隨著智能工業的出現，工業世界正在迅速變化。今天的生產機器和搬運設備已經成為高度集成的機電一體化系統，其中大部分是嵌入式軟件。這一事實需要多個領域，包括軟件工程、IT、機械工程和電氣工程，同時協同工作，并發展設計、測試和驗證機器軟件的方式，以達到預期的功能和質量水平。

數據擴散——提取有價值的見解

智能產業的一個主要驅動力是不斷增長的數據量。視覺傳感器、電力和液壓驅動器、生產機器和發電廠都在生產操作期間收集越來越多的測量數據。這些數據包含可以通過開發預測模型和算法轉化為商業價值的信息。例如，機器學習技術可用于根據歷史傳感器數據訓練模型，以便該模型可用于預測未來的設備故障并防止生產停機。

構建這樣的模型需要大量的歷史數據。許多企業多年來一直在收集這些數據，為他們應用預測建模技術提供了一個良好的開端。對他們來說，重點更多的是把數據預處理成適合機器學習的格式，并應用幾種機器學習方法來找到最好的方法。在最近的一個示例中，機器傳感器數據集與質量控制數據集合并，以便可以從原始傳感器數據預測質量狀態。這使制造商能夠在流程的早期識別出不良批次，從而為每臺機器每月節省數萬美元。

在實現這樣一個系統時，一個大的設計問題是，模型應該在哪里實現？它是否應該在機器本身上運行，以便可以在連接的 PLC 或工業 PC 上實時做出決策？還是應該在業務 IT 系統（可能是異地服務器，或在云中）中，計算能力隨時可用且模型可以輕松更新？每種方法都有其優點和缺點，答案取決于幾個因素。

將分析與業務 IT 系統集成

業務 IT 系統通常是預測模型首先考慮的位置。模型維護很容易：如果發現了更好的模型，那么在業務 IT 系統中更新模型比在嵌入式系統中更新模型要容易得多。隨著更多數據的可用，這允許對模型進行持續研究和改進。一些服務器軟件允許“熱交換”，以便立即使用新模型，而無需對機器上運行的客戶端軟件進行任何更改。

將模型放置在業務 IT 系統中的另一個優勢是可以將大量可用數據源集成在一起以形成模型。例如，可以整合來自供應鏈或其他工廠運營的其他數據源，以制定更高級別的決策，從而節省大量成本。

最后一個好處是業務 IT 系統通常是報告和儀表板所在的位置，因此在這種環境中擁有預測模型可以輕松地將它們合并到現有的報告工具中。

將預測模型與此類系統集成需要與各種編程語言和 API 集成的工具。業務系統通常以編程語言實現，例如 java、.net、C++ 和 Visual Basic。使用了其他常見的數據傳輸方法，例如 RESTful API 和 JSON。生成的預測模型能夠集成到這些環境中非常重要，這樣可以避免重新編碼模型的成本高昂且效率低下的過程。

將分析部署到嵌入式系統

隨著智能工業的發展，軟件組件提供了機器或生產工廠整個附加值的重要組成部分。在 PLC、工業 PC 或 FPGA 上運行的嵌入式軟件涉及閉環控制功能，可確保產品質量以及預測性維護算法，從而在無需服務干預的情況下延長正常運行時間。此外，用于（在許多情況下甚至是安全關鍵）狀態機處理和優化運動軌跡的自動生成的監控邏輯都在嵌入式軟件中實現。

在嵌入式系統中實現預測模型有幾個優點。一方面，響應時間更快，因為數據不需要通過網絡來回傳輸，而且它們是確定性的，在實時系統上運行。這在使用預測模型的結果來計算機器采取的下一步行動的控制應用中尤為重要。另一個好處是所有（或大部分）處理都發生在設備上的隱私。機器操作員對來自他們機器的數據很敏感，并且可能對將數據傳輸到云的異地服務器感到不舒服。直接在嵌入式系統上實施預測模型消除了這種擔憂。

在設備上實施預測模型的概念是增加生產機器上代碼庫的大小和復雜性的更大趨勢的一部分。這對受過經典培訓的機器制造商提出了軟件開發挑戰。許多機器制造商都專注于機械制造，需要在機械構造的復雜工作流程和工具鏈方面保持經驗。在軟件設計方面，機器制造商依賴于傳統的硬件編程和測試方法，但通常不了解航空航天和汽車行業的工程同行廣泛使用的建模、仿真、自動測試和代碼生成工具。 這些工具組合成一個工具鏈，用于分析歷史機器數據，使用機器學習方法開發預測模型，

使用基于模型的設計

提供復雜的傳感器網絡是實現智能行業所承諾的效率、成本以及競爭優勢的基本先決條件之一。為了成為其市場的創新領導者，設備制造商需要在這些新的設計方法和技術方面迅速發展技能和專業知識。

通過使用基于模型的設計工具，可以提高這種方法的設計效率和系統可靠性。這些工具有助于自動化組件的模塊化開發、硬件獨立測試和自動代碼生成，只需按一下按鈕即可實現特定硬件平臺的算法。

模型可以從預定義的構建塊和持續驗證中進行直觀和清晰的構建。使用這種方法，可以盡早糾正設計缺陷，從而大大縮短設計周期。接下來，需要實施算法，這對于使用傳統方法可能具有相當大的挑戰性。從歷史上看，算法通常必須由 IEC 61131-3、C/C++、VHDL 或 Verilog 方面的專家開發。這種做法不僅耗時，而且隨著機器中使用的算法的復雜性不斷增加，也容易出錯。已經通過模擬驗證的手動實現的功能可能不會按照預期的方式運行，可能包含錯誤，因此可能導致錯過最后期限和僅在現場注意到的問題。

相比之下，實時功能是使用自動代碼生成直接從仿真模型生成的。這避免了上述錯誤來源。測試的算法直接翻譯成實時代碼。這樣做不僅可以節省時間，還可以在小型開發團隊中創建創新解決方案。具有自動代碼生成功能的基于模型的設計使工程師能夠充分利用他們在施工方面的專業知識來構建機器或工廠，而無需擔心編程語言細節。

實現智能工業的競賽

跟上并成為全球智能產業的領導者，需要企業提供越來越高效和成本效益的產品，同時對智能產業和工業物聯網帶來的新商機保持開放的心態。這些機會的核心是機器數據的收集和可用性。

雖然過去機器銷售是他們的主要業務，但創新的機器制造商已經開始向客戶提供預測性維護服務合同，以減少生產線停機。該行業越來越多的參與者將重點轉向服務收入，這承諾在其生產設備 20 年或更長時間的整個生命周期內持續開展業務。

智能工業包括日益復雜的軟件和不斷增加的數據量。從長遠來看，不斷發展的趨勢將挑戰工程師精通使用新方法和工具以應對這種復雜性。公司將不得不重新考慮他們的商業模式，并更多地關注基于服務的收入，例如預測性維護合同。目前，設法將重點轉向跨學科設計思維（而不是生產思維）的工業公司將從轉型中脫穎而出，成為各自領域的領導者，并為其市場提供新的商業模式。那些不這樣做的人可能無法通過這種轉變，并有被拋在后面的風險。

審核編輯：郭婷