Pourquoi l'edge computing est si crucial pour l'IIoT

Michael Schuldenfrei d'OptimalPlus

L'invention de la carte de circuit imprimé (PCB) dans les années 1950 a changé le monde de l'automatisation. Avant le PCB, les cartes de circuits électroniques étaient assemblées exclusivement à la main, un processus laborieux qui limitait considérablement la production mondiale.

Aujourd'hui, déclare Michael Schuldenfrei, chargé de recherche en technologie d'entreprise chez OptimalPlus ,  l'industrie connaît un autre bond révolutionnaire avec l'introduction de l'instrumentation dans le processus de fabrication et l'utilisation de l'informatique de pointe.

L'instrumentation du processus de fabrication implique de nombreux capteurs et microcontrôleurs qui peuvent modifier subtilement les conditions de fabrication en réponse aux conditions environnementales détectées par les capteurs. Ces capteurs produisent de grandes quantités de données, mais les microcontrôleurs ne peuvent pas répondre directement aux données produites.

Les capteurs et les microcontrôleurs utilisés dans la fabrication d'instruments sont essentiellement de petits ordinateurs en réseau. Les capteurs envoient leurs données à un emplacement central où les données sont ensuite analysées. Ces petits ordinateurs autonomes ne sont pas surveillés par les humains en temps réel et font partie de l'Internet des objets (IoT). Plus précisément, dans un contexte de fabrication, il s'agit de dispositifs IoT industriels (IIoT).

Cas d'utilisation IIoT pour l'instrumentation de fabrication

Les appareils IIoT sont utilisés dans un certain nombre de contextes pour effectuer des tâches qui seraient difficiles, voire impossibles, pour les humains à faire de manière fiable et/ou précise à chaque fois. Considérons, par exemple, l'inspection des soudures. Le soudage fait partie intégrante de nombreuses lignes de production électronique et est essentiel à la fonctionnalité et à la durabilité du produit final.

Malheureusement, on demande aux fabricants de réaliser des soudures sur des composants de plus en plus petits, avec des contraintes de plus en plus strictes. Afin de protéger les composants, les soudures doivent être effectuées à la chaleur la plus basse possible et avec la plus petite charge électrique possible.

Les appareils IIoT qui pourraient aider à affiner ce processus comprennent des capteurs de chaleur, de tension et de pression pour aider à déterminer l'ampérage minimum nécessaire pour effectuer une soudure dans les conditions environnementales actuelles. Les caméras IIoT peuvent également alimenter les systèmes d'inspection visuelle des soudures basés sur l'apprentissage automatique pour vérifier que les soudures sont satisfaisantes, même lorsqu'elles sont beaucoup trop petites pour que l'œil humain puisse les voir ; et c'est juste pour commencer.

L'instrumentation de fabrication peut rendre n'importe quelle fabrication - pas seulement la fabrication d'électronique - plus précise, avec moins d'erreurs de production et nécessitant moins de personnes impliquées. Malheureusement, cette instrumentation n'est pas facile, surtout compte tenu de la complexité de la chaîne d'approvisionnement de fabrication moderne.

Faire fonctionner l'instrumentation de fabrication

Les équipes des technologies de l'information (TI) utilisent l'instrumentation depuis des décennies. Il ne coûte pas autant d'intégrer des capteurs dans un logiciel que de les intégrer dans du matériel. En conséquence, les systèmes d'exploitation, les applications et les équipements informatiques de toutes sortes sont absolument jonchés de capteurs. Pour cette raison, les équipes informatiques ont du mal avec la quantité de données qu'elles produisent avant même que le micro-ordinateur moderne n'existe.

Tant de données, si peu de temps

Dans le monde réel, toute infrastructure instrumentée produit bien plus d'informations qu'un seul humain ne peut en traiter. On ne peut pas s'attendre à ce que même de grandes équipes humaines passent au peigne fin toutes les données émises par une infrastructure informatique, même modeste. Des disciplines entières existent au sein du domaine informatique dédiées à la compréhension des données émises par l'instrumentation informatique. Les technologies et les techniques vont des simples filtres aux techniques sophistiquées d'intelligence artificielle (IA) et d'apprentissage automatique (ML).

