利用 Cognizant APEx 2.0 和 Amazon IoT SiteWise Edge 提高产品质量

2021 年 12 月 25 日
本文字数：4718 字
阅读完需：约 15 分钟

简介

COVID-19 现状让世界各地的供应链吃紧，同时一夜之间对个人防护设备 (PPE) 等某些产品的需求呈指数级增长。因此，全球制造商正在寻求创造性的解决方案来提高生产量。通常，提高产量的最快方法不是增加产能，而是减少生产过程中的浪费。低劣的产品质量是制造业中造成这种浪费的最大来源之一。它也是最难以大规模处理的浪费类型之一。许多制造商依靠手动方法（例如目视检测）来检测质量问题。这种方法仅在质量检查员可以跟上生产速度的有限范围内起作用。计算机视觉技术和边缘处理基础设施的进步意味着，这些制造商可以为他们的质量检测团队配备工具，帮助他们发现原本无法大规模检测到的缺陷。

📢 想要了解更多亚马逊云科技最新技术发布和实践创新，敬请关注 2021 亚马逊云科技中国峰会！点击图片即刻报名～

在本文中，我们介绍了离散制造商如何使用 Cognizant 提供的 Asset Performance Excellence (APEx 2.0) 解决方案，通过实时分析产品图像来检测质量问题。此解决方案使用 Amazon IoT SiteWise 的 Amazon IoT SiteWise Edge 功能来处理工厂车间运营商的指标。

Amazon IoT SiteWise

https://aws.amazon.com/iot-sitewise/

监控质量

在大批量生产情景中，有多个利益攸关方参与管理质量。管理产品质量的工作流程可能会变得相当复杂，具体取决于生产操作的规模和产品类型。因此，建立一些可以快速了解产品质量的基本指标很有帮助。量化质量的三个常见指标是产量、报废率和返工率。产量表示批次中质量可接受的零件所占份额。报废率表示由于缺陷而必须丢弃批次中的多少个零件。返工率表示批次中有多少零件被重新处理以消除缺陷。这些指标可以帮助运营商在深入研究之前对其流程的质量表现进行初步假设。例如，报废率高于返工率的流程表明，大多数缺陷都会导致产品损失。相比返工率更高的流程，此流程可能更令人担忧，因为在返工率更高的流程中，大多数缺陷都是可以修复的。有了这些信息，运营商可以专注于造成最大浪费的流程，以确定报废产品中重复出现率最高的缺陷。

使用 Amazon IoT SiteWise Edge 的 APEx 2.0 通过可完全在本地运行的托管质量监控体验为操作员简化了此流程。在此解决方案中，APEx 2.0 从安装在生产线上的摄像机中收集产品图像，并利用计算机视觉推断生产出的零件的缺陷。它还收集有关从外部制造系统报废和返工零件的信息。然后，它使用 Amazon IoT SiteWise Edge 计算其自定义操作员应用程序的收益、报废和返工指标。此外，该 APEx 2.0 应用程序使用机器学习模型来描述它通过图像检测到的质量问题。例如，它可以指定特定缺陷是零件有裂缝还是产品装配中的缺陷，从而使操作员能够轻松找到重复出现率最高的缺陷。

监控体验

APEx 2.0 是一款解决方案加速器，旨在启用特定的使用案例并加快终端用户实现价值的速度，同时对于众多应用程序保持灵活性。在此 APEx 2.0 应用程序中，它可用来帮助让您了解工厂及其机器的设备综合效率 (OEE)，并使用图像分析来确定零件质量，同时在本地运行整个应用程序。

此 APEx 2.0 应用程序专为负责生产的工厂经理和技术人员而设计。工厂经理可以从选择他们想要检查性能的生产站或工作单元开始。应用程序会以概览形式显示顶级指标（例如产量、报废率、周期时间和 OEE）。工厂经理经常轮班。生产岗位也可能因班次而异。例如，饮料加工客户通常使用同一设备或工作站在不同的班次处理不同类型的饮料。借助此应用程序，他们可以从下拉菜单中选择班次以查看该给定班次（而非所有班次）的数据。对于选定的班次，工厂经理可能会注意到报废率高于预期。然后，他们可以选择指标以查看历史趋势，从而了解在相应班次中该特定工作站的报废率何时开始上升。

