本指南阐述了连接和分析工业设备的全面三模块方法，说明了设备连接、分析和数据可视化的关键阶段。它包括一个边缘站点组件，可以摄取现场数据，捕获温度、振动和压力等关键参数。下一个模块显示如何从边缘摄取和处理实时数据。它可以准备数据并将其传输到集中的数据湖，人工智能和机器学习（AI/ML）服务使用这些数据来检测设备异常行为、预测潜在故障并避免计划外停机。最后，数据可视化模块显示如何从数据湖中摄取数据，以创建仪表板和三维可视化效果并支持直接探索和分析数据。
请注意：[免责声明]
架构图
概述
本指南的架构图由三个模块组成：A) 数据摄取，B) 数据流式传输、处理和机器学习，以及 C) 数据可视化和通知。此图提供了每个模块及其相互依赖关系的概念性概览。
概述
此架构图由三个集成模块组成，用于说明设备连接、分析和数据可视化的关键阶段。
-
模块 A：数据摄取
本架构图显示了一个边缘站点组件，支持从物联网传感器、PLC、SCADA 和历史数据库进行现场数据摄取。
数据摄取
边缘站点组件支持从安装在设备上的 PLC、历史数据库、工业设备和物联网传感器进行现场数据摄取。这样就可以捕获有关温度、振动和压力等关键参数的数据。 -
模块 B：数据流式传输、处理和机器学习
此架构图显示如何处理来自边缘站点的数据并将其摄取到数据湖以及人工智能/机器学习服务中。
单击可放大
数据流式传输、处理和机器学习
此模块可摄取和处理来自边缘工业设备和物联网设备的实时数据，准备数据并将其流式传输到集中的数据湖中。然后，AI/机器学习服务将使用这些数据来检测异常的设备行为，从而预测潜在的机器故障并避免计划外停机。
数据流式传输、处理和机器学习
此模块可摄取和处理来自边缘工业设备和物联网设备的实时数据，准备数据并将其流式传输到集中的数据湖中。然后，AI/机器学习服务将使用这些数据来检测异常的设备行为，从而预测潜在的机器故障并避免计划外停机。
-
模块 C：数据可视化和通知
此架构图显示如何摄取数据并将其用于创建仪表板和 3D 可视化效果。
数据可视化和通知
数据可视化模块从 AWS IoT SiteWise 和数据湖中摄取数据，以创建仪表板和 3D 可视化效果，并支持从精选数据集中直接探索和分析数据。
开始使用
Well-Architected 支柱
当您在云中构建系统时，AWS Well-Architected Framework 可以帮助您了解所做决策的利弊。框架的六大支柱使您能够学习设计和操作可靠、安全、高效、经济高效且可持续的系统的架构最佳实践。使用 AWS 管理控制台中免费提供的 AWS Well-Architected Tool，您可以通过回答每个支柱的一组问题，根据这些最佳实践来检查您的工作负载。
上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构，您应该遵循尽可能多的 Well-Architected 最佳实践。
-
卓越运营阅读《卓越运营》白皮书
本指南中使用的服务有助于数据摄取、本地处理、事件监控、消息传送和机器学习，以实现制造优化。例如，AWS IoT SiteWise 和 IoT Greengrass 可处理数据收集、处理和边缘计算，AWS IoT Events 则可识别重要的传感器数据事件。Amazon SNS 可管理消息传递，AI/机器学习则可用于从运营数据中提取见解，以改进流程、进行预测性维护、质量控制和自动检查。
-
安全性阅读《安全性》白皮书
本指南使用 AWS Identity and Access Management（IAM）和 AWS IoT Core 来帮助保护您的数据、系统和资产，同时改善您的安全状况。例如，IAM 策略限制为仅允许最低要求的权限，IoT Greengrass 策略则可以控制哪些设备可以发送数据并与云交互，从而限制未经授权的访问以防止产生费用、篡改或恶意操作。此外，所有云数据目的地（如 Amazon Simple Storage Service[Amazon S3]和 AWS IoT SiteWise）都启用了静态加密。通过实施细粒度的访问控制、设备策略和数据加密，这些服务可以降低未经授权的访问、数据泄露以及对工业资产和运营的潜在威胁的风险，从而增强安全性。
