ES2886868T3 - Plataforma de inteligencia de borde, y sistema de flujos de sensores del internet de las cosas - Google Patents

Abstract

Un método que comprende: recibir un flujo de datos de sensores desde un primer sensor físico (523) a través de un primer tipo de conexión de red en un agente de ingestión de datos (520) de un sistema de plataforma de borde (406); desde el agente de ingestión de datos (520), entregar los datos de flujo ingeridos a un bus de datos (532) del sistema de plataforma de borde (406); enriquecer los datos de flujo ingeridos en tiempo real a través de un componente de enriquecimiento de datos del sistema de plataforma de borde (406) al realizar una acción de enriquecimiento en los datos de flujo ingeridos, en donde la acción de enriquecimiento comprende uno o más de decodificar los datos de flujo ingeridos, decorar los datos de flujo ingeridos con metadatos y normalizar los datos de flujo ingeridos; hacer que los datos ingeridos enriquecidos estén disponibles en el bus de datos (532); procesar los datos de flujo ingeridos enriquecidos en un motor de análisis (355) del sistema de plataforma de borde (406) que se suscribe a datos del bus de datos (532), en el que el procesamiento comprende aplicar a los datos de flujo ingeridos enriquecidos en tiempo real una primera función especificada por expresiones analíticas seleccionadas de un lenguaje de expresiones y generar en tiempo real un flujo de datos que comprende información de inteligencia, en el que la primera función comprende al menos una transformación, detección de patrones, calibración dinámica, procesamiento de señales, expresión matemática, compactación de datos, análisis de datos, agregación de datos, expresión de reglas, envío de alertas e invocación de servicios; publicar la información de inteligencia en el bus de datos (532), en el que publicación comprende almacenar la información de inteligencia en el sistema de plataforma de borde (406) en una base de datos de series de tiempo rodante (576) indexada por tiempo para su uso por aplicaciones (567) ejecutables en el sistema de plataforma de borde (406); y determinar en base a la información de inteligencia si tomar una acción seleccionada en una red local en un dispositivo de hardware que está siendo monitorizado por el primer sensor físico (523) y si transmitir al menos una porción de la información de inteligencia a una red de área amplia para su procesamiento, donde la acción seleccionada comprende enviar una alerta a un operador al realizar una acción proactiva en un dispositivo de hardware que está siendo monitorizado por el primer sensor físico (523).

Description

DESCRIPCIÓN

Plataforma de inteligencia de borde, y sistema de flujos de sensores del internet de las cosas

Referencia cruzada a solicitudes relacionadas

Esta solicitud de patente reivindica el beneficio de la solicitud de patente de EE.UU. 62/210,981, presentada el 27 de agosto de 2015. También se hace referencia a las solicitudes de patente de EE.UU. 62/312,106, 62/312,187, 62/312,223 y 62/312,255, presentadas el 23 de marzo de 2016.

Antecedentes de la invención

La invención se refiere al campo de la informática, y más concretamente a la informática de borde ("edge computing") para manejar las grandes cantidades de datos generados por las máquinas industriales.

El alojamiento de aplicaciones de software empresarial tradicional se ha basado en el centro de datos o la infraestructura de "nube" para aprovechar las economías de escala y la eficiencia del sistema. Sin embargo, estos centros de datos pueden estar arbitrariamente distantes de los puntos de operaciones físicas (por ejemplo, fábricas, almacenes, tiendas minoristas y otros), donde la empresa realiza la mayoría de sus operaciones comerciales. La Internet industrial de las cosas ("industrial Internet of things", IIoT) se refiere a una colección de dispositivos o casos de uso que se basa en la instrumentación de las operaciones físicas con sensores que rastrean eventos con muy alta frecuencia.

Las máquinas industriales en muchos sectores se incluyen en esta Internet de las cosas ("Internet of things", loT), incluida la fabricación, el petróleo y el gas, la minería, el transporte, la energía y el agua, las energías renovables, el cuidado de la salud, el comercio minorista, los edificios inteligentes, las ciudades inteligentes y los vehículos conectados. A pesar del éxito de la computación en la nube, existen varias deficiencias: No es práctico enviar todos esos datos al almacenamiento en la nube porque es posible que la conectividad no siempre esté disponible, el ancho de banda no sea suficiente o su costo sea prohibitivo incluso si existe ancho de banda. Incluso si la conectividad, el ancho de banda y el costo no son problemas, no existe una toma de decisiones en tiempo real ni un mantenimiento predictivo que pueda resultar en daños significativos a las máquinas.

El documento US 2015/161214 describe un método para detectar patrones en múltiples flujos de datos de entrada relacionados con una o más aplicaciones. El documento US 2015/213056 describe un dispositivo de borde en una red que recibe un flujo de paquetes de datos originados por una fuente de datos visuales para la extracción de un atributo de datos visuales. El documento US 2009/113049 describe un sistema para utilizar una red neuronal para realizar predicciones en tiempo real sobre el estado, la fiabilidad y el rendimiento de un sistema monitorizado.

Por lo tanto, se necesitan sistemas, arquitecturas y técnicas de computación mejorados que incluyan análisis de borde mejorados para manejar las grandes cantidades de datos generados por las máquinas industriales.

Breve resumen de la invención

Un método para habilitar la inteligencia en el borde. Las características incluyen: activación por datos de sensores en una capa de software alojada en un dispositivo de puerta de enlace o en un sistema integrado/embebido. La capa de software está conectada a una red de área local. La capa de software hace accesible un depósito de servicios, aplicaciones y motores de procesamiento de datos. Hacer coincidir los datos de sensores con descripciones semánticas de la ocurrencia de condiciones específicas a través de un lenguaje de expresiones puesto a disposición por la capa de software. Descubrimiento automático de eventos de patrones mediante la ejecución continua de expresiones. Composición inteligente de servicios y aplicaciones a través del dispositivo de puerta de enlace y sistemas integrados en la red administrados por la capa de software para encadenar aplicaciones y expresiones analíticas. Optimización del diseño de las aplicaciones y análisis en base a la disponibilidad de recursos. Monitorización del estado de la capa de software. Almacenamiento de datos de sensores sin procesar o resultados de expresiones en una base de datos de series de tiempo local o almacenamiento en la nube. Los servicios y componentes se pueden mantener en contenedores para garantizar un funcionamiento sin problemas en cualquier entorno de puerta de enlace

La inteligencia de borde se habilita en la fuente de los datos de Internet de las cosas (loT). Un sistema proporciona acceso enriquecido (modos de flujo o por lotes, o ambos) a los datos de sensores del dispositivo loT para aplicaciones y análisis de borde en tiempo real. El sistema incluye un lenguaje informático altamente eficiente y expresivo para ejecutar funciones y expresiones analíticas, a través de un motor de análisis de alto rendimiento que opera en máquinas de baja huella de memoria. El sistema permite la publicación de datos agregados en la nube para promover el aprendizaje automático. El sistema incluye un kit de desarrollo de software para desarrollar aplicaciones de borde. Una consola de administración basada en la nube permite administrar los despliegues, la configuración, las aplicaciones y las expresiones analíticas de borde.

Una implementación específica de una plataforma e infraestructura de borde es de FogHorn Systems, Inc. (FogHorn). Se pueden encontrar ejemplos de tecnología y productos de FogHorn en el sitio web de FogHorn, www.foghornsystems.com, en publicaciones (incluidos documentos técnicos, guías de usuario, tutoriales, videos y otros) y en otras publicaciones sobre la tecnología y los productos de FogHorn.

FogHorn proporciona una plataforma para habilitar la inteligencia de borde para datos industriales y comerciales de Internet de las cosas (loT). La cantidad de datos generados por decenas de miles de millones de dispositivos loT industriales y comerciales será lo suficientemente masiva como para abrumar a toda la Internet. La plataforma FogHorn procesa, analiza y responde a los datos de loT justo donde se originan, en el borde de la red. La plataforma de software de "borde inteligente" de FogHorn permite niveles sin precedentes de automatización, eficiencia operativa, ahorro de costos y mucho más.

La Internet industrial de las cosas (IIoT) consta de dispositivos industriales y comerciales interconectados, tales como sensores, maquinaria y ordenadores. El objetivo de IIoT es permitir un mayor control de dispositivos, gestión de datos, automatización de máquinas y eficiencia operativa en una empresa distribuida. Las empresas pueden aplicar la computación en la niebla ("fog computing") en el borde para capturar oportunidades nuevas de IIoT mediante análisis en tiempo real y respuestas automatizadas, al mismo tiempo que aprovechan la computación en la nube para la gestión y optimización de todo el sistema. La plataforma de computación de borde FogHorn también está diseñada para ejecutarse en controladores lógicos programables (PLC) existentes (por ejemplo, oportunidades Brownfield) si agregar recursos de cómputo adicionales no es viable. Brownfield se refiere a la implementación de nuevos sistemas para resolver áreas problemáticas de tecnología de la información (TI) mientras se tienen en cuenta los sistemas establecidos. La nueva arquitectura de software tiene en cuenta el software existente y en ejecución.

La plataforma de inteligencia de borde es una solución basada en software basada en conceptos de computación en la niebla que extiende el procesamiento y análisis de datos más cerca del borde donde residen los dispositivos IIoT. Mantener una proximidad cercana a los dispositivos de borde en lugar de enviar todos los datos a una nube centralizada distante minimiza la latencia, lo que permite un rendimiento máximo, tiempos de respuesta más rápidos y estrategias operativas y de mantenimiento más efectivas. También reduce significativamente los requisitos generales de ancho de banda y el costo de administrar redes ampliamente distribuidas.

Centrarse en las operaciones de IIoT en el borde reduce los requisitos generales de ancho de banda y permite respuestas automáticas inmediatas a condiciones urgentes. El mundo industrial está agregando miles de millones de nuevos dispositivos IIoT y, en conjunto, estos dispositivos generan muchos petabytes de datos cada día. Enviar todos estos datos a la nube no solo tiene un costo prohibitivo, sino que también crea un mayor riesgo de seguridad. Operar en el borde garantiza tiempos de respuesta mucho más rápidos, menores riesgos y menores costos generales.

En una implementación, un sistema de plataforma informática de borde incluye: un número de flujos de datos de sensores y una capa de software dispuesta físicamente entre los sensores y una red de comunicación, la capa de software está configurada para realizar cálculos basados en datos sin procesar recibidos de los sensores. La capa de software puede incluir un sensor virtual programable desde un punto de vista de la capa de procesamiento de datos y la red de comunicación.

El software puede incluir una capa de procesamiento de datos que incluya un motor de procesamiento de eventos complejos y un lenguaje de expresiones para el procesamiento de flujos. La capa de procesamiento de datos puede incluir una capa de enriquecimiento de datos y un kit de desarrollo de software para interactuar y desarrollar aplicaciones. El software puede incluir una capa de publicación de datos para publicar los flujos de datos de sensores o los datos o metadatos derivados de las expresiones en al menos una de las bases de datos de series de tiempo locales o un proveedor de almacenamiento en la nube de elección.

El sistema puede incluir un repositorio de aplicaciones, donde la capa de software está configurada para almacenar, recuperar e implementar aplicaciones desde el repositorio de aplicaciones. Las aplicaciones están configuradas para procesar datos de sensores en la capa de hardware. El repositorio de aplicaciones está configurado para personalizar un contenedor de aplicaciones según los recursos disponibles en la capa de hardware.

En una implementación, un sistema de sensores incluye: un número de sensores; y una capa de hardware dispuesta físicamente entre los sensores y una red de comunicación, estando configurada la capa de hardware para realizar cálculos basados en datos sin procesar recibidos de los sensores. La capa de hardware se puede configurar para ser programable como un sensor virtual desde un punto de vista de la red de comunicación. El sensor virtual puede incluir una interfaz de programa de aplicación (API) especificada mediante programación en la capa de hardware.

El sistema puede incluir un repositorio de aplicaciones, donde la capa de hardware está configurada para recibir aplicaciones del repositorio de aplicaciones. Las aplicaciones se configuran para el procesamiento de datos de sensores en la capa de hardware. El repositorio de aplicaciones se configura para personalizar un contenedor de aplicaciones en base a los recursos disponibles en la capa de hardware.

En una implementación, un método incluye: recibir unos datos de flujo de datos de sensores a través de un primer tipo de conexión de red en un agente de ingestión de datos de un sistema de plataforma de borde; desde el agente de ingestión de datos, entregar datos de flujo ingeridos a un bus de datos del sistema; procesar los datos de flujo ingeridos en un motor de análisis que está conectado (por ejemplo, desde el cual suscribe a datos) al bus de datos donde el procesamiento incluye ejecutar expresiones analíticas proporcionadas en un lenguaje de expresiones para generar información de inteligencia a partir de los datos de flujo ingeridos; y publicar la información de inteligencia en el bus de datos. El método puede incluir: enriquecer los datos ingeridos en tiempo real a través de un componente de enriquecimiento de datos y hacer que los datos ingeridos estén disponibles en el bus de datos. El enriquecimiento puede incluir, pero no se limita a, decodificación de datos, decoración de metadatos, normalización de datos y similares.