工厂经理确定时间后，他们可以切换到“检查细节”选项卡，以获取有关该时间内发生的特定废料或返工事件的信息。此应用程序会在时间轴上显示各个事件。工厂经理可以选择每个事件以查看零件的图像，从而了解缺陷类型。此应用程序对图像进行了注释，以显示用于推断缺陷的相关区域。还说明了其他信息，例如推断的零件编号和缺陷类型。这些信息可以帮助工厂经理快速识别机器的潜在问题，并与工厂车间的技术人员接洽。此外，他们还可以使用零件号信息实际定位和检查零件，从而了解更多内容。

使用 Amazon IoT SiteWise Edge 的 APEx 2.0 架构

APEx 2.0 会统一来自多个工业系统的数据，并获得见解，从而在运营、资源和资产绩效方面推动卓越。该解决方案包含一个关键绩效指标 (KPI) 库，例如符合 ISO 22400 标准的 OEE、报废率和产量。该解决方案有助于在机器、工厂和组织层面构建仪表板。

ISO 22400

https://www.iso.org/obp/ui/

APEx 2.0 是使用 Amazon IoT SiteWise 构建的。通常，计算、数据存储和可视化等函数托管在基于云的环境中。但是，正如本文前面所述，这不能满足所有使用案例的要求。

Amazon IoT SiteWise Edge 使 APEx 2.0 能够在客户本地运行，同时最大限度地减少架构和代码更改。这可以实现高级分析，例如故障检测和目视检查，而无需向云端发送大量数据或敏感数据。在 Amazon IoT SiteWise 中，生产站和工作单元定义为资产模型，具有与相关数据和计算对应的度量、变换和指标。资产模型在本地缓存在边缘，每十分钟进行一次同步，或者通过本地配置界面按需进行同步。

资产模型

https://docs.aws.amazon.com/iot-sitewise/latest/userguide/asset-and-model-states.html

度量

https://docs.aws.amazon.com/iot-sitewise/latest/userguide/measurements.html

变换

https://docs.aws.amazon.com/iot-sitewise/latest/userguide/transforms.html

指标

https://docs.aws.amazon.com/iot-sitewise/latest/userguide/metrics.html

此解决方案通过 Amazon IoT SiteWise 网关从 OPC-UA 服务器收集机器数据，并从工厂摄像机收集图像数据。它使用部署为 Docker 容器和 Amazon Lambda 函数的自定义函数来处理网关中的图像，并将推理结果传递给 Amazon IoT SiteWise Edge 数据处理软件进行指标计算。Amazon IoT SiteWise Edge 软件被打包为 Greengrass 组件。这意味着诸如 Cognizant 之类的合作伙伴可以使用自己的定制 Amazon IoT Greengrass 组件来扩展它。他们使用 Amazon IoT Greengrass 流管理器在组件之间传输数据。这简化了 APEx 2.0 等边缘应用程序的开发。例如，为了将推理结果传递给 Amazon IoT SiteWise Edge，图像处理函数只需将其写入 Amazon IoT SiteWise Edge 数据处理包使用的 Amazon IoT Greengrass 流即可。图像和指标数据存储在网关本地以实现离线可用性。此解决方案运行所有必要的 API 和前端服务，以便在容器中呈现应用程序体验，这些容器也使用 Amazon IoT Greengrass 进行部署。

Amazon IoT Greengrass 流管理器

https://docs.aws.amazon.com/greengrass/v1/developerguide/stream-manager.html

Amazon IoT Greengrass

https://aws.amazon.com/greengrass/

Amazon IoT SiteWise Edge 在 Amazon IoT SiteWise Edge 网关中为数据处理包和数据收集包启用的本地应用程序提供数据收集和处理功能。数据收集包用于从 OPC-UA 服务器检索数据。数据处理包通过 Amazon IoT Greengrass 流接受和处理资产模型中配置的数据。当数据到达数据处理包时，将立即执行转换，同时按资产模型中指定的时间间隔计算指标。所有传入的数据和计算值都存储在网关上，但是根据将部分或全部数据发送到云中的 Amazon IoT SiteWise 服务的需要，可以在资产模型中进行配置。Amazon IoT SiteWise Edge 支持将此数据保留在边缘长达 30 天（假设网关上有足够的磁盘空间）。在此特定解决方案中，网关上的其他应用程序进程能够通过 API 调用检索数据，而这些调用仍在设备本地。因此，Cognizant 能够与 Amazon IoT SiteWise Edge 提供的基本功能集成，从而专注于开发差异化功能。

