第3章
物联网与智能制造的融合

3.1　智能制造与物联网场景结合介绍

智能制造的特征表现在以下3个方面。

① 数据的实时感知。智能制造需要大量的数据支持，通过利用高效、标准的方法实时进行信息采集、自动识别，并将信息传输到分析决策系统。

② 优化决策。通过面向产品全生命周期的海量异构信息的挖掘提炼、计算分析、推理预测，形成优化制造过程的决策指令。

③ 动态执行。根据决策指令，通过执行系统控制制造过程的状态，实现稳定、安全的运行和动态调整。

3.1.1　设备和环境数据采集

数据采集需要设备的支持，而目前智能设备是发展智能制造的基础与前提，它包括物理部件、智能部件和连接部件。其中智能部件由传感器、微处理器、存储器、操作系统及相关软件等构成；连接部件由接口、有线或无线连接协议等构成；物理部件由机械和电子零件构成。智能部件能加强物理部件的功能和价值，而连接部件进一步强化智能部件的功能和价值，使信息可以在产品、运行系统、制造商和用户之间联通，并让部分价值和功能脱离物理产品本身而存在。

智能设备相比于传统设备具有监测、控制、优化和自主4个方面的特点。

① 监测是指通过传感器设备和外部数据源，对智能设备的状态、运行和外部环境进行全面监测；在数据的帮助下，一旦环境和运行状态发生变化，设备就会向用户或相关方发出警告。

② 控制是指可以通过产品内置或产品云中的命令和算法进行远程控制。算法可以让产品对条件和环境的特定变化做出反应。

③ 优化是指对实时数据或历史记录进行分析，植入算法，从而大幅提高产品的产出比、利用率和生产效率。

④ 自主是指将检测、控制和优化功能融合到一起，产品就能实现前所未有的自动化程度。

基于智能设备，数据采集工作主要是面向生产过程进行信息收集，因此数据采集系统也就成为连接底层自动化系统与高层信息化系统的桥梁，利用智能设备采集的数据和软件程序的大数据分析，为企业信息化提供有效的基础数据，包括设备状态、环境数据等。通过数据采集，可以将传统的管理模式同生产过程进行紧密联系，使得信息一体化系统形成“信息源于生产，又最终指导生产”的闭环有效系统。

数据采集面向上下层级，将下层各种对象中的数据源按照一定规律采集预处理后，与上层系统进行交互，因此数据采集系统通过对基础数据的处理后，又派生出生产实绩数据、能耗实绩数据、质量实绩数据、设备运行数据、异常信息数据、物流跟踪信息及逻辑处理与接口信息。数据采集关系到各个生产流程中信息的连续性，最终影响上层一体化信息系统的决策、追溯、判别和分析。数据采集派生数据与管理系统的计划、标准、财务、成本、仓库、采购、决策等相关联，构成整体信息化的信息流，覆盖智慧工厂业务流转与智能制造执行。

根据数据采集的不同应用对象，可以分为工艺数据、过程数据及作业实绩等几个类型。其中，工艺数据可以实现如温度、压力、在线检测、电流电压等数据的采集与分析，这些工艺数据影响产品质量，对产品质量追溯和持续优化起到进一步分析作用；过程数据如工序的所有状态信息（如物料、介质消耗量等消耗），这些信息作为物料跟踪的属性，便于生产过程节奏把控、单位能耗分析及成本分析；作业实绩是通过物料跟踪处理，形成各区间的班组生产作业记录，如当班投入实绩、产出实绩、当班待处理记录及异常判废实绩；设备停服役及设备运行参数作为设备分析和设备管理的依据。物料跟踪所需的信息包括人员干预干扰信息，均作为物料流转必不可少的属性。另外，智能机构、周边系统及其他感知设备，在今后都存在各种间接或直接的交互方式，以便更柔性制造、相互协调、无缝对接。

在智能制造相关技术的支持下，智能化的数据采集为科学的现场数据采集技术管理提供了可能，提高了现场数据采集技术项目的管理准确性，让管理的质量得到提升，降低了现场数据采集技术的风险。实时、准确、自动地为整个信息系统提供及时、有效、真实的数据，以实现管理层与执行层的信息的交流和协同工作。如今数据可以提高现场数据采集技术项目管理的效率，因为现场数据采集技术项目比较复杂和事项众多，现场数据采集技术进行管理的效率不太高，数据时代可以通过技术的优势对现场数据采集技术管理的效率大幅度提升。