El método puede incluir: recibir la información de inteligencia del bus de datos en un componente de publicación de datos; y por medio del componente de publicación de datos, almacenar la información de inteligencia en una base de datos de series de tiempo. Además, el método puede incluir, mediante el componente de publicación de datos, transferir al menos una porción de la información de inteligencia a través de un segundo tipo de conexión de red y almacenar en un almacenamiento en la nube, donde el segundo tipo de conexión de red es diferente del primer tipo de conexión de red. y el segundo tipo de conexión de red tiene una conexión de ancho de banda menor que el primer tipo de conexión de red para los datos de flujo de datos de sensores.

Por ejemplo, el primer tipo de conexión de red puede utilizar protocolos IOT industriales como MQTT, Arquitectura Unificada OPC o el protocolo Modbus, así como protocolos personalizados. El segundo tipo de conexión de red puede utilizar un protocolo de Internet como TCP/IP, Protocolo de transferencia de hipertexto (HTTP), WebSockets, WebHDFS o Apache Kafka, o cualquier combinación de estos. El segundo tipo de conexión de red también puede utilizar los protocolos descritos anteriormente para el primer tipo de conexión de red.

El agente de ingestión de datos puede acceder a los datos de flujo de datos de sensores a través de un primer tipo de conexión de red a través de un protocolo de inserción ("push protocol"). El agente de ingestión de datos puede acceder a los datos de flujo de datos de sensores a través de un primer tipo de conexión de red a través de un protocolo de extracción ("pull protocol").

El método puede incluir: proporcionar un kit de desarrollo de software que permita al usuario desarrollar una aplicación para el sistema de plataforma de borde; y mediante el kit de desarrollo de software, desarrollar una primera aplicación en contenedor que pueda acceder y procesar la información de inteligencia disponible en el bus de datos. El método puede incluir: recibir la información de inteligencia del bus de datos en un componente de publicación de datos; por medio del componente de publicación de datos, almacenar la información de inteligencia en una base de datos de series de tiempo; y mediante el kit de desarrollo de software, desarrollar una segunda aplicación en contenedor que puede acceder y procesar la información de inteligencia almacenada en la base de datos de series de tiempo.

El método puede incluir: proporcionar una tienda de aplicaciones del sistema de plataforma de borde, donde la primera y la segunda aplicaciones en contenedor están disponibles para que otros usuarios accedan a través de la tienda de aplicaciones.

La primera aplicación en contenedor es ejecutable dentro del sistema de plataforma de borde donde la primera aplicación en contenedor tiene una conexión directa al bus de datos. La primera aplicación en contenedor (sin cambios) también se puede ejecutar en un entorno de nube, donde la primera aplicación en contenedor no tiene una conexión directa al bus de datos, pero accede a la información de inteligencia a través del segundo tipo de conexión de red.

El método puede incluir: usar el lenguaje de expresión, creando un primer sensor virtual que tenga una primera entrada conectada a un primer sensor físico y una primera salida que sea una primera función de la primera entrada. La primera función se especifica en el lenguaje de expresión. El primer sensor virtual recibe el primer flujo de datos del primer sensor físico. En la primera salida, el primer sensor virtual emite segundos datos de flujo que son los primeros datos de flujo sobre el que se opera de acuerdo con la primera función. La información de inteligencia incluye los segundos datos de flujo.

El método puede incluir: usando el lenguaje de expresión, crear un primer sensor virtual que tenga una primera entrada conectada a un primer sensor físico, una segunda entrada conectada a un segundo sensor físico y una primera salida que sea una primera función de la primera y segunda entradas. La primera función se especifica en el lenguaje de expresión. El primer sensor virtual recibe uno primeros datos de flujo del primer sensor físico y unos segundos datos de flujo del segundo sensor físico. En la primera salida, el primer sensor virtual emite unos terceros datos de flujo que son los primeros y segundos datos de flujo operados según la primera función. La información de inteligencia incluye los terceros datos de flujo.

En una implementación, un método incluye: recibir unos datos de flujo de datos de sensores a través de un primer tipo de conexión de red en un agente de ingestión de datos de un sistema de plataforma de borde; desde el agente de ingestión de datos, entregar datos de flujo ingeridos a un bus de datos del sistema; procesar los datos de flujo ingeridos en un motor de análisis que está conectado al bus de datos donde el procesamiento incluye ejecutar expresiones analíticas proporcionadas en un lenguaje de expresiones para generar información de inteligencia a partir de los datos de flujo ingeridos; y proporcionar un primer sensor virtual que tiene una entrada conectada a un primer sensor físico y una salida que es una primera función de la entrada, donde la primera función se especifica en el lenguaje de expresión, el primer sensor virtual recibe unos primeros datos de flujo del primer sensor, y en la salida, el primer sensor virtual emite unos segundos datos de flujo que son los primeros datos de flujo que son operados de acuerdo con la primera función, y la información de inteligencia incluye los segundos datos de flujo.

El método incluye además: proporcionar un segundo sensor virtual que tiene una primera entrada conectada a un segundo sensor físico, una segunda entrada conectada a la salida del primer sensor virtual, y una salida que es una segunda función de la primera y segunda entradas, donde la segunda función se especifica en el lenguaje de expresión, el segundo sensor virtual recibe unos terceros datos de flujo del segundo sensor físico y los segundos datos de flujo del primer sensor virtual, y en la primera salida, el segundo sensor virtual emite unos cuartos datos de flujo que son los segundos y terceros datos de flujo que son operados según la segunda función, y la información de inteligencia incluye los cuartos datos de flujo; publicar la información de inteligencia en el bus de datos; recibir la información de inteligencia del bus de datos en un componente de publicación de datos; y por medio del componente de publicación de datos, almacenar la información de inteligencia en una base de datos de series de tiempo.

En una implementación, un método incluye: especificar un primer sensor virtual en un lenguaje de expresiones de una plataforma de borde, donde el primer sensor virtual incluye una salida que es una primera función de una entrada, donde la primera entrada está conectada a un primer flujo de un primer sensor físico, y el primer sensor virtual emite un segundo flujo; y permitir especificar un segundo sensor virtual en el lenguaje de expresión, donde el segundo sensor virtual incluye una salida que es una segunda función de una primera y segunda entradas, donde la primera entrada está conectada a un segundo flujo de un segundo sensor físico y la segunda entrada está conectada al segundo flujo del primer sensor virtual.

Otros objetos, características y ventajas de la presente invención resultarán evidentes al considerar la siguiente descripción detallada y los dibujos adjuntos, en los que designaciones de referencia similares representan características similares en todas las figuras.

Breve descripción de los dibujos

La Figura 1 muestra un diagrama de bloques de una red y un sistema clienteservidor. La figura 2 muestra un diagrama más detallado de un cliente o servidor.

La figura 3 muestra un diagrama de bloques del sistema de un sistema informático.

La figura 4 es un diagrama de bloques de una plataforma informática de borde, que se encuentra entre los flujos de sensores y la nube. La Figura 5 muestra un diagrama de bloques más detallado de una plataforma informática de borde que incluye análisis de borde.

La Figura 6 muestra un flujo operativo entre la infraestructura de borde y la infraestructura en la nube.

La Figura 7 muestra un ejemplo del uso de sensores físicos para crear, a través de un motor de lenguaje de expresiones de sensores, algunos sensores virtuales.

Descripción detallada de la invención

La figura 1 es un diagrama de bloques simplificado de una red informática distribuida 100 que incorpora una realización de la presente invención. La red informática 100 incluye varios sistemas cliente 113, 116 y 119, y un sistema servidor 122 acoplado a una red de comunicación 124 a través de una pluralidad de enlaces de comunicación 128. La red de comunicación 124 proporciona un mecanismo para permitir que los diversos componentes de la red distribuida 100 se comuniquen e intercambien información entre sí.

La red de comunicación 124 puede estar compuesta por sí misma de muchos sistemas informáticos interconectados y enlaces de comunicación. Los enlaces de comunicación 128 pueden ser enlaces cableados, enlaces ópticos, enlaces de comunicaciones por satélite u otros enlaces inalámbricos, enlaces de propagación de ondas o cualquier otro mecanismo para la comunicación de información. Los enlaces de comunicación 128 pueden ser DSL, Cable, Ethernet u otros enlaces de cableado, enlaces ópticos pasivos o activos, 3G, 3.5G, 4G y otros enlaces de movilidad, satélites u otros enlaces de comunicaciones inalámbricas, enlaces de propagación de ondas o cualquier otro mecanismo para la comunicación de información.

Se pueden utilizar varios protocolos de comunicación para facilitar la comunicación entre los diversos sistemas que se muestran en la figura 1. Estos protocolos de comunicación pueden incluir VLAN, MPLS, TCP/IP, Tunelización (“Tunneling”), protocolos HTTP, protocolo de aplicación inalámbrica (WAP), protocolos específicos del proveedor, protocolos personalizados y otros. Mientras que en una realización, la red de comunicación 124 es la Internet, en otras realizaciones, la red de comunicación 124 puede ser cualquier red de comunicación adecuada que incluya una red de área local (LAN), una red de área amplia (WAN), una red inalámbrica, una intranet, un red privada, una red pública, una red conmutada y combinaciones de estas y similares.

La red informática distribuida 100 en la figura 1 es simplemente ilustrativa de una realización que incorpora la presente invención y no limita el alcance de la invención según se expone en las reivindicaciones. Un experto en la materia reconocería otras variaciones, modificaciones y alternativas. Por ejemplo, más de un sistema servidor 122 puede estar conectado a la red de comunicación 124. Como otro ejemplo, varios sistemas cliente 113, 116 y 119 pueden acoplarse a la red de comunicación 124 mediante un proveedor de acceso (no mostrado) o mediante algún otro sistema servidor.

Los sistemas cliente 113, 116 y 119 normalmente solicitan información de un sistema servidor que proporciona la información. Por esta razón, los sistemas de servidor suelen tener más capacidad informática y de almacenamiento que los sistemas cliente. Sin embargo, un sistema informático en particular puede actuar como cliente o como servidor, dependiendo de si el sistema informático está solicitando o proporcionando información. Además, aunque se han descrito aspectos de la invención utilizando un entorno cliente-servidor, debería ser evidente que la invención también puede realizarse en un sistema informático autónomo ("stand-alone").

El servidor 122 es responsable de recibir solicitudes de información de los sistemas cliente 113, 116 y 119, realizar el procesamiento requerido para satisfacer las solicitudes y enviar los resultados correspondientes a las solicitudes al sistema cliente solicitante. El procesamiento requerido para satisfacer la solicitud puede ser realizado por el sistema servidor 122 o alternativamente puede delegarse a otros servidores conectados a la red de comunicación 124.

Los sistemas cliente 113, 116 y 119 permiten a los usuarios acceder y consultar información almacenada por el sistema servidor 122. En una realización específica, los sistemas cliente pueden ejecutarse como una aplicación autónoma, como una aplicación de escritorio o una aplicación de tableta o teléfono inteligente. En otra realización, una aplicación de "navegador web" que se ejecuta en un sistema cliente permite a los usuarios seleccionar, acceder, recuperar o consultar información almacenada por el sistema servidor 122. Ejemplos de navegadores web incluyen el programa de navegación Internet Explorer proporcionado por Microsoft Corporation, el navegador Firefox proporcionado por Mozilla, el navegador Chrome proporcionado por Google, el navegador Safari proporcionado por Apple y otros.

En un entorno cliente-servidor, algunos recursos (por ejemplo, archivos, música, vídeo o datos) se almacenan en el cliente mientras que otros se almacenan o se envían desde otra parte de la red, como un servidor, y se puede acceder a ellos a través de la red (por ejemplo, la Internet). Por lo tanto, los datos del usuario se pueden almacenar en la red o en la "nube". Por ejemplo, el usuario puede trabajar en ficheros/documentos en un dispositivo cliente que se almacenan de forma remota en la nube (por ejemplo, un servidor). Los datos del dispositivo cliente se pueden sincronizar con la nube.

La figura 2 muestra un sistema de cliente o servidor ejemplar de la presente invención. En una realización, un usuario interactúa con el sistema a través de un sistema de estación de trabajo de ordenador, como se muestra en la figura 2. La figura 2 muestra un sistema informático 201 que incluye un monitor 203, pantalla 205, carcasa 207 (también puede denominarse unidad del sistema, gabinete o caja), teclado u otro dispositivo de entrada humana 209 y ratón u otro dispositivo señalador 211 . El ratón 211 puede tener uno o más botones, como los botones de ratón 213.

Debe entenderse que la presente invención no se limita a ningún dispositivo informático en un factor de forma específico (por ejemplo, factor de forma de ordenador de escritorio), sino que puede incluir todos los tipos de dispositivos informáticos en varios factores de forma. Un usuario puede interactuar con cualquier dispositivo informático, incluidos teléfonos inteligentes, computadoras personales, computadoras portátiles, tabletas electrónicas, receptores del sistema de posicionamiento global (GPS), reproductores multimedia portátiles, asistentes digitales personales (PDA), otros dispositivos de acceso a la red y otros dispositivos de procesamiento capaces de recibir o transmitir datos.

