工業物聯網和工業 4.0 工程師指南

工業物聯網和工業 4.0 工程師設計指南

關鍵詞：嵌入式傳感器，智能可穿戴，工業物聯網，邊緣計算，預測性維護，位置物聯網RTLS定位系統

【導讀】：

工業物聯網，包括其主要用例和對工業企業的商業價值潛力。了嵌入式傳感器、云/邊緣計算和人工智能如何為優化生產運營提供良好的基礎，以改善生產時間、質量和成本，同時提高員工的安全性和客戶的安全性。

近年來，工業企業正在加速數字化轉型，為第四次工業革命（工業4.0）做好準備。工業 4.0 需要物理生產過程的數字化使用大數據分析和人工智能 (AI) 等先進技術優化和控制它們。這種生產流程的數字化使工業組織能夠實施敏捷和響應迅速的制造工作流程，這些工作流程依賴于靈活的信息技術 (IT) 系統而不是傳統的運營技術 (OT)。這種靈活性有助于從傳統的按庫存制造 (MTS) 制造轉變為新穎的可定制生產模型，如按訂單制造 (MTO)、按訂單配置 (CTO) 和按訂單設計 (ETO)。 

符合工業 4.0 的生產系統的實施取決于在制造車間部署網絡物理系統 (CPS)。CPS 系統能夠獲取有關物理生產過程的數字數據以及數字驅動的驅動和控制過程的執行。因此，它們連接了物理世界和數字世界，并實現了復雜生產過程的數字化。有不同類型的 CPS 系統，從傳感器板和傳感器網絡到智能自主物體，如工業機器人、無人機和自動導引車。本質上，CPS 系統由一個或多個聯網設備組成，這些設備與工業環境中的其他生產系統集成。這是工業 4. 0 也稱為工業物聯網 (IIoT)。IIoT 包括部署在制造業、能源、農業和汽車行業等工業環境中的 IoT（物聯網）系統和應用程序的子集。根據最近的市場研究表明，物聯網市場價值的最大份額將來自 IIoT 應用，而不是來自消費者細分市場。          

IIoT 應用程序的典型結構在工業系統的基于標準的架構中指定，例如工業互聯網聯盟的參考架構。它由一系列組件組成，其中包括傳感器和物聯網設備、物聯網中間件平臺、物聯網網關、邊緣/云基礎設施和分析應用程序。 

圖 1：簡化的 IIoT 堆棧。

圖 1 展示了一個簡化的 IIoT 堆棧。它包含以下主要元素：

智能資產： IIoT 系統包括連接互聯網的工業資產，例如工業機器人（即機器人單元）和支持物聯網的機器。智能資產包括物聯網元素，例如連接的傳感器（例如用于質量檢查的相機）、嵌入式傳感器（例如用于維護應用的振動傳感器）、RFID（射頻識別）閱讀器和其他物聯網設備。 

數據通信：智能資產還包括網絡堆棧，這有助于將其數據從 IT 應用程序或其他互聯網連接對象傳輸。數據通信對于將驅動命令從制造應用程序或業務信息系統（例如，企業資源規劃 (ERP) 或產品生命周期管理 (PLM) 系統）傳送到現場很重要。總的來說，數據通信是將信息從車間傳送到制造應用程序、業務信息系統和制造工人的關鍵，如圖 2 所示。

應用程序和分析：工業應用程序從智能資產和物聯網設備收集和分析信息。數據分析可以優化質量控制和資產維護等制造流程，同時提高自動化流程的靈活性。收集的數據通常集成到云基礎設施中，這使制造商能夠利用云計算的可擴展性、彈性、可用性和服務質量。在這種情況下，基于流行的云模型（如軟件即服務 (SaaS)）訪問分析應用程序。