功能概述

用于执行高级聚合、图像分类、图像注释和流程编排的函数与 Amazon IoT SiteWise Edge 功能集成，以提供差异化的客户体验。

ImageAnalytics 函数同时执行图像注释和图像分类。具体来说，它注释图像的关键特征，例如元素的位置和方向。该函数会决定零件的质量或分类，然后将结果传递给 Amazon IoT SiteWise Edge 以便最终在 OEE 计算函数中使用。还会生成图像中的关键观测结果，用于识别故障零件的趋势。然后，推断结果将返回 Amazon IoT SiteWise Edge 中的资产模型，以便由 Orchestrator 通过 Amazon IoT Greengrass 流持久化。零件的质量以及关键观测结果存储在网关上的数据处理包中。

AdvancedAggregation 函数对由 Amazon IoT SiteWise Edge 计算的指标进行后处理。例如，在此解决方案中，它会计算累计 shiftwise 结果，这些结果是指给定时间段内的结果，在本例中是从班次开始的结果。这使客户能够近乎实时地查看累计 shiftwise OEE 计算，而不是在一天结束时查看一批后处理结果。具体来说，AdvancedAggregation 函数调用 Amazon IoT SiteWise Edge 来检索数据，并将其与来自本地 PostgreSQL 数据库的班次数据合并，以计算班次的总体 OEE。结果通过 Amazon IoT Greengrass 流存储在 Amazon IoT SiteWise Edge 中，以便将来进行计算或可视化。

使用 Amazon IoT SiteWise Edge 还有助于 Cognizant 最大限度地减少 APEx 2.0 解决方案的云和边缘部署之间的差异，从而降低开发和运营成本，同时确保一致的客户体验。该架构的关键部分包括在 Amazon IoT SiteWise 中配置的资产模型 ImageAnalytics 和 AdvancedAggregation 函数、VisualizationAPI 数据访问层以及可在云和边缘之间移植的用户界面组件。为基于云的部署配置的资产模型会自动复制到边缘，并由 Amazon IoT SiteWise Edge 保持最新状态。边缘支持相同的测量、转换和指标表达式，从而可以无缝地重复使用现有模型和基础设施来配置它们。

ImageAnalytics 和 AdvancedAggregation 函数在容器中运行。这些容器可以通过 Amazon IoT Greengrass 进行部署和编排，从而在云部署和边缘部署之间使用相同的业务逻辑。此外，用户界面和数据访问层也被容器化并部署到边缘设备。

为了开发边缘解决方案，只需重新配置容器和函数的配置，以便从边缘端点读取数据。由于 Amazon IoT SiteWise Edge 支持云中可用的相同数据检索 API，因此无需更改代码。这种混合开发人员体验减少了为边缘和云科技解决方案维护单独代码库的需求，并简化了对许多函数的测试。它还简化了对可能同时为工厂使用边缘和云科技解决方案的终端客户的支持要求。

结论

在本博客中，我们概述了一个在本地提供数据收集、处理、分析和监控功能的解决方案，该解决方案使用 Amazon IoT SiteWise Edge 对零件执行实时缺陷检测，从而让工厂经理了解工厂的工艺质量指标。该解决方案提供了可帮助工厂经理确定零件质量问题的根本原因的工具。这使工厂经理能够采取纠正措施，并通过减少浪费来最终提高生产量。Amazon IoT SiteWise Edge 使 Cognizant 能够移植其云原生互联工厂解决方案，而只需对现有功能（例如累计 shiftwise OEE 计算和可视化界面）进行最少更改，从而使他们能够专注于差异化功能（例如基于边缘的图像分类和注释）。

有关 Cognizant 互联工厂解决方案的更多信息，请参阅此案例研究，其中重点介绍了 APEx 2.0 的方法和优势。要开始使用 Amazon IoT SiteWise Edge 功能，请登录 Amazon IoT SiteWise 控制台，您还可以在其中创建 Amazon IoT SiteWise 演示并配置模拟边缘数据源