Por ejemplo, en una implementación específica, el dispositivo cliente puede ser un teléfono inteligente o tableta, como el iPhone de Apple (por ejemplo, IPhone 6 de Apple), iPad de Apple (por ejemplo, IPad de Apple o iPad mini de Apple), iPod de Apple (por ejemplo, Apple iPod Touch), un producto Samsung Galaxy (por ejemplo, producto de la serie Galaxy S o producto de la serie Galaxy Note), dispositivos Google Nexus (por ejemplo, Google Nexus 6, Google Nexus 7 o Google Nexus 9) y dispositivos Microsoft (por ejemplo, tableta Microsoft Surface). Normalmente, un teléfono inteligente incluye una porción de telefonía (y radios asociadas) y una parte de ordenador, que son accesibles a través de una pantalla táctil.

Existe una memoria no volátil para almacenar datos de la porción de teléfono (por ejemplo, contactos y números de teléfono) y la parte de ordenador (por ejemplo, programas de aplicación que incluyen un navegador, imágenes, juegos, videos y música). El teléfono inteligente generalmente incluye una cámara (por ejemplo, una cámara frontal o una cámara trasera, o ambas) para tomar fotografías y videos. Por ejemplo, se puede usar un teléfono inteligente o una tableta para tomar videos en vivo que se pueden transmitir a uno o más dispositivos.

La carcasa 207 alberga componentes informáticos familiares, algunos de los cuales no se muestran, tales como un procesador, memoria, dispositivos de almacenamiento masivo 217 y similares. Los dispositivos de almacenamiento masivo 217 pueden incluir unidades de disco masivo, disquetes, discos magnéticos, discos ópticos, discos magnetoópticos, discos fijos, discos duros, CD-ROM, CD grabables, DVD, DVD grabables (por ejemplo, DVD-R, DVD R, DVD -RW, DVD RW, HD-DVD o Blu-ray Disc), flash y otro almacenamiento de estado sólido no volátil (por ejemplo, unidad flash USB o unidad de estado sólido (SSD)), memoria volátil con respaldo de batería, almacenamiento en cinta, lector y otros medios similares, y combinaciones de estos.

Una versión implementada o ejecutable por ordenador o un producto de programa de ordenador de la invención puede incorporarse usando, almacenado o asociado con, un medio legible por ordenador. Un medio legible por ordenador puede incluir cualquier medio que participe en proporcionar instrucciones a uno o más procesadores para su ejecución.

Dicho medio puede adoptar muchas formas, incluidos, entre otros, medios no volátiles, volátiles y de transmisión. Los medios no volátiles incluyen, por ejemplo, memoria flash o discos ópticos o magnéticos. Los medios volátiles incluyen memoria estática o dinámica, como memoria caché o RAM. Los medios de transmisión incluyen cables coaxiales, cables de cobre, líneas de fibra óptica y cables dispuestos en un bus. Los medios de transmisión también pueden adoptar la forma de ondas electromagnéticas, de radiofrecuencia, acústicas o de luz, como las que se generan durante las comunicaciones de datos por ondas de radio e infrarrojos.

Por ejemplo, una versión binaria ejecutable por máquina del software de la presente invención puede almacenarse o residir en la RAM o en la memoria caché, o en el dispositivo de almacenamiento masivo 217. El código fuente del software de la presente invención también puede almacenarse o residir en el dispositivo de almacenamiento masivo 217 (por ejemplo, disco duro, disco magnético, cinta o CD-ROM). Como ejemplo adicional, el código de la invención puede transmitirse a través de cables, ondas de radio o a través de una red como la Internet.

La figura 3 muestra un diagrama de bloques de sistema del sistema informático 201 utilizado para ejecutar el software de la presente invención. Como en la figura 2, el sistema informático 201 incluye monitor 203, teclado 209 y dispositivos de almacenamiento masivo 217. El sistema informático 501 incluye además subsistemas como el procesador central 302, la memoria del sistema 304, el controlador de entrada/salida (E/S) 306, el adaptador de pantalla 308, el puerto de bus de serie universal o serie (USB) 312, la interfaz de red 318 y el altavoz

320. La invención también se puede utilizar con sistemas informáticos con subsistemas adicionales o menos. Por ejemplo, un sistema informático podría incluir más de un procesador 302 (es decir, un sistema multiprocesador) o un sistema puede incluir una memoria caché.

Las flechas como 322 representan la arquitectura del bus de sistema del sistema informático 201. Sin embargo, estas flechas son ilustrativas de cualquier esquema de interconexión que sirva para enlazar los subsistemas. Por ejemplo, el altavoz 320 podría estar conectado a los otros subsistemas a través de un puerto o tener una conexión directa interna al procesador central 302. El procesador puede incluir varios procesadores o un procesador multinúcleo, lo que puede permitir el procesamiento paralelo de la información. El sistema informático 201 mostrado en la figura 2 es sólo un ejemplo de un sistema informático adecuado para su uso con la presente invención. Otras configuraciones de subsistemas adecuadas para su uso con la presente invención resultarán fácilmente evidentes para un experto en la técnica.

Los productos de software informático se pueden escribir en cualquiera de los diversos lenguajes de programación adecuados, como C, C++, C#, Pascal, Fortran, Perl, Matlab (de MathWorks, www.mathworks.com), SAS, SPSS, JavaScript, AJAX, Java, Python, Erlang y Ruby on Rails. El producto de software informático puede ser una aplicación independiente con módulos de entrada y visualización de datos. Alternativamente, los productos de software informático pueden ser clases que pueden instanciarse como objetos distribuidos. Los productos de software informático también pueden ser componentes de software como Java Beans (de Oracle Corporation) o Enterprise Java Beans (EJB de Oracle Corporation).

Un sistema operativo para el sistema puede ser uno de la familia de sistemas Microsoft Windows® (por ejemplo, Windows 95, 98, Me, Windows NT, Windows 2000, Windows XP, Windows XP x64 Edition, Windows Vista, Windows 7, Windows 8, Windows 10, Windows CE, Windows Mobile, Windows RT), Symbian OS, Tizen, Linux, HP-UX, UNIX, Sun OS, Solaris, Mac OS X, Apple iOS, Android, Alpha OS, AIX, IRIX32 o IRIX64. Se pueden utilizar otros sistemas operativos. Microsoft Windows es una marca comercial de Microsoft Corporation.

Además, el ordenador puede estar conectado a una red y puede interactuar con otros ordenadores que utilizan esta red. La red puede ser una intranet, internet o la Internet, entre otras. La red puede ser una red cableada (por ejemplo, que utiliza cobre), una red telefónica, una red de paquetes, una red óptica (por ejemplo, que utiliza fibra óptica) o una red inalámbrica, o cualquier combinación de estas. Por ejemplo, los datos y otra información se pueden pasar entre el ordenador y los componentes (o pasos) de un sistema de la invención usando una red inalámbrica usando un protocolo como Wi-Fi (estándares IEEE 802.11, 802.11a, 802.11b, 802.11e , 802.11g, 802.11i, 802.11n, 802.11ac y 802.11ad, solo por nombrar algunos ejemplos), comunicación de campo cercano (NFC), identificación por radiofrecuencia (RFID), móvil o celular inalámbrico (por ejemplo, 2G, 3G , 4G, 3GPP LTE, WiMAX, LTE, LTE Advanced, Flash-OFDM, HIPERMAN, iBurst, EDGE Evolution, u NiTS, UMTS-TDD, 1xRDD y EV-DO). Por ejemplo, las señales de un ordenador pueden transferirse, al menos en parte, de forma inalámbrica a componentes u otros ordenadores.

En una realización, con un navegador web que se ejecuta en un sistema de estación de trabajo informático, un usuario accede a un sistema en la World Wide Web (WWW) a través de una red como la Internet. El navegador web se utiliza para descargar páginas web u otro contenido en varios formatos, incluidos HTML, XML, texto, PDF y postscript, y se puede utilizar para cargar información en otras partes del sistema. El navegador web puede utilizar identificadores de recursos uniformes (URLs) para identificar recursos en la web y el protocolo de transferencia de hipertexto (HTTP) al transferir archivos en la web.

En otras implementaciones, el usuario accede al sistema a través de una o ambas aplicaciones nativas y no nativas. Las aplicaciones nativas se instalan localmente en el sistema informático particular y son específicas del sistema operativo o uno o más dispositivos de hardware de ese sistema informático, o una combinación de estos. Estas aplicaciones (que a veces también se denominan "apps") se pueden actualizar (por ejemplo, periódicamente) a través de un mecanismo de parcheo de actualización de Internet directo o mediante una tienda de aplicaciones (por ejemplo, Apple iTunes y App Store, Google Play Store, Windows Phone Store y la tienda Blackberry App World).

El sistema puede ejecutarse en aplicaciones no nativas independientes de la plataforma. Por ejemplo, el cliente puede acceder al sistema a través de una aplicación web desde uno o más servidores utilizando una conexión de red con el servidor o los servidores y cargar la aplicación web en un navegador web. Por ejemplo, una aplicación web se puede descargar desde un servidor de aplicaciones a través de la Internet mediante un navegador web. Las aplicaciones no nativas también se pueden obtener de otras fuentes, como un disco.

La figura 4 muestra un diagrama de bloques de una plataforma de computación de borde 406 que normalmente se ejecuta en una puerta de enlace de borde o equivalente que se encuentra entre los sensores 409 y la nube 412. La plataforma de computación de borde permite derivar inteligencia de borde que es importante para administrar y optimizar máquinas industriales y otra Internet industrial de las cosas. Los componentes de la puerta de enlace de borde incluyen los siguientes: ingestión 421, enriquecimiento 425, motor de procesamiento de eventos complejos (CEP) 429, aplicaciones 432, análisis a través de un lenguaje de expresiones 435 y transporte 438. La nube puede incluir el aprovisionamiento y la orquestación de borde 443 y la portabilidad de aplicaciones y análisis de nube y de borde 446.

Como se mencionó anteriormente, una implementación específica de una plataforma informática de borde es de FogHorn. FogHorn es un líder en el dominio rápidamente emergente de la "inteligencia de borde". Al alojar aplicaciones heterogéneas, analíticas y de procesamiento de alto rendimiento más cerca de los sistemas de control y sensores físicos, la solución innovadora de FogHorn permite la inteligencia de borde para la optimización de dispositivos de lazo cerrado. Esto trae big data y procesamiento en tiempo real en el sitio para clientes industriales en manufactura, petróleo y gas, energía y agua, transporte, minería, energía renovable, ciudad inteligente y más. La tecnología FogHorn es adoptada por los principales innovadores de Internet industrial del mundo y los principales actores de la computación en la nube, puertas de enlace de alto rendimiento e integración de sistemas IoT.

FogHorn proporciona: Acceso enriquecido a datos de sensores y dispositivos de IoT para aplicaciones de borde en modos de transmisión y por lotes. DSL altamente eficiente y expresivo para ejecutar funciones analíticas. Potente motor de análisis miniaturizado que puede ejecutarse en máquinas que ocupan poco espacio. Función de publicación para enviar datos agregados a la nube para un mayor aprendizaje automático. SDK (políglota) para desarrollar aplicaciones de borde. Consola de administración para administrar el despliegue de borde de configuraciones, aplicaciones y expresiones analíticas.

FogHorn proporciona una plataforma de análisis de borde eficiente y altamente escalable que permite el procesamiento de flujo in situ en tiempo real de datos de sensores de máquinas industriales. La pila de software FogHorn es una combinación de servicios que se ejecutan en el borde y en la nube.

Una solución "de borde" puede admitir la ingesta de datos de sensores en un repositorio de almacenamiento local con la opción de publicar los datos sin procesar en un entorno de nube para su análisis fuera de línea. Sin embargo, muchos entornos y dispositivos industriales carecen de conectividad a Internet, lo que hace que estos datos sean inutilizables. Pero incluso con la conectividad a Internet, la gran cantidad de datos generados podría exceder fácilmente el ancho de banda disponible o ser demasiado costoso para enviar a la nube. Además, para cuando los datos se cargan en la nube, se procesan en el centro de datos y los resultados se transfieren al borde, puede que sea demasiado tarde para tomar alguna medida.

La solución de FogHorn aborda este problema proporcionando un motor de procesamiento de eventos complejos (CEP) altamente miniaturizado, también conocido como motor de análisis, y un potente y expresivo lenguaje específico de dominio (DSL) para expresar reglas sobre la multitud de flujos de sensores de datos. El resultado de estas expresiones se puede utilizar inmediatamente para evitar costosas fallas de maquinaria o tiempo de inactividad, así como mejorar la eficiencia y seguridad de las operaciones y procesos industriales en tiempo real.

La plataforma FogHorn incluye: Capacidad para ejecutarse en entornos de poco espacio físico, así como en entornos de puerta de enlace o de alto rendimiento. Motor CEP altamente escalable y de alto rendimiento que puede actuar sobre los datos del sensor de transmisión entrante. Desarrollo y despliegue de aplicaciones heterogéneas en el borde con acceso a datos enriquecidos. Movilidad de aplicaciones a través de la nube y el borde. Aprendizaje automático ("machine learning", ML) avanzado y transferencia de modelos entre la nube y el borde. De fábrica, FogHorn admite los principales protocolos de ingestión de datos industriales (por ejemplo, OPC-UA, Modbus, MQTT, DDS y otros), así como otros protocolos de transferencia de datos. Además, los usuarios pueden conectar fácilmente adaptadores de protocolos personalizados a la capa de ingestión de datos de FogHorn.

