工業4.0的一個主要方面是獲取和分析大數據，將數據轉化為可操作的信息，并使系統能夠自行做出決策。盡管存在新技術，但大多數制造企業仍使用剪貼板和紙張來收集數據和信息。在很多情況下，多達90％的數據最終孤立的滯留在現場。若希望從工業4.0中獲益，這將帶來一定的挑戰。

　　好消息是新技術可以在這方面提供幫助，用戶只需采取幾個簡單的步驟，就可以為數據轉換做好準備，包括訪問更多數據、進行邊緣計算、清理數據，對數據進行情境化處理以及標準化通用數據結構。

　　獲取更多數據是工業4.0的重要組成部分。工業的運營環境非常復雜，涉及數百種不同的協議、通信介質和傳統設備的知識。數字化轉型的實現必須是自下而上的實施，首先要優化運營技術（OT）。這需要以新的態度來保持系統的開放性、互操作性和安全性。第一步是以有效的方式獲取所有的數據——能夠在需要時從任何地方輕松訪問數據。

　　MQTT的發布/訂閱功能可簡化通信，并有助于將輪詢轉移至網絡邊緣。圖片來源：Inductive Automation

　　數據訪問的主要障礙之一是傳統軟件許可模式，它對每個標簽或用戶收費。這些模式無法擴展，阻礙了增長。此外，工業應用一直是封閉的、專有的，并且功能和連接性也有限制。今天，我們需要從根本上無限制的、開放的新模式。這些新模式可以釋放新的擴展機會和更大的可擴展性。

　　另一個挑戰是新智能傳感器和設備與現有舊設備融合之間的平衡。擁有同時支持兩者的基礎設施非常重要。它歸結為一個關鍵概念：架構的變更。不再通過通訊協議將舊設備連接到應用，而是將設備與基礎設施連接起來。需要提供一種即插即用、可靠且可擴展的OT解決方案，以滿足運營人員的需求。

　　開放和可互操作的架構

　　這是一種基于消息隊列遙測傳輸（MQTT）的新架構。MQTT是一種發布/訂閱協議，啟用了面向消息的中間件體系結構。在信息技術（IT）領域，這不是一個新概念；長期以來，企業服務總線（ESB）一直通過類似的總線的基礎架構來集成應用程序。MQTT在異常事件發生時，設備數據會發布到本地或云端的MQTT服務器。應用程序訂閱MQTT服務器以獲取數據，這意味著無需連接到終端設備本身。MQTT具有以下優點：

　　●開放標準/可互操作（OASIS標準和Eclipse開放標準（TAHU））；

　　●設備與應用分離；

　　●事件觸發報告；

　　●需要的帶寬很少；

　　●傳輸層安全；

　　●遠程發起連接（僅出站；無入站防火墻規則）；

　　●狀態感知；

　　●數據單一來源；

　　●自動識別標簽；

　　●數據緩沖（存儲和轉發）；

　　●即插即用功能。

　　如何獲得新的架構？答案是邊緣計算和協議轉換。假設有10個Modbus設備要連接到監控和數據采集（SCADA）系統。用戶可以部署一個支持Modbus和MQTT的邊緣網關，以使輪詢更接近可編程邏輯控制器（PLC）。這樣，用戶就能夠以更快的速度輪詢更多信息，并在數值發生變化時將數值發布到中央MQTT服務器。還可以將SCADA連接并訂閱MQTT服務器以獲取數據，而不是直接連接到終端設備。這是確保SCADA系統面向未來的重要一步。當用戶購買支持MQTT的傳感器或升級設備時，SCADA無需了解終端設備即可獲得數據訪問權限。

　　幫助系統了解數據

　　用戶不僅需要訪問數據，還需要確保數據有效，具有上下文信息，并且是通用結構的一部分（如果適用）。這是使用分析和機器學習之前的重要步驟。系統只有了解數據，才能正確使用數據。通常，新的傳感器和設備已經具有這些功能。但是，對于老舊設備并非如此。有數百種需要映射和擴展的不同輪詢協議。大多數PLC的尋址方案都不容易理解。這些映射通常存在于SCADA中，但是仍然缺少上下文知識，或者包含無效數據，或者不是標準數據結構。

　　完成此步的最佳位置是連接到PLC的邊緣網關。它需要具有清理數據、數據情境化和支持數據結構功能的軟件。

　　讓我們從清理數據開始。假設有一個傳感器連接到PLC，有時信號會丟失。當信號丟失時，PLC中的數值將降為0。但在某些時候，數值可能確實為0，但如果最后一個數值是50，那現在的數值就可能不是0。在這種情況下，需要要查看數據變化以確定是否應該忽略當前值。使用該邏輯設置計算標簽，可以解決此問題。在與其它系統共享數據之前，請務必在最接近源頭的位置確認數據的有效性。

　　另一個關鍵步驟是為數據提供上下文。例如，在用戶的Modbus PLC上，有一個參考地址為40001的標簽。在SCADA系統中，會將其映射到某個標簽，例如“環境溫度”。如果僅有這個數據，那無法知道溫度是攝氏度還是華氏度，以及高、低限是多少。如果沒有上下文，數據分析和機器學習模型可能會提供錯誤的數據。

　　使用能夠提供名稱、比例、工程單位、工程上下限、文檔和工具提示等信息的邊緣網關，將為其它系統提供關鍵信息，以便于更好地理解基礎數據。

　　標準化通用數據結構

　　最后一步是在整個企業范圍內，標準化通用數據結構。由于每個站點的數據可能不同，并且很難找到通用的數據模型，因此通常會忽略此步驟。分析包和機器學習模型要求對于通用對象采用相同的數據結構。用戶不希望為每個站點創建不同的分析或機器學習模型。這超出了單個數據點的范疇，是已知對象的數據點的集合。

　　重要的是調查每個站點以找到一個通用的模型，并使用支持用戶定義類型（UDT）的邊緣網關。這意味著調整每個站點的數據以適應模型，這可能包括縮放、計算標簽、轉換等。這樣數據在表面上看起來是相同的結構，同時隱藏了背后的復雜性。

　　通過設置新的運營架構，解決將大數據導入基礎架構的問題。在訪問數據之前，用戶無法進行分析和機器學習，因此數據必須有效并且具有上下文以便于理解。利用這種新的思維方式和基礎架構，用戶可以通過一些小的步驟和調整來實現先進技術帶來的潛在好處。
責任編輯：YYX