工业物联网在工业制造中呈现的主要问题和趋势

传统制造业正在经历着前所未有的转型，物联网、云计算、大数据分析，作为工业物联网和智能制造的核心技术，正在从各个方面改变着工业行业，包括产品的设计、运营、维护，以及供应链管理。通常，即使工厂里采用了以太网联网设备、MES和SCADA系统，大部分硬件设备还是没有接入网络，或仅单向输出信息。随着工业物联网的推进，传统制造企业更需要主动地去尝试和采用新的自动化技术来迎合多变的市场环境和客户需求。

1. 工业物联网实现的五个环节和两大阶段

IHS Markit将传统制造工厂转化为真正的工业物联网工厂的过程划分为五环节，如图1。

第一阶段是实现“机器与机器对话”，即现场设备的联网和底层数据的采集两个环节。在企业能够进行数据分析、建立模型之前，工厂内的软硬件基础设施还有很多准备工作要做。首先，工厂的机器都能够与工厂内和其他远程地点的所有其他机器和设备互相通信，并进行大量的数据交换，这是所有后续环节的基础。

目前，大部分企业仍处于这个阶段，实现现场设备互通互联，同时确保数据和信息沟通的准确性、可靠性、完整性和及时性，这是工业物联网的基础，也是工业企业要首先解决的问题。在很多工厂中，已有的自动化设备，比如驱动器、传感器、控制器、仪表等都已经使用多年，甚至十几年，企业用户不会推倒重来用新设备来替代已有设备，而都会在不影响生产的前提下，扩充已有设备的通信能力。然而，已有设备来自不同的制造商，并没有采用统一的通讯协议，需要采用协议转换设备对原有设备和产线进行改造，实现设备之间的无缝通信，比如支持不同协议的高级HMI、协议转换器，或其他自动化产品，连接这些采用不同专用通信协议的设备。

根据IHS Markit最新数据，全球联网自动化设备的联网数量在2017年已经达到950亿个，其在2017至2021年的年复合增长率会保持在11.6%。IO-Link sensor和IO-Link master市场的快速增长也能反映将现场层信息可视化的旺盛需求。IHS Markit预测IO-Link联网节点数在2017至2021年这5年期间将以25.7%的年复合增长率增长。

第二阶段是实现数据的价值输出，包括第三、第四和第五环节，即数据的存取、分析和价值输出。对企业而言，在解决了如何搜集数据的问题后，数据的存取和利用是接下来更为重要的问题。客观来看，工业企业内部的业务逻辑并没有标准化，自动化水平也不同，并不能用一套通用软件平台来解决每家企业的问题，都需要定制化的软件开发，这也需要工业企业用户有更多的资金投入。目前，我们能看到几乎所有工业技术厂商都已经推出了自己的工业物联网解决平台，比如IBM有Waston，GE有Predix，Schneider有EcoStruxure，Honeywell也有了SenTIence。

在该阶段，如何解决工业物联网安全问题，如何合理利用机器学习和人工智能技术，怎么使用边缘计算和云计算，以及怎样发挥移动设备在工业物联网中的积极作用都将成为行业更为关注的话题。

2. 网络安全是工业物联网实施的一大困扰

举个例子，比如OEM厂商提供的质保内容正在发生变化，所提供的质保内容由过去的“一年内可以更换故障配件”，过渡到“保证设备可以一年中正常运行的时间”，如果设备出现问题，OEM厂商需要在规定的时间内响应。但前提条件是OEM厂商能够实时地、安全地连接进入工业控制网络，查看相关数据。工业网络会越来越开放，与IT网络进行融合，与此同时，网络安全问题将更为凸显。IT系统所受到的任何威胁都会对OT系统造成严重的影响。安全问题已经成为投资工业物联网的一大障碍。近年来发生的黑客入侵电力公司网络，阻断电力供应，劫持工业控制设备，篡改PLC中的程序和数据，造成产线停产的事件大大提升了工业企业用户对工业物联网安全的关注度。

3. 边缘计算和云计算协同合作更能满足工业物联网的需求

云计算处于数据中心的核心网络中，通过层层网络设备搜集终端的数据，凭借强大的存储和计算能力进行大数据分析。边缘计算是指在贴近数据源的设备中的计算能力，进行实时、短周期数据的分析，能更高效地对本地数据进行实时智能化处理和执行，同时能够缓解网络中的数据流量和云端的工作量。

当海量的数据需要存储、分析时，云计算更合适。比如需要大量数据输入的人工智能离线训练，这些数据要通过合适的训练方法，验证和完善人工智能算法模型。

边缘计算可以说是对云计算的一种补充和优化。很多工业现场条件恶劣，设备分散，很难实时传送大量数据，这个时候边缘计算就更为适用。以风电场为例，具有边缘计算能力的现场设备能够实时地采集和分析数据，并能及时做出判断，调整风机以收集更多的能量。因为整个过程都在本地完成，处理速度比采用云计算提升很多。

