?工業物聯網實現的五個環節和兩大階段?

傳統制造工廠轉化為真正的工業物聯網工廠的過程劃分為五環節，如圖1。

第一階段是實現“機器與機器對話”，即現場設備的聯網和底層數據的采集兩個環節。在企業能夠進行數據分析、建立模型之前，工廠內的軟硬件基礎設施還有很多準備工作要做。首先，工廠的機器都能夠與工廠內和其他遠程地點的所有其他機器和設備互相通信，并進行大量的數據交換，這是所有后續環節的基礎。

目前，大部分企業仍處于這個階段，實現現場設備互通互聯，同時確保數據和信息溝通的準確性、可靠性、完整性和及時性，這是工業物聯網的基礎，也是工業企業要首先解決的問題。

在很多工廠中，已有的自動化設備，比如驅動器、傳感器、控制器、儀表等都已經使用多年，甚至十幾年，企業用戶不會推倒重來用新設備來替代已有設備，而都會在不影響生產的前提下，擴充已有設備的通信能力。

然而，已有設備來自不同的制造商，并沒有采用統一的通訊協議，需要采用協議轉換設備對原有設備和產線進行改造，實現設備之間的無縫通信，比如支持不同協議的高級HMI、協議轉換器，或其他自動化產品，連接這些采用不同專用通信協議的設備。

根據最新數據，全球聯網自動化設備的聯網數量在2017年已經達到950億個，其在2017至2021年的年復合增長率會保持在11.6%。IO-Link sensor和IO-Link master市場的快速增長也能反映將現場層信息可視化的旺盛需求。預測IO-Link聯網節點數在2017至2021年這5年期間將以25.7%的年復合增長率增長。

第二階段是實現數據的價值輸出，包括第三、第四和第五環節，即數據的存取、分析和價值輸出。對企業而言，在解決了如何搜集數據的問題后，數據的存取和利用是接下來更為重要的問題。

客觀來看，工業企業內部的業務邏輯并沒有標準化，自動化水平也不同，并不能用一套通用軟件平臺來解決每家企業的問題，都需要定制化的軟件開發，這也需要工業企業用戶有更多的資金投入。目前，我們能看到幾乎所有工業技術廠商都已經推出了自己的工業物聯網解決平臺，比如IBM有Waston，GE有Predix，Schneider有EcoStruxure，Honeywell也有了Sentience。

在該階段，如何解決工業物聯網安全問題，如何合理利用機器學習和人工智能技術，怎么使用邊緣計算和云計算，以及怎樣發揮移動設備在工業物聯網中的積極作用都將成為行業更為關注的話題。

網絡安全是工業物聯網實施的一大困擾

舉個例子，比如OEM廠商提供的質保內容正在發生變化，所提供的質保內容由過去的“一年內可以更換故障配件”，過渡到“保證設備可以一年中正常運行的時間”，如果設備出現問題，OEM廠商需要在規定的時間內響應。但前提條件是OEM廠商能夠實時地、安全地連接進入工業控制網絡，查看相關數據。

工業網絡會越來越開放，與IT網絡進行融合，與此同時，網絡安全問題將更為凸顯。IT系統所受到的任何威脅都會對OT系統造成嚴重的影響。安全問題已經成為投資工業物聯網的一大障礙。近年來發生的黑客入侵電力公司網絡，阻斷電力供應，劫持工業控制設備，篡改PLC中的程序和數據，造成產線停產的事件大大提升了工業企業用戶對工業物聯網安全的關注度。

雖然自動化設備制造商已經在硬件產品和軟件平臺中都增加了網絡安全措施，比如在PLC和I/O模塊產品中增加了SSL/TLS加密。但距離終端用戶能夠廣泛接受，并使用工業物聯網來采集、監控、處理和存儲各種數據和信息，還有很長的路要走。

此外，擴充現有OT系統的網絡安防能力所需的成本和培養訓練有素的人員的投入也是不可忽視的因素。根據IHS Markit的研究，實施物聯網方案擔憂的主要問題是網絡安全和隱私保護，其次是項目的實施成本和其復雜性。

