工业分析平台为制造商提供了什么

工业分析是工业物联网(IIoT)转型的核心，是将机器数据转化为可操作见解的引擎，推动智能工业运营和业务流程。

无论是应用于离散制造还是流程生产，工业分析平台都可以成为构建这一强大引擎的坚实基础，并通过适应必要的信息技术和基于运营需求的创新，简化运营技术(OT)和信息技术(IT)的融合。

工业物联网寻求将机器、设备和工业控制系统(ics)与企业信息系统、业务流程和人员连接起来。通过将分析应用于从连接的机器收集的大量数据，我们可以深入了解它们的操作，并能够使用这些洞察来驱动机器和业务流程的智能操作。数据、分析和应用程序是智能生命周期中的关键元素，它们将数据转化为洞察，并将洞察转化为行动(图1)。它们适用于控制、操作和业务循环。分析的核心是驱动这些智能循环的引擎，并推动工业物联网的价值创造。

分析的价值

当今典型的生产工业环境中的制造设备可以最好地描述为由微控制器(MCU)和可编程逻辑控制器(PLC)构建的数字控制自动化系统。其中许多连接到监控和数据采集(SCADA)或分布式控制系统(DCS)，并进行远程监视和控制。

设备运行状态由操作员监控，在某些情况下，操作员借助于简单的分析算法，如基于阈值的警报。总的来说，这些系统中的大多数都没有从过去十年开发的高级分析功能中受益。另一方面，这些工业控制系统连接到许多传感器，并具有复杂的数据收集能力，提供有关其即时运行状态的大量信息。这些数据中隐藏着巨大的价值。通过连接到制造设备，SCADA和DCS能够从中收集数据，然后应用高级分析，以获得对其操作的有价值的见解。

这将使我们能够:

• 检测异常，诊断故障，提出警报并规定快速修复机器故障的行动，从而增加正常运行时间;
• 对机器使用模式进行智能监控，以优化工作计划和提高利用率;
• 改进质量控制，并将其与生产过程指标相关联，以优化操作参数;
• 预测维修行动的需求，在意外故障前维修机器，从而避免中断和减少不必要的日常服务;
• 发现和消除浪费的使用模式，以减少能源和材料消耗;而且
• 通过根据资源可用性、运行成本和生产需求动态调整单个设备的运行水平，对机器舰队进行优化。

通过与企业信息系统集成，来自机器-数据分析的操作智能可以与业务洞察相结合，以增强供应链和资源规划、工作调度和客户关系管理中的业务流程和规划，以及工程设计和流程。所有这些都提高了生产力和操作效率，增强了客户体验，改善了工人安全，甚至促进了新应用程序、产品和服务的出现。它们最终会增强竞争力，创造新的业务价值，并可能带来转型的业务结果。

在生产环境中使用分析技术将减少操作员在检测数据模式和异常时的依赖和负担。通过配备先进的分析算法和技术，解决方案可以更有效、更可靠地监控和检测直播数据中的模式。对于需要长时间内高维数据相关性的复杂模式识别尤其如此。这些类型的图案可能不容易被人眼发现。

利用最新的机器学习技术，分析模型甚至可以通过学习积累的经验来改进自己。事实上，分析可以以同样的效率全天候监控大量设备。只有在检测到重要模式时，特别是那些需要人工输入或干预的模式时，才会通过警报通知人工操作人员。这将使人类操作员负责任务控制，监控质量和生产力，将他们从重复的任务中解放出来。

分析需求

为了满足生产行业的需求，工业分析解决方案应该展示一些重要的功能。第一个是提供正确的结果，并且“不造成伤害”。这需要在应用程序中进行强大的分析和保护。此外，正如我们刚刚看到的，分析的持续应用必须是可能的。然而，连续分析通常需要大量的数据从数据收集点传输到分析点(决策点)。

因此，分析解决方案必须支持边缘的分布式部署，无论是在设备旁边的物联网网关中，还是在设施中的服务器集群中，还是在远程数据中心和云中。根据所分析数据的范围，可能需要不同的部署层。例如，比较几个工厂的性能的分析可能在企业数据中心执行得更好。用于本地监控的分析可以在边缘更好地执行，从而实现更高的可靠性、更短的延迟、更小的数据传输量，并更好地控制数据。

