由于工業制造業面臨著諸如勞動力短缺、原材料短缺和成本增加等諸多挑戰，因此獲取準確的生產數據，對于監控生產運營、優化制造效率和預防停機至關重要。工業自動化領域的技術創新，已經并將繼續通過實現準確易懂的數據采集（這是提高制造效率的關鍵），為生產制造商帶來競爭優勢。本文將探討多年來的一些進展，以及分析必須如何補充數據采集以更好地提供價值。
工業通信的演進
可編程邏輯控制器（PLC）是在20世紀60年代后期問世的。與硬接線的繼電器邏輯相比，PLC是一個重大的改進，它提供了方便的自動化邏輯控制變化，并推動了數字技術在離散和過程自動化制造中的迅速采用。
基于微處理器的PLC提供了來自工廠車間的傳感器、開關、執行器和更多內部衍生信息的豐富數據。然而，早期的通信介質和協議在速度和能力上受到限制，并且采用客戶機/服務器方法，僅在請求時才報告，因此它們無法報告異常工況。
適用于工廠車間使用的堅固耐用的工業PC（IPC）,于20世紀80年代中期問世，提供了承載監控和數據采集（SCADA）應用程序的能力。20世紀90年代初人機界面（HMI）設備問世。IPC、SCADA和HMI允許車間運行人員可視化生產機器并更改運行設置。歷史上，用于PLC、IPC和HMI的大多數工業通信協議，都由PLC供應商開發或在其幫助下開發的，例如：施耐德電氣的Modbus和西門子的Profibus。
其中有些協議是專有的，有些不是，但種類繁多，使最終用戶很難實現完整的連接。隨著IT技術的進步，運營技術（OT）領域開始從專有方法轉向更開放的IT方法。
另一個發展趨勢是努力改善不同應用之間的通信。OPC DA（OPC數據訪問）于1995年首次推出。OPC是過程控制OLE（對象鏈接和嵌入）的簡稱，它基于微軟視窗COM（組件對象模型）技術。OPC DA基于客戶端/服務器架構，允許在不同應用程序之間，共享具有基本屬性的實時數據，而每個應用程序都不知道另一個應用程序的接口細節。
一些公司開發了OPC DA服務器產品，允許HMI/SCADA產品和其它應用程序，使用各種工業以太網協議訪問PLC。這些解決方案允許用戶輕松地與PLC接口，而無需每次開發特定的通信驅動程序。盡管在當時，OPC DA是PLC數據采集通信技術的重大改進，但它具有以下局限性：安全性低；依賴于平臺（僅限微軟Windows）；性能受限；架構未針對互聯網進行優化；有限的數據類型處理。
OPC UA 和 MQTT
為了解決這些以及其它問題，OPC UA（OPC統一架構）于2008年發布。OPC UA是一個獨立于平臺的解決方案，可以運行許多平臺，包括使用Linux、蘋果和安卓設備的嵌入式微控制器設備、基于微軟Windows的IPC、基于云的基礎設施等。
與傳統的客戶機/服務器機制相比，發布/訂閱機制特別有用，因為它允許邊緣設備（如PLC和傳感器）向面向消息的中間件服務器發送新數據，而中間件服務器反過來可以將數據提供給任何數量的訂戶，例如HMI/SCADA應用程序。
雖然OPC UA是一種強大的架構，可以將數據從邊緣設備移動到用戶，但對OPC UA復雜性的一些擔憂，促進了其它技術的發展。消息隊列遙測傳輸（MQTT）就是一個很好的例子，它是一種輕量級發布/訂閱協議，可以在端點設備和更高層軟件之間傳輸數據。
MQTT開發于1999年，用于連接遠程石油管道配置的集中式SCADA，通常通過低帶寬衛星鏈路連接。重要的是要注意，因為MQTT使用了“客戶端”，向“代理”提供數據，而“代理”可以為任何請求數據的“客戶端”提供數據，因此MQTT的架構非常靈活。在這個模型中，發布者和訂閱者之間沒有硬鏈接，簡化了運營和支持。
數據采集促進物聯網的部署
眾多的數據采集方法簡化了物聯網項目的實施。物聯網實施允許邊緣（端點）設備通過物聯網網關服務連接到主機設備，允許訪問邊緣設備中包含的信息。對于工業和任務關鍵型應用，比如機器、天然氣管道和運輸網格的監測，該術語通常變為工業物聯網（IIoT）。
這一趨勢的另一個概念模型是工業4.0，2015年由世界經濟論壇推廣。該模型代表了一個根本性的轉變，將人工智能、分析和先進機器人技術引入到傳統生產制造業。IIoT在工業4.0中發揮著重要作用，因為它提供了有效的機制，將數據從邊緣設備（如傳感器和機器）傳遞到由人類和人工智能執行的更高級別的監測、計算和分析。
OPC UA和MQTT技術對于實現IIoT和工業4.0的成功部署提供了重要的作用。借助現代PLC技術，亞毫秒級的數據采樣率現在成為可能。使用OPC UA服務器，可以實現10毫秒范圍內的數據更新率。使用直接PLC協議驅動程序（如Modbus TCP或EtherNet/IP），在HMI/SCADA系統和PLC之間進行連接的通信速率，可以達到10到30毫秒，具體取決于通信的數據量。速度的提升允許對生產和機器數據進行響應式監控。
所有這些發展進步，使得實時訪問制造數據成為可能，從而能夠幫助工業工廠和設施改善運營。這使他們能夠通過優化生產性能和最小化停機時間，做出更好的數據驅動決策。
已經開發了一些指標和工具，利用這些實時生產數據，來幫助優化制造效率。例如，整體設備效率（OEE）可根據生產目標監控生產結果，同時預測分析檢測即將發生的設備故障。
四種分析類型
分析是使用生產數據來幫助用戶做出有關生產運營的決策。有四種主要的分析類別，每類都是改進運營的獨特工具：描述性分析；診斷分析；預測性分析；和規范性分析。
描述性分析是歷史上使用最多的分析工具，它通過查看過去的生產數據來確定發生了什么以及導致問題的原因?；趯崟r和過去的數據，通過為數據提供情境信息來深入了解流程是如何執行的。這更像是一種“事后”分析。
診斷分析使用統計數據來發現模式，提供對實時數據的洞察。根本原因分析是最流行的方法之一。診斷分析回答了“為什么會發生這種情況？”，這也是一種“事后分析”類型。
預測性分析是一組工具，可根據當前運營狀態預測哪些事情可能發生。預測分析依賴于生產過程中的實時數據，并使用統計分析、回歸和人工智能等工具，來分析過去的生產制造數據，并預測近期的生產制造運營活動。預測分析通常由云托管，以便于從多個數據源獲取數據，也便于存儲/檢索預測分析工具有效運行所需的數據。
規范性分析是一種分析工具，不僅可以預測將發生什么，還可以預測何時以及為什么會發生，并提供緩解風險的建議。這些工具需要訪問實時和歷史數據源。例如，石油生產運營部門對油田設備進行規定性分析，以幫助優化生產產量，最大限度地減少停工時間。
數據采集是支持可視化和分析的基本元素，這是提高制造效率所必需的。如果無法輕松訪問高速、實時的數據，則無法實現OEE和預測分析等解決方案。由于有了良好的數據采集選項，并且趨向于更加開放和易用，因此開發了用于可視化和分析的現代軟件工具，以提供改進的功能，并更易于部署。這些軟件工具將持續增長，并幫助公司實現其制造業務的生產目標。（作者：John Dunlap, ADISRA）