量的暴增,让产线的数字化需求迫在眉睫。通过整个产线的数字化,可以提升生产过程、优化制造工程厂商的管理,以及质量控制的管理,让产线的效率得到大大的提高,同时能够降低运营的成本。

上图是一个工厂孪生体的多维模型。我们可以看到在产品模型中,包括了设备模型和产线模型,更上层还有制程能力模型、质量缺陷模型以及设备物理/结构模型和设备故障预测模型。

通过应用华为云IoT数据分析服务建模和分析能力,可以快速构建的电子工程产线和设备孪生体。那么本文我们就来介绍一下如何构建一个数据分析服务建模。

一、基础概念介绍

(一)OEE概念简介

在进行建模讲解之前,我们先普及一个基础的概念。OEE,即设备综合效率(Overall Equipment Effectiveness)。一般来说,每一个生产设备都有自己的理论产能,要实现这一理论产能必须保障没有任何干扰和质量损耗。OEE就是用来表现设备是的生产能力相对于理论产能的比率。

在计算OEE的时候,会涉及到以3个维度:

  • 时间利用率:时间利用率=Σ实际运行时间/Σ计划开机时间*100%。用来评价停工所带来的损失,包括引起计划生产发生停工的任何事件,例如设备故障,原材料短缺以及生产方法的改变等等;
  • 性能利用率:性能利用率=Σ[产出数量*一个产品在设备应有状态下加工的周期时间]/Σ实际运行时间*100%。用来评价生产速度上的损失。包括任何导致生产不能以最大速度运行的因素,例如设备的磨损,材料的不合格以及操作人员的失误等;
  • 合格率:合格率=[合格产出数量]/[产出数量]*100%。用来评价质量的损失,它用来反映没有满足质量要求的产品(包括返工的产品);

那么最终的计算公式就是,OEE=[时间利用率]*[性能利用率]*[合格率]*100%,这就是衡量设备综合运营效率的一个关键指标,也是很多电子制造工厂以及其他类似厂房里的一个关键性指标。

一般来说,国内厂家OEE的数值都不会太高,一般只有70%,或者80%,少的甚至只有40%左右。

(二)工厂孪生体产线和设备建模分析效果图

工厂孪生体产线和设备建模分析,可以通过一些可视化的管理后台进行查看。以下分别三个不同功能的效果图。

Picture 1:图上共有3条产线,可以进行适当地拖放。图里可以看到每个设备的OEE数值。通过资产建模和分析能力可实时计算出产线和设备的OEE,各设备关键指标实时监控,同时可查看历史数据。

https://image.cha138.com/20210603/a3d042bf4cf04c759fc17c6d4c944968.jpg

Picture 2:设备建模图。通过设备上报故障消息和设备模型相结合,实时监控设备运行状态。

https://image.cha138.com/20210603/70eef09604134b8fbb8790e463b54f9d.jpg

Picture 3:资产分析图。通过资产模型分析能力,可实时分析和监控上报的设备数据是否存在异常。比如说,湿度正常情况下是到45%~63%,如果上报的数据不在这个范围内,则属于不正常数据。界面就会显示一个黄色的点,表示这里的设备上报的数据有异常。可以看出,数据分析是可以实时计算,实时监控的,如果有些严重异常的话,甚至可以推送到运维人员。

https://image.cha138.com/20210603/7f5dc86009a6437d96dcfa0188dc1d9d.jpg

(三)工厂数字孪生Demo数据处理和分析流程

要实现上述的效果图,我们需要经过如下几个步骤(因为不是真实工厂,所以采取的是模拟设备):

  • 设备模拟器:基于标准物模型,模拟器定时5秒通过MQTT协议自动上报设备属性数据,可模拟手动出发上报消息,比如设备告罄消息。
  • IoT设备接入服务:通过配置设备数据转发规则将设备属性数据和设备消息到IoTA(数据分析)服务。
  • IoT数据分析服务:基于数据管道接收设备数据,并通过资产建模和计算分析能力,实时计算生成产线和设备OEE相关数据,判断数据是否存在异常信息。
  • 3D应用:通过调用IoTA的API获取数据,以3D的形式展示产线和设备,可查看产线和设备OEE,设备关键指标,告罄等故障信息,同时可查到相关历史数据。这也就是第二部分的效果图。

https://image.cha138.com/20210603/8042ef6c8d884741b91e03e21e6539ab.jpg

(四)IoT数据分析内的分析过程

接下来,我们来重点讲解一下“IoT数据分析服务”内部的流转过程。

第一步,数据管道。我们通过数据管道把数据接进来,同时本地也会进行备份;

第二步,对设备进行建模;

第三步,建立设备资产;

第四步,把模型实例化之后的设备,及灌进来的数据,通过设备资产分析这个计算引擎,完成实时计算相关的分析任务;

第五步,把数据存储到IoT内部;

第六步,把这个数据通过API开放给第三方使用。

具体见下图:

https://image.cha138.com/20210603/5265a8f83eb1483d904642f3f88e94d7.jpg

在这个过程中,我们需要详细讲解一下第二步以及第三步是如何操作的,也就是,我们如何创建模型和资产呢?