人員：工業 4.0 系統有助于不同類型的制造工人更快地履行職責，減少錯誤并提高準確性。為此，他們向車間的各種工程角色提供有關生產運營的見解，例如工廠經理、維護工程師和質量工程師。同樣，IIoT 應用程序使業務管理人員能夠做出數據驅動的、有根據的決策。在某些情況下，工業 4.0 可促進制造自動化，并無需執行費力、耗時且容易出錯的任務（例如，產品和零件的手動質量檢查）。

圖 2：簡化的網絡通信堆棧

嵌入式傳感器在制造價值鏈中的力量

IT 系統、企業應用程序（例如，ERP 和制造執行系統 (MES)）和用于生產自動化的工業網絡已經存在了幾十年。工業 4.0 中真正的游戲規則改變者是嵌入式傳感器在價值鏈中的擴展使用。嵌入式傳感器將制造資產轉化為網絡物理系統，并實現了許多在幾年前幾乎不可能實現的優化。例如，嵌入式傳感器部署在機器內，以監控機器狀態并優化維護計劃，從而消除意外停機并最大限度地提高利用率。同樣，作為質量管理的一部分，嵌入式傳感器能夠持續監控產品和零件的質量以檢測故障。此外，來自嵌入式傳感器的資產和流程數據的收集和分析開啟了產品創新流程并帶來了新的商機。總體而言，嵌入式傳感器和其他 IIoT 技術通過將原始數字數據轉換為工廠車間洞察力和自動化操作來提高效率。 

圖 3：制造業領導者調查中確定的嵌入式傳感器和 IIoT 在生產線中的工業優勢。

圖 3 說明了在生產運營中部署 IIoT 和嵌入式傳感器的一些感知優勢。這些優勢是在工業 4.0 應用的背景下實現的，例如：

靈活的生產線

由于使用了嵌入式傳感器和 IIoT，生產線不再需要依賴靜態配置以進行大規模生產。相反，生產配置可以動態調整，以促進定制產品的生產，實現從大規模生產到大規模定制的轉變。例如，通過讀取產品的 RFID 標簽，生產線可以動態地決定如何處理它。同樣，它可以自動生產和激活生產過程的正確配置，從而提高制造自動化的效率。   

預測性維護

曾幾何時，制造資產（例如，機器）是被動修復的，即，只要它們壞了，它們就會被修復。這種被動的維護方法導致了計劃外的生產停機，這對生產質量和成本產生了不利影響。多年來，許多制造商轉而采用預防性維護方法，即在資產損壞之前主動更換或維修資產。預防性維護利用有關資產名義壽命終止 (EoL) 的信息，有助于避免計劃外停機。盡管如此，它仍然會導致資產利用率欠佳，因為它過早地修復或更換資產（圖 4）。IIoT 的承諾是實現預測性維護范式，[2] 預測性維護依賴于一個或多個嵌入式傳感器（例如，振動、聲學、溫度、功耗、熱成像和超聲波傳感器）來獲取有關資產狀況的數據。通過機器學習 (ML) 和人工智能 (AI) 技術（例如深度學習）對這些數據進行分析，可以在最佳時間點對資產的 RUL 進行可信的估計并規劃其維護。這是在工業 4.0 工廠中優化整體設備效率 (OEE) 的基礎。預測性維護是最流行的工業 4.0 應用之一，因為它幾乎適用于所有工業部門，如制造、能源、石油和天然氣以及采礦。 

圖 4：維護策略的演變。

質量管理

嵌入式傳感器在產品和過程質量方面開辟了新的視野。具體來說，傳感器數據的分析支持使用案例，如主動故障檢測和識別。同樣，對有關產品條件和生產過程的歷史數據的分析能夠識別可能導致缺陷的過程參數。IIoT 對質量管理的承諾是促進缺陷風險的預測，并啟用自動操作以防止這些風險的實現。在這個方向上，生產線上的 ML/AI 代理可以分析歷史數據以預測可能的缺陷并啟動防止它們發生的措施。這個概念被方便地稱為預測質量[3] 并代表了工業4.0時代（即Quality 4.0）質量管理的愿景。   