分析解决方案的另一个经常被忽视的特征是整体复杂性。分析解决方案必须易于设置、配置和维护。降低系统的实施和操作复杂性有助于通过降低其开发成本、风险和实现价值的时间来加速工业物联网的成功。

工业分析平台

与定制解决方案相比，工业分析平台可以简化和优化工业物联网部署，使其有效、可靠和可扩展。它可以提供机器学习、大数据、云计算和其他新兴技术的力量，而不必直接解决它们的复杂性和对专业知识的需求。

为了满足上面讨论的要求，一个工业分析平台应该具备以下功能:

• 流式分析，从实时机器数据中生成连续的、接近实时的信息流;
• 云、工厂边缘和物联网网关中的分布式分析用于数据处理;
• 可操作的分析，将数据转化为见解，并将见解转化为行动;
• 具有多维统计聚合、复杂事件处理(CEP)和基于机器学习的模式识别的多模态分析，用于对单个资产以及设备组的行为进行强大而高效的分析;
• 自适应数据流，用于协议适应、数据规范化、基于策略的验证和过滤、转换和数据丰富，以实现轻松集成;
• 简单的定制，无需代码配置的数据注入，处理和分析;而且
• 严格按照安全最佳实践设计、实现和验证。

在下面的部分中，将更详细地考虑这些关键特征。

流和分布式分析

工业分析解决方案应该处理来自机器、设备和系统的实时数据流，以低延迟生成连续的信息流——在某些情况下满足硬定时要求。相比之下，许多工业物联网分析解决方案中采用的通用方法基于被动查询，比主动分析结果更适合生成商业智能报告。尽管如此，传统的面向批处理的、基于查询的分析对于构建或改进分析建模或人类决策仍然是有用的，这可能包括识别宏观过程模式和趋势。

在复杂的多层分布式工业系统中，分析解决方案也必须是分布式的。这意味着它可以在需要分析结果的数据源和决策点附近执行分析。在典型的IIoT架构中(图2)，分析可以部署在控制层的IIoT网关中，在操作层的边缘，在企业数据中心中，或在云中。

如果相同的底层平台可部署在不同的架构层，那么工业分析平台可以轻松实现跨这些层的动态工作负载编排和分析分布，平衡清晰决策和可访问数据、计算和网络资源的需求。

通过分布式分析，工业分析平台使边缘分析能够:

• 避免长时间网络延迟，确保快速响应;
• 通过避免由于集中式系统中的网络中断或故障而导致的操作中断，提供高弹性;
• 通过将数据保存在安全域中，加强安全和隐私保护;而且
• 通过减少网络上的数据传输量来降低网络成本。

为了充分利用工业物联网分析，解决方案必须影响自动、动态和持续的过程，将流机器数据转换为见解，将见解转换为行动，并将行动应用于机器、操作和业务流程。

该解决方案分析来自控制系统(包括plc和SCADA)的数据流，并通过特定领域的应用程序向这些系统提供持续的智能反馈，这意味着调整控制设定点、模式或其他。从分析中获得的操作见解也可用于业务应用程序。

在IIoT网关中分析大量高保真数据可确保向控制系统提供更准确和更低延迟的本地反馈，即使当与上层的网络连接不可用时也是如此。来自本地分析的摘要信息可以发送到操作层的中央组件，以便进一步聚合和其他高级分析。

这种分布式流分析功能可以而且应该在平台级别实现，从而使分析应用程序开发人员和用户免受其固有复杂性的影响。

创新平台

工业分析平台应该提供工具来解决工业运营中的关键挑战，包括数据适应性、分析能力和持续改进。图3显示了这样一个平台的示例(来自Thingswise)。

工业物联网的一大挑战是数据互操作性。在棕地环境中部署工业物联网系统尤其如此，在棕地环境中，来自不同制造商的不同类型和型号的遗留控件和机器共存并运行。从这些机器收集的数据有许多不同格式和不同质量级别的许多数据类型。