(五)IoT数字孪生的基本概念介绍

在进行创建模型和资产讲解之前,我们先介绍一下“IoT数字孪生”的基本概念。

我们认为,物理世界的物,在数字世界中是有一个实时的、准确的一个映射的,它可以把实际的设备数据和一些其他的数据组织起来,组成jason模型,成为一个载体。

https://image.cha138.com/20210603/1f66bd0956434edbae6ec8312c278ac2.jpg

上图是我们数字孪生的一个概念图。

首先数据孪生体,可以分为模型和资产两部分。其中模型相当于开发过程中,Java的类,表示一个类的一个模板。在实例化之后生成一个资产,就相当于new class,那么也就生成了一个对象。一个对象对应一个资产。

同时,模型又分为两种,第一种是属性,属性还可以往下分还要分三种:

第一种是静态配置属性,此类属性不需要设备上报,也不怎么会有变化,比如产品型号,设备类型等等;

第二种是测量数据属性,测量数据属性是需要设备上报的。通俗一点说,就是,数据分析自己是没法得到的,需要别人给系统的数据。包括设备上报的属性,也有可能包括从第三方的业务系统读到的属性,系统都认为是一种测量属性;

第三种是分析任务属性,此类属性在数据上报之后,是需要去进一步计算的。

针对最后一种任务分析属性,有相应的任务去配置,去计算。在这个过程中,相当于算法的加载及配置:先去分析这个数据,然后后台的计算引擎就去加载配置的业务逻辑。分析任务属性目前有分三种:

第一种是转换计算:举个简单例子,假设创建的时候包含了两个属性,a和b,而我们要求在这个过程中,a+b=c,那么这就是一个转化计算。转化属性要求是实时的,且ab两个值的数据时间戳是相同的;

第二种是聚合运算:聚合是一个时间维度的计算,假设要求过去五分钟的一个平均温度,如果设备每五秒钟上报一次数据,那么就需要对五分钟内的所有上报的数据做一个平均,相当于在时间维度下,做聚合运算;

第三种是流计算:流计算主要是用在比较复杂的场景,逻辑不能用简单的一个if /else表达出来的时候,就需要使用到流计算。举例来说,当资产将很多参数上报之后,系统需要通过这几个参数计算出一个结果,再返回资产,那么流计算在其中的作用就相当于一个计算器。流计算的功能非常强大,在工厂数字化模型中,大部分的场景都能实现,比如滑动窗口、数据过滤、加属性等等,是比较通用的一个能力。

以上就是一个整体的建模的概念,基于上述的这些概念,我们能更好地理解后面的内容。

二、资产建模实操

(一)设备建模:SMT产线印刷机设备

对物理世界事物构建数字资产模型时,必须先定义好资产模型,然后再创建资产。一般来说,一个产线有7种设备,我们以其中的印刷机为例,来讲解一下设备是如何建模的。

首先,是属性的配置。针对于印刷机,我们三种属性分别为:

静态配置属性:产品理想印刷时长、设备型号

测量数据属性:印刷速度、脱模速度、印刷高度

分析任务属性:时间利用率、性能利用率、合格率、OEE

而分析任务属性同时又有以下计算配置:

转换计算:计算时间利用率、计算性能利用率、计算OEE以及判断温度状态

聚合计算:计算实际工作时长、计算实际工作时间、计算合格率

流计算:SMT场景暂未使用

下图为属性编辑的页面,包括静态配置、测量数据以及分析任务,可供参考。

https://image.cha138.com/20210603/dfcceecc24fd4dc5a63653cbe81007fd.jpg

下图为所有参数都配备完成之后的完整样例。在这里面可以看到大概有70个左右的属性,这些属性都是模拟了真实产业的一些属性。下图所有的数据,包括样本和格式都是来自于南方工厂实际的生产数据,所以是相对比较真实的。

https://image.cha138.com/20210603/713fe78f96be4f6e9404bcedf4dae065.jpg

通过下面的截图,我们希望能够说明印刷机的分析任务是怎么配置的。以“转换计算”为例,只需要读取上报的温度值,并做一个表达式判断,比如说温度大于25,小于35,那么就认为是正常温度。把判断的结果复制给应用,应用就能直接使用这个结果。

