统一命名空间的数据完整性

解决方案概述

由于实时数据和集中式数据管理工具（例如将不同类型的数据存储在一个位置的统一命名空间 (UNS) 模型）的集成，制造业正在发生变化。现代工厂通过企业资源规划 (ERP)、制造执行系统 (MES) 和车间机器等系统生成数据。随着制造商连接其系统并实现自动化，统一这些数据源至关重要。示例，据德勤 (Deloitte) 称，智能工厂计划可将生产效率提高高达 12%，并将设备效率提高高达 20%，根据德勤。

此解决方案实现了一个名为 Leafy Factory 的演示，该演示使用MongoDB开发一个全面的 UNS框架。您可以将MongoDB用作 UNS，以自主统一和分析来自不同制造系统的数据。MongoDB 的灵活性、实时处理和可扩展性使其成为高效 UNS 的最佳选择。它还提高了制造数据管理系统的效率和洞察力，如下图所示：

点击放大

图1.自动化金字塔与统一命名空间

该 UNS框架摄取各种操作数据类型，分析数据流以获得可行的见解，将信息存储在MongoDB中，并使用不同数据源生成的全面分析提供战略建议。这样可以通过集中数据存储和管理来提高效率。

参考架构

下图显示了该解决方案的架构：

图2.Leafy Factory UNS 架构

该架构具有以下数据流：

1.使用 MQTT 代理进行数据采集

该解决方案首先使用 Cedalo 的 Mosquitto MQTT 代理来处理来自车间机器的实时数据流。该代理收集机器状态和传感器读数等数据，包括温度和振动。该架构仍然与代理无关，并且能够根据需要与各种其他 MQTT 提供商集成。

2.通过 Kafka Connector 实现 SQL 数据集成

在接收 MQTT 数据的同时，DebeziumConnector从 ERP 和 MES 系统捕获SQL数据，例如工单和物料跟踪，并将其流式传输到Kafka主题中。然后， Kafka Connector处理这些数据并将其插入MongoDB Atlas。 这样可以确保 ERP 数据不断更新。

3.使用 MongoDB Atlas 进行数据库管理

MongoDB 灵活的文档模型允许您在Atlas中存储各种数据结构，从原始机器传感器数据到结构化 ERP 记录。 通过以文档格式存储数据，制造商可以轻松适应变化，例如新的传感器或机器属性。

此解决方案中的数据具有以下结构：

{
   "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.使用时间序列集合进行实时分析

数据位于Atlas后，您可以使用时间序列集合来管理和分析数据。时间序列集合允许制造商存储带时间戳的数据并深入了解一段时间内的制造流程，从而使您能够发现模式并对任何变化迅速React。 您还可以将其他元数据集成到文档模型中，例如机器ID、操作符名称、位置等。

5.使用 Atlas Charts 进行数据可视化和分析

最后，您可以使用Atlas Charts可视化集成的数据，它提供生产指标、质量分析和机器状态的直观图形表示。这使制造商能够通过可行的见解做出明智的决策。

构建解决方案

该解决方案结合使用了多种核心技术，这些技术协同工作，可实现跨不同制造系统的无缝数据处理和集成。有关完整的实施详情，包括代码示例、配置文件和教程视频，请参阅此解决方案的Github存储库。

此解决方案具有以下先决条件：

• Python 3.12 或更高版本

• Node.js 14 或更高版本

• 运行MongoDB 8.0.4 或更高版本的MongoDB Atlas集群

• Apache Kafka 3.9.0 或更高版本

• Java JDK 23 或更高版本

• PostgreSQL 15.10 或更高版本

要部署该解决方案，请按照上面链接的Github存储库中的 README 中的说明进行操作。

关键要点

• 对运营变化的适应性：MongoDB 灵活的文档模型可以轻松集成新的数据源，并随着生产线的扩展而扩展，从而允许制造商维护动态数据系统，而无需对架构进行彻底修改。

• 适用于高级应用程序的集中式数据层：虽然 UNS 不直接执行预测性维护等应用程序，但它为此类计划提供了基础架构。通过使用 UNS 来集中实时和历史数据，制造商可以轻松实现基于物联网（IoT）的解决方案、优化维护计划并优化成本。

• 跨职能见解生成：MongoDB 的分析功能允许制造团队集成不同的数据集，例如 MES指标和 ERP 输出。

• 确保数据的可用性和可靠性：MongoDB 的副本集架构可确保系统不间断地保持运行。这可以防止制造数据生态系统的潜在中断，并支持可靠的长期运行。

作者

• Raphael Schor，MongoDB

• Romina Carranza，MongoDB

• Giovanni Rodriguez, MongoDB

了解详情

• 为智能制造构建物联网（IoT）数据中心

• 快速部署 AI 代理的框架

• 通过实时分析改进航班运营