Jusqu'à récemment, c'était suffisant pour la plupart des équipes informatiques. Les informations seraient collectées et envoyées à un emplacement central, les chiffres seraient calculés et seules les données importantes seraient transmises aux administrateurs système. Si cela prenait quelques secondes ou minutes, ce n'était pas grave ; une brève panne informatique était généralement acceptable.

Mais au fur et à mesure que les organisations du monde entier sont devenues de plus en plus dépendantes de leur informatique, le temps acceptable nécessaire pour agir sur l'instrumentation a considérablement diminué. Pour de nombreuses organisations, le temps de réaction acceptable est aujourd'hui bien en deçà de ce qu'un humain pourrait éventuellement réaliser. Les systèmes informatiques modernes des organisations les plus avancées utilisent donc de puissantes suites d'IA et de ML pour que leur infrastructure informatique réagisse aux changements signalés par les données des capteurs avant même que les administrateurs humains ne soient conscients qu'il y a un problème.

Les fabricants modernes, comme on pourrait l'imaginer, recherchent des solutions d'instrumentation de fabrication capables de réagir également plus rapidement qu'un humain. Bien qu'il soit utile de lire les capteurs et de dire aux humains qu'un problème s'est développé, c'est loin d'être aussi utile que de répondre aux données des capteurs en temps réel.

Instrumentation informatique vs. instrumentation de fabrication

La différence entre les deux est que l'instrumentation informatique est relativement simple :on collecte des données sur l'infrastructure informatique et les applications à partir d'appareils déjà entièrement numériques. La fabrication d'instruments est plus difficile. Les appareils IIoT utilisés dans la fabrication d'instruments collectent des données sur le monde physique. Cela signifie collecter des données analogiques et les convertir en numérique, et c'est un tout autre jeu de balle. Les capteurs physiques doivent être calibrés et, avec le temps, ils s'usent. Les capteurs physiques sont également généralement déployés dans des clusters afin que la détection du quorum soit possible.

La détection de quorum utilise plusieurs capteurs indépendants afin de compenser la dérive d'étalonnage ou le dysfonctionnement du capteur. Si un capteur d'un cluster signale des données divergentes de celles de ses partenaires, il peut être ignoré et/ou signalé pour un réétalonnage. Cela permet à la fabrication de continuer avec des capteurs en bon état jusqu'à ce que le capteur défectueux puisse être recalibré ou remplacé.

Les complications de la détection analogique, combinées à l'exigence pressante d'une réactivité en temps réel aux données des capteurs, présentent des défis réels pour la fabrication d'instruments.

Le cloud computing ne peut-il pas tout réparer ?

Les équipes informatiques ont dû faire face à de nombreuses exigences de calcul différentes et difficiles. Le cloud computing est un exemple de solution développée par les fournisseurs informatiques.

Cloud computing &BDCA

Le cloud computing permet aux organisations d'accéder à une infrastructure informatique apparemment illimitée en appuyant simplement sur un bouton. Bien que les raisons derrière le cloud computing soient nombreuses et complexes, la plus importante est peut-être que le cloud computing permet aux équipes informatiques d'exploiter des charges de travail informatiques sans avoir à gérer ou à maintenir l'infrastructure informatique sous-jacente. Le fournisseur de cloud gère cette partie pour eux.

Le cloud computing s'est avéré très utile pour les charges de travail d'analyse de données en vrac (BDCA). Il existe de nombreux types de charges de travail BDCA, notamment l'IA, le ML, le Big Data, etc. tout ce où de grandes quantités de données sont collectées et doivent ensuite être analysées est une charge de travail pour BDCA. Au cours des dernières années, le cloud computing a été la destination de la majorité des nouveaux projets BDCA.

L'une des raisons pour lesquelles le cloud computing est utilisé pour les charges de travail BDCA est le concept d'éclatement du cloud. Les charges de travail cloud, telles que les charges de travail de calcul utilisées pour analyser de grands ensembles de données, ne peuvent être augmentées que si nécessaire et à l'échelle requise. Cela convient bien aux charges de travail BDCA, car la plupart des charges de travail BDCA n'ont besoin de générer des analyses que selon un calendrier défini. Les rapports de fin de mois sont un cas d'utilisation populaire ici.

