工业物联网和工业 4.0 工程师指南

工业物联网和工业 4.0 工程师设计指南

关键词：嵌入式传感器，智能可穿戴，工业物联网，边缘计算，预测性维护，位置物联网RTLS定位系统

【导读】：

工业物联网，包括其主要用例和对工业企业的商业价值潜力。了嵌入式传感器、云/边缘计算和人工智能如何为优化生产运营提供良好的基础，以改善生产时间、质量和成本，同时提高员工的安全性和客户的安全性。

近年来，工业企业正在加速数字化转型，为第四次工业革命（工业4.0）做好准备。工业 4.0 需要物理生产过程的数字化使用大数据分析和人工智能 (AI) 等先进技术优化和控制它们。这种生产流程的数字化使工业组织能够实施敏捷和响应迅速的制造工作流程，这些工作流程依赖于灵活的信息技术 (IT) 系统而不是传统的运营技术 (OT)。这种灵活性有助于从传统的按库存制造 (MTS) 制造转变为新颖的可定制生产模型，如按订单制造 (MTO)、按订单配置 (CTO) 和按订单设计 (ETO)。 

符合工业 4.0 的生产系统的实施取决于在制造车间部署网络物理系统 (CPS)。CPS 系统能够获取有关物理生产过程的数字数据以及数字驱动的驱动和控制过程的执行。因此，它们连接了物理世界和数字世界，并实现了复杂生产过程的数字化。有不同类型的 CPS 系统，从传感器板和传感器网络到智能自主物体，如工业机器人、无人机和自动导引车。本质上，CPS 系统由一个或多个联网设备组成，这些设备与工业环境中的其他生产系统集成。这是工业 4. 0 也称为工业物联网 (IIoT)。IIoT 包括部署在制造业、能源、农业和汽车行业等工业环境中的 IoT（物联网）系统和应用程序的子集。根据最近的市场研究表明，物联网市场价值的最大份额将来自 IIoT 应用，而不是来自消费者细分市场。          

IIoT 应用程序的典型结构在工业系统的基于标准的架构中指定，例如工业互联网联盟的参考架构。它由一系列组件组成，其中包括传感器和物联网设备、物联网中间件平台、物联网网关、边缘/云基础设施和分析应用程序。 

图 1：简化的 IIoT 堆栈。

图 1 展示了一个简化的 IIoT 堆栈。它包含以下主要元素：

智能资产： IIoT 系统包括连接互联网的工业资产，例如工业机器人（即机器人单元）和支持物联网的机器。智能资产包括物联网元素，例如连接的传感器（例如用于质量检查的相机）、嵌入式传感器（例如用于维护应用的振动传感器）、RFID（射频识别）阅读器和其他物联网设备。 

数据通信：智能资产还包括网络堆栈，这有助于将其数据从 IT 应用程序或其他互联网连接对象传输。数据通信对于将驱动命令从制造应用程序或业务信息系统（例如，企业资源规划 (ERP) 或产品生命周期管理 (PLM) 系统）传送到现场很重要。总的来说，数据通信是将信息从车间传送到制造应用程序、业务信息系统和制造工人的关键，如图 2 所示。

应用程序和分析：工业应用程序从智能资产和物联网设备收集和分析信息。数据分析可以优化质量控制和资产维护等制造流程，同时提高自动化流程的灵活性。收集的数据通常集成到云基础设施中，这使制造商能够利用云计算的可扩展性、弹性、可用性和服务质量。在这种情况下，基于流行的云模型（如软件即服务 (SaaS)）访问分析应用程序。

人员：工业 4.0 系统有助于不同类型的制造工人更快地履行职责，减少错误并提高准确性。为此，他们向车间的各种工程角色提供有关生产运营的见解，例如工厂经理、维护工程师和质量工程师。同样，IIoT 应用程序使业务管理人员能够做出数据驱动的、有根据的决策。在某些情况下，工业 4.0 可促进制造自动化，并无需执行费力、耗时且容易出错的任务（例如，产品和零件的手动质量检查）。

图 2：简化的网络通信堆栈

嵌入式传感器在制造价值链中的力量

IT 系统、企业应用程序（例如，ERP 和制造执行系统 (MES)）和用于生产自动化的工业网络已经存在了几十年。工业 4.0 中真正的游戏规则改变者是嵌入式传感器在价值链中的扩展使用。嵌入式传感器将制造资产转化为网络物理系统，并实现了许多在几年前几乎不可能实现的优化。例如，嵌入式传感器部署在机器内，以监控机器状态并优化维护计划，从而消除意外停机并最大限度地提高利用率。同样，作为质量管理的一部分，嵌入式传感器能够持续监控产品和零件的质量以检测故障。此外，来自嵌入式传感器的资产和流程数据的收集和分析开启了产品创新流程并带来了新的商机。总体而言，嵌入式传感器和其他 IIoT 技术通过将原始数字数据转换为工厂车间洞察力和自动化操作来提高效率。 

