智能傳感器是任何自動化系統的前線。然而，自動化意味著運動，傳感器只觀察、捕獲和報告有關周圍環境的數據。將這些數據用于使用的責任落在了影響者身上。

重新關注數據

根據定義，效應器會給周圍環境帶來傳感器只能觀察到的變化。這些可以是電機，螺線管，閥門或任何其他“影響”現實世界變化的模擬組件。例如，在工業自動化中，效應器負責將運動、溫度、壓力和其他物理轉換應用于傳送帶、機械臂、壓力機、風扇等系統。

如今，大多數效應器的運行完全獨立于物聯網傳感器數據。當然，工業4.0和智能工廠概念的目標是利用傳感器捕獲的數據來調整這些效應器，以提高產量，增加正常運行時間，降低成本，降低能耗等。這可能表現為直接控制效應者的數據分析形式;或者更有可能在運行高度結構化程序的電機控制等場景中，通知命令的參數，該命令定義效應器如何激發機器到達某個設定點。

在任何一種情況下，傳感器數據分析都會將大量原始傳感器數據細化為信息，一個或兩個命令可以使用這些信息來影響效應器（以及隨后的設備）操作。但是，我們必須記住，工業4.0部署的最終目標是將工廠車間與IT運營中心統一起來，重點是優化整個生產線的編排。

基于作業的自動化和工廠 IT 運營中心

對于具有 IT 數據建模背景的外行自動化利益相關者來說，這種粒度級別無助于實現他們確保生產高效發生和發生的目標。對于負責在生產線上跨設備實施配置文件以幫助實現IT運營中心設定的目標的工廠工程師來說，它甚至不是特別相關。它更準確地描述了對控制系統專家等人來說有用的數據，他們會根據應用要求調整控制器以一定的速度或位置過沖運行電機。

但這種專業化水平正是我們希望在新的智能工廠中擺脫的。相反，未來將集中在基于作業的編排上，IT運維人員可以查看傳感器和效應器，并監督設備控制的更基本方面，如系統初始化、錯誤狀態管理，甚至從自己的本機環境中有序地關閉設備。因此，與其將自動化目標視為“該電機必須沿Z軸重新定向10度”或“此液壓活塞必須延伸100厘米”之類的術語，他們可以通過說“我希望這臺機器生產六個小工具然后關閉”來解決問題。

為此，智能工廠中的工作必須向這些用戶顯示為一系列步驟，這些步驟在一個或多個效應器之間協調，以達到預期的結果。這種基于作業的調度在最高抽象級別上提供了工廠自動化，這在理論上很棒，但目前在大多數工廠設置中還不可能實現。

造成這種情況的原因有很多，但幾乎所有原因都是由于來自不同制造商的不同機器彼此之間不能很好地溝通。這不僅給IT運營中心工程師帶來了重大挑戰，也給工廠車間的工程師帶來了重大挑戰，他們的職責是解釋運營中心的工作，并將相應的順序大規模傳達給生產線上的所有效應器。

一個數據模型統治所有數據

統一整個智能工廠（從自動化工程師到運維中心，從最小的OT執行器到最抽象的IT編排系統）的唯一方法是通過通用數據模型。如本系列的第 2 部分所述，“數據模型。..是一種結構化的數據組織方式，其中包含有關如何打包數據的特定規則或說明。簡而言之，數據模型為數據如何與制造系統中的特定狀態相關聯提供了一個結構。

然而，在更廣泛的工廠環境中，通用數據模型提供了跨所有層次結構級別的接口，以便自上而下和基于工作的水平通信更加透明。顯然，出于安全性、可靠性和隱私原因，在新集成的IT/OT工廠中，與不同部門共享的數據和數量可以根據具體情況來確定。

但是，在統一的模型中將抽象的傳感器數據與抽象的效應器數據相結合，這一事實對系統的數字建模等事情具有更大的影響，因此您可以在物理工廠生產線通電之前模擬其性能。而且，與智能傳感器供應商一樣，它允許智能效應器供應商指定精確的參數要求，而無需執行太多（如果有的話）特定于應用的編碼。

用于為智能傳感器生成數據模型的相同PICMG配置器可以以類似的容量用于創建與此類狀態控制兼容的智能效應器。

審核編輯：郭婷