Gêmeos Digitais na AWS: Entendendo o “estado” com Gêmeos Digitais Informativos L2

Neste blog, ilustraremos como o nível L2 Informativo descreve o estado de um sistema físico, através de um exemplo de um veículo elétrico. Através dos casos de uso do exemplo, você aprenderá sobre os dados, modelos, tecnologias, serviços AWS e processos de negócio necessários para criar e suportar uma solução L2 Gêmeo Digital Informativo Em nosso blog anterior, descrevemos o nível L1 Descritivo e, em blogs futuros, continuaremos com o mesmo exemplo de veículo elétrico para demonstrar os Gêmeos Digitais L3 Preditivo e L4 Vivo.

Gêmeo Digital L2 Informativo

Um Gêmeo Digital L2 foca em descrever o estado de um sistema físico conectando-se a fluxos de dados (diretamente ou através de sistemas intermediários de armazenamento de dados) para que um usuário possa visualizar o que está acontecendo no momento com o sistema. A visualização pode ser na forma de painéis bem organizados ou imersiva, com um ambiente 3D completo.
O monitoramento por painel é muito comum no mundo da IoT para instalações complexas, como usinas de energia e fábricas, e pode incluir análises simples para disparar alarmes. No mundo industrial, este é o domínio da IoT e da Gestão de Ativos, com integrações com sistemas de Gestão de Ativos Empresariais (EAM) ou Planejamento de Recursos Empresariais (ERP) para mostrar configuração, histórico de manutenção e ordens de serviço futuras em uma única tela. Embora comum em instalações de alto valor como usinas de energia, estamos vendo clientes que desejam níveis similares de monitoramento para equipamentos de menor valor no uso diário, como seus veículos. Os avanços em sensores de baixo custo e conectividade sem fio estão tornando isso uma oportunidade econômica.
Para ilustrar os Gêmeos Digitais L2 Informativos, continuaremos nosso exemplo do veículo elétrico do blog do Gêmeo Digital L1 Descritivo, focando em três casos de uso:

1. Monitoramento em tempo real de um único veículo com alarmes simples.
2. Monitoramento em tempo real de uma frota de veículos.
3. Monitoramento da degradação da bateria ao longo de um período extenso.

1. Monitoramento em tempo real de um único veículo

Para o monitoramento em tempo real do nosso veículo elétrico, usamos o serviço AWS IoT TwinMaker para conectar a representação 3D do veículo com dados teoricamente transmitidos em tempo real do veículo. Essa visualização poderia, por exemplo, ser usada por um pai preocupado esperando seu filho adolescente chegar em casa tarde da noite para garantir que ele tenha carga suficiente na bateria para chegar em casa com segurança. Um alarme poderia ser disparado e uma notificação enviada se a carga da bateria do veículo cair abaixo de um limite predefinido. Para os fins deste exemplo, geramos um conjunto de dados de telemetria sintética usando o modelo veículo elétrico da Maplesoft descrito no blog L1 Descritivo, no entanto, na implementação real, seriam dados transmitidos de um veículo operacional ao vivo.
No exemplo abaixo, vemos uma captura de tela do painel criado no Grafana usando o AWS IoT TwinMaker. A solução reúne 2 fontes de dados diferentes: os dados de telemetria sintéticos do AWS IoT SiteWise e as informações do histórico de manutenção e manutenção programada do Amazon Timestream.

Como nosso pai está preocupado que seu filho adolescente possa ficar preso à noite, também definimos um alarme que é disparado quando o estado de carga da bateria (SoC) cai abaixo de 25%. O SoC é a razão entre a quantidade de energia restante na bateria (em Ampere-horas) em comparação com a quantidade de energia em uma bateria nova totalmente carregada (em Ampere-horas). O alarme disparado é mostrado na imagem abaixo. É importante observar que, para veículos elétricos da vida real, é recomendado manter a carga da bateria entre 20% e 90% para manter a saúde da bateria a longo prazo, e a maioria dos softwares de veículos impede a carga além de 90% da capacidade (mesmo quando o indicador diz que a bateria está totalmente carregada).

A arquitetura da implementação da solução é mostrada abaixo. Os dados sintéticos que representam fluxos de dados reais de veículos elétricos são lidos usando uma função AWS Lambda. Os dados do veículo, incluindo velocidade, níveis de fluido, temperatura da bateria, pressão dos pneus, status do cinto de segurança e transmissão, carga da bateria e parâmetros adicionais, são coletados e armazenados usando o AWS IoT SiteWise. Dados históricos de manutenção e atividades de manutenção programadas futuras são gerados no AWS IoT Core e armazenados no Amazon Timestream. O AWS IoT TwinMaker é usado para acessar dados de várias fontes. Os dados de série temporal armazenados no AWS IoT SiteWise são acessados por meio do conector AWS IoT SiteWise integrado, e os dados de manutenção são acessados por meio de um conector de dados personalizado para o Timestream. Dentro do AWS IoT TwinMaker, o veículo elétrico é representado como uma entidade com subsistemas, como o sistema de frenagem, representado por uma hierarquia de entidades correspondente à montagem física das peças individuais. Os componentes do AWS IoT TwinMaker são usados para associar elementos de dados a cada uma das entidades na hierarquia. A capacidade de alarme integrada do AWS IoT TwinMaker é usada para definir o limite de 25% em relação ao componente de dados de carga da bateria. A visualização é construída usando o Amazon Managed Grafana e interage com o AWS IoT TwinMaker por meio do plug-in integrado.