Los servicios de borde de FogHorn operan en el borde de la red donde residen los dispositivos IIoT. La pila de software de borde es responsable de ingerir los datos de los sensores y dispositivos industriales en un bus de datos de alta velocidad y luego ejecutar expresiones analíticas definidas por el usuario en los datos de transmisión para obtener información y optimizar los dispositivos. Estas expresiones analíticas son ejecutadas por el motor de procesamiento de eventos complejos (CEP) altamente escalable y de tamaño reducido de FogHorn.

Los servicios de borde de FogHorn también incluyen una base de datos de series de tiempo local para consultas de datos de sensores basadas en el tiempo y un SDK políglota para desarrollar aplicaciones que pueden consumir los datos tanto en modo de flujo como por lotes. Opcionalmente, estos datos también se pueden publicar en un destino de almacenamiento en la nube que elija el cliente.

La plataforma FogHorn también incluye servicios que se ejecutan en la nube o en un entorno local para configurar y administrar los bordes de forma remota. Los servicios en la nube de FogHorn incluyen una interfaz de usuario de administración para desarrollar e implementar expresiones analíticas, implementar aplicaciones en el borde utilizando una aplicación conocida como Docker (www.docker.com) y para administrar la integración de servicios con las soluciones de persistencia y administración de acceso a la identidad del cliente. La plataforma también podrá traducir modelos de aprendizaje automático desarrollados en la nube en expresiones de sensores que se pueden ejecutar en el borde.

FogHorn aporta una dimensión innovadora a la Internet industrial de las cosas al incorporar la plataforma informática de inteligencia de borde directamente en dispositivos de borde de pequeño tamaño. La sobrecarga extremadamente baja del software permite que se integre en una amplia gama de dispositivos de borde y entornos altamente restringidos.

Disponible en las ediciones Gateway y Micro, el software FogHorn permite que el procesamiento de borde de alto rendimiento, análisis optimizados y aplicaciones heterogéneas se alojen lo más cerca posible de los sistemas de control y la infraestructura de sensores físicos que impregnan el mundo industrial. Mantener una proximidad cercana a los dispositivos de borde en lugar de enviar todos los datos a una nube centralizada distante minimiza la latencia, lo que permite un rendimiento máximo, tiempos de respuesta más rápidos y estrategias operativas y de mantenimiento más efectivas. También reduce significativamente los requisitos generales de ancho de banda y el costo de administrar redes ampliamente distribuidas.

FogHorn Gateway Edition. FogHorn Gateway Edition es un paquete completo de software de computación en la niebla para casos de uso de loT industrial en una amplia gama de industrias. Diseñada para entornos de mediana a gran escala con múltiples máquinas o dispositivos industriales, esta edición permite la ingestión de datos de sensores y expresiones analíticas configurables por el usuario y es compatible con el desarrollo y el despliegue de aplicaciones avanzadas.

FogHorn Micro Edition. FogHorn Micro Edition lleva el poder de la computación en la niebla a puertas de enlace de borde de menor tamaño y otras máquinas de loT. El mismo motor de análisis CEP y DSL altamente expresivo incluidos en la Gateway Edition están disponibles en Micro Edition. Esta edición es ideal para habilitar análisis de borde avanzado en sistemas integrados o cualquier dispositivo con memoria limitada.

Como ejemplos, una aplicación aplica monitorización y análisis de datos en tiempo real, programación de mantenimiento predictivo y redireccionamiento automático del flujo para evitar daños costosos a las bombas debido a eventos de cavitación. Otro ejemplo es el sistema de gestión de energía eólica que utiliza el software de inteligencia de borde FogHorn para maximizar la generación de energía, extender la vida útil del equipo y aplicar análisis históricos para una previsión energética precisa.

La figura 5 muestra un diagrama de bloques más detallado de una plataforma informática de borde. Esta plataforma tiene tres capas o secciones lógicas, ingesta de datos 512, procesamiento de datos 515 y publicación de datos 518. Los componentes de ingestión de datos incluyen agentes 520 que están conectados a sensores o dispositivos 523 que generan datos. Los agentes recopilan o ingieren datos de los sensores a través de uno o más protocolos de los respectivos servidores de protocolo. Los agentes pueden ser clientes o intermediarios ("brokers") de protocolos como, entre otros, MQTT, OPC UA, Modbus y DDS. Los datos proporcionados o emitidos por los sensores suelen ser un flujo de datos binarios. La transmisión o entrega de estos datos desde los sensores a los agentes puede ser por métodos de inserción o extracción.

Inserción ("push") describe un estilo de comunicación en el que el remitente (por ejemplo, Sensor) inicia la solicitud de una transacción determinada. Extracción ("pull" o "get") describe un estilo de comunicación en el que el receptor (por ejemplo, el agente) inicia la solicitud de transmisión de información. Otra técnica de comunicación es el sondeo, que el receptor o el agente consulta o verifica periódicamente que el sensor tenga datos para enviar.

MQTT (anteriormente Transporte de Telemetría MQ) es un protocolo de mensajería "ligero" estándar ISO basado en publicación-suscripción que se utiliza además del protocolo TCP/IP. Los protocolos alternativos incluyen el Protocolo de cola de mensajes avanzado, el Protocolo de aplicación restringido lETF, XMPP y el Protocolo de mensajería de aplicaciones web (WAMP).

La Arquitectura Unificada OPC (OPC UA) es un protocolo de comunicación M2M industrial para la interoperabilidad desarrollado por la Fundación OPC. Es el sucesor de Open Platform Communications (OPC).

Modbus es un protocolo de comunicaciones en serie publicado originalmente por Modicon (ahora Schneider Electric) en 1979 para su uso con sus controladores lógicos programables (PLC). Simple y robusto, desde entonces se ha convertido a todos los efectos en un protocolo de comunicación estándar. Ahora es un medio comúnmente disponible para conectar dispositivos electrónicos industriales.

El procesamiento de datos 515 incluye un bus de datos 532, que está conectado a los agentes 520 de la capa de ingestión de datos. El bus de datos es la columna vertebral central para los mensajes de datos y de control entre todos los componentes conectados. Los componentes se suscriben a los mensajes de control y datos que fluyen a través del bus de datos. El motor de análisis 535 es uno de esos componentes importantes. El motor de análisis realiza el análisis de los datos de sensores basándose en unas expresiones analíticas desarrolladas en el lenguaje de expresiones 538. Otros componentes que se conectan al bus de datos incluyen el servicio de configuración 541, el servicio de métricas 544 y el administrador de borde 547. El bus de datos también incluye un "servicio de decodificador" que enriquece los datos entrantes de los sensores decodificando los datos binarios sin procesar en formatos de datos consumibles (como JSON) y también decorando con metadatos adicionales necesarios y útiles. Además, el enriquecimiento puede incluir, pero no se limita a, decodificación de datos, decoración de metadatos, normalización de datos y similares.

JSON (a veces denominado notación de objetos JavaScript) es un formato de estándar abierto que utiliza texto legible por humanos para transmitir objetos de datos que constan de pares atributo-valor. JSON es un formato de datos común que se utiliza para la comunicación asíncrona entre navegadores o servidores (AJAJ) o ambos. Una alternativa a JSON es XML, que utiliza AJAX.

El administrador de borde se conecta a la nube 412 y, en particular, a un administrador de la nube 552. El administrador de la nube está conectado a un proxy para la gestión de acceso e identidad del cliente (IAM) 555 y la consola de interfaz de usuario 558, que también están en la nube. También hay aplicaciones 561 accesibles a través de la nube. La gestión de identidad y acceso es la disciplina empresarial y de seguridad que permite a las personas adecuadas acceder a los recursos adecuados en el momento adecuado y por las razones adecuadas.

Dentro del procesamiento de datos 515, un componente del kit de desarrollo de software (SDK) 564 también se conecta al bus de datos, lo que permite la creación de aplicaciones 567 que funcionan y que se pueden implementar en la puerta de enlace de borde. El kit de desarrollo de software también se conecta a una base de datos de series de tiempo local para obtener los datos. Las aplicaciones se pueden mantener en contenedores, por ejemplo, mediante el uso de una tecnología de contenedores como Docker.

Los contenedores de Docker envuelven una pieza de software en un sistema de archivos completo que contiene todo lo que necesita para ejecutarse: código, tiempo de ejecución, herramientas del sistema y bibliotecas del sistema, cualesquiera de las cuales que se pueda instalar en un servidor. Esto asegura que el software siempre se ejecutará de la misma manera, independientemente del entorno en el que se esté ejecutando.

La publicación de datos 518 incluye un publicador de datos 570 que está conectado a una ubicación de almacenamiento 573 en la nube. Además, las aplicaciones 567 del kit de desarrollo de software 564 pueden acceder a datos en una base de datos de series de tiempo 576. Una base de datos de series de tiempo (TSDB) es un sistema de software que está optimizado para manejar datos de series de tiempo, arreglos/matrices de números indexados por tiempo (por ejemplo, una fecha y hora o un rango de fecha y hora). La base de datos de series de tiempo suele ser una cola o un búfer circular o continuo, donde a medida que se agrega nueva información a la base de datos, se elimina la información más antigua. Un publicador de datos 570 también se conecta al bus de datos y se suscribe a los datos que deben almacenarse en la base de datos de series de tiempo local o en el almacenamiento en la nube.

La figura 6 muestra un flujo operativo entre el borde 602 y las infraestructuras en la nube. Algunas infraestructuras de borde específicas se describieron anteriormente. Los datos se recopilan de los sensores 606. Estos sensores pueden ser para dispositivos industriales, minoristas, sanitarios o médicos, o aplicaciones de energía o comunicación, o cualquier combinación de estos.

La infraestructura de borde incluye una plataforma de software 609, que tiene procesamiento de datos 612, base de datos de series de tiempo local 615, sumidero ("sink") en la nube 618, motor de procesamiento de eventos complejos (CEP) analíticos 621, lenguaje específico de dominio (DSL) analítico en tiempo real 624 (por ejemplo, el lenguaje Vel de Foghorn), y agregación y acceso en tiempo real 627. La plataforma puede incluir sensores virtuales 630, que se describen a continuación con más detalle. Los sensores virtuales brindan un acceso enriquecido a los datos en tiempo real.

Se puede acceder a la plataforma a través de una o más aplicaciones 633, como apps o aplicaciones 1, 2 y 3, que se pueden desarrollar utilizando un kit de desarrollo de software o SDK. Las aplicaciones pueden ser heterogéneas (por ejemplo, desarrolladas en varios lenguajes diferentes) y aprovechar el motor de procesamiento de eventos complejos 621, así como realizar aprendizaje automático. Las aplicaciones se pueden distribuir utilizando una tienda de aplicaciones 637, que puede ser proporcionada por el desarrollador de la plataforma de borde o el cliente de la plataforma de borde (que puede denominarse socio). A través de la tienda de aplicaciones, los usuarios pueden descargar y compartir aplicaciones con otros. Las aplicaciones pueden realizar análisis y aplicaciones 639 que incluyen aprendizaje automático, monitorización remota, mantenimiento predictivo o inteligencia operativa, o cualquier combinación de estos.

Para las aplicaciones, existe una movilidad de aplicaciones dinámica entre el borde y la nube. Por ejemplo, las aplicaciones desarrolladas con el kit de desarrollo de software de FogHorn se pueden implementar en el borde o en la nube, logrando así la movilidad de la aplicación entre el borde y la nube. Las aplicaciones se pueden utilizar como parte del borde o como parte de la nube. En una implementación, esta característica es posible debido a que las aplicaciones están en contenedores, por lo que pueden operar independientemente de la plataforma desde la que se ejecutan. Lo mismo puede decirse de las expresiones analíticas.

Hay aplicaciones de datos que permiten la administración y gestión integradas 640, incluida la monitorización o el almacenamiento de datos en la nube o en un centro de datos privado 644.

La infraestructura de aplicaciones de borde puede proporcionar retroalimentación en tiempo real y sistemas de control automatizados a algunos de los entornos industriales más difíciles y remotos. Algunas aplicaciones específicas se describen a continuación:

Fabricación. Desde la creación de semiconductores hasta el ensamblaje de máquinas industriales gigantes, la plataforma de inteligencia de borde permite mejorar los rendimientos y la eficiencia de la fabricación mediante la monitorización y el diagnóstico en tiempo real, el aprendizaje automático y la optimización de operaciones. La inmediatez de la inteligencia de borde permite lazos de retroalimentación automatizados en el proceso de fabricación, así como el mantenimiento predictivo para maximizar el tiempo de actividad y la vida útil de los equipos y las líneas de montaje.

Petróleo y gas. La extracción de petróleo y gas son operaciones impulsadas por la tecnología de alto riesgo que dependen de la inteligencia en el sitio en tiempo real para brindar monitorización proactiva y protección contra fallas de equipos y daños ambientales. Debido a que estas operaciones son muy remotas y carecen de un acceso confiable de alta velocidad a los centros de datos centralizados, la inteligencia de borde proporciona la entrega in situ de análisis avanzados y permite las respuestas en tiempo real necesarias para garantizar la máxima producción y seguridad.

