MongoDB ayuda a los fabricantes unificando datos operativos, mejorando la eficiencia de la producción, permitiendo obtener información en tiempo real y optimizando los procesos.
Casos de uso: Análisis basado en aplicaciones, IoT, vista única
Industrias: Fabricación y movilidad
Productos: MongoDB Atlas, MongoDB Atlas Charts, MongoDB Change Streams, MongoDB Connector para Kafka, MongoDB Series Temporales
Socios: Cedalo (Mosquitto)
Resumen de la solución
La industria manufacturera está cambiando gracias a la integración de datos en tiempo real y herramientas centralizadas de gestión de datos, como el modelo de Espacio de Nombres Unificado (UNS), que almacena diferentes tipos de datos en una sola ubicación. Las fábricas modernas generan datos de sistemas como la planificación de recursos empresariales (ERP), el sistema de ejecución de fabricación (MES) y las máquinas de taller. A medida que los fabricantes conectan y automatizan sus sistemas, la unificación de estas fuentes de datos es crucial. Por ejemplo, las iniciativas de fábricas inteligentes pueden aumentar 12 la productividad hasta en un 20 % y mejorarla eficiencia de los equipos hasta en un %, según Deloitte.
Esta solución implementa una demostración llamada Leafy Factory que desarrolla un marco UNS integral con MongoDB. Puede usar MongoDB como un UNS que unifica y analiza de forma autónoma los datos de diferentes sistemas de fabricación. La flexibilidad, el procesamiento en tiempo real y la escalabilidad de MongoDB lo convierten en la opción ideal para un UNS eficiente. Además, mejora la eficiencia y proporciona información valiosa a los sistemas de gestión de datos de fabricación, como se muestra en el siguiente diagrama:
Figura 1. Pirámide de automatización versus un espacio de nombres unificado
Este marco UNS incorpora diversos tipos de datos operativos, analiza flujos para obtener información útil, almacena información en MongoDB y ofrece recomendaciones estratégicas mediante análisis exhaustivos generados a partir de diferentes fuentes de datos. Esto permite una mayor eficiencia al centralizar el almacenamiento y la gestión de datos.
Arquitecturas de Referencia
El siguiente diagrama muestra la arquitectura de esta solución:
Figura 2. Arquitectura de Leafy Factory UNS
Esta arquitectura tiene el siguiente flujo de datos:
1. Ingesta de datos con MQTT Broker
La solución comienza con el uso del Broker Mosquitto MQTT de Cedalo para gestionar los flujos de datos en tiempo real de las máquinas del taller. Este broker recopila datos como el estado de la máquina y las lecturas de los sensores, incluyendo la temperatura y la vibración. La arquitectura es independiente del broker y se integra con otros proveedores de MQTT según sea necesario.
2. Integración de datos SQL mediante el conector de Kafka
Simultáneamente con la recepción de datos MQTT, el conector Debezium captura datos SQL de Sistemas ERP y MES, como órdenes de trabajo y seguimiento de materiales, los transmiten a temas de Kafka. El conector de Kafka procesa estos datos y los inserta en MongoDB Atlas. Esto garantiza la actualización continua de los datos ERP.
3. Gestión de bases de datos con MongoDB Atlas
El modelo de documentos flexible de MongoDB permite almacenar diversas estructuras de datos en Atlas, desde datos sin procesar de sensores de máquinas hasta registros ERP estructurados. Al almacenar los datos en formato de documento, los fabricantes pueden adaptarse fácilmente a cambios, como nuevos sensores o atributos de las máquinas.
Los datos de esta solución tienen la siguiente estructura:
{ "result": { "factory": { "location": "qro_fact_1", "timestamp": "2025-04-12 02:59:41.569745", "production_lines": [ { "production_line_id": 2, "machines": [ { "_id": 3, "machine_id": 3, "details": { "machine_status": "Available", "last_maintenance": "2024-10-31 14:25:00", "operator": "Grace Conway", "avg_temperature": 70.48, "avg_vibration": 0.59, "temp_values": 70, "vib_values": 0.01 }, "work_orders": [ { "id_work": 111, "jobs": [ { "id_job": 62 } ] }, { "id_work": 105, "jobs": [ { "id_job": 58 } ] }, { "id_work": 104, "jobs": [ { "id_job": 57 } ] }, { "id_work": 100, "jobs": [ { "id_job": 55 } ] }, { "id_work": 99, "jobs": [ { "id_job": 52 } ] } ] } ] } ] } } }
4. Análisis en tiempo real con colecciones de series de tiempo
Una vez que los datos estén en Atlas, puede usar colecciones de series temporales para gestionarlos y analizarlos. Estas colecciones permiten a los fabricantes almacenar datos con marca de tiempo y obtener información sobre los procesos de fabricación a lo largo del tiempo, lo que les permite detectar patrones y reaccionar con prontitud ante cualquier cambio. También puede integrar metadatos adicionales en el modelo de documento, como el ID de la máquina, el nombre del operador, la ubicación, etc.
5. Visualización y análisis con gráficos Atlas
Por último, puedes visualizar los datos integrados utilizando Atlas Charts, que ofrece representaciones gráficas intuitivas de métricas de producción, análisis de calidad y estados de las máquinas. Esto permite a los fabricantes tomar decisiones informadas a través de perspectivas accionables.
Construir la solución
Esta solución utiliza una combinación de tecnologías centrales que funcionan conjuntamente para permitir el procesamiento y la integración de datos sin problemas en diversos sistemas de fabricación. Para obtener información completa sobre la implementación, incluyendo ejemplos de código, archivos de configuración y tutoriales en vídeo, consulte el repositorio de GitHub de esta solución.
Esta solución tiene los siguientes requisitos previos:
Python 3.12 o posterior
Node.js 14 o posterior
Clúster Atlas de MongoDB que ejecuta MongoDB 8.0.4 o posterior
Apache Kafka 3.9.0 o posterior
Java JDK 23 o posterior
PostgreSQL 15.10 o posterior
Para implementar la solución, siga las instrucciones en el README
en el repositorio de GitHub vinculado arriba.
Aprendizajes clave
Adaptabilidad a los cambios operativos: el modelo de documento flexible de MongoDB puede integrar fácilmente nuevas fuentes de datos y escalar con líneas de producción en expansión, lo que permite a los fabricantes mantener un sistema de datos dinámico sin requerir revisiones arquitectónicas.
Capa de datos centralizada para aplicaciones avanzadas: Si bien el UNS no ejecuta directamente aplicaciones como el mantenimiento predictivo, proporciona la infraestructura para dichas iniciativas. Los fabricantes pueden implementar fácilmente soluciones basadas en IoT, optimizar los programas de mantenimiento y optimizar costos utilizando el UNS para centralizar datos históricos y en tiempo real.
Generación de información multifuncional: las capacidades analíticas de MongoDB permiten a los equipos de fabricación integrar diversos conjuntos de datos, como métricas MES y resultados ERP.
Disponibilidad y confiabilidad de datos garantizada: la arquitectura del set de réplicas de MongoDB garantiza que el sistema continúe funcionando sin interrupciones. Esto previene posibles interrupciones en el ecosistema de datos de fabricación y respalda operaciones confiables a largo plazo.
Autores
Rafael Schor, MongoDB
Romina Carranza, MongoDB
Giovanni Rodriguez, MongoDB