MongoDB は、運用データを統合し、生産効率を向上させ、リアルタイムのインサイトを可能にし、プロセスを最適化することで、製造業者を支援します。
業種: 製造 & モビリティ
製品: MongoDB Atlas 、 MongoDB Atlas Charts 、 MongoDB Change Streams 、 MongoDB Connector for Kafka 、 MongoDB時系列
パートナー: Cedalo（モスキート）
ソリューション概要
製造業は、リアルタイムデータと統合名前空間（UNS）モデルのような中央化されたデータ管理ツールの統合により変化しています。これらのツールは 1 つの場所にさまざまなタイプのデータを保存します。最近の工場は、エンタープライズリソースプランニング（ERP）、製造業実行システム（MES）、作業所のマシンなどのシステムからデータを生成しています。メーカーがシステムを接続して自動化する際には、これらのデータソースを統合することが重要です。例、デプロイメント によると、スマート ファクトリーの導入により、効率性が最大 完了し、デバイスの有効性が最大12 20% 向上する可能性があります。
このソリューションは、 MongoDBと包括的な UNIS フレームフレームワークを開発する Leafy Factory という名前のデモを実装します。 MongoDB は、さまざまな製造システムのデータを自律的に統合して分析する UNIS として使用できます。 MongoDB の柔軟性、リアルタイム処理、スケーラビリティは、効率的な UNIS に最適です。また、次の図に示すように、データ管理システムの製造に効率とインサイトが与えられます。
図1。オートメーションピラミッドと統合名前空間の比較
この UNISフレームワークは、さまざまな運用データ型を取り込み、ストリームを分析して実行可能なインサイトを得る、 MongoDBに情報を保存し、さまざまなデータソースから生成された包括的な分析を使用して戦略的な推奨事項を提供します。これにより、データのストレージと管理を一元化し、効率を向上させることができます。
参照アーキテクチャ
次の図は、このソリューションのアーキテクチャを示しています。
図2。Leafy Factory UNS のアーキテクチャ
このアーキテクチャには、次のデータフローがあります。
1。 MQTT ブロックによるデータ取り込み
このソリューションは、Cedalo の Mosquito MQTT ブロッキングを使用して、店舗のマシンからのリアルタイムデータ ストリームを処理することで始まります。このプロバイダーは、マシンのステータスやセンサー読み取りなどのデータ（温度や頻度など）を収集します。このアーキテクチャは、必要に応じて他のさまざまな MQTT プロバイダーと統合できます。
2。 Kafka コネクタによるSQLデータ統合
Debeziumコネクタは、MQTT データ受信と同時に、作業順序や資料追跡など、 ERN および MES システムからSQLデータをキャプチャし、 Kafkaトピックにストリーミングします。次に、 Kafka コネクタ はこのデータを処理し、 MongoDB Atlasに挿入します。これにより、ERP データが継続的に更新されるようになります。
3。 MongoDB Atlasによるデータベース管理
MongoDB の柔軟なドキュメントモデル、未加工のマシン センサー データから構造化された ERN レコードまで、さまざまなデータ構造を Atlas に保存できます。データをドキュメント形式で保存することで、メーカーは新しいセンサーやマシン属性などの変更に簡単に対応できます。
このソリューションのデータは次の構造をしています。
{ "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。時系列コレクションによるリアルタイム分析
Atlas にデータが存在したら、 時系列コレクション を使用してデータを管理および分析できます。時系列コレクションを使用すると、メーカーはタイムスタンプ付きのデータを保存し、時間の経過とともにプロセスのインサイトを得ることができるため、パターンを特定し、変更に迅速に対応できます。また、 マシンID 、演算子名、ロケーションなどの追加のメタデータをドキュメントモデルに統合することもできます。
5。 Atlas Charts による可視化と分析
最後に、Atlas Charts を使用して統合データを視覚化します。これにより、本番メトリクス、品質分析、マシンのステータスを直感的にグラフ化できます。これにより、メーカーは実行可能なインサイトを通じて情報に基づいた決定を行うことができます。
ソリューションのビルド
このソリューションは主要テクノロジーの組み合わせを使用することで、シームレスなデータ処理と統合を可能にし、さまざまなプロセスシステムとの連携を可能にします。コードサンプル、構成ファイル、チュートリアルビデオなど、完全な実装の詳細については、このソリューションの GitHubリポジトリ を参照してください。
このソリューションには次の前提条件があります。
Python 3.12 以降
Node.js 14 以降
MongoDB 8.0.4 以降を実行中MongoDB Atlasクラスター
Apache Kafka 3.9.0 以降
Java JDK 23 以降
PostgreSQL 15.10 以降
ソリューションを配置するには、上記のリンク済みの GitHubリポジトリで README の手順に従います。
キーポイント
運用環境の変更への適応性: MongoDB の柔軟なドキュメントモデルは、新しいデータソースを簡単に統合し、生成ラインの拡張に伴う増やすを実現するため、アーキテクチャのオーバーヘッドを必要とせずに動的データシステムを維持できます。
高度なアプリケーションのための一元化されたデータレイヤー: UNIS は予測メンテナンスなどのアプリケーションを直接実行することはありませんが、そのためのインフラストラクチャを提供します。製造業は、IoT ベースのソリューションを簡単に実装し、メンテナンス スケジュールを強化し、コストを最適化するために URL を使用してリアルタイムデータと履歴データを一元化します。
複数機能によるインサイト生成: MongoDB の分析機能により、MES メトリクスや ERN 出力などのさまざまなデータセットを統合できます。
データの可用性と信頼性の確保: MongoDB のレプリカセットアーキテクチャにより、システムは中断されることなく機能し続けることが保証されます。これにより、製造データエコシステムの潜在的な中断を防ぎ、信頼できる操作を長期的にサポートします。
作成者
Raphael Schor、MongoDB
ロミナ・カランサ、MongoDB
Giovanni Rodriguez, MongoDB