Malheureusement, les économies d'échelle signifient que les clouds publics traditionnels sont centralisés. Cela permet aux fournisseurs de cloud public de situer leurs centres de données là où les coûts sont les plus bas et de simplement construire de très très gros centres de données. Bien que cela soit utile pour les charges de travail BDCA de style travail par lots qui s'exécutent selon des calendriers, cela est moins qu'utile pour les charges de travail qui nécessitent une réactivité en temps réel.

Afin de résoudre ce problème, le edge computing a été développé.

Informatique de pointe

L'informatique de périphérie peut être considérée comme du cloud computing, mais dans le centre de données de quelqu'un d'autre. L'informatique de périphérie a évolué parce que les équipes informatiques avaient des charges de travail qui nécessitaient une réactivité à faible latence que le cloud computing public traditionnel ne pouvait pas fournir. Les équipes informatiques étaient parfaitement capables de créer de telles infrastructures, mais ne voulaient tout simplement pas s'en charger elles-mêmes.

Répondre aux nouvelles demandes de données

Après une réunion d'esprit, il a été décidé que pour répondre aux besoins de ces clients, les fournisseurs de cloud public installeraient des serveurs dans les centres de données des organisations concernées. Cela a permis aux équipes informatiques de ces organisations d'exécuter des charges de travail sur ce qui, à leurs yeux, semblait identique à une région créée spécialement pour eux par le fournisseur de cloud public mais qui était située sur le même réseau local (LAN) que le reste de leurs charges de travail. .

Ces serveurs « edge computing » permettent aux données des capteurs IoT d'être traitées et exploitées beaucoup plus rapidement que ce qui serait possible si ces données devaient traverser Internet vers un centre de données de cloud public, être traitées, puis renvoyer les résultats sur Internet. . L'Edge computing permet un certain nombre de nouvelles technologies, y compris les voitures sans conducteur.

Cas d'utilisation :données en temps réel pour les voitures sans conducteur

Les voitures sans conducteur sont un excellent exemple d'une technologie où l'attente de données n'est tout simplement pas une option. Le cloud computing pourrait aider les voitures sans conducteur en collectant des informations de capteurs pour toutes les voitures dans une zone donnée, en analysant les données et en envoyant à ces voitures une carte indiquant où tout le monde et tout se trouvent dans un rayon donné. Cela pourrait permettre à ces voitures de voir littéralement dans les virages, les rendant encore plus sûres.

Cependant, même à la vitesse de la lumière, envoyer des informations d'une voiture vers le cloud public et inversement peut prendre jusqu'à un quart de seconde. Des gens peuvent mourir en un quart de seconde lorsque des voitures sont impliquées. Ainsi, rapprocher le traitement des voitures, par exemple en localisant les serveurs concernés à quelques pâtés de maisons des endroits où les voitures essaieront de naviguer dans des environnements urbains difficiles, peut activer des technologies qui ne seraient pas possibles autrement.

De la même manière, la fabrication peut utiliser l'informatique de pointe pour permettre l'instrumentation nécessaire. Comme c'est généralement le cas, cependant, la fabrication a ses propres rebondissements qui non seulement rendent l'informatique de pointe plus critique pour le processus, mais présentent également divers défis qui doivent être surmontés.

Pourquoi utiliser l'informatique de pointe dans la fabrication ?

Un argumentaire commun sur la pertinence de l'informatique de pointe pour les entreprises manufacturières tourne autour du besoin de réactivité en temps réel. Lorsque vous essayez de maintenir les défauts de fabrication proches de zéro sur une ligne de production à évolution rapide, il est utile de pouvoir utiliser des groupes de capteurs. Un groupe de capteurs peut détecter le quorum si un capteur individuel est défectueux, puis recalibrer. Cependant, le recalibrage doit être effectué très rapidement pour éviter de perturber la chaîne de production.