智能制造的数据采集系统并不是颠覆传统的方法，恰恰相反，它是传统数据采集系统的延伸。现场数据采集设备与传统的数据采集设备有着一定的共同之处和相似点，由此可见，各类数据采集仪器在应用中的原理具有共性。例如，通过智能制造网络系统可以进行生产设备的联网，并构建一个车间生产现场综合数据交换平台，包括设备状态采集、车间工况数据采集和生产数据交换功能等内容，其数据采集软件、工况数据采集器可以最大限度地采集满足生产管理所需的工况数据，实现生产、管理所需的数据、工夹具装备等资源信息的共享，它在整个制造过程中承担着支撑平台的作用，是构建智能制造的基石。

尽管我国智能制造已经得到了国家的政策支持，但是就目前我国的智能制造行业的发展整体情况来分析，我国的现场数据采集技术和采集水平还不能让人满意，依然和发达国家有着很大的差距，并且对智能制造系统中现场数据采集仪器的相关人才培养力度不够，不能完成很好的人才储备，所以智能制造系统的发展依然还有很远的路要走。

3.1.2　生产设备的故障与检测

生产设备的故障与检测就是远程运维。远程运维服务作为智能制造模式的一种，是主动预防型运维、全生命周期运维和集成系统运维在集中化、共享化、智慧化趋势下的集中体现。

作为五种智能制造模式的典型代表，远程运维是运维服务在新一代信息技术与制造装备融合集成创新和工程应用发展到一定阶段的产物，它打破了人、物和数据的空间与物理界限。

远程运维服务存在一定的空间界限，一般适用于大型设备厂商，这就需要企业在线下布局自身或第三方的仓储与物流运输体系，来支撑远程设备的运输、现场安装、现场检修与维护。首先，广泛性的服务与仓储体系可以满足更多企业的购置要求，为企业进行全国乃至全球的产业布局、参与国际市场竞争、市场开拓提供支持。其次，远程运维服务在智能化检测、集中化监控与预警后，对出现的设备问题在监控中心不能解决的情况下，需要线下维护人员进行现场检修与设备的更换。网络化布局的仓储体系能够对这类设备故障给予快速响应，保证系统解决方案的顺利实施。

远程运维服务存在一定的物理界限，要实现装备物联化、监控在线化、诊断智能化、维护服务协同化，需要智能化技术和设备的改造与运用，将信息传感设备与互联网连接起来进行信息交换，为远程运维信息数据的搜集、分析等提供服务基础。运维智能化设备包括3个层次：一是感知层，通过在设备中装置智能芯片、传感器、控制器等，实现智能感知、精确度量；二是传输层，部署的智能化传感器、网络设备将数据和信息通过传输层，实现设备之间的互联互通、智能匹配和协同传输；三是交互层，该层布局大数据和云计算技术设备、VR或AR设备，以此来实现数据的交互，从而对数据进行处理、分析，同时实现人机交互、人员与现场及设备的互联互通，推动人工智能、智能分析与智能决策。

远程运维服务面临着海量的数据，如何对数据进行快速、精确处理与分析，决定着远程预警、检修和诊断的成败。企业在提供远程运维服务时，一方面需要建立大数据和云计算平台，将运行数据、运维数据、环境预测数据输入到大数据库进行存储，运用云计算技术对数据进行深度挖掘、关联分析、智能分析，实现自动运行调整及策略优化，自动执行故障诊断、故障排除与维护；另一方面需要建立信息共享平台，在保证信息数据安全的条件下，实现数据平台的互联互通，数据的共享应用，为运维服务的每个环节（包括第三方服务机构）提供数据支持。

企业提供远程运维需要长时间在技术、市场等领域深耕，获取客户、服务商、知识和信息等资源，形成以“智慧大脑+高效前台”为价值核心的服务模式，为客户提供系统集成的运维服务。“智慧大脑”主要是指集中共享、自学习、自更新的信息系统，用来对数据进行智能分析，为解决方案提供专家支持，进行全流程知识积累与共享，实现自我学习和持续优化。“高效前台”主要是指标准化、高质量、高效率的服务体系和可共享的供应链、服务商资源，用于实现线上与线下服务的衔接，线下服务的及时、快速响应和精准解决方案的实施。只有“智慧大脑”没有“高效前台”无法实现远程运维服务；只有“高效前台”没有“智慧大脑”则无法提供系统集成方案，两者相辅相成、缺一不可。

综合目前智能制造的发展趋势，相比于传统的设备维护方式，远程运维主要具有以下特点。

（1）统一化采集

可以将不同年代、不同厂家、不同型号、不同接口的设备数据统一采集并上传到同一个数据库，并可以对所有的设备运行参数和环境数据进行整体的分析。

（2）远程诊断和远程控制

当机器发出故障报警时，可以通过远程控制暂停设备。通过远程设备的数据或实时数据，快速判断故障，排除故障，减少工程师出差和现场停机的时间。

（3）有针对性的巡检和远程维护

通过远程数据传输，能够有针对性地安排巡检，大大降低售后服务成本；将设备运行的数据进行对比，提前预知可能发生故障的设备，邀请相关厂家的维护人员上门进行更换，有计划地主动停机，将故障损失降到最低。