Minería. La minería enfrenta condiciones ambientales extremas en lugares muy remotos con poco o ningún acceso a Internet. Como resultado, las operaciones mineras se basan cada vez más en la inteligencia de borde para la monitorización y diagnóstico en el sitio en tiempo real, la gestión de alarmas y el mantenimiento predictivo para maximizar la seguridad, la eficiencia operativa y minimizar los costos y el tiempo de inactividad.

Transporte. Como parte del aumento de Internet industrial, trenes y vías, autobuses, aviones y barcos están siendo equipados con una nueva generación de instrumentos y sensores que generan petabytes de datos que requerirán inteligencia adicional para el análisis y la respuesta en tiempo real. La inteligencia de borde puede procesar estos datos localmente para permitir la monitorización y la administración de activos en tiempo real para minimizar el riesgo operativo y el tiempo de inactividad. También se puede utilizar para monitorizar y controlar los tiempos de inactividad del motor, detectar el desgaste con anticipación, detectar problemas en las vías, detectar posibles intrusos, reducir las emisiones, ahorrar combustible y maximizar las ganancias.

Energía y Agua. La falla inesperada de una planta de energía eléctrica puede crear una interrupción sustancial en la red eléctrica en sentido descendente ("donwstream"). Lo mismo ocurre cuando los equipos de distribución de agua y las bombas fallan sin previo aviso. Para evitar esto, la inteligencia de borde permite los beneficios proactivos del mantenimiento predictivo y la capacidad de respuesta en tiempo real. También permite la ingestión y el análisis de datos de sensores más cerca de la fuente en lugar de la nube para reducir la latencia y los costos de ancho de banda.

Energía renovable. Las nuevas energías solar, eólica e hidráulica son fuentes muy prometedoras de energía limpia. Sin embargo, las condiciones climáticas en constante cambio presentan grandes desafíos tanto para predecir como para entregar un suministro confiable de electricidad a la red eléctrica. La inteligencia de borde permite ajustes en tiempo real para maximizar la generación de energía, así como análisis avanzados para una previsión y entrega de energía precisas.

Cuidado de la salud. En la industria de la salud, los nuevos equipos de diagnóstico, las herramientas de monitorización de pacientes y las tecnologías operativas brindan niveles sin precedentes de atención al paciente, pero también grandes cantidades de datos de pacientes altamente sensibles. Al procesar y analizar más datos en la fuente, las instalaciones médicas pueden optimizar las operaciones de la cadena de suministro y mejorar los servicios y la privacidad de los pacientes a un costo mucho menor.

Venta al por menor. Para competir con las compras en línea, los minoristas deben reducir los costos y, al mismo tiempo, crear mejores experiencias para los clientes y niveles de servicio que las tiendas en línea no pueden ofrecer. La inteligencia de borde puede enriquecer la experiencia del usuario al ofrecer personalización omnicanal en tiempo real y optimización de la cadena de suministro. También permite que las tecnologías más nuevas, como el reconocimiento facial, brinden niveles aún más altos de personalización y seguridad.

Edificios inteligentes. Entre los muchos beneficios de la tecnología de construcción inteligente se encuentran un menor consumo de energía, una mejor seguridad, una mayor comodidad y seguridad para los ocupantes y una mejor utilización de los activos y servicios del edificio. En lugar de enviar cantidades masivas de datos de edificios a la nube para su análisis, los edificios inteligentes pueden utilizar la inteligencia de borde para una automatización más receptiva al tiempo que reducen los costos de ancho de banda y la latencia.

Ciudades inteligentes. La integración de datos de una colección diversa de sistemas municipales (por ejemplo, alumbrado público, información de tráfico, estacionamientos, seguridad pública y otros) para la gestión interactiva y el acceso comunitario es una visión común para las iniciativas de ciudades inteligentes. Sin embargo, la gran cantidad de datos generados requiere demasiado ancho de banda y procesamiento para los sistemas basados en la nube. La inteligencia de borde proporciona una solución más eficaz que distribuye el procesamiento y el análisis de datos a los bordes donde se encuentran los sensores y las fuentes de datos.

Vehículos conectados. La tecnología de vehículos conectados agrega una dimensión completamente nueva al transporte al extender las operaciones y los controles del vehículo más allá del conductor para incluir redes y sistemas externos. La inteligencia de borde y la computación en la niebla permitirán servicios distribuidos en las carreteras, como la regulación del tráfico, la gestión de la velocidad de los vehículos, el cobro de peajes, la asistencia de estacionamiento y más.

AppStore industrial para IoT

El Internet de las cosas (IoT) exige que se apliquen software y análisis a los datos de los sensores de operaciones físicas instrumentadas (como fábricas, almacenes, tiendas minoristas y otros). El sistema incluye una instalación de distribución de aplicaciones o una tienda de aplicaciones (AppStore) y métodos para dicho mercado de AppStore que abordan las necesidades únicas de confiabilidad, seguridad, despliegue y gestión de datos de los casos de uso de IoT industrial en un aparato de plataforma de software llamado Industrial AppStore. para IoT.

1. Manifiesto de la aplicación: Las aplicaciones de IoT industriales tienen un contexto de despliegue profundo que se puede capturar como metadatos y almacenar con la aplicación. El contexto incluye especificaciones de hardware de borde, ubicación de despliegue, información sobre sistemas compatibles, manifiesto de acceso a datos para seguridad y privacidad, emuladores para modelar campos de datos no disponibles en un despliegue dado y administración de versiones. El hardware de borde incluye una capa física entre sensores físicos y canales de comunicación externos. La plataforma de computación de borde se puede utilizar para definir sensores programables virtuales o por software. La plataforma informática de borde puede implementarse en software, hardware, firmware, hardware integrado, hardware independiente, hardware de aplicación específica o cualquier combinación de estos.

2. Coincidencia manifiesta: En base a una solicitud determinada de la plataforma de borde, la AppStore está configurada para hacer coincidir el manifiesto correcto con el escenario de despliegue en base a los parámetros enumerados anteriormente.

3. Operaciones de despliegue: La plataforma Industrial AppStore también realiza tareas operativas específicas para escenarios de despliegue de borde industrial, incluida la consistencia de datos, la transferencia del estado de la aplicación y la gestión de credenciales de seguridad. Estas son etapas esenciales del proceso de migración para las aplicaciones que se mueven desde la nube o la ubicación del centro de datos hasta el borde como objetos contenedores de aplicaciones.

Sensores o sensores virtuales programables definidos por software

Un sensor físico es un transductor electrónico, que mide algunas características de su entorno como medidas analógicas o digitales. Las mediciones analógicas se suelen convertir a cantidades digitales mediante convertidores de analógico a digital. Los datos de sensores se miden según la necesidad (sondeados) o están disponibles como un flujo a una tasa uniforme. Las especificaciones típicas del sensor son rango, precisión, resolución, desviación, estabilidad y otros atributos. La mayoría de los sistemas y aplicaciones de medición utilizan o comunican los datos de sensores directamente para su procesamiento, transporte o almacenamiento.

El sistema tiene un "sensor programable definido por software", también llamado sensor virtual, que es un sensor basado en software creado utilizando un lenguaje de expresiones analíticas. En una implementación, el lenguaje de expresiones analíticas es el lenguaje de expresiones analíticas de FogHorn. Este lenguaje de expresiones se conoce como Vel y se describe con más detalle en otras solicitudes de patente. El lenguaje Vel se implementa de manera eficiente para admitir análisis de transmisión en tiempo real en un entorno restringido de baja huella con bajas latencias de ejecución. Por ejemplo, una latencia del sistema puede ser de aproximadamente 10 milisegundos o menos.

En una implementación, el sensor programable definido por software se crea con una interfaz de programa de aplicación (API) declarativa denominada "lenguaje de expresiones de sensores" o SXL. Una implementación específica de un lenguaje SXL es Vel de FogHorn. Un sensor SXL es un sensor SXL creado a través de esta construcción y proporciona mediciones derivadas del procesamiento de datos generados por múltiples fuentes, incluidos sensores físicos y SXL. En esta aplicación, SXL y Vel se usan indistintamente.

Un sensor SXL (por ejemplo, Vel) puede derivarse de cualquiera de estas tres fuentes o de una combinación de ellas:

1. Un solo sensor de datos.

1.1. Un sensor virtual o SXL derivado de un solo sensor físico podría transformar los datos de sensores entrantes utilizando calibración dinámica, procesamiento de señales, expresión matemática, compactación de datos o análisis de datos, de cualquier combinación.

2. Múltiples datos de sensores físicos.

2.1. Un sensor virtual o SXL o derivado como una transformación (utilizando los métodos descritos anteriormente) de múltiples sensores físicos heterogéneos.

3. Una combinación de datos de sensores físicos y datos de sensores virtuales disponibles para la implementación del aparato de sensores SXL (por ejemplo, Vel).

Los sensores SXL (por ejemplo, Vel) son específicos del dominio y se crean con una aplicación específica en mente. Una implementación específica de la interfaz de programación SXL permite a las aplicaciones definir el análisis de datos a través de transformaciones (por ejemplo, expresiones matemáticas) y agregaciones. SXL (por ejemplo, Vel) incluye un conjunto de operadores matemáticos, típicamente basados en un lenguaje de programación. Los sensores sXl operan en tiempo de ejecución con datos ejecutando construcciones o programas SXL.

Creación de Sensores SXL. Los sensores SXL están diseñados como aparatos de software para que los datos estén disponibles en tiempo real. Esto requiere la ejecución de aplicaciones desarrolladas con el SXL en tiempo real en hardware informático integrado para producir los datos del sensor SXL a la tasa requerida por la aplicación. El sistema incluye un motor de ejecución altamente eficiente para lograr esto.

Los beneficios de los sensores SXL incluyen:

1. Programabilidad: SXL hace que los sensores SXL sean programables para sintetizar datos para que coincidan con los requisitos específicos de la aplicación en cuanto a calidad, frecuencia e información de los datos. Los sensores SXL se pueden distribuir ampliamente como actualizaciones de software inalámbricas para conectarse a datos provenientes de sensores físicos y otros sensores SXL (por ejemplo, preexistentes). Por lo tanto, los desarrolladores de aplicaciones pueden crear una infraestructura digital propicia para la ejecución eficiente de la lógica empresarial independientemente del diseño de la infraestructura física.

2. Mantenibilidad o Transparencia: Los sensores SXL crean una capa digital de abstracción entre las aplicaciones y los sensores físicos, que aísla a los desarrolladores de los cambios en la infraestructura física debido a las actualizaciones y los servicios de los sensores físicos.

3. Eficiencia: Los sensores SXL crean eficiencias en la gestión de la información al transformar los datos sin procesar de los sensores físicos en una representación precisa de la información contenida en ellos. Esta eficiencia se traduce en una utilización eficiente de los recursos de TI como computación, redes y almacenamiento en sentido descendente en las aplicaciones.

4. Datos en tiempo real: Los sensores SXL proporcionan datos de sensores en tiempo real que se calculan a partir de flujos de datos de sensores físicos o del mundo real. Esto hace que los datos estén disponibles para aplicaciones con retrasos de tiempo mínimas.

Implementación: El sistema ha diseñado una implementación escalable y en tiempo real de sensores SXL basada en una interfaz SXL. SXL incluye operadores compatibles con el lenguaje Java y está bien integrado con sensores físicos y sus protocolos.

El sistema trae una metodología novedosa para expresar con precisión las operaciones sobre los datos de los sensores físicos a ejecutar. Esta expresión declarativa separa la definición de la abstracción digital de la implementación en los sensores físicos.

La Tabla A proporciona un ejemplo de sensores físicos y sensores SXL creados con SXL.

Tabla A

(continuación)

En el ejemplo anterior, se utilizan cuatro sensores físicos para crear un conjunto de sensores SXL. Los datos del sensor SXL se pueden enviar al almacenamiento o aplicación local y/o a otros servicios remotos (por ejemplo, la nube) para un análisis más detallado.

Como ejemplo específico, en la tabla A, hay un sensor virtual llamado "pressure_differential". Hay una variable pressure_differential (para el diferencial de presión) que es una salida. Las entradas al sensor virtual son inlet_pressure (para la presión de entrada) y output_pressure (para la presión de salida). Este sensor virtual genera una diferencia de presión basada en una función inlet_pressure menos outlet_pressure.

La Tabla A tiene otro sensor virtual llamado "temperature_kelvin". La salida es temperature_kelvin que es una función de (temperatura+ 459,67)S(5,0/9,0), donde la temperatura es una entrada al sensor.

La Tabla A tiene otro sensor virtual llamado "vapor_pressure". La salida es vapor_pressure, que es una función de exp (20,386- (5132,0/ temperature_kelvin), donde temperature_kelvin es una entrada al sensor. La variable temperature_kelvin es la salida del sensor temperature_kelvin.

La Tabla B proporciona un ejemplo de definición de sensores virtuales utilizando el lenguaje de expresiones Vel de FogHorn.

Tabla B

En el ejemplo anterior, se utilizan tres flujos de datos de sensores físicos para crear un conjunto de sensores virtuales que se utilizan más adelante para detectar un escenario de cavitación de la bomba. Los sensores virtuales pueden ser un flujo local o publicarse como flujos de datos de primera clase en el bus de datos.

