Udnyt dine UNS-data
– med HighByte Intelligence Hub
Af Jeffrey Schroeder, Co-Founder & Chief Product Officer, HighByte
En af de mest almindelige bekymringer vedrørende Unified Namespace (UNS), er, at arkitekturen mangler den alsidighed, der er nødvendig for at adressere forskellige downstream-dataforbrugere.
Kvalitets-, vedligeholdelses- og procesingeniører gør alle deres del for at understøtte en produktionslinje. Kvalitetsteams har brug for inspektionsresultater, vedligeholdelsesteams har brug for data om aktivets ydeevne, og procesingeniører har brug for parti- og procesparametre. Holdene har brug for datasæt, der både overlapper og adskiller sig efter use case. Disse ingeniører bruger forskellige applikationer og tjenester – alt fra ERP-moduler til kvalitet og vedligeholdelse til specialiserede ML-platforme i skyen – som hver især kræver meget forskellige datastrukturer. Mange af disse applikationer og tjenester fungerer ikke let sammen med UNS og dets arkitektoniske konventioner. De har muligvis ikke en naturlig grænseflade med MQTT-mæglere, og man bør heller ikke forvente, at de har det. De bruger muligvis ikke payloads, der er orienteret omkring et rigidt aktivhierarki og publicering af telemetridata fra proceskontrolnoder. De kan have helt andre behov, end det var forudset, da fabriksautomatisering blev installeret og integreret. Deres databehov kan overskride, hvordan UNS oprindeligt blev opbygget og organiseret.
HighByte Intelligence Hub kan overvinde disse udfordringer. Gennem datamodellering og pipelines muliggør Intelligence Hub det fulde potentiale af UNS og leverer kontekstualiserede produktionsdata til skyen. Lad os se på en prøvearkitektur for at se hvordan.
Data fra linjen til skyen
I vores eksempelarkitektur vil vi levere brugbare data fra industrielle sensorer, maskiner og systemer til cloud-applikationer gennem UNS.
Cloud-baserede dataforbrugere har historisk set været noget svære for UNS at nå, hvilket eksemplificerer det, der ofte omtales som “OT-IT kløften“. En UNS-arkitektur er ideel til industrielle systemer, der bruger publish-subscribe-mønsteret til at udveksle telemetridata, men alt andet kræver et robust abstraktionslag (den del af UNS, hvor datasæt er samlet, kontekstualiseret og standardiseret). Intelligence Hub kan ikke kun bygge og styre UNS; det kan også publicere som UNS og abonnere på UNS, og levere data til cloud-tjenester og andre applikationer i henhold til deres unikke datakrav. Fra top til bund betyder det, at Intelligence Hub kan:
- Normalisere og kontekstualisere kildedata i overensstemmelse med de brede behov hos UNS og dets forbrugere, vel vidende at disse behov vil udvikle sig over tid.
- Offentliggøre data til abonnenter via den indlejrede MQTT-mægler eller tredjeparts MQTT-mæglerinfrastruktur.
- Oprette payloads, der transformerer og blander data fra flere kilder for at imødekomme det forbrugende systems behov.
- Levere datanyttelasten, på det rigtige tidspunkt eller frekvens, direkte til det forbrugende system.
- Administrere anerkendelser og overvåge og styre disse datapipelines til og fra UNS som gentagelige, missionskritiske forretningsprocesser.
Her er prøvearkitekturen som er beskrevet.
Dette diagram giver et overblik over, hvordan databevægelse kan se ud for Intelligence Hub-brugere, der driver en UNS sammen med AWS og Snowflake. I bloggen “Abstraction puts the ‘unified’ i Unified Namespace” dækker John Harrington det grundlæggende i, hvordan maskindata kan kontekstualiseres til UNS. Lad os se på downstreams-siden, og hvordan Intelligence Hub kontekstualiserer UNS-data til skyen ved at bruge Snowflake Data Cloud og AWS IoT SiteWise som eksempler.
UNS og Snowflake
Snowflake Data Cloud er et af de mest populære target systems i arkitekturerne for HighByte Intelligence Hub-brugere. Data Cloud-platformen muliggør øjeblikkelig, friktionsfri sikker deling af live-data inden for og mellem organisationer med skalerbarhed, samtidighed og ydeevne.