供應鏈管理

嵌入式傳感器正在徹底改變供應鏈管理。它們使供應鏈利益相關者能夠訪問有關供應鏈流程的更豐富的信息。例如，IIoT 和嵌入式傳感器可實現產品和物流流程的可追溯性，以優化供應鏈運營，如需求預測和發貨安排。    

零缺陷制造

IIoT 和嵌入式傳感器促進了過程控制、預測性維護和物流優化過程的結合，以實現零缺陷制造 (ZDM)。ZDM 是卓越制造的愿景，可以同時消除缺陷并優化生產質量、成本和可持續性。它依賴于支持傳感器的反應、預測和預防策略的集成。

數字孿生

在制造價值鏈中部署嵌入式傳感器是實施強大的數字孿生概念的關鍵。后者基于來自傳感器、CPS 系統、企業應用程序和數據庫的信息，提供數字世界中物理過程的網絡表示。借助數字孿生，制造企業可以模擬復雜的生產過程并運行假設分析，而無需在現場執行生產場景。因此，數字孿生使工業組織能夠以對員工而言既經濟高效又安全的方式優化流程。

圖 5 說明了上述工業 4.0 用例實施背后的主要原理。IIoT 應用程序從嵌入式傳感器、生產系統和業務信息系統收集和集成數據。這些數據與存儲在歷史數據庫和數據湖中的大量有關生產過程的歷史數據相結合。借助人工智能算法（例如深度學習技術）對傳感器、過程和歷史數據進行分析，從而產生洞察力，從而提高生產性能并優化維護、質量控制和產品設計等流程。例如，對這些數據執行預測分析促進了預測性維護和預測性質量用例的實施。再舉一個例子，制造商可以對 PLM 數據使用 AI 分析，以基于衍生式設計方法生成替代產品配置。最后，傳感器、過程和歷史數據用于計算制造 KPI（關鍵績效指標），以跟蹤和優化成本、效率和環境績效。

圖 5：基于 AI 的過程、傳感器和歷史數據分析為生產優化開辟了新視野。

數據分析選項：邊緣、云還是組合？

大多數 IIoT 應用程序都包含數據分析功能，例如基于機器學習技術的傳感器數據分析。因此，他們通常在云計算基礎設施內收集和處理信息。后者有助于訪問所需的數據存儲和計算資源。然而，在解決低延遲用例（例如涉及實時驅動和控制的應用程序）方面，云中的 IIoT 部署存在不足。在這種情況下，需要在無法容忍在云中傳輸和處理數據時出現延遲的現場（即車間）附近執行操作。 

為了解決實時、低延遲的應用程序，工業組織正在部署基于邊緣計算范式的 IIoT 應用程序。后者涉及在邊緣集群（即本地云基礎設施）、物聯網網關和邊緣設備等基礎設施內靠近現場的數據收集和處理。Gartner最近的一份報告預測，到 2023 年，超過 50% 的企業數據將在邊緣處理。 

邊緣計算部署最適合實時控制應用，同時有助于節省帶寬和存儲資源。具體而言，邊緣設備內的數據處理有助于過濾物聯網數據流，并使企業能夠選擇性地僅將“數據興趣點”傳輸到云端。此外，邊緣計算提供比云計算更好的數據保護，因為數據保留在本地邊緣設備中，而不是傳輸到制造企業外部的云數據中心。此外，邊緣設備上的人工智能算法等邊緣分析功能比基于云的分析更節能。 

在實踐中，工業企業在其 IIoT 用例中同時使用云計算和邊緣計算。具體來說，他們傾向于在邊緣部署實時功能，在云上部署精通數據的工業自動化功能。云和邊緣功能之間始終存在相互作用，以實現分析準確性、計算效率以及帶寬和存儲資源的最佳使用之間的最佳平衡。因此，IIoT 應用程序通常部署在云邊緣環境的范圍內。

如今，有很多方法可以實現邊緣計算及其與云基礎設施的交互。同樣，在工業網絡邊緣采用機器學習也有很多選擇，例如聯合機器學習技術，甚至在嵌入式設備中部署機器學習功能。后者涉及嵌入式編程與機器學習的融合，其特征是嵌入式機器學習或 TinyML。

