工业物联网带来怎样的机遇和挑战？离现实有多远？-彩乐园

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生产的核心技术，正在从各个方面转变着工业行业，还包括产品的设计、运营、确保，以及供应链管理。一般来说，即使工厂里使用了以太网联网设备、MES和SCADA系统，大部分硬件设备还是没终端网络，或仅单向输入信息。随着工业物联网的前进，传统生产企业更加必须主动地去尝试和使用新的自动化技术来顺应多变的市场环境和客户市场需求。

本文将详细分析生产企业实践中工业物联网所须要走到的过程，以及在工业制造业所呈现出的主要问题和趋势。1、工业物联网构建的五个环节和两大阶段IHS Markit将传统生产工厂转化成为确实的工业物联网工厂的过程区分为五环节，如图1。第一阶段是构建“机器与机器对话”，即现场设备的联网和底层数据的收集两个环节。

在企业需要展开数据分析、创建模型之前，工厂内的软硬件基础设施还有很多打算工作要做到。首先，工厂的机器都需要与工厂内和其他远程地点的所有其他机器和设备相互通信，并展开大量的数据交换，这是所有先前环节的基础。

目前，大部分企业仍正处于这个阶段，构建现场设备互通网络，同时保证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问题的问题。在很多工厂中，有数的自动化设备，比如驱动器、传感器、控制器、仪表等都早已用于多年，甚至十几年，企业用户会推倒重来用新的设备来替代有数设备，而都会在不影响生产的前提下，扩展有数设备的通信能力。

然而，有数设备来自有所不同的制造商，并没使用统一的通讯协议，必须使用协议切换设备对原先设备和产线展开改建，构建设备之间的无缝通信，比如反对有所不同协议的高级HMI、协议转换器，或其他自动化产品，相连这些使用有所不同专用通信协议的设备。根据IHS Markit近期数据，全球联网自动化设备的联网数量在2017年早已超过950亿个，其在2017至2021年的年填充增长率不会维持在11.6%。IO-Link sensor和IO-Link master市场的快速增长也能体现将现场层信息可视化的充沛市场需求。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%的年填充增长率快速增长。

第二阶段是构建数据的价值输入，还包括第三、第四和第五环节，即数据的读取、分析和价值输入。对企业而言，在解决问题了如何收集数据的问题后，数据的读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标准化，自动化水平也有所不同，并无法用一套标准化软件平台来解决问题每家企业的问题，都必须自定义简化的软件开发，这也必须工业企业用户有更加多的资金投入。

目前，我们能看见完全所有工业技术厂商都早已发售了自己的工业物联网解决问题平台，比如IBM有Waston，GE有Predix，Schneider有EcoStruxure，Honeywell也有了Sentience。在该阶段，如何解决问题工业物联网安全性问题，如何合理利用机器学习和人工智能技术，怎么用于边缘计算出来和云计算，以及怎样充分发挥移动设备在工业物联网中的大力起到都将沦为行业更加注目的话题。

2、网络安全是工业物联网实行的众多后遗症荐个例子，比如OEM厂商获取的质保内容正在发生变化，所获取的质保内容由过去的“一年内可以替换故障配件”，过渡到“确保设备可以一年中长时间运营的时间”，如果设备经常出现问题，OEM厂商必须在规定的时间内号召。但前提条件是OEM厂商需要动态地、安全性地相连转入工业掌控网络，查阅涉及数据。工业网络不会更加对外开放，与IT网络展开融合，与此同时，网络安全问题将更加突显。

IT系统所受到的任何威胁都会对OT系统导致相当严重的影响。安全性问题早已沦为投资工业物联网的众多障碍。近年来再次发生的黑客侵略电力公司网络，切断电力供应，挟持工业掌控设备，伪造PLC中的程序和数据，导致产线投产的事件大大提高了工业企业用户对工业物联网安全性的关注度。虽然自动化设备制造商早已在硬件产品和软件平台中都减少了网络安全措施，比如在PLC和I/O模块产品中减少了SSL/TLS加密。

但距离终端用户需要普遍拒绝接受，并用于工业物联网来收集、监控、处置和存储各种数据和信息，还有很长的路要回头。此外，扩展现有OT系统的网络安防能力所需的成本和培育训练有素的人员的投放也是不可忽视的因素。根据IHS Markit的研究，实行物联网方案忧虑的主要问题是网络安全和隐私维护，其次是项目的实行成本和其复杂性。

3、边缘计算出来和云计算协同合作更加能符合工业物联网的市场需求云计算正处于数据中心的核心网络中，通过层层网络设备收集终端的数据，凭借强劲的存储和计算能力展开大数据分析。边缘计算出来是所指在切合数据源的设备中的计算能力，展开动态、短周期数据的分析，能更加高效地对本地数据展开动态智能化处置和继续执行，同时需要减轻网络中的数据流量和云端的工作量。当海量的数据必须存储、分析时，云计算更加适合。

比如必须大量数据输出的人工智能离线训练，这些数据要通过适合的训练方法，检验和完备人工智能算法模型。边缘计算出来可以说道是对云计算的一种补足和优化。

很多工业现场条件险恶，设备集中，很难动态传输大量数据，这个时候边缘计算出来就更加限于。以风电场为事例，具备边缘计算能力的现场设备需要动态地收集和分析数据，并能及时作出辨别，调整风机以搜集更好的能量。

因为整个过程都在本地已完成，处理速度比使用云计算提高很多。目前，工业产线中的数据中仅有大约3%的数据是有使用价值的，通过边缘设备过滤器、处置后，抵达云端的数据价值更高，适当的计算出来和分析过程也不会更加高效。

本文来源：彩乐园-www.dfbfb.cn