https://image.cha138.com/20210603/e903d6005c5b4ab289ba6a451895ccf1.jpg

下图为配置好的分析任务。可以看到,我们目前配置好了11个分析任务,包括计算资金利率、性能利用率、合格率、OEE、以及各种状态的判断等等前面所说过的种类。

https://image.cha138.com/20210603/2fcac6c8a5bf469b90d141cf62828d13.jpg

(二)产线建模:SMT产线

前面说完了“设备建模”,接下来我们讲解一下“产线建模”。

产线建模实际上也和设备建模的概念相同,模型类似。但是静态属性和测量数据属性暂时没有配置,因为产线相对简单一些,主要是求OEE的值,也就是分析任务属性,包括OEE相关的四个指标,以及转换计算、聚合计算和流计算。

https://image.cha138.com/20210603/6f4381edf38f4fa2bea77910152d0097.jpg

分析任务属性的配置和设备产线是一致的,就不再重复讲解。

下图为印刷机的设备资产配置图示例:

https://image.cha138.com/20210603/8e59a85dbf054da58d39ca060384ed1f.jpg

接下来,我们来看看产线资产是如何构建的。如下图,产线资产一共分三层:

第一层是工厂(父资产);

第二层是产线(子资产);

第三层是设备(子资产)。

产线和设备同样有模型,三层模型构成了一个“父子关系”的资产数。资产来自于模型,由模型实例化而来,同时,模型实例化为资产时可以根据业务场景来指定层级关系,且资产之间相互独立。

https://image.cha138.com/20210603/6ec72b98f1934357a71d9ec118926f14.jpg

下图是构建好的资产树。相比于上一张图的逻辑图,这是一个示例图。图中表明一个电子工厂有三条SMT产线,每条产线有7个SMT设备https://image.cha138.com/20210603/6056524b5d9e416f99961e51ca072e36.jpg

(三)、OEE相关指标配置(设备&产线)

我们再来看看设备的每个指标是如何计算的,如下图。我们以“产品合格率”(下图灰色部分)为例。

如前文所述,合格率=[合格产出数量]/[产出数量]*100%。表格中“TS_Sum”表示时序求和,即可以把产量在一个时间范围内求和,比如,对五分钟内的产量进行求和。其他指标的计算方式和合格率类似,就不一一赘述。

产线和设备的指标计算过程相似,差别在于数据的来源。产线的数据来源于子资产,而非产线自己产生的。因为资产“父子之间”的数据是可以相互引用的,而产线本身是不上报任何数据的。

https://image.cha138.com/20210603/68af54c3e137428eaa742eec317e308e.jpg

(四)资产运行监控

所有的产品创建、属性配置都完成之后,即可点击“发布”,将模型发布并运行。模型在定义的时候,本身是一个静态的过程,一旦发布,就会激活。根据前序定义的任务分析逻辑,系统将会自动计算,并得出实时结果,进行上报。所有的数据都可以在下图中观察看到。

https://image.cha138.com/20210603/47f5b4d93940401785930782bb5793a5.jpg

除了上述的数据展现模式,还可以根据业务的需要,将数据展示成折线图、热力图、曲线图等等,更易进行分析的图形展示方式,得出你想要的结果。示例图如下。

https://image.cha138.com/20210603/2ac0f4010c4b491d82abef8f034bb689.jpg

想要体验一个产线模型建立的过程,可以前往华为云IoT数据分析服务(https://www.huaweicloud.com/product/iotanalytics-platform.html)深度体验。根据“总览”页的指导一步步进行操作。

https://image.cha138.com/20210603/2343bcf11ab44e1a87b6c64cbea95aa7.jpg

三、小结

从上述的讲解和介绍,我们可以得出以下结论:

  • 物理世界的物在数字世界中的实时准确映射,组织数据&模型的载体,是IoT领域的数字孪生;
  • 围绕一个具体的物理对象,组织数据&模型,定义一个数字化的模型,即是IoT领域的数字建模过程;
  • 设备数字孪生模型由属性和任务分析两部分组成;
  • 对物理世界事物构建资产模型时,须先定义模型,再创建资产
  • 面向对象建模思想带来的好处:封装、继承、组合,提升复用效率和可扩展性。

华为云IoT数据分析服务基于物联网资产模型,整合IoT数据集成、清洗、存储、分析、可视化,为IoT数据开发者提供一站式服务,降低开发门槛,缩短开发周期,快速实现IoT数据价值变现,让工厂数字化转型升级“触手可及”。

来一起体验一下吧~

 

点击关注,第一时间了解华为云新鲜技术~

以上是关于直击Huawei Mate 40产线背后的华为云IoT智能制造的主要内容,如果未能解决你的问题,请参考以下文章

直击Huawei Mate 40产线背后的华为云IoT智能制造

HUAWEI mate40pro和HUAWEI P40pro的区别

华为mate50和华为mate40区别 哪个值得入手

HUAWEI Mate40系列搭载了POKERTIME129263和麒麟9000

HUAWEI Mate40系列搭载了POKERTIME129263和麒麟9000

HUAWEI Mate40系列搭载了POKERTIME129263和麒麟9000