La figura 7 muestra el motor de lenguaje de expresiones de sensores 707 que se utiliza para crear sensores virtuales a partir de entradas. El motor de lenguaje de expresiones de sensores toma entrada de sensores físicos u otros sensores virtuales. Algunos ejemplos de entradas incluyen presión de entrada 711, presión de salida 714, temperatura 717 y flujo 720. Se puede utilizar cualquier número de entradas o combinación de entradas como entrada a un sensor virtual. Basado en la entrada, el motor de lenguaje de expresiones de sensores puede generar sensores virtuales con salidas, como presión diferencial 731, temperatura 734 (que puede estar en Kelvin) y presión de vapor 737. Puede haber cualquier cantidad de sensores y salidas virtuales. Como se describe, la salida puede ser una función matemática de las entradas al sensor virtual.

Aunque la figura 7 muestra un cuadro (por ejemplo, 731, 734 y 737) que es representativo de un sensor virtual. Un sensor virtual puede tener múltiples salidas. Por ejemplo, los sensores virtuales 731 y 734 se pueden combinar en un solo sensor virtual que tiene dos salidas. Los sensores virtuales 731, 734 y 737 se pueden combinar en un solo sensor virtual que tiene tres salidas.

Movilidad de aplicaciones entre borde y nube

El alojamiento de aplicaciones de software empresarial tradicional se ha basado en el centro de datos o la infraestructura de "nube" para aprovechar las economías de escala y la eficiencia del sistema. Sin embargo, estos centros de datos pueden estar arbitrariamente distantes de los puntos de operaciones físicas (como fábricas, almacenes, tiendas minoristas y otras instalaciones), donde la empresa realiza la mayoría de sus operaciones comerciales. El Internet de las cosas (IoT) es una colección de casos de uso que se basa en la instrumentación de las operaciones físicas con sensores que rastrean eventos con una frecuencia muy alta.

El sistema incluye un método y un aparato para la interoperabilidad perfecta y la movilidad de las aplicaciones de software entre el centro de datos de "backend" o las capas de infraestructura de la nube y de primera línea:

1. El aparato es una plataforma de software que se puede implementar en diferentes factores de forma en la nube, servidores de cómputo de tamaño mediano y servidores de cómputo miniaturizados con el mismo conjunto de interfaces de programas de aplicación (API) que las aplicaciones pueden usar para lograr la gestión de datos, análisis de datos, y tareas administrativas sobre las operaciones físicas.

1.1. La gestión de datos incluye la ingestión de flujos de datos desde múltiples interfaces de red en la capa de borde, enriquecimiento de datos, almacenamiento, resistencia contra fallas de hardware y software y consistencia de datos.

1.2. El análisis de datos incluye un motor de procesamiento de eventos complejos (CEP), un lenguaje de expresiones para análisis o procesamiento de flujos, o ambos, agregación, reglas y flujos de trabajo de aprendizaje automático seleccionados en el borde.

1.3. Las capacidades administrativas incluyen el aprovisionamiento, la configuración y la instalación de recursos en la capa de borde y la gestión de tareas del ciclo de vida de las aplicaciones.

2. El sistema también incluye un método para migrar estas aplicaciones entre la nube y las capas de infraestructura de borde a través de la Internet, mientras se mantiene la consistencia en el estado de la aplicación y los datos administrados.

3. El método aprovecha las tecnologías de contenedores de aplicaciones para empaquetar las bibliotecas de software necesarias para una migración o ejecución consistente en diferentes plataformas.

4. El método también puede tener un sistema de recomendación que tenga en cuenta la disponibilidad de recursos, las demandas de calidad de servicio (QoS) de la aplicación y la prioridad para programar dichas migraciones entre la nube y las capas de infraestructura de borde.

5. El método también permite que las aplicaciones cooperativas se ejecuten tanto en la nube como en las capas de borde de la infraestructura y aprovechar el aparato (por ejemplo, la plataforma de borde) para gestionar las comunicaciones entre aplicaciones.

Las aplicaciones desarrolladas en el borde se pueden ejecutar en la nube y viceversa. Esto también es válido para las aplicaciones de aprendizaje automático.

Flujos de trabajo administrados de forma remota

Las porciones del sistema descritas anteriormente que forman parte del software de computación de borde se pueden administrar de forma remota a través de una consola de administración respaldada por algunos microservicios. Se pueden configurar, implementar, administrar y monitorizar múltiples instalaciones de borde diferentes a través de esta consola de administración remota.

Un método para habilitar la inteligencia en el borde. Las características incluyen: activación por datos de sensores en una capa de software alojada en un dispositivo de puerta de enlace o en un sistema integrado/embebido. La capa de software está conectada a una red de área local. La capa de software hace accesible un depósito de servicios, aplicaciones y motores de procesamiento de datos. Hacer coincidir los datos de sensores con descripciones semánticas de la ocurrencia de condiciones específicas a través de un lenguaje de expresiones puesto a disposición por la capa de software. Descubrimiento automático de eventos de patrones mediante la ejecución continua de expresiones. Composición inteligente de servicios y aplicaciones a través del dispositivo de puerta de enlace y sistemas integrados en la red administrados por la capa de software para encadenar aplicaciones y expresiones analíticas. Optimización del diseño de las aplicaciones y análisis en base a la disponibilidad de recursos. Monitorización del estado de la capa de software. Almacenamiento de datos de sensores sin procesar o resultados de expresiones en una base de datos de series de tiempo local o almacenamiento en la nube. Los servicios y componentes se pueden mantener en contenedores para garantizar un funcionamiento sin problemas en cualquier entorno de puerta de enlace.

En una implementación, un método para la invocación de servicios activada por datos de sensores en un aparato de software alojado en un dispositivo de puerta de enlace y conectado a una red de área amplia, donde el aparato hace accesible un repositorio de servicios, aplicaciones y motores de procesamiento de datos; hacer coincidir los datos del sensor con las descripciones semánticas de los datos puestos a disposición por el aparato; descubrir todas las aplicaciones diseñadas para el patrón de tipos semánticos de datos emparejados; servicios de composición inteligente a través del dispositivo de puerta de enlace y servidores distribuidos a través de la red de área amplia administrada por el aparato de software para encadenar todas las aplicaciones y análisis emparejados; optimizar del diseño de las aplicaciones y análisis en base a la disponibilidad de recursos en el dispositivo de puerta de enlace.

1. Campo técnico: La presente invención se refiere al campo de la Internet de las cosas, software especialmente distribuido para derivar decisiones basadas en datos en tiempo real a partir de sensores.

2. Discusión: Hay un crecimiento explosivo en el conjunto de datos de sensores al disminuir el costo de los sensores y la red denominada colectivamente Internet de las cosas. La abstracción de datos generaliza el Internet de las cosas en una variedad de verticales de la industria que incluyen manufactura, energía y servicios públicos, infraestructura urbana, atención médica, comercio minorista, agricultura y recursos, automatización del hogar y dispositivos portátiles para el consumidor. Sin embargo, los crecientes costos de desarrollo, prueba, despliegue y administración de software añaden obstáculos económicos a la ingestión, agregación, administración y procesamiento de estos datos de sensores para crear valor en términos de eficiencia de procesos, rentabilidad comercial y monetización de ingresos. Estos obstáculos económicos al software para Internet de las cosas se pueden clasificar en cuatro tipos:

1. Heterogeneidad: Las fuentes de datos en el mundo físico son intrínsecamente heterogéneas y se acumulan en el costo del desarrollo y las pruebas de software.

2. Brechas de última milla: Estas brechas se encuentran entre los centros de datos y el sensor físico para implementar aplicaciones de software de manera confiable con alta calidad de servicio.

3. Seguridad: Los sensores son nuevas fuentes de datos que abren nuevas vías de información con políticas de seguridad y gobernanza de datos menos definidas.

4. Silos: La adquisición, el procesamiento y la gestión repetitivos de datos en los silos de aplicaciones provocan un uso ineficiente de los recursos de desarrollo y hardware.

El sistema proporciona un método y un aparato de software diseñado para abordar estos desafíos en la última milla cerca de los sensores. La inteligencia del aparato inventado puede descubrir la semántica de los datos de sensores; personalizar la composición de servicios y análisis, y encadenar el despliegue de aplicaciones de software.

Algunas realizaciones de la invención incluyen el método y un aparato para permitir que las aplicaciones de software accedan a datos de una variedad de sensores distribuidos en un área amplia y proporcionen respuestas y mensajes en tiempo real basados en datos y análisis. El aparato está diseñado para implementarse en dispositivos de puerta de enlace integrados cerca de sensores e infraestructura de servidor en centros de datos administrados por empresas o proveedores de servicios en la nube. Los desarrolladores de aplicaciones expresan la semántica de datos utilizada por su software en este aparato y exponen su repositorio de aplicaciones a él. Los dispositivos de puerta de enlace tienen acceso a sensores físicos a través de interfaces de red en sus sistemas de hardware.

El método reivindicado resuelve los desafíos de heterogeneidad, brecha de última milla, seguridad y silos de datos del software de IoT de la siguiente manera:

1.1. Los datos de sensores llegan al aparato de software a través de las interfaces de red en el dispositivo de puerta de enlace. El aparato de software examina las cabeceras de los mensajes en busca de patrones que indiquen los protocolos de datos conocidos soportados.

1.2. Al descubrir un patrón de un protocolo soportado, el aparato carga el servicio de intermediario de protocolos relevante, en la primera etapa de la composición.

2. El aparato de software descubre las dimensiones de la semántica de datos en la transmisión de datos a través del intermediario de protocolo, hace coincidir patrones en la semántica expresada por los desarrolladores de aplicaciones y crea una lista puntuada de elementos emparejados. Todos los escaneos coincidentes están protegidos por un protocolo de intercambio de tokens para garantizar que los desarrolladores tengan acceso a los datos que se comparan. El aparato puede cargar la semántica de datos con la puntuación de coincidencia más alta, o recomendar la misma a través de una interfaz hombre-máquina para la confirmación manual. La composición del servicio agrega la semántica de datos del desarrollador.

3. A continuación, el aparato de software mezcla los datos de sensores de diferentes fuentes físicas para que coincida con la definición de la semántica de datos de las aplicaciones.

4. Las dependencias del servicio de análisis de la aplicación son analizadas y aprovisionadas por el aparato de software en el dispositivo de puerta de enlace cerca de los sensores, así como por otros servidores en centros de datos bajo la gestión del mismo aparato.

5. El flujo de datos con la semántica adecuada se canaliza a través de canalizaciones de procesamiento de datos por el aparato de software para transformar los datos según lo necesite la aplicación.

6. El aparato también gestiona la transferencia de datos a través de redes de área amplia a través de enlaces seguros para lograr consistencia entre las canalizaciones de procesamiento analítico distribuidas geográficamente. 7. La aplicación puede acceder de forma segura a los datos transformados a través de APIs programáticas (con seguridad basada en intercambio de tokens) reveladas a los desarrolladores en los manuales del aparato de software. Las aplicaciones están encadenadas a la composición del servicio en el lugar apropiado (dispositivo de puerta de enlace, servidor del centro de datos) según la necesidad de calidad del servicio y la disponibilidad de recursos en esa instancia.

Las etapas 1 a 7 anteriores describen el método utilizado por el aparato de software para componer una cadena de servicios de forma inteligente aprovechando el contexto dinámico de los datos de sensores y las aplicaciones en el repositorio. Este método y el aparato de software resuelven así los desafíos de la ingeniería de software para IoT descritos anteriormente.

Software y gestión de datos de sensores heterogéneos

El Internet de las cosas (IoT) aporta valor a las operaciones comerciales a través de la instrumentación de operaciones físicas con sensores de alta sensibilidad, el seguimiento de eventos en las operaciones con alta frecuencia y la conversión de los datos de sensores en perspectivas analíticas procesables a través de software y servicios. Sin embargo, la configuración física de las operaciones diarias (como fábricas, almacenes, tiendas minoristas y otras instalaciones) es extremadamente heterogénea en cuanto a hardware de sensores, topología de redes, protocolos de datos y formatos de datos. Esta heterogeneidad plantea altos costos generales en el desarrollo, las pruebas y el despliegue de software; los módulos de código deben volver a desarrollarse para cada combinación de formato de datos de protocolo de datos de red de hardware. El sistema proporciona un método y un aparato de software para gestionar software y datos en este entorno heterogéneo.

