Integridade de dados do namespace unificado

Visão Geral da Solução

O setor de transformação está mudando devido à integração de dados em tempo real e ferramentas de gerenciamento de dados centralizados, como o modelo Unified Namespace (UNS), que armazena diferentes tipos de dados em um só local. As fábricas modernas geram dados de sistemas como o planejamento de recursos empresariais (ERP), o sistema de execução de produção (mes) e as máquinas de fábrica. À medida que os fabricantes conectam e automatizam seus sistemas, a unificação dessas fontes de dados é crucial. Por exemplo, Iniciativas de fábrica inteligentes podem aumentar a 12 produtividade em até 20 perfeita e melhorar aeficácia do hardware em até por cento, de acordo com a Deloitte.

Essa solução implementa uma demonstração chamada Leafy Factory que desenvolve uma estrutura UNS abrangente com o MongoDB. Você pode usar o MongoDB como um UNS que unifica e analisa dados de diferentes sistemas de produção de forma autônoma. A flexibilidade, o processamento em tempo real e a escalabilidade do MongoDB fazem dele a escolha ideal para uma UNS eficiente. Ele também traz maior eficiência e insights para os sistemas de gerenciamento de dados de produção, como mostrado no diagrama a seguir:

clique para ampliar

Figura 1. Pirâmide de automação versus namespace unificado

Essa estrutura da UNS ingere diversos tipos de dados operacionais, analisa fluxos em busca de insights aplicáveis, armazena informações no MongoDB e fornece recomendações estratégias usando análises abrangentes geradas a partir de diferentes fontes de dados. Isso permite maior eficiência ao centralizar o armazenamento e o gerenciamento de dados.

Arquiteturas de referência

O diagrama a seguir exibe a arquitetura desta solução:

Figura 2. Arquitetura UNS da Leafy Factory

Essa arquitetura tem o seguinte fluxo de dados:

1. Ingestão de dados com o corretor MQTT

A solução começa empregando o MosquiTo MQTT Corretor da Cedalo para lidar com fluxos de dados em tempo real de máquinas de armazém. Esse corretor coleta dados como status da máquina e leituras de sensores, incluindo temperatura e rotação. A arquitetura permanece independente de corretor e é capaz de se integrar com vários outros fornecedores MQTT conforme necessário.

2. Integração de dados SQL via conector Kafka

Simultaneamente à recebimento de dados MQTT, o conector Debezium captura dados SQL de sistemas ERP e mes, como ordens de trabalho e rastreamento de materiais, e os transmite para tópicos Kafka. O conector Kafka então processa esses dados e os insere no MongoDB Atlas. Isso garante que os dados do RH sejam atualizados continuamente.

3. Gerenciamento de banco de dados com MongoDB Atlas

O modelo de documento flexível do MongoDB permite armazenar diversas estruturas de dados, de dados brutos de sensores de máquinas a registros estruturados de URL, no Atlas. Ao armazenar dados em um formato de documento , os fabricantes podem se adaptar sem esforço a alterações, como novos sensores ou atributos de máquina.

Os dados nesta solução têm a seguinte estrutura:

{
   "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. Análise em tempo real com coleções de séries temporais

Depois que os dados estiverem no Atlas, você poderá usar coleções de séries temporais para gerenciar e analisar seus dados. As coleções de séries temporais permitem que os fabricantes armazenem dados com registro de data e hora e obtenham insights sobre os processos de produção ao longo do tempo, permitindo que você identifique padrões e reaja imediatamente a quaisquer alterações. Você também pode integrar metadados adicionais ao modelo de documento , como ID da máquina, nome do operador, localização e muito mais.

5. Visualização e análise com Atlas Charts

Por fim, você pode visualizar os dados integrados usando o Atlas Charts, que fornece representações gráficos intuitivas de métricas de produção, análise de qualidade e status da máquina. Isso permite que os fabricantes tomem decisões informadas por meio de insights aplicáveis.

Construir a solução

Essa solução usa uma combinação de tecnologias principais que trabalham juntas para permitir o processamento e a integração perfeitas de dados em diversos sistemas de produção. Para obter detalhes completos da implementação, incluindo amostras de código, arquivos de configuração e vídeos tutoriais, consulte o repositório GitHub desta solução.

Esta solução tem os seguintes pré-requisitos:

• Python 3.12 ou posterior

• Node.js 14 ou posterior

• MongoDB Atlas Cluster executando o MongoDB 8.0.4 ou posterior

• Apache Kafka 3.9.0 ou posterior

• Java JDK 23 ou posterior

• PostgreSQL 15.10 ou posterior

Para implantar a solução, siga as instruções no README no repositório GitHub vinculado acima.

Principais Aprendizados

• Adaptabilidade a mudanças operacionais: o modelo de documento flexível do MongoDB pode integrar facilmente novas fontes de dados e escala com linhas de produção em expansão, permitindo que os fabricantes mantenham um sistema de dados dinâmico sem exigir revisões arquitetônicas.

• Camada de dados centralizada para aplicativos avançados: embora a UNS não execute diretamente aplicativos como manutenção preditiva, ela fornece infraestrutura para essas iniciativas. Os fabricantes podem implementar facilmente soluções baseadas em IoT, aprimorar cronogramas de manutenção e otimizar custos usando o UNS para centralizar dados históricos e em tempo real.

• Geração de insights multifuncionais: os recursos de análise do MongoDB permitem que as equipes de produção integrem diversos conjuntos de dados, como métricas de mes e saídas de erp.

• Disponibilidade e confiabilidade de dados garantidas: a arquitetura de conjunto de réplicas do MongoDB garante que o sistema permaneça operacional sem interrupção. Isso evita possíveis interrupções no ecossistema de dados de produção e oferece suporte a operações confiáveis de longo prazo.

Autores

• Raphael Schor, MongoDB

• Romina Carranza, MongoDB

• Giovanni Rodriguez, MongoDB

Saiba mais

• Crie um Hub de Dados IoT para Manufatura Inteligente

• Framework para implantação rápida de agentes de AI

• Melhore as operações de voo com análises em tempo real