图 3：制造业领导者调查中确定的嵌入式传感器和 IIoT 在生产线中的工业优势。

图 3 说明了在生产运营中部署 IIoT 和嵌入式传感器的一些感知优势。这些优势是在工业 4.0 应用的背景下实现的，例如：

灵活的生产线

由于使用了嵌入式传感器和 IIoT，生产线不再需要依赖静态配置以进行大规模生产。相反，生产配置可以动态调整，以促进定制产品的生产，实现从大规模生产到大规模定制的转变。例如，通过读取产品的 RFID 标签，生产线可以动态地决定如何处理它。同样，它可以自动生产和激活生产过程的正确配置，从而提高制造自动化的效率。   

预测性维护

曾几何时，制造资产（例如，机器）是被动修复的，即，只要它们坏了，它们就会被修复。这种被动的维护方法导致了计划外的生产停机，这对生产质量和成本产生了不利影响。多年来，许多制造商转而采用预防性维护方法，即在资产损坏之前主动更换或维修资产。预防性维护利用有关资产名义寿命终止 (EoL) 的信息，有助于避免计划外停机。尽管如此，它仍然会导致资产利用率欠佳，因为它过早地修复或更换资产（图 4）。IIoT 的承诺是实现预测性维护范式，[2] 预测性维护依赖于一个或多个嵌入式传感器（例如，振动、声学、温度、功耗、热成像和超声波传感器）来获取有关资产状况的数据。通过机器学习 (ML) 和人工智能 (AI) 技术（例如深度学习）对这些数据进行分析，可以在最佳时间点对资产的 RUL 进行可信的估计并规划其维护。这是在工业 4.0 工厂中优化整体设备效率 (OEE) 的基础。预测性维护是最流行的工业 4.0 应用之一，因为它几乎适用于所有工业部门，如制造、能源、石油和天然气以及采矿。 

图 4：维护策略的演变。

质量管理

嵌入式传感器在产品和过程质量方面开辟了新的视野。具体来说，传感器数据的分析支持使用案例，如主动故障检测和识别。同样，对有关产品条件和生产过程的历史数据的分析能够识别可能导致缺陷的过程参数。IIoT 对质量管理的承诺是促进缺陷风险的预测，并启用自动操作以防止这些风险的实现。在这个方向上，生产线上的 ML/AI 代理可以分析历史数据以预测可能的缺陷并启动防止它们发生的措施。这个概念被方便地称为预测质量[3] 并代表了工业4.0时代（即Quality 4.0）质量管理的愿景。   

供应链管理

嵌入式传感器正在彻底改变供应链管理。它们使供应链利益相关者能够访问有关供应链流程的更丰富的信息。例如，IIoT 和嵌入式传感器可实现产品和物流流程的可追溯性，以优化供应链运营，如需求预测和发货安排。    

零缺陷制造

IIoT 和嵌入式传感器促进了过程控制、预测性维护和物流优化过程的结合，以实现零缺陷制造 (ZDM)。ZDM 是卓越制造的愿景，可以同时消除缺陷并优化生产质量、成本和可持续性。它依赖于支持传感器的反应、预测和预防策略的集成。

数字孪生

在制造价值链中部署嵌入式传感器是实施强大的数字孪生概念的关键。后者基于来自传感器、CPS 系统、企业应用程序和数据库的信息，提供数字世界中物理过程的网络表示。借助数字孪生，制造企业可以模拟复杂的生产过程并运行假设分析，而无需在现场执行生产场景。因此，数字孪生使工业组织能够以对员工而言既经济高效又安全的方式优化流程。

图 5 说明了上述工业 4.0 用例实施背后的主要原理。IIoT 应用程序从嵌入式传感器、生产系统和业务信息系统收集和集成数据。这些数据与存储在历史数据库和数据湖中的大量有关生产过程的历史数据相结合。借助人工智能算法（例如深度学习技术）对传感器、过程和历史数据进行分析，从而产生洞察力，从而提高生产性能并优化维护、质量控制和产品设计等流程。例如，对这些数据执行预测分析促进了预测性维护和预测性质量用例的实施。再举一个例子，制造商可以对 PLM 数据使用 AI 分析，以基于衍生式设计方法生成替代产品配置。最后，传感器、过程和历史数据用于计算制造 KPI（关键绩效指标），以跟踪和优化成本、效率和环境绩效。

图 5：基于 AI 的过程、传感器和历史数据分析为生产优化开辟了新视野。

数据分析选项：边缘、云还是组合？

大多数 IIoT 应用程序都包含数据分析功能，例如基于机器学习技术的传感器数据分析。因此，他们通常在云计算基础设施内收集和处理信息。后者有助于访问所需的数据存储和计算资源。然而，在解决低延迟用例（例如涉及实时驱动和控制的应用程序）方面，云中的 IIoT 部署存在不足。在这种情况下，需要在无法容忍在云中传输和处理数据时出现延迟的现场（即车间）附近执行操作。 