El aparato de software está diseñado opcionalmente para alojarse en una infraestructura informática que comprende, por ejemplo, servidores medianos (por ejemplo, un procesador de doble núcleo y 4 gigabytes de memoria) hasta servidores miniaturizados (por ejemplo, un núcleo de procesador de un solo núcleo con menos de 1 gigabyte) de memoria) colocados en las redes de sensores. El método que se describe a continuación abstrae la heterogeneidad en la red de sensores a través de capas de interfaces digitales entre los sensores y las aplicaciones alojadas en el aparato de software:

1. Intermediarios (por ejemplo, intermediarios 520 en la figura 5): Cuando los sensores están conectados, se produce una sesión conectada y luego el cliente respectivo publicará y se suscribirá a los nombres de los temas. Este es un intermediario multiprotocolo optimizado para leer ingestas masivas de datos. Los intermediarios han incorporado seguridad para proteger el acceso con credenciales de seguridad. Los intermediarios tienen un archivo de configuración con el nombre de usuario y la contraseña específicos del usuario. Además, el intermediario ha incorporado políticas para acceder a los temas. El sistema es lo suficientemente genérico como para aplicarlos tanto para los intermediarios de protocolos integrados como para los propagados, como MQTT, CoAP, AMQP o DNP3, pero también para los protocolos personalizados. La arquitectura de complementos del intermediario de protocolos facilita el desarrollo de intermediarios para protocolos personalizados. Internamente, los intermediarios tienen un alto rendimiento y utilizan el almacenamiento en búfer de copia cero para un procesamiento muy rápido. La capa de intermediario es una implementación ligera de alta disponibilidad para evitar cualquier punto único de falla. Tiene un gráfico acíclico dirigido (DAG) basado en lenguaje específico de dominio de cómputo dinámico (DSL) que lo hace flexible e intuitivo. Es posible que el mensaje no llegue en el orden de la marca de tiempo, por lo que es difícil saber cuándo cerrar la ventana de tiempo para el cálculo. El intermediario puede respaldar este modelo rastreando la marca de agua baja del reloj de la aplicación.

2. Gráficos de procesamiento de flujo: El sistema utiliza un gráfico acíclico dirigido (DAG), que es un "gráfico de procesamiento de flujo", para describir la relación productor-consumidor entre las unidades de procesamiento asociadas con los flujos. Hay nodos fuente, nodos sumideros y nodos de procesamiento en el gráfico, donde los bordes dirigidos representan el flujo de información entre varios nodos. Los nodos fuente corresponden a la fuente de los flujos de datos de entrada. Estos nodos solo tienen bordes que salen y no tienen bordes entre ellos. Los nodos sumideros corresponden a los receptores de la eventual información procesada. Estos nodos solo tienen bordes que van hacia ellos y no tienen bordes intermedios. Los nodos de procesamiento representan unidades de procesamiento. Una unidad de procesamiento puede requerir entradas de múltiples flujos de datos simultáneamente y producir uno o muchos flujos de salida valiosos. Este gráfico se puede trazar de manera que todos los bordes dirigidos apunten hacia abajo. El sistema está diseñado como información que proviene de la parte superior y pasa a través de las unidades de procesamiento en el medio y finalmente conduce a los flujos de salida en la parte inferior.

3. Sistema de colas: La relación entre latencia y rendimiento en diferentes niveles es muy complicada según la definición de la ley de Little. Consideramos cada sistema como un todo e incluyen muchos subsistemas, y habrá complejas dependencias entre ellos. Cada subsistema se vinculará al resto del sistema, ya sea por rendimiento o por latencia. Al diseñar un sistema, es útil considerar estas interacciones y luego crear un sistema que no obstruya (bottleneck) el sistema más grande. El problema del control de flujo surge en la comunicación asíncrona si los sensores envían mensajes a un ritmo más rápido de lo que (uno de) los receptores puede procesarlos.

El sistema desarrollado ha realizado muchos experimentos relacionados con problemas de contrapresión en un sistema asíncrono de gran volumen y, como resultado, ha creado un sólido mecanismo de procesamiento de flujo reactivo y de cola. El principal factor que impulsa el inicio de esta iniciativa de flujos reactivos es transportar datos sin pérdidas a través de un límite asincrónico en la memoria sin requerir búferes ilimitados. Se está utilizando un estilo de continuación-pase (por ejemplo, modelo de actor). Cuando la demanda en sentido descendente llega a cero, los actores de flujo simplemente no extraerán más de su propio sentido ascendente, y, dado que se accionan por mensajes, simplemente no se programarán hasta que llegue más demanda desde el mismo flujo descendente. No se bloquean subprocesos para esto y no se conservan las pilas de llamadas, pero el actor recuerda dónde estaba en la secuencia. Este diseño facilita una nueva forma de pensar el no determinismo en el procesamiento de mensajes.

4. Mezcladores de borde: Cada sensor publica sobre su propio tema. El intervalo en el que se publican las medidas depende del sensor. Finalmente, se necesita normalización para mezclar los sensores. Las medidas de los sensores se publican en canales basados en el tiempo. Las medidas se publican en estas colas de forma circular. Algunas o todas las medidas de los sensores se pueden unir en una dimensión de tiempo. Un mezclador de sensores del sistema realiza una o más de las siguientes normalizaciones de series de tiempo de sensores:

4.1. Normalización en un intervalo.

4.2. Normalización para sumar 1.

4.3. Normalización a la norma euclidiana 1.

4.4. Normalización a media cero.

4.5. Normalización a media cero y desviación estándar unitaria.

5. Lenguaje de expresiones del sensor: Las aplicaciones definen el flujo de trabajo de la canalización en los mezcladores de borde a través de un lenguaje denominado lenguaje de expresiones de sensor. Este lenguaje define la abstracción del lado de la aplicación de la gestión y el análisis de datos, controlando así el método de extremo a extremo para abstraer la heterogeneidad del sensor. Una implementación específica de un lenguaje de expresiones de sensores se llama Vel(R) y se describe en las solicitudes de patente de EE. UU. 62/312,106, 62/312,187, 62/312,223 y 62/312,255, presentadas el 23 de marzo de 2016. Vel es una marca comercial de FogHorn Systems, Inc.

Creación y gestión inteligente de contenedores según el tipo de dispositivo y el borde

La tecnología de contenedores virtualiza los recursos del servidor informático, como la memoria, la CPU y el almacenamiento, que se administran en el sistema operativo (SO) con una sobrecarga insignificante sin requerir la replicación de todo el kernel del sistema operativo para cada inquilino (y, por lo tanto, a diferencia de una tecnología de hipervisor). Los contenedores se desarrollaron como parte del popular sistema operativo de código abierto Linux y han ganado una atracción significativa en el desarrollo de software y las operaciones del centro de datos ("DevOps") con la disponibilidad de marcos de administración avanzados como Docker y CoreOS. Existe una creciente demanda de consumo de software y análisis para el procesamiento de datos de sensores a través de una infraestructura informática cercana a las redes de sensores físicos en los casos de uso de la Internet de las Cosas (loT) (que incluyen ubicaciones físicas como fábricas, almacenes, tiendas minoristas y otras instalaciones). Estos nodos de cómputo incluyen, por ejemplo, servidores de tamaño mediano (por ejemplo, un procesador de doble núcleo y 4 gigabytes de memoria) hasta miniaturizados (por ejemplo, un núcleo de procesador de un solo núcleo con menos de 1 gigabyte de memoria) conectados a Internet y que tengan acceso a una variedad de dispositivos de sensores heterogéneos y sistemas de control desplegados en las operaciones. El sistema proporciona métodos para desplegar y administrar tecnologías de contenedores de manera inteligente en estas configuraciones de infraestructura informática de borde.

Los siguientes elementos constitutivos describen un método para administrar contenedores en entornos de infraestructura de borde y se implementan en forma de un aparato de software:

1. Administración centralizada: El sistema gestiona aplicaciones de software en su AppStore Industrial para loT (MR) y todas las decisiones de despliegue se controlan y gestionan en este entorno centralizado. AppStore para loT es una marca comercial de FogHorn Systems, Inc.

2. Plantilla de topología de despliegue: El sistema tiene una plantilla para cada módulo de aplicación de software, que es autónoma con todos los detalles topológicos necesarios y las bibliotecas de ejecución para su despliegue en la infraestructura de borde. Esto incluye la composición del protocolo de red necesario, el protocolo de mensajes y las bibliotecas de analizadores de formato de datos en una cadena de servicios que la aplicación puede utilizar para acceder a los datos de los sistemas en la red de sensores. La composición del servicio se realiza de manera inteligente y automatizada utilizando el conocimiento de las configuraciones del sistema en la infraestructura de borde de destino. 3. Movilidad del recipiente de aplicación: El sistema serializa los objetos de plantilla de despliegue que contienen las aplicaciones configuradas y las transmite a través de la Internet para llegar a los agentes en el aparato de software en la infraestructura de borde.

4. Despliegue cero-tacto en el borde: El aparato de software del sistema en el borde es capaz de interpretar el objeto contenedor configurado recibido de la AppStore Industrial para IoT y desplegarlo con todos los servicios de análisis y gestión de datos implementados en la plataforma. Si bien puede haber algún esfuerzo manual en la configuración, el proceso de despliegue está completamente automatizado sin intervención manual.

5. Monitorización de contenedores de aplicación: El sistema despliega una arquitectura basada en microservicios en la plataforma de software (aparato) en el borde que implementa un agente de telemetría en cada contenedor. Este agente mide e informa métricas detalladas sobre el rendimiento y la disponibilidad de la aplicación en el contenedor. La plataforma también es capaz de generar alarmas en caso de que alguna de estas métricas se comporte de forma anómala.

6. Migración receptiva de contenedores: El sistema proporciona métodos para desencadenar la migración de contenedores desde la plataforma de borde a la nube en caso de que los agentes telemétricos observen contención de recursos y degradación del servicio. Esta migración receptiva liberará recursos en la infraestructura de borde restringida y se espera que mejore la calidad general del servicio de las aplicaciones alojadas. La prioridad de las aplicaciones también sirve como criterio rector en la programación de tales migraciones.

Método para el aprendizaje automático de modelos paralelos automatizados para redes de sensores muy grandes y aparatos para el aprendizaje de transferencia paralela de datos entre redes de sensores y centros de datos

El aprendizaje automático ha evolucionado como una construcción informática clave para automatizar el descubrimiento de patrones en los datos y utilizar los modelos creados para realizar predicciones inteligentes en una variedad de verticales industriales. Las aplicaciones de aprendizaje automático en datos de sensores son relevantes para casos de uso de planificación operativa y empresarial basada en datos en los segmentos generales del mercado de Internet de las cosas (IoT). Sin embargo, los datos de los sensores plantean varios desafíos para la escalabilidad y la eficiencia de los flujos de trabajo de aprendizaje automático:

1. Volumen de datos de transmisión: Los sistemas de control y las máquinas desplegadas en las operaciones generan volúmenes muy grandes de datos transmitidos continuamente que presentan limitaciones logísticas y de costos en la agregación para el análisis de aprendizaje automático

2. Calidad y complejidad de los datos: Los datos de los sistemas industriales tienen muy poca estructura y metadatos asociados con la corrupción desenfrenada de los datos y los valores perdidos. Las características que constituyen los datos generados varían ampliamente entre diferentes instancias de sistemas operativos similares. Esto reduce drásticamente la fidelidad de los modelos desarrollados a través de análisis tradicionales de aprendizaje automático.

3. Brecha en el procesamiento previo de datos: Existe una falta de infraestructura informática para preprocesar los datos más cercanos a sus fuentes de manera inteligente y eficiente.

4. Distribución geográfica: Las operaciones industriales en escenarios de IoT involucran sistemas desplegados en grandes áreas geográficas que imponen restricciones de costo, ancho de banda y latencia en cualquier distribución de cómputo y datos.

El sistema proporciona un aparato de software en forma de plataforma diseñada para realizar flujos de trabajo de aprendizaje automático a través de centros de datos o "nube" y recursos informáticos disponibles cerca de redes de sensores o "de borde", por ejemplo, de servidores de tamaño mediano (por ejemplo, un procesador de dos núcleos y 4 gigabytes de memoria) hasta nodos miniaturizados (por ejemplo, un procesador de un solo núcleo con menos de 1 gigabyte de memoria). El método del sistema puede incluir los siguientes componentes:

1. Procesamiento de datos de flujo y agregación en la red en el borde para preprocesar flujos continuos de datos sin procesar que se pueden alimentar a los análisis de aprendizaje automático-la metodología de procesamiento es programable a través de APIs mediante los desarrolladores que construyen el análisis de aprendizaje automático. 2. Procesamiento de consultas de datos de sensores para modelos construidos por el flujo de trabajo de aprendizaje automático para ejecutar en datos preprocesados en el borde y emitir los resultados de la ejecución a la nube para la valoración del modelo.

3. Segmentación de datos de sensores en el borde para particionar datos sin procesar en función de los conjuntos de funciones que los componen y la coincidencia inteligente con modelos creados por flujos de trabajo de aprendizaje automático.

4. Entrenamiento y selección de modelos en tiempo real en la plataforma de software en el borde basado en el flujo de trabajo de preprocesamiento anterior, ejecución de modelos basados en consultas y segmentación de datos basada en características.

El método anterior, que incluye los tres componentes, constituye una construcción del sistema de aprendizaje automático como servicio. Una implementación específica de FogHorn Systems se conoce como FogHorn Cortex.

1. El aparato de software del sistema coordina la ejecución del modelo a través de instancias de infraestructura de borde (en geografías amplias). Estos modelos se ejecutan sobre datos en segmentos de diferentes espacios de características. El aparato transfiere el conocimiento aprendido a través de espacios de funciones utilizando la nube como plataforma para el aprendizaje transferido. Esto aporta mucha eficiencia en el proceso de aprendizaje automático al evitar el etiquetado de datos y aprovechar los datos con etiquetas heterogéneas.