最先進的云/邊緣計算范例支持 IIoT 用例在延遲、安全性、能效和訓練 ML 算法所需的數據點數量方面的不同要求。本系列的后續文章將闡明上面列出的一些云/邊緣范例的技術架構和部署配置。 

圖 6：工業物聯網部署的邊緣/云模型。

工業物聯網安全

IIoT 的生產力機遇伴隨著一系列新的安全挑戰。例如，需要將 IT 安全與 OT 安全融合，并確保物聯網設備的可信度。在制造車間部署傳感器和物聯網設備會引入額外的漏洞，并需要新的網絡安全風險評估方法。同樣，數字數據在制造用例中的擴展使用（例如，用于 3D 打印的數字模型交換）要求對敏感數據進行加密，以作為保護知識產權 (IP) 的一種手段。此外，鑒于需要確保工業機器人和數字自動化平臺等系統的強大網絡安全，對工業系統的安全提出了新的要求和挑戰。最后，[5] 總體而言，IIoT 系統必須考慮更廣泛的漏洞和安全風險。在這個方向上，需要一種整體方法來保護從設備級別到邊緣和云級別的工業系統。

工業物聯網的擴展和工業 4.0 之路

工業 4.0 已經存在五年多了，但我們距離實現嵌入式傳感器和工業物聯網的全部潛力還很遠。許多企業已經通過在他們的車間建立數據收集基礎設施和部署 CPS 系統和物聯網設備來開始他們的部署之旅。在資產管理、預測性維護和質量控制等領域，還有一些運營用例的部署。盡管如此，許多用例仍處于起步階段或僅限于在試點生產線或實驗室環境中進行試點部署。因此，需要發展和擴大現有部署，使工業企業能夠采用并充分利用第四次工業革命。

工業 4.0 用例的擴展取決于解決以下技術和組織挑戰：

棕地部署的遺留合規性：

工業環境中的大多數遺留機器都沒有啟用物聯網，這對 IIoT 應用程序的部署造成了挫折。因此，需要通過基于傳感器、硬件板和無線傳感器網絡的物聯網功能來增強它們。后者是在棕地場景中部署 IIoT 應用程序的關鍵。

緩解工業環境中的數據碎片化：

數據可用性和集成是實施數據驅動的生產流程優化的關鍵先決條件。工業數據駐留在“孤島”系統中，這是將它們集成到用于預測性維護、質量 4.0、數字孿生和其他工業用例的有效 ML/AI 系統中的一個挫折。  

解決物聯網、大數據和人工智能技能差距：

如今，企業在 IIoT 技術方面面臨著巨大的人才缺口。因此，他們必須提升現有員工的技能和再培訓技能，同時吸引能夠幫助他們實現數字化轉型的工程人才。可實現卓越制造的 IIoT 應用程序將由配備正確工具的熟練工程師構建。

確保可以使用試點線路和實驗基礎設施：

這是測試創新系統和用例的關鍵。為此，大型制造商建立試驗線并擴展其現有的實驗室基礎設施。同時，較小的制造商（例如，中小型企業 (SME)）必須確保他們能夠使用中試工廠和實驗設施。在這個方向上，他們可以從已建立的創新中心和數字創新中心 (DIH) 中受益。

簡化端到端的 IIoT 集成，即從嵌入式設備到制造應用程序：仍然沒有簡單的方法來開發和部署涉及嵌入式設備、IIoT 中間件和高級分析應用程序（例如，ML/AI）的應用程序。制造企業可以從現成的工具中受益匪淺，這些工具可以簡化應用程序開發，例如零代碼開發環境。

在工業流程和業務流程的再造方面實現向工業 4.0 的文化轉變。制造企業必須在組織和業務層面擁抱工業 4.0。他們必須投資于利用數據和先進數字技術的新型工業流程。