由于工业制造业面临着诸如劳动力短缺、原材料短缺和成本增加等诸多挑战，因此获取准确的生产数据，对于监控生产运营、优化制造效率和预防停机至关重要。工业自动化领域的技术创新，已经并将继续通过实现准确易懂的数据采集（这是提高制造效率的关键），为生产制造商带来竞争优势。本文将探讨多年来的一些进展，以及分析必须如何补充数据采集以更好地提供价值。
工业通信的演进
可编程逻辑控制器（PLC）是在20世纪60年代后期问世的。与硬接线的继电器逻辑相比，PLC是一个重大的改进，它提供了方便的自动化逻辑控制变化，并推动了数字技术在离散和过程自动化制造中的迅速采用。
基于微处理器的PLC提供了来自工厂车间的传感器、开关、执行器和更多内部衍生信息的丰富数据。然而，早期的通信介质和协议在速度和能力上受到限制，并且采用客户机/服务器方法，仅在请求时才报告，因此它们无法报告异常工况。
适用于工厂车间使用的坚固耐用的工业PC（IPC）,于20世纪80年代中期问世，提供了承载监控和数据采集（SCADA）应用程序的能力。20世纪90年代初人机界面（HMI）设备问世。IPC、SCADA和HMI允许车间运行人员可视化生产机器并更改运行设置。历史上，用于PLC、IPC和HMI的大多数工业通信协议，都由PLC供应商开发或在其帮助下开发的，例如：施耐德电气的Modbus和西门子的Profibus。
其中有些协议是专有的，有些不是，但种类繁多，使最终用户很难实现完整的连接。随着IT技术的进步，运营技术（OT）领域开始从专有方法转向更开放的IT方法。
另一个发展趋势是努力改善不同应用之间的通信。OPC DA（OPC数据访问）于1995年首次推出。OPC是过程控制OLE（对象链接和嵌入）的简称，它基于微软视窗COM（组件对象模型）技术。OPC DA基于客户端/服务器架构，允许在不同应用程序之间，共享具有基本属性的实时数据，而每个应用程序都不知道另一个应用程序的接口细节。
一些公司开发了OPC DA服务器产品，允许HMI/SCADA产品和其它应用程序，使用各种工业以太网协议访问PLC。这些解决方案允许用户轻松地与PLC接口，而无需每次开发特定的通信驱动程序。尽管在当时，OPC DA是PLC数据采集通信技术的重大改进，但它具有以下局限性：安全性低；依赖于平台（仅限微软Windows）；性能受限；架构未针对互联网进行优化；有限的数据类型处理。
OPC UA 和 MQTT
为了解决这些以及其它问题，OPC UA（OPC统一架构）于2008年发布。OPC UA是一个独立于平台的解决方案，可以运行许多平台，包括使用Linux、苹果和安卓设备的嵌入式微控制器设备、基于微软Windows的IPC、基于云的基础设施等。
与传统的客户机/服务器机制相比，发布/订阅机制特别有用，因为它允许边缘设备（如PLC和传感器）向面向消息的中间件服务器发送新数据，而中间件服务器反过来可以将数据提供给任何数量的订户，例如HMI/SCADA应用程序。
虽然OPC UA是一种强大的架构，可以将数据从边缘设备移动到用户，但对OPC UA复杂性的一些担忧，促进了其它技术的发展。消息队列遥测传输（MQTT）就是一个很好的例子，它是一种轻量级发布/订阅协议，可以在端点设备和更高层软件之间传输数据。
MQTT开发于1999年，用于连接远程石油管道配置的集中式SCADA，通常通过低带宽卫星链路连接。重要的是要注意，因为MQTT使用了“客户端”，向“代理”提供数据，而“代理”可以为任何请求数据的“客户端”提供数据，因此MQTT的架构非常灵活。在这个模型中，发布者和订阅者之间没有硬链接，简化了运营和支持。
数据采集促进物联网的部署
众多的数据采集方法简化了物联网项目的实施。物联网实施允许边缘（端点）设备通过物联网网关服务连接到主机设备，允许访问边缘设备中包含的信息。对于工业和任务关键型应用，比如机器、天然气管道和运输网格的监测，该术语通常变为工业物联网（IIoT）。
这一趋势的另一个概念模型是工业4.0，2015年由世界经济论坛推广。该模型代表了一个根本性的转变，将人工智能、分析和先进机器人技术引入到传统生产制造业。IIoT在工业4.0中发挥着重要作用，因为它提供了有效的机制，将数据从边缘设备（如传感器和机器）传递到由人类和人工智能执行的更高级别的监测、计算和分析。
OPC UA和MQTT技术对于实现IIoT和工业4.0的成功部署提供了重要的作用。借助现代PLC技术，亚毫秒级的数据采样率现在成为可能。使用OPC UA服务器，可以实现10毫秒范围内的数据更新率。使用直接PLC协议驱动程序（如Modbus TCP或EtherNet/IP），在HMI/SCADA系统和PLC之间进行连接的通信速率，可以达到10到30毫秒，具体取决于通信的数据量。速度的提升允许对生产和机器数据进行响应式监控。
所有这些发展进步，使得实时访问制造数据成为可能，从而能够帮助工业工厂和设施改善运营。这使他们能够通过优化生产性能和最小化停机时间，做出更好的数据驱动决策。
已经开发了一些指标和工具，利用这些实时生产数据，来帮助优化制造效率。例如，整体设备效率（OEE）可根据生产目标监控生产结果，同时预测分析检测即将发生的设备故障。
四种分析类型
分析是使用生产数据来帮助用户做出有关生产运营的决策。有四种主要的分析类别，每类都是改进运营的独特工具：描述性分析；诊断分析；预测性分析；和规范性分析。
描述性分析是历史上使用最多的分析工具，它通过查看过去的生产数据来确定发生了什么以及导致问题的原因。基于实时和过去的数据，通过为数据提供情境信息来深入了解流程是如何执行的。这更像是一种“事后”分析。
诊断分析使用统计数据来发现模式，提供对实时数据的洞察。根本原因分析是最流行的方法之一。诊断分析回答了“为什么会发生这种情况？”，这也是一种“事后分析”类型。
预测性分析是一组工具，可根据当前运营状态预测哪些事情可能发生。预测分析依赖于生产过程中的实时数据，并使用统计分析、回归和人工智能等工具，来分析过去的生产制造数据，并预测近期的生产制造运营活动。预测分析通常由云托管，以便于从多个数据源获取数据，也便于存储/检索预测分析工具有效运行所需的数据。
规范性分析是一种分析工具，不仅可以预测将发生什么，还可以预测何时以及为什么会发生，并提供缓解风险的建议。这些工具需要访问实时和历史数据源。例如，石油生产运营部门对油田设备进行规定性分析，以帮助优化生产产量，最大限度地减少停工时间。
数据采集是支持可视化和分析的基本元素，这是提高制造效率所必需的。如果无法轻松访问高速、实时的数据，则无法实现OEE和预测分析等解决方案。由于有了良好的数据采集选项，并且趋向于更加开放和易用，因此开发了用于可视化和分析的现代软件工具，以提供改进的功能，并更易于部署。这些软件工具将持续增长，并帮助公司实现其制造业务的生产目标。（作者：John Dunlap, ADISRA）