S'il faut 100 ou 250 millisecondes pour envoyer les données du capteur sur Internet, les produits sur la ligne pourraient être perdus ou l'équipement pourrait être endommagé. Mais si les données peuvent être traitées localement, ce qui prend environ cinq millisecondes, les fabricants peuvent alors recalibrer les capteurs en temps réel et/ou modifier les paramètres de l'équipement de fabrication en fonction des conditions environnementales.

Surcharge du capteur

Une autre raison derrière l'utilité de l'informatique de pointe qui n'est pas abordée aussi facilement est qu'il peut y avoir un nombre ingérable de capteurs impliqués dans la fabrication d'instruments. Cela peut non seulement dépasser la capacité du réseau, mais également produire une énorme collection de données, qui n'est pas nécessaire dans son intégralité. Ainsi, il est utile de passer au crible les données avant de ne transmettre que celles qui doivent être envoyées.

Il est courant que les volumes de données soient écrasants ou nécessitent une certaine forme de filtrage, où les capteurs sont utilisés dans un quorum pour surmonter les problèmes d'étalonnage ou de vieillissement. Ici, des capteurs individuels peuvent être rejetés si d'autres capteurs à proximité qui participent à un quorum ne sont pas d'accord avec les lectures. Une usine entièrement instrumentée peut contenir des millions de capteurs individuels qui ne se composent finalement que de quelques dizaines de milliers de quorums de capteurs, potentiellement beaucoup plus que ce que la connexion Internet locale peut raisonnablement gérer.

Dans d'autres configurations de edge computing pour la fabrication, certains capteurs ne sont utilisés que localement. Cela peut être dû au fait qu'ils sont utilisés en réactivité en temps réel, ou parce qu'ils ne sont pertinents que localement, par exemple, dans le cadre d'une solution de sécurité.

Fabrication sous contrat

L'Edge Computing est également utile dans le scénario de plus en plus courant des sous-traitants (CM). Les CM disposent de solutions informatiques indépendantes des fabricants d'équipement d'origine (OEM) qui commandent des travaux. Cependant, de nombreux OEM voient des avantages à instrumenter l'ensemble de leur chaîne d'approvisionnement, même les parties de celle-ci qui ont été sous-traitées.

Dans ce cas, les OEM peuvent extruder une partie de leur réseau dans le réseau du CM à l'aide de l'edge computing. L'équipe informatique de l'OEM peut placer des serveurs dans le réseau du CM qui se reconnectent au cloud privé de l'OEM. Combinés à des capteurs IIoT, ces serveurs informatiques de pointe permettraient au CM d'atteindre les objectifs d'instrumentation et d'intégration de la chaîne d'approvisionnement de l'OEM sans empiéter sur le propre réseau du CM ou nécessiter des changements radicaux dans la conception du réseau du CM.

L'Edge computing donne à l'OEM la possibilité de visualiser l'ensemble de sa chaîne d'approvisionnement et de ses opérations de fabrication à l'aide d'une interface cohérente et d'un ensemble intégré d'applications, que les composants individuels soient fabriqués dans les installations de l'OEM ou dans celles d'un CM. Cette cohérence facilite la formation et l'assistance des CM, car tout le monde utilise la même chaîne d'outils.

Résumé

Le cloud computing, qui existe depuis plus d'une décennie maintenant, est souvent présenté comme la solution à tous les maux informatiques. Ce n'est pas. Le cloud computing résout un grand nombre de problèmes, mais la vitesse de la lumière signifie que les fermes de serveurs centralisées géantes ne seront jamais aussi utiles.

L'Edge computing a deux objectifs principaux :extraire le signal du bruit en traitant localement de gros volumes de données qu'il n'est pas possible d'envoyer sur Internet et offrir la possibilité de traiter des éléments spécifiques localement où et quand la latence est un problème. Ces deux éléments sont utiles aux entreprises de fabrication qui dépendent de plus en plus de l'instrumentation.

La fabrication ne peut pas attendre que la lumière passe de A à B et vice-versa. Il y a trop de choses en jeu et pas de temps pour les erreurs. L'Edge computing résout les problèmes que les clouds ne peuvent pas résoudre, il est donc temps d'évoluer ou d'être laissé pour compte.

L'auteur de ce blog est Michael Schuldenfrei, chercheur en technologie d'entreprise chez OptimalPlus