邊緣計算和云計算協同合作更能滿足工業物聯網的需求

云計算處于數據中心的核心網絡中，通過層層網絡設備搜集終端的數據，憑借強大的存儲和計算能力進行大數據分析。邊緣計算是指在貼近數據源的設備中的計算能力，進行實時、短周期數據的分析，能更高效地對本地數據進行實時智能化處理和執行，同時能夠緩解網絡中的數據流量和云端的工作量。

當海量的數據需要存儲、分析時，云計算更合適。比如需要大量數據輸入的人工智能離線訓練，這些數據要通過合適的訓練方法，驗證和完善人工智能算法模型。

邊緣計算可以說是對云計算的一種補充和優化。很多工業現場條件惡劣，設備分散，很難實時傳送大量數據，這個時候邊緣計算就更為適用。以風電場為例，具有邊緣計算能力的現場設備能夠實時地采集和分析數據，并能及時做出判斷，調整風機以收集更多的能量。因為整個過程都在本地完成，處理速度比采用云計算提升很多。

目前，工業產線中的數據中僅有約3%的數據是有使用價值的，通過邊緣設備過濾、處理后，到達云端的數據價值更高，相應的計算和分析過程也會更高效。

機器人學習和人工智能的應用

機器學習和人工智能為工業物聯網提供了廣闊的遐想空間。目前，工業領域主要的應用包括自我診斷和預測性維護、優化生產流程、智能機器人、結合機器視覺進行產品檢測等。

01、自我診斷和預測性維護

采用預測性模型技術，通過對現場設備、控制器等上傳的數據進行分析，即可獲得的設備故障前兆特征。配合報警機制，工作人員可及早制定維護和應急方案。避免因產線驟停帶來的難以控制的損失。比如正在作業的工業機器人出現故障，就會造成大量的不合格品，人工智能技術可以通過檢測機器人減速機和主軸上不同狀態下的數據，來學習并建立模型，進而能夠提前預測故障。

02、優化生產流程

人工智能模型在搜集的各項溫度、轉速、能耗、產能等數據的基礎上，進行分析，對產線進行節能優化，提出降低能耗、提高產能的方案。

03、智能機器人

機器人可以去讀關聯軟件模型中制造產品的相關信息，并學習。最終，不需要工程師每次對機器人進行編程，機器人可直接接受工程師指令，自主進行制造生產。這樣，產線能夠更加靈活、高效地應對定制化生產的需求。

04、結合機器視覺進行產品檢測

目前廣泛應用于半導體和3C行業。機器視覺是人工智能正在快速發展的一個分支。機器視覺系統的攝像頭可以快速獲得大量生產信息，通過后臺軟件加工處理，結合設計信息和加工控制信息，能夠代替人工作業提高生產的效率、精度、質量和柔性。

工業移動應用會更加廣泛

移動終端設備在工業物聯網中的參與度逐漸提高，越來越多的廠商推出移動應用方案，進一步提升工作效率和效力。移動終端主要的應用方式有以下幾種：

1 遠程監控

使用HMI的移動應用，工作人員可以在任何時間和地點檢查現場設備和產線的運行狀態，并及時進行診斷和維護工作。當監控點離設備操作點較遠，或設備位于危險區的時候，移動應用提高工作安全性和效率的優勢更為明顯。

在多臺設備都在運行同一套工序的情況下，工作人員在移動終端上就可以查看每臺設備的狀況，比跑到每臺設備前逐一查看更方便和高效。很多人認為個人移動設備不適合在工業環境下使用，所以，在2017年，除了推出了更多基于個人移動終端的應用，我們看到少數企業也推出了專門用于工業環境下的基于web的平板電腦，僅用來查看數據和信息。

2 自動采集現場信息

工作人員可以將移動設備作為現場信息采集工具，通過專用的應用程序，直接掃描并上傳數據到后臺系統，這樣可以避免工作人員自己讀取和手工輸入信息過程中造成的錯誤。

3 信息發布和分享

將現場的人工流程在移動終端上數字化，信息的發布和分享將會極大簡化。比如工廠的管理員可以將發現的問題同時發布給所有相關人員，而不必逐一溝通。進而減少停機和維修的時間，最大化地降低損失。

作者信息

Rita Liu，IHS Markit工業自動化組高級分析師

編輯：黃飛

?