2. Monitoramento de frota em tempo real

Ampliar o exemplo de veículo elétrico de monitorar um único modelo para gerenciar uma frota de veículos é um caso de uso comum para operações comerciais. Examinaremos uma frota de 5 veículos, cada um percorrendo uma rota diferente. O caso de uso aqui é para o operador da frota entender o SoC da bateria e estimar se o veículo será capaz de completar sua rota usando um cálculo bem básico. Para este exemplo, presume-se que o SoC da bateria de um veículo não deva cair abaixo de 20% e que cada veículo esteja descarregando a uma taxa média de 0,23%/km. O alcance restante é então calculado por:

Se o Alcance Restante calculado estiver abaixo da Distância Restante, então um alarme é disparado e o veículo é sinalizado com a cor vermelha, conforme mostrado no painel do Grafana criado abaixo. Observe que este exemplo usa uma equação bem básica que pode ser incorporada em um sistema IoT de Gêmeo Digital L2 Informativo. Possui o benefício da simplicidade, mas carece muito de precisão. O próximo blog, com foco em Gêmeos Digitais L3, demonstrará o uso de um modelo preditivo muito mais preciso como um sensor virtual para calcular o alcance restante.igital Twins will demonstrate the use of a much more accurate predictive model as a virtual sensor to calculate the remaining range.

Como mostrado no diagrama de arquitetura a seguir, esta solução foi criada usando AWS IoT FleetWise, AWS Timestream e AWS IoT TwinMaker. Os dados sintéticos que representam a frota de veículos elétricos, incluindo informações de rota, distância restante e carga da bateria, são ingeridos no AWS IoT FleetWise usando um agente Edge instalado em uma instância EC2 e armazenados no Amazon Timestream. Os dados de série temporal armazenados no AWS Timestream são acessados por meio de um conector personalizado no AWS IoT TwinMaker. A visualização é construída usando o Amazon Managed Grafana.

3. Monitoramento da degradação da bateria para uma frota

Ampliamos o exemplo de veículo elétrico para outro caso de uso comum, que é o monitoramento da degradação da bateria ao longo do tempo para uma frota de veículos, como uma frota de vans usadas por um serviço de entrega em uma cidade. Ao longo de vários anos, cada veículo da frota terá passado por perfis de direção muito diferentes, bem como ciclos de carga e descarga da bateria. Como resultado, a degradação da bateria para cada veículo será diferente. O caso de uso aqui é para o operador da frota entender a saúde da bateria de um veículo específico. Nesse caso, o operador não está interessado em observar a descarga da bateria em tempo real enquanto o veículo opera, mas sim na saúde da bateria dependendo de sua capacidade de carregar totalmente (em relação a uma bateria nova). Saber dessa informação permite ao operador alocar os veículos nas rotas apropriadas para garantir que cada veículo seja capaz de atender às suas demandas de rota futuras para o dia seguinte. Essa métrica é normalmente chamada de Estado de Saúde (SoH) e uma forma de calculá-la é como uma porcentagem da carga máxima de uma bateria nova. Por exemplo, uma bateria degradada que só pode carregar até 94 kWhr (em relação a uma bateria nova que pode carregar até 100 kWhr) teria um SoH de 94%. No setor atual, uma bateria de um veículo elétrico geralmente é considerada inutilizável para aplicações quando o SoH cai abaixo de 80%. No painel abaixo, vemos que o SoH do Veículo 3 caiu abaixo de 80%, disparando um alarme mostrando que a bateria do veículo atingiu o fim de vida útil efetivo. Este painel foi gerado usando a mesma arquitetura de solução anterior, desta vez adicionando o SoH da bateria como um dos

Resumo

Neste blog, descrevemos o nível L2 Informativo abordando os casos de uso de monitoramento em tempo real de um único veículo, monitoramento em tempo real de uma frota de veículos e monitoramento da degradação da bateria ao longo de vários meses para um veículo elétrico. Em nosso blog anterior, descrevemos o nível L1 Descritivo e, em blogs futuros, ampliaremos o exemplo do veículo elétrico para demonstrar os Gêmeos Digitais L3 Preditivo e L4 Vivo. Na AWS, estamos animados em trabalhar com clientes à medida que eles embarcam em sua jornada de Gêmeos Digitais em todos os quatro níveis de Gêmeos Digitais, e incentivamos você a aprender mais sobre nosso novo serviço AWS IoT TwinMaker em nosso website.
Este contéudo é uma tradução do blog original em inglês (link aqui).

Tradução e Adaptação

Pedro Assumpção é Consultor de Aplicações na AWS, trabalhando em projetos de Aplicação, Modernização e Migração. Trabalha com ênfase em soluções serverless, bancos de dados, e integração de dispositivos com a nuvem e orquestração dos mesmos. Apaixonado por vídeo games, música e motocicletas, frequentemente é encontrado em suas jogatinas, tocando alguma música nova, ou nas estradas por aí.