（4）大数据分析

通过现场的PLC、采集器结合工业智能网关（具备数据加密、全路由、全防火墙功能保证数据安全）的本地协议解析与分析功能，将相关数据通过多种传输渠道（移动网络、Wi-Fi、有线网络等）回传至大数据分析管理平台，为客户提供包括设备实时定位、工况监控、能耗分析、设备异常分析、故障预警、工作运营统计等，真正实现设备的“自诊断、自适应、自调整”。

3.1.3　备品备件管理

设备是保证企业生产发展和实现生产运营目标的重要物质基础，设备管理水平又是关系到企业持续稳定发展的重要因素之一，做好备品备件管理工作不仅是搞好设备管理的重要组成部分，也是实现按计划进行设备维修、缩短设备停机时间和节约维修费用的关键，因此在工业智能制造的时代背景下，基于新技术的备品备件管理成为当前智能制造领域的主要应用形式之一。

智能制造与物联网的结合，催生了备品备件管理的功能和性能升级。智能化的备品备件管理是利用现代物联网信息技术和信息感知与识别技术，结合物联网管理思路和集约化、全生命周期管理理念，进行对备品备件的数据管理、数据优化与数据评估，从而达到备品备件的实际管理需求。实现备品备件包括信息收集、整理、实时管理与查询等所有工作需求的精益。

目前国内已经出现了一些智能化的备品备件智能管理系统，可以支持移动客户端、B/S架构和C/S架构3种模式，利用现有的计算机、物联网、分布式、云计算等平台和技术，实现动态跟踪管理，对备品备件的入库、领用发放、检查、校验、报废全过程信息化闭环管理、信息查询和在线监控。在具体的实施方案中，可以为每一件工器具和备品备件设定唯一的身份标识二维码，引入二维码扫描方式用扫描枪、手机扫描读取信息。与传统手工管理方式相比，领用和归还更加方便、快捷、准确，时间缩短了2/3；用电子台账代替纸质台账，方便查阅、保存，保证了“表、卡、物”的一致性；同时还可以了解工器具的校验情况，保障工器具的安全性。并且与“两票”相结合，采用指纹识别代替手工签字，使领用和归还工器具更加严谨，合理规避了风险。此外，基于物联网技术，智能化的备品备件管理系统还具有校验日期自动报警功能。

3.1.4　工业数据分析

工业数据分析是基于工业大数据的数据挖掘、数据分析和数据展现工具。智能制造随着工业物联网、设备联网、安全监控和信息系统（MES、CPS、ERP、OA）等的应用，企业每天产生大量的工业数据。这些工业数据已从TB到ZB的飞速增长，数据的存储结构也日趋复杂。

为了发挥工业数据的价值，企业必须对工业的数据采集、数据存储、数据分析和挖掘等环节进行管理，并运用大数据分析法去预测需求、预测制造，整合产业链和价值链，去发现价值缺口，最终提升企业的核心竞争力。

工业大数据是“智能”的来源，是制造业升级的重要驱动力。无论是德国的工业4.0，还是美国的工业互联网，其核心都离不开工业大数据。在美国，离散型制造积累的应用前景是最被看好的，甚至排在政府服务、通信传媒领域之上，流程型制造业的潜力也排在银行业、健康服务之前。在德国，无人工厂只是表象的一部分，德国工厂已经可以做到两家竞争对手合作研发，甚至车间互换、共享，画地为牢的圈子、界限被打破，这都离不开大数据的支撑。未来制造企业的运营过程，或者说产品的全生命周期，都将由大数据串联起来。

对于工业企业来说，初级的大数据能让企业进行基础统计分析，这样对降本增效、新建业务模型有很大的好处。企业既可以做减法，依靠数据对标，减掉制造环节不必要的成本消耗；也可以做加法，如拓宽业务渠道。而高级的工业大数据应用，则可以让企业先知先觉，开始做乘法或除法，如预先判断企业的生产运行及整合供应链等。

根据物联网的技术特点，现代化工业制造生产线安装有数以千计的小型传感器，来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据，利用这些数据可以实现很多形式的分析，包括设备诊断、用电量分析、能耗分析、质量事故分析（包括违反生产规定、零部件故障）等。

工业大数据应用的价值潜力巨大。但是，实现这些价值还有很多工作要做。一个是大数据意识建立的问题，过去也有这些大数据，但由于没有大数据的意识，数据分析手段也不足，很多实时数据被丢弃或束之高阁，大量数据的潜在价值被埋没；还有一个是数据孤岛的问题，很多工业企业的数据分布于企业中的各个孤岛中，特别是在大型跨国公司内，要想在整个企业内提取这些数据相当困难。