为了应对这些数据互操作性的挑战，工业分析平台应该为必要的数据转换提供强大且易于使用的数据处理引擎。配置的数据处理流将完成协议适应、语法转换、语义分配和基于策略的数据质量处理，包括验证、过滤、重复数据删除等。处理流还将完成数据丰富(将额外的元数据与流机器数据连接起来)和高质量数据分析所需的其他数据处理。为了实现无代码(或接近无代码)设计的目标，可以使用特定于声明域的语言(DDSL)来配置这些数据处理流。

检测异常，捕捉有意义的模式，并从直播机器数据中预测趋势是生产环境中分析的另一个挑战。分析引擎必须提供多模式、事件驱动的流分析，以满足苛刻的工业分析需求。这些可能包括传统的统计分析、复杂事件处理和基于机器学习的时间序列模式识别和分类。这三种类型的分析结合在一起产生了很强的协同效应。

传统的机器数据统计分析总结了时间、空间和逻辑跨度上的结果。它还建立了用于识别机器群性能异常值的规范。

复杂事件处理将跨时间、空间和逻辑域从机器数据流捕获的事件关联起来，以确定事件的根本原因并在适当时触发操作。

基于机器学习的模式识别和分类使用经过训练的机器学习算法模型来识别机器数据流中的特定模式。它可以很好地关联来自机器传感器的多个物理测量，因为它们随着时间的推移而变化，以识别机器行为的重要特征。经过训练的模型可以部署到分析解决方案中，以近乎实时的方式自动检测数十万台机器的有意义的特征。这对于自动机器异常检测、故障诊断和预测性维护特别有用。

虽然这三种方法中的每一种都可以在通用平台级别上实现，但通常需要应用定制分析功能，例如基于物理建模的自定义分析功能，以便将指定的机器作为分析流的一部分。平台应该允许使用这样的扩展。

简单的定制

一种经过验证的简化配置的方法是使用基于声明性配置的少代码设计。它们可以用于为特定的用例定制数据注入、处理和分析。这使得它很容易适应各种数据协议、格式以及不需要代码开发的处理和分析特性。它允许快速设置初始分析应用程序，并迭代增强其功能。例如，可以在不影响现有操作的情况下添加新的数据流或分析模型。这还允许开发人员快速看到更改的结果，从而允许在处理工业分析时进行急需的实验。

精心设计的配置语言允许底层工业分析平台在数据量随着新机器的添加而增加，以及随着实现更复杂的分析而计算复杂性的增加而增加时透明地扩展。

工业分析解决方案通过对设备进行智能监控和自动化监管，为制造、工艺和混合行业提供了巨大的价值。从机器数据的实时分析中获得的见解可以转化为自动或半自动的操作，从而提高生产的整体效率，并最大限度地减少由于故障和停机造成的损失。

与此同时，无论部署分析解决方案看起来多么有吸引力，上述概述的技术挑战可能会阻止许多企业有效地遵循这一路线。工业分析平台的作用是消除工业物联网实施中的主要技术挑战，降低复杂性、工作量和风险。这样一个平台，作为一个“交钥匙”解决方案，由最新技术的专业知识构建，享受规模经济的好处，显然比定制解决方案更经济，特别是考虑到技术的快速发展。总的来说，它有助于快速和经济有效地获得结果和创造价值。

关于作者

”林他为Thingswise带来了来自英特尔、Sarvega、朗讯科技和摩托罗拉20多年的广泛技术和业务经验。在创立该公司之前，他是英特尔物联网战略和技术办公室的首席技术专家。林博士共同主持工业互联网联盟、国家标准与技术研究院信息物理系统公共工作组、工业4.0平台和工业互联网联盟联合工作组的多个技术小组。

亚历山大Lukichev在网络基础设施、分布式计算、企业软件、大数据平台、云服务和系统安全设计等领域拥有丰富的软件架构和工程专业知识。在联合创立该公司之前，他最近受雇于英特尔，在那里他在各种软件工程岗位上工作了十多年。

欲了解更多信息，请访问www.thingswise.com。

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。