Un caso de uso de un sistema de plataforma de cómputo de borde es la optimización del rendimiento de fábrica. Por ejemplo, una planta de fabricación moderna desea maximizar el rendimiento mediante la detección temprana de defectos potenciales para permitir correcciones antes de etapas irreversibles en la línea de ensamblaje. Algunos de los beneficios de utilizar el sistema de plataforma informática de borde incluyen: Al aplicar una combinación del procesamiento de datos en tiempo real de FogHorn, el motor de expresiones v El y la integración con Apache Hadoop para el análisis de big data, el fabricante espera reducir el desperdicio en al menos un 50 por ciento.

Algunas soluciones incluyen:

1. Cientos de valores de datos MQTT y OPC-UA de controladores de equipos y datos RFID para piezas individuales se recopilan y transforman en tiempo real en el borde.

2. Las expresiones VEL se utilizan para normalizar y agregar medidas y compararlas con una especificación. 3. Datos sin procesar y aumentados transferidos a Hadoop, donde los científicos de datos pueden construir modelos para caracterizar secuencias de medidas que pueden conducir a la detección de defectos.

4. Expresiones VEL utilizadas para enviar alertas a los técnicos para que rechacen o reelaboren productos antes de pasos irreversibles como calentar, secar y pintar.

El análisis y la inteligencia en tiempo real incluyen: Recopilar y transformar medidas e identificadores o IDs. Calcular y agregar mediciones con VEL. El análisis histórico incluye: Identificar características predictivas. Construir y probar modelos de minería de secuencia en busca de desechos.

Un caso de uso de un sistema de plataforma informática de borde es la eficiencia del combustible de las locomotoras. Por ejemplo, una empresa de transporte necesita una solución personalizable para monitorizar y optimizar de manera proactiva el desempeño del tren y la tripulación con el fin de reducir el consumo de combustible. Algunos de los beneficios de utilizar el sistema de plataforma informática de borde incluyen: Ahorre miles de galones de combustible en cada motor detectando posiciones de inactividad excesiva y accionamiento ineficiente del acelerador en base a los datos del motor y la geolocalización en tiempo real. Reduzca el costo de la red móvil activando la carga de videos solo en situaciones anormales.

Algunas soluciones incluyen:

1. Datos de sensores y GPS ingeridos de los sistemas de recopilación de datos reforzados a bordo.

2. Las expresiones VEL se utilizan para determinar las condiciones en modulación de inactividad y accionamiento en base a la ubicación, la velocidad, el tiempo y otros parámetros.

3. Envíe alertas a los centros de comando donde los operadores pueden tomar acciones proactivas para reducir el consumo de combustible mientras mantienen un manejo óptimo del tren.

4. Aplicaciones en tiempo real utilizadas para detectar condiciones inseguras y activar la carga de transmisiones de video al centro de datos para su análisis.

El análisis y la inteligencia en tiempo real incluyen: Agregación de datos. Reglas y alertas. Activar transferencias de datos. El análisis histórico incluye: Reglas y modelos predictivos para la operación, seguridad y consumo de combustible de los trenes.

Un caso de uso de un sistema de plataforma de computación de borde son las alertas de cavitación de la bomba. Por ejemplo, un fabricante de equipos requiere una solución para detectar eventos de cavitación que pueden causar daños a sus bombas y productos de válvulas de control instalados en fábricas y plantas de energía. Algunos de los beneficios de utilizar el sistema de plataforma informática de borde incluyen: Mejore la vida útil del equipo tomando medidas correctivas cuando se produce la cavitación. Evite el tiempo de inactividad no planificado y las fallas catastróficas con el mantenimiento predictivo.

Algunas soluciones incluyen:

1. Las mediciones como la presión de entrada y salida, el flujo y la temperatura se recopilan de varios sensores conectados al equipo.

2. Las expresiones VEL se utilizan para calcular diferenciales de vapor en tiempo real para detectar la formación de cavitación.

3. Se envían alertas a los técnicos para que aumenten la presión o el flujo de fluido, o disminuyan la temperatura para evitar daños en el sello, el rodamiento y el impulsor.

4. Analice la información histórica para identificar patrones que permitan a los técnicos detectar cavitación o programar el mantenimiento antes de fallar.

El análisis y la inteligencia en tiempo real incluyen: Recopile y transforme medidas en tiempo real. VEL para calcular diferenciales de vapor que conducen a la cavitación. El análisis histórico incluye: Analice las mediciones de series de tiempo para identificar patrones de eventos de cavitación.

Un caso de uso de un sistema de plataforma informática de borde es el pronóstico de energía eólica. Por ejemplo, una empresa de energía renovable requiere predecir, informar y cumplir con precisión la generación de energía durante las próximas 24 horas, según el mandato del gobierno. Algunos de los beneficios de utilizar el sistema de plataforma informática de borde incluyen: Capacidad para generar alertas con al menos 90 minutos de anticipación para las turbinas que no pueden cumplir con el pronóstico de generación de energía de 24 horas y aplicarlo para optimizar la configuración de la turbina o revisar el pronóstico.

Algunas soluciones incluyen:

1. Seis meses o más de datos históricos y en tiempo real recopilados del sistema controlador SCADA en cada turbina, aumentados con datos meteorológicos, atmosféricos y del terreno.

2. Entrene modelos basados en 20 o más atributos para predecir la generación de energía en intervalos de 15 minutos.

3. Aplique modelos en el borde para producir puntajes en tiempo real sobre la generación de energía. Las expresiones VEL se utilizan para comparar el rendimiento con el pronóstico para generar alertas.

4. Permita a los técnicos ajustar la configuración de la turbina o revisar el pronóstico.

El análisis y la inteligencia en tiempo real incluyen: Recopilar y transformar datos. Puntuar y actualizar modelos. Identificar condiciones con VEL. El análisis histórico incluye: Análisis estadístico. Extracción de características. Construcción y pruebas de modelos.

Esta descripción de la invención se ha presentado con fines ilustrativos y descriptivos. No se pretende que sea exhaustivo o que limite la invención a la forma precisa descrita, y son posibles muchas modificaciones y variaciones a la luz de las enseñanzas anteriores. Las realizaciones se eligieron y describieron para explicar mejor los principios de la invención y sus aplicaciones prácticas. Esta descripción permitirá a otros expertos en la técnica utilizar y poner en práctica de la mejor manera la invención en diversas realizaciones y con diversas modificaciones que sean adecuadas para un uso particular. El alcance de la invención está definido por las siguientes reivindicaciones.

Claims (14)

REIVINDICACIONES

1. Un método que comprende:

recibir un flujo de datos de sensores desde un primer sensor físico (523) a través de un primer tipo de conexión de red en un agente de ingestión de datos (520) de un sistema de plataforma de borde (406);

desde el agente de ingestión de datos (520), entregar los datos de flujo ingeridos a un bus de datos (532) del sistema de plataforma de borde (406);

enriquecer los datos de flujo ingeridos en tiempo real a través de un componente de enriquecimiento de datos del sistema de plataforma de borde (406) al realizar una acción de enriquecimiento en los datos de flujo ingeridos, en donde la acción de enriquecimiento comprende uno o más de decodificar los datos de flujo ingeridos, decorar los datos de flujo ingeridos con metadatos y normalizar los datos de flujo ingeridos;

hacer que los datos ingeridos enriquecidos estén disponibles en el bus de datos (532);

procesar los datos de flujo ingeridos enriquecidos en un motor de análisis (355) del sistema de plataforma de borde (406) que se suscribe a datos del bus de datos (532), en el que el procesamiento comprende aplicar a los datos de flujo ingeridos enriquecidos en tiempo real una primera función especificada por expresiones analíticas seleccionadas de un lenguaje de expresiones y generar en tiempo real un flujo de datos que comprende información de inteligencia, en el que la primera función comprende al menos una transformación, detección de patrones, calibración dinámica, procesamiento de señales, expresión matemática, compactación de datos, análisis de datos, agregación de datos, expresión de reglas, envío de alertas e invocación de servicios;

publicar la información de inteligencia en el bus de datos (532), en el que publicación comprende almacenar la información de inteligencia en el sistema de plataforma de borde (406) en una base de datos de series de tiempo rodante (576) indexada por tiempo para su uso por aplicaciones (567) ejecutables en el sistema de plataforma de borde (406); y determinar en base a la información de inteligencia si tomar una acción seleccionada en una red local en un dispositivo de hardware que está siendo monitorizado por el primer sensor físico (523) y si transmitir al menos una porción de la información de inteligencia a una red de área amplia para su procesamiento, donde la acción seleccionada comprende enviar una alerta a un operador al realizar una acción proactiva en un dispositivo de hardware que está siendo monitorizado por el primer sensor físico (523).

2. El método de la reivindicación 1 que comprende:

transferir al menos una porción de la información de inteligencia a la red de área amplia a través de un segundo tipo de conexión de red y almacenar en un almacenamiento en la nube (573) conectado a la red de área amplia.

3. El método de la reivindicación 2, en el que el segundo tipo de conexión de red es diferente del primer tipo de conexión de red, y el segundo tipo de conexión de red tiene una conexión de ancho de banda menor que el primer tipo de conexión de red para los datos del flujo de datos del sensor.

4. El método de la reivindicación 2, en el que:

el recibir a través de un primer tipo de conexión de red comprende recibir de acuerdo con al menos uno de un MQTT, Arquitectura unificada OPC o protocolo Modbus; y/o

el transferir a través de un segundo tipo de conexión de red comprende transferir de acuerdo con al menos uno de los protocolos TCP/IP, Protocolo de transferencia de hipertexto, HTTP, WebSockets, WebHDFS, Apache Kafka o Internet.

5. El método de la reivindicación 1, en el que el agente de ingestión de datos (520) accede a los datos del flujo del sensor a través de un primer tipo de conexión de red a través de un protocolo de inserción o un protocolo de extracción.

6. El método de la reivindicación 1, en el que el procesar comprende:

utilizando el lenguaje de expresión, crear un primer sensor virtual que tiene una primera entrada y una primera salida, en el que la primera entrada está acoplada a una salida del primer sensor físico,

el primer sensor virtual recibe un primer flujo de datos de sensores del primer sensor físico en la primera entrada, y en la primera salida, el primer sensor virtual emite un segundo flujo de datos de sensores que es el primer flujo de datos de sensores operado según la primera función.

7. El método de cualquiera de las reivindicaciones anteriores, en el que una red distribuida incluye la red local con una pluralidad de dispositivos de red y una pluralidad de sensores físicos y la red de área amplia.

8. El método de la reivindicación 7, en el que el flujo de datos de sensores se recibe desde el primer sensor físico (523) en la red local a través del primer tipo de conexión de red en el agente de ingestión de datos (520) del sistema de plataforma de borde (406) conectado a la red local entre el primer sensor físico (523) y la red de área amplia.

9. El método de la reivindicación 7 u 8, en el que los datos de flujo ingeridos se procesan en el motor de análisis (355) del sistema de plataforma de borde (406) que se suscribe a los datos del bus de datos (532) sin transmitir primero el flujo de datos de sensores a la red de área amplia.

10. El método de la reivindicación 7, 8 o 9, en el que el método comprende:

determinar en base a la información de inteligencia si tomar una acción seleccionada en la red local con respecto a una operación en la red local monitorizada por el primer sensor físico (523), en donde la acción seleccionada comprende generar la alerta.

11. El método de cualquiera de las reivindicaciones anteriores que comprende:

suministrar un kit de desarrollo de software que permite a un usuario desarrollar aplicaciones para el sistema de plataforma de borde; y mediante el kit de desarrollo de software, desarrollar una primera aplicación en contenedor que pueda acceder y procesar la información de inteligencia disponible a partir del bus de datos.

12. El método de la reivindicación 11 que comprende:

mediante el kit de desarrollo de software, desarrollar una segunda aplicación en contenedor que puede acceder y procesar la información de inteligencia almacenada en la base de datos de series de tiempo.

13. El método de la reivindicación 12 que comprende:

proporcionar una tienda de aplicaciones del sistema de plataforma de borde, en el que la primera y la segunda aplicaciones en contenedor están disponibles para que otros usuarios accedan a través de la tienda de aplicaciones.

14. El método de la reivindicación 1, en el que el procesar comprende:

utilizando el lenguaje de expresión, crear un primer sensor virtual que tiene una primera entrada y una primera salida, en el que la primera entrada está acoplada a una salida del primer sensor físico,

el primer sensor virtual recibe un primer flujo de datos de sensores desde el primer sensor físico en la primera entrada, y en la primera salida el primer sensor virtual emite un segundo flujo de datos de sensores que es el primer flujo de datos de sensores operado según la primera función; o

usando el lenguaje de expresión, crear un primer sensor virtual que tiene una primera entrada, una segunda entrada y una primera salida, en el que la primera entrada está acoplada a una salida del primer sensor físico, la segunda entrada está acoplada a una salida de un segundo sensor físico,

el primer sensor virtual recibe un primer flujo de datos de sensores del primer sensor físico y el segundo flujo de datos de sensores del segundo sensor físico, y en la primera salida, el primer sensor virtual emite un tercer flujo de datos de sensores que es el primer y segundo flujo de datos de sensores operado de acuerdo con la primera función.