为了解决实时、低延迟的应用程序，工业组织正在部署基于边缘计算范式的 IIoT 应用程序。后者涉及在边缘集群（即本地云基础设施）、物联网网关和边缘设备等基础设施内靠近现场的数据收集和处理。Gartner最近的一份报告预测，到 2023 年，超过 50% 的企业数据将在边缘处理。 

边缘计算部署最适合实时控制应用，同时有助于节省带宽和存储资源。具体而言，边缘设备内的数据处理有助于过滤物联网数据流，并使企业能够选择性地仅将“数据兴趣点”传输到云端。此外，边缘计算提供比云计算更好的数据保护，因为数据保留在本地边缘设备中，而不是传输到制造企业外部的云数据中心。此外，边缘设备上的人工智能算法等边缘分析功能比基于云的分析更节能。 

在实践中，工业企业在其 IIoT 用例中同时使用云计算和边缘计算。具体来说，他们倾向于在边缘部署实时功能，在云上部署精通数据的工业自动化功能。云和边缘功能之间始终存在相互作用，以实现分析准确性、计算效率以及带宽和存储资源的最佳使用之间的最佳平衡。因此，IIoT 应用程序通常部署在云边缘环境的范围内。

如今，有很多方法可以实现边缘计算及其与云基础设施的交互。同样，在工业网络边缘采用机器学习也有很多选择，例如联合机器学习技术，甚至在嵌入式设备中部署机器学习功能。后者涉及嵌入式编程与机器学习的融合，其特征是嵌入式机器学习或 TinyML。

最先进的云/边缘计算范例支持 IIoT 用例在延迟、安全性、能效和训练 ML 算法所需的数据点数量方面的不同要求。本系列的后续文章将阐明上面列出的一些云/边缘范例的技术架构和部署配置。 

图 6：工业物联网部署的边缘/云模型。

工业物联网安全

IIoT 的生产力机遇伴随着一系列新的安全挑战。例如，需要将 IT 安全与 OT 安全融合，并确保物联网设备的可信度。在制造车间部署传感器和物联网设备会引入额外的漏洞，并需要新的网络安全风险评估方法。同样，数字数据在制造用例中的扩展使用（例如，用于 3D 打印的数字模型交换）要求对敏感数据进行加密，以作为保护知识产权 (IP) 的一种手段。此外，鉴于需要确保工业机器人和数字自动化平台等系统的强大网络安全，对工业系统的安全提出了新的要求和挑战。最后，[5] 总体而言，IIoT 系统必须考虑更广泛的漏洞和安全风险。在这个方向上，需要一种整体方法来保护从设备级别到边缘和云级别的工业系统。

工业物联网的扩展和工业 4.0 之路

工业 4.0 已经存在五年多了，但我们距离实现嵌入式传感器和工业物联网的全部潜力还很远。许多企业已经通过在他们的车间建立数据收集基础设施和部署 CPS 系统和物联网设备来开始他们的部署之旅。在资产管理、预测性维护和质量控制等领域，还有一些运营用例的部署。尽管如此，许多用例仍处于起步阶段或仅限于在试点生产线或实验室环境中进行试点部署。因此，需要发展和扩大现有部署，使工业企业能够采用并充分利用第四次工业革命。

工业 4.0 用例的扩展取决于解决以下技术和组织挑战：

棕地部署的遗留合规性：

工业环境中的大多数遗留机器都没有启用物联网，这对 IIoT 应用程序的部署造成了挫折。因此，需要通过基于传感器、硬件板和无线传感器网络的物联网功能来增强它们。后者是在棕地场景中部署 IIoT 应用程序的关键。

缓解工业环境中的数据碎片化：

数据可用性和集成是实施数据驱动的生产流程优化的关键先决条件。工业数据驻留在“孤岛”系统中，这是将它们集成到用于预测性维护、质量 4.0、数字孪生和其他工业用例的有效 ML/AI 系统中的一个挫折。  

解决物联网、大数据和人工智能技能差距：

如今，企业在 IIoT 技术方面面临着巨大的人才缺口。因此，他们必须提升现有员工的技能和再培训技能，同时吸引能够帮助他们实现数字化转型的工程人才。可实现卓越制造的 IIoT 应用程序将由配备正确工具的熟练工程师构建。

确保可以使用试点线路和实验基础设施：

这是测试创新系统和用例的关键。为此，大型制造商建立试验线并扩展其现有的实验室基础设施。同时，较小的制造商（例如，中小型企业 (SME)）必须确保他们能够使用中试工厂和实验设施。在这个方向上，他们可以从已建立的创新中心和数字创新中心 (DIH) 中受益。

简化端到端的 IIoT 集成，即从嵌入式设备到制造应用程序：仍然没有简单的方法来开发和部署涉及嵌入式设备、IIoT 中间件和高级分析应用程序（例如，ML/AI）的应用程序。制造企业可以从现成的工具中受益匪浅，这些工具可以简化应用程序开发，例如零代码开发环境。

在工业流程和业务流程的再造方面实现向工业 4.0 的文化转变。制造企业必须在组织和业务层面拥抱工业 4.0。他们必须投资于利用数据和先进数字技术的新型工业流程。