Integridad de datos del namespace unificado

Descripción general de la solución

La industria manufacturera está cambiando debido a la integración de datos en tiempo real y herramientas centralizadas de gestión de datos como el modelo de namespace unificado (UNS), que almacena diferentes tipos de datos en una ubicación. Las fábricas modernas generan datos a partir de sistemas como el de planificación de recursos empresariales (ERP), el sistema de ejecución de fabricación (MES) y las máquinas de taller. A medida que los fabricantes se conectan y automatizan sus sistemas, es crucial unificar estas fuentes de datos. Por ejemplo, las iniciativas de fábricas inteligentes pueden aumentar la productividad hasta un 12 por ciento y mejorar la eficacia de los equipos hasta un 20 por ciento, según Deloitte.

Esta solución implementa una demo llamada Fábrica Leafy que desarrolla un completo marco UNS con MongoDB. Puedes usar MongoDB como un UNS que unifica y analiza autónomamente datos de diferentes sistemas de fabricación. La flexibilidad, el procesamiento en tiempo real y la escalabilidad de MongoDB lo convierten en la opción óptima para un UNS eficiente. También aporta una mayor eficiencia y perspectivas a los sistemas de gestión de datos de fabricación, como se muestra en el siguiente diagrama:

haga clic para ampliar

Figura 1. Pirámide de automatización frente a un Namespace Unificado

Este marco de UNS ingiere diferentes tipos de datos operativos, analiza flujos en busca de perspectivas accionables, almacena información en MongoDB y proporciona recomendaciones estratégicas utilizando análisis completos 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 UNS de Leafy Factory

Esta arquitectura tiene el siguiente flujo de datos:

1. Ingesta de datos con Broker MQTT

La solución comienza empleando el broker Mosquitto MQTT de Cedalo para gestionar flujos de datos en tiempo real provenientes de las máquinas del taller. Este intermediario recopila datos como el estado de la máquina y las lecturas de sensores, que incluyen la temperatura y las vibraciones. La arquitectura sigue siendo neutral respecto al broker y es capaz de integrarse con varios otros proveedores MQTT según sea necesario.

2. SQL Data Integration via Kafka Connector

De forma concurrente con la recepción de datos MQTT, el conector Debezium captura datos SQL de ERP y MES sistemas, como órdenes de trabajo y seguimiento de materiales, y lo transmite a temas de Kafka. Kafka Connector luego procesa estos datos e inserta en MongoDB Atlas. Esto garantiza que los datos del ERP se actualicen de forma continua.

3. Gestión de bases de datos con MongoDB Atlas

El flexible modelo orientado a documentos de MongoDB te permite almacenar estructuras de datos diversas, desde datos sin procesar de sensores de máquinas hasta registros estructurados de ERP, en Atlas. Al almacenar datos en un formato de documento, los fabricantes pueden adaptarse sin dificultad a los cambios, como nuevos sensores o atributos de 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, puedes utilizar colecciones de series temporales para gestionar y analizar tus datos. Las colecciones de series de tiempo permiten a los fabricantes almacenar datos con sello de tiempo y obtener perspectivas sobre los procesos de manufactura a lo largo del tiempo, lo que permite detectar patrones y reaccionar rápidamente ante cualquier cambio. También puedes integrar metadatos adicionales en el modelo orientado a documentos, como ID de la máquina, nombre del operador, ubicación y más.

5. Visualización y análisis con Atlas Charts

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.

Compilar la solución

Esta solución utiliza una combinación de tecnologías principales que trabajan juntas para permitir el procesamiento e integración de datos sin interrupciones en diversos sistemas de fabricación. Para obtener detalles completos de implementación, incluyendo muestras de código, archivos de configuración y videos tutoriales, consulta el repositorio de GitHub.de esta solución

Esta solución tiene los siguientes prerrequisitos:

• Python 3.12 o posterior

• Node.js 14 o posterior

• clúster de MongoDB Atlas ejecutando 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, sigue las instrucciones en el README en el repositorio de GitHub enlazado arriba.

Lecciones clave

• Adaptabilidad a los cambios operativos: El modelo orientado a documentos 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 necesidad de revisiones arquitectónicas.

• Capa de datos centralizada para aplicaciones avanzadas: si bien el UNS no realiza directamente aplicaciones como el mantenimiento predictivo, proporciona infraestructura para tales iniciativas. Los fabricantes pueden implementar fácilmente soluciones basadas en IoT, mejorar los cronogramas de mantenimiento y optimizar costos mediante el uso del UNS para centralizar datos en tiempo real e históricos.

• Generación de perspectivas cross-funcionales: Las capacidades de análisis de MongoDB permiten a los equipos de manufactura integrar diversos conjuntos de datos, como métricas MES y resultados de 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

• Raphael Schor, MongoDB

• Romina Carranza, MongoDB

• Giovanni Rodriguez, MongoDB

Obtén más información

• Entrada de blog: Por qué MongoDB encaja perfectamente para un Namespace Unificado

• Cree un centro de datos del IoT para la fabricación inteligente

• Mejore las operaciones de vuelo con análisis en tiempo real

• Rápida implementación de agentes de IA

• Informe técnico: el namespace unificado necesita memoria para la IA agente