目前，工业产线中的数据中仅有约3%的数据是有使用价值的，通过边缘设备过滤、处理后，到达云端的数据价值更高，相应的计算和分析过程也会更高效。

4. 机器学习和人工智能的应用

机器学习和人工智能为工业物联网提供了广阔的遐想空间。目前，工业领域主要的应用包括自我诊断和预测性维护、优化生产流程、智能机器人、结合机器视觉进行产品检测等。

自我诊断和预测性维护：采用预测性模型技术，通过对现场设备、控制器等上传的数据进行分析，即可获得的设备故障前兆特征。配合报警机制，工作人员可及早制定维护和应急方案。避免因产线骤停带来的难以控制的损失。比如正在作业的工业机器人出现故障，就会造成大量的不合格品，人工智能技术可以通过检测机器人减速机和主轴上不同状态下的数据，来学习并建立模型，进而能够提前预测故障。

优化生产流程：人工智能模型在搜集的各项温度、转速、能耗、产能等数据的基础上，进行分析，对产线进行节能优化，提出降低能耗、提高产能的方案。

智能机器人：机器人可以去读关联软件模型中制造产品的相关信息，并学习。最终，不需要工程师每次对机器人进行编程，机器人可直接接受工程师指令，自主进行制造生产。这样，产线能够更加灵活、高效地应对定制化生产的需求。

结合机器视觉进行产品检测：目前广泛应用于半导体和3C行业。机器视觉是人工智能正在快速发展的一个分支。机器视觉系统的摄像头可以快速获得大量生产信息，通过后台软件加工处理，结合设计信息和加工控制信息，能够代替人工作业提高生产的效率、精度、质量和柔性。5. 工业移动应用会更加广泛

移动终端设备在工业物联网中的参与度逐渐提高，越来越多的厂商推出移动应用方案，进一步提升工作效率和效力。移动终端主要的应用方式有以下几种：

(1) 远程监控：使用HMI的移动应用，工作人员可以在任何时间和地点检查现场设备和产线的运行状态，并及时进行诊断和维护工作。当监控点离设备 *** 作点较远，或设备位于危险区的时候，移动应用提高工作安全性和效率的优势更为明显。

在多台设备都在运行同一套工序的情况下，工作人员在移动终端上就可以查看每台设备的状况，比跑到每台设备前逐一查看更方便和高效。很多人认为个人移动设备不适合在工业环境下使用，所以，在2017年，除了推出了更多基于个人移动终端的应用，我们看到少数企业也推出了专门用于工业环境下的基于web的平板电脑，仅用来查看数据和信息。

(2)自动采集现场信息：工作人员可以将移动设备作为现场信息采集工具，通过专用的应用程序，直接扫描并上传数据到后台系统，这样可以避免工作人员自己读取和手工输入信息过程中造成的错误。

(3)信息发布和分享：将现场的人工流程在移动终端上数字化，信息的发布和分享将会极大简化。比如工厂的管理员可以将发现的问题同时发布给所有相关人员，而不必逐一沟通。进而减少停机和维修的时间，最大化地降低损失。

如上文所述，工业物联网的实践对生产设备、软件平台、人员配备、以及资源都提出了很多新要求，工业自动化设备也要为此做好准备。以下是IHS Markit所观察到的自动化设备层面已经发生或正在发生的变化：

数据采集能力：传统工厂里使用的传感器和执行器都是独立工作的，现在越来越多的设备安装了嵌入式的传感器，比如泵、流量表、马达、轴承等。

通信能力：越来越多的PLC和HMI产品都配置了通信接口，过去属于高端产品的配置，现在已成为中端产品的标准配置。一些I/O模块产品配置了无线通信能力。

数据处理能力：PLC的数据处理能力进一步提升，能对现场设备中的数据进行筛选和简单的处理，减少服务器和云端的负荷。智能I/O模块具有简单的数据处理和逻辑判断能力。过去两年，也推出了很多具有数据存储和处理能力的物联网网关。

工业级移动设备：少数厂商推出了针对工业环境下使用的移动设备，比如基于web的平板电脑，仅能浏览网页，用来查看现场产线状态和信息。

控制系统结构扁平化：一些高端PLC产品和智能I/O模块添加了物联网网关的功能，可以直接将数据传送到服务器或云端。智能传感器也可以不通过PLC，直接通过物联网网关将数据传送到上层。新产品的这些功能将会加速工业控制系统构架的扁平化。

人工智能算法模块：Rockwell和Omron都在其PLC控制器中加入了人工智能算法模块，通过对控制器中的数据流进行分析学习，人工智能算法模块会快速建立模型，之后会持续监控运行数据发现异常，并报警。

设备本地化与云端结合：会有更多基于云的方案推出，HMI和控制器等设备的部分非实时的功能将会被转移到云端进行，这也更符合分布系统式构架的理念。工业物联网带来的变化是指日可待的，所有的蜕变都需要一个阵痛期，科技的前沿尤其需要用最高的思维力来减轻这一阵痛，蒂蒙技术作为工业物联网的见证者及协助者，始终保持创新，力求用最高端的思维及技术方案，减少工业物联网过程中数据分布、协议处理、用户体验等问题。