I tidligere versioner af Intelligence Hub kunne brugere oprette forbindelse til Snowflake Data Cloud ved hjælp af generelle grænseflader såsom JDBC (SQL), MQTT Sparkplug eller Kafka, eller gennem en cloud-objektlagringstjeneste såsom Amazon S3 eller Azure Blob Storage. Som en del af Intelligence Hub version 3.3 har HighByte afsløret to dedikerede Snowflake-connectors: Snowflake Streaming og Snowflake SQL. Disse to connectors hjælper med at bringe styrken fra Snowflakes Data Cloud til UNS.
Den første connector, Snowflake Streaming, bruger Snowflake Snowpipe Streaming API. Når en bruger publicerer modellerede data til Snowflake, opretter eller opdaterer connectoren Snowflakes tabelskema baseret på den model, der er defineret i Intelligence Hub, og hydrerer det derefter med konsistente og kontekstualiserede industrielle data. Denne grænseflade muliggør direkte publicering til Snowflake-tabeller uden behov for staging filer, staging tabeller eller tredjepartsapplikationer. Den direkte publicering sænker beregningen, lagringen, latensen og omkostningerne ved at historisere hyppige telemetribegivenheder i Snowflake. Ideelt til UNS, da HighByte Intelligence Hubs Snowflake Streaming-connector giver brugerne mulighed for at streame kontekstualiserede data payloads hurtigt og nemt, uden at skulle manuelt vedligeholde payload-definitioner i både OT-systemer og Snowflake Data Cloud. Snowflake Streaming er en enkel, direkte vej mellem Snowflake cloud-applikationer og UNS.
UNS og AWS
AWS IoT SiteWise er en aktiv-orienteret tidsseriedatabasetjeneste, der indsamler, modellerer, lagrer og overvåger industridata. Muligheden for at skabe modeller, aktiver og aktivrelationer i AWS IoT SiteWise og hydrere det med industrielle data har længe været tilgængelig i HighByte Intelligence Hub. Ved at bruge sine modelleringsfunktioner kan Intelligence Hub normalisere en lang række industrielle datakilder til et ensartet sæt målinger inden for modellerede aktiver i IoT SiteWise.
Som noget nyt i HighByte Intelligence Hub version 3.3, kan brugere gennemse og målrette IoT SiteWise-aktivets namespace fra Intelligence Hub samt udtrække model-, instans- og relationsdefinitioner som metadata ved hjælp af de nye instans expression funktioner. Dette kan bruges til yderligere at kontekstualisere payloads eller rute deres delivery dynamisk.
Vigtigere er det, at Intelligence Hub kan subscribe på UNS og historisere modellerede data, et nødvendigt trin i levering af data fra en UNS til en tidsseriedatabase som IoT SiteWise. Intelligence Hub, fungerer på vegne af det forbrugende system, og indsamler UNS-data for at lette processen IoT SiteWise, og leverer UNS-data med det optimale interval eller begivenhed og med den rigtige kontekst.
Afsluttende
UNS-arkitekturen fortsætter med at vokse i både interesse og adoption. På trods af heterogeniteten af operationel teknologi (OT) inden for og på tværs af industrivertikaler, gør en UNS-arkitektur det muligt for organisationer at harmonisere distribution af industrielle data på ét sted og i en struktur, der ligner deres virksomhed. I stedet for at være begrænset til den måde, OT-løsninger præsenterer data på, giver et UNS frihed til at publicere og forbruge industrielle data på den måde, organisationer fungerer på.
Vi håber, at du har fundet eksemplerne i dette indlæg nyttige i din forståelse af UNS og hvordan du sætter UNS-data til at fungere for et bredt sæt af applikationer, services og business use cases.
Ud over de nye og forbedrede connectors til cloud-tjenester er mange nye funktioner og muligheder inkluderet i HighByte Intelligence Hub version 3.3.
Teksten i denne artikel er oversat fra HighBytes Blog: Put your UNS data to work with HighByte Intelligence Hub
Vil du vide mere om HighByte Intelligence Hub?
Udfyld formularen nedenfor, så kontakter vi dig snarest