-
可靠性阅读《可靠性》白皮书
借助 AWS IoT SiteWise 和 AWS IoT TwinMaker，可以对数据入口和出口节流，以帮助确保持续运行。此外，Managed Grafana 控制台提供对工作区的访问，无需管理基础设施，即可对指标、日志和跟踪进行可视化和分析。它可以自动预置、配置、管理运营并扩展，以满足动态使用需求，这对于处理高峰工业运营至关重要。
为了获得最佳性能，建议您配置多可用区（AZ）部署策略。
通过实施多可用区架构、节流保护措施和自动扩展的托管服务，本指南有助于确保即使在高流量期间也能可靠地摄取、分析和可视化数据，从而最大限度地减少停机时间和工业流程中断。
-
性能效率阅读《性能效率》白皮书
AWS IoT TwinMaker 可以收集发送到 AWS IoT SiteWise 的传出消息，以防在标签量增加时节流。在分析方面，AWS IoT SiteWise 和 Amazon S3 可以自动扩展以满足数据存储需求。对于边缘应用程序，AWS IoT SiteWise Edge 提供经过优化的边缘仪表板和处理等功能，以实现近乎实时的性能。
此外，本指南还使用 AWS IoT SiteWise 和 Amazon S3 的自动扩缩功能。它还优化了 AWS IoT SiteWise Edge 的本地化处理能力，以在数据摄取、存储、分析和边缘计算方面提供高性能。这种可扩展且优化的方法可防止节流、适应波动的数据量，并为时间敏感的工业运营提供低延迟处理。
-
成本优化阅读《成本优化》白皮书
在设备连接性方面，节省成本主要来自减少现场运营工作，例如监管机构成本和人力资源。因此，您应该选择能够实现自动化、最大程度地减少管理工作且具有可扩展性的服务。在评测 AWS 技术时，应该将节省的工程时间作为主要指标，因为服务费率在财务评测中的占比很小。此外，总拥有成本（TCO）和节省的开销非常重要，因为 AWS 客户经常会花费大量资源来管理本地 IT 基础设施。
AWS IoT SiteWise 和 AWS IoT TwinMaker 是经过成本优化的托管服务，能以极低的价格提供数字孪生功能。它们采用即用即付定价模式，仅对摄取、存储和查询的数据收费。AWS IoT SiteWise 还提供经过优化的存储设置，可将数据从 Amazon S3 中的热层移动到冷层。
-
可持续性阅读《可持续性》白皮书
为了兑现制造业、建筑业、能源业、公用事业和石油天然气等行业的可持续发展承诺，本指南使用 AWS IoT SiteWise 和 Amazon Bedrock。这些服务通过基于使用情况扩展的弹性 IT 基础设施增强可持续性，最大限度地减少多余的计算资源和相关排放，这些排放可通过客户碳足迹工具进行跟踪。此外，这些服务还可以通过数字孪生、基于事件的自动化和 AI/机器学习洞察实现工程敏捷性，以优化现场运营、提高效率并最大限度地减少排放。
AWS IoT SiteWise 的冷存储层使用 Amazon S3 上的开源列式 Apache Parquet 格式实现高效的数据存储和检索，进一步支持可持续性。
最后，Amazon Bedrock 提供数据可视化和自然语言处理功能，让您可以访问基础模型来构建生成式人工智能应用程序。这些功能可帮助您从历史数据中识别未知风险区域并验证干预措施的有效性，从而进一步助力减排工作。
免责声明
示例代码；软件库；命令行工具；概念验证；模板；或其他相关技术（包括由我方人员提供的任何前述项）作为 AWS 内容按照《AWS 客户协议》或您与 AWS 之间的相关书面协议（以适用者为准）向您提供。您不应将这些 AWS 内容用在您的生产账户中，或用于生产或其他关键数据。您负责根据特定质量控制规程和标准测试、保护和优化 AWS 内容，例如示例代码，以使其适合生产级应用。部署 AWS 内容可能会因创建或使用 AWS 可收费资源（例如，运行 Amazon EC2 实例或使用 Amazon S3 存储）而产生 AWS 费用。
本指南中提及第三方服务或组织并不意味着 Amazon 或 AWS 与第三方之间存在认可、赞助或从属关系。AWS 的指导是一个技术起点，您可以在部署架构时自定义与第三方服务的集成。