工业4.0的一个主要方面是获取和分析大数据，将数据转化为可操作的信息，并使系统能够自行做出决策。尽管存在新技术，但大多数制造企业仍使用剪贴板和纸张来收集数据和信息。在很多情况下，多达90％的数据最终孤立的滞留在现场。若希望从工业4.0中获益，这将带来一定的挑战。

　　好消息是新技术可以在这方面提供帮助，用户只需采取几个简单的步骤，就可以为数据转换做好准备，包括访问更多数据、进行边缘计算、清理数据，对数据进行情境化处理以及标准化通用数据结构。

　　获取更多数据是工业4.0的重要组成部分。工业的运营环境非常复杂，涉及数百种不同的协议、通信介质和传统设备的知识。数字化转型的实现必须是自下而上的实施，首先要优化运营技术（OT）。这需要以新的态度来保持系统的开放性、互操作性和安全性。第一步是以有效的方式获取所有的数据——能够在需要时从任何地方轻松访问数据。

　　MQTT的发布/订阅功能可简化通信，并有助于将轮询转移至网络边缘。图片来源：InducTIveAutomaTIon

　　数据访问的主要障碍之一是传统软件许可模式，它对每个标签或用户收费。这些模式无法扩展，阻碍了增长。此外，工业应用一直是封闭的、专有的，并且功能和连接性也有限制。今天，我们需要从根本上无限制的、开放的新模式。这些新模式可以释放新的扩展机会和更大的可扩展性。

　　另一个挑战是新智能传感器和设备与现有旧设备融合之间的平衡。拥有同时支持两者的基础设施非常重要。它归结为一个关键概念：架构的变更。不再通过通讯协议将旧设备连接到应用，而是将设备与基础设施连接起来。需要提供一种即插即用、可靠且可扩展的OT解决方案，以满足运营人员的需求。

　　开放和可互操作的架构

　　这是一种基于消息队列遥测传输（MQTT）的新架构。MQTT是一种发布/订阅协议，启用了面向消息的中间件体系结构。在信息技术（IT）领域，这不是一个新概念；长期以来，企业服务总线（ESB）一直通过类似的总线的基础架构来集成应用程序。MQTT在异常事件发生时，设备数据会发布到本地或云端的MQTT服务器。应用程序订阅MQTT服务器以获取数据，这意味着无需连接到终端设备本身。MQTT具有以下优点：

　　●开放标准/可互操作（OASIS标准和Eclipse开放标准（TAHU））；

　　●设备与应用分离；

　　●事件触发报告；

　　●需要的带宽很少；

　　●传输层安全；

　　●远程发起连接（仅出站；无入站防火墙规则）；

　　●状态感知；

　　●数据单一来源；

　　●自动识别标签；

　　●数据缓冲（存储和转发）；

　　●即插即用功能。

　　如何获得新的架构？答案是边缘计算和协议转换。假设有10个Modbus设备要连接到监控和数据采集（SCADA）系统。用户可以部署一个支持Modbus和MQTT的边缘网关，以使轮询更接近可编程逻辑控制器（PLC）。这样，用户就能够以更快