在说明Predix中间层Predix微服务层之前,笔者先说明图5-1最上面的Predix应用程序层。
GE数字在开发Predix的同时,也在同步开发Predix的应用程序。Predix的应用程序正如第3章所介绍的那样,主要用于,通过工业互联网收集工业机械的传感器数据并进行分析,进而提升工业机械的运营效率和燃料效率。
正如第3章介绍的那样,GE在提升工业机械运行效率方面最重视的手法是数字孪生。这是工业机械数字版的“孪生兄弟”。GE开发的工业机械数字孪生,可以根据工业机械上收集的反映实际运营状况的数据进行数字化再现,展现实际工业机械发生的情形。它不仅可以预测机械的故障,还能发现机器运行效率最高的最合适的模式。
2016年3月完成的APM是实现数字孪生的Predix应用程序。它用于从工业机械上收集并存储传感器数据、制作数字孪生的数据模型、管理以三维CAD为基础制作的数字孪生的物理模型,然后将工业机械上收集的数据与数字孪生进行对照,实现各种预测功能。
在APM投入使用之前,各业务部门为了实现数字孪生分别开发了各自的软件。Predix的开发经理迪拉克·波特说:“APM投入使用之后,各业务部门通过扩展APM的功能就可以实现工业机械和客户所必需的数字孪生。”也就是说,各业务部门大幅缩减了为实现数字孪生而进行的软件开发的时间。(www.daowen.com)
比如说,GE能源开发用于发电燃气轮机和蒸汽轮机的数字孪生应用程序时,就使用了APM。GE能源将用APM扩展的发电涡轮的应用程序,以“Digital Power Plant”的品牌进行销售。
APM为实现数字孪生的数据模型,使用了图形数据库。图形数据库是专门管理表示物与物连接,以及物与事连接的图形构造的数据。提到图形,人们容易联想到柱状图一类的东西,但是这里说的图形是指将两个以上不同点的关系用线来表示的意思。GE在Predix中,使用了开源的分散图形数据库软件Titan。
GE使用图形数据库的目的是制作类似于搭载在谷歌检索上的知识图谱(knowledge graph)功能的工业机械版。谷歌的知识图谱是用户在使用谷歌进行关键词检索时,在检索结果右侧出现的一系列信息。比如,在谷歌搜索“织田信长”这个人名时,在检索结果的右侧会出现:“出生年月:1534年6月23日”“出生地:日本爱知县名古屋市名古屋城”“配偶:浓姬(1549年起)”“书籍:织田信长的古文书”“兄弟姐妹:阿市、织田信行、织田长益、阿犬、织田信包”“子女:织田信忠、织田信雄、织田信孝、德姬、羽柴秀胜、冬姬、织田信正”等信息。
谷歌中存在织田信长的相关信息,织田信长与“1534年6月23日”这个数字的关系是“出生年月”,与“名古屋市”这个地方的关系是“出生地”,与“浓姬”这个人的关系是“配偶”,与“织田信忠”这个人的关系是“子女”。谷歌将织田信长与其他人物和场所的相关性,也就是知识的相关性,用“图形构造数据”的方式进行保存。所以,在谷歌上对织田信长进行关键词检索时,这些信息立刻就能整理并表示出来。谷歌为了实现知识图谱,管理着数百亿的数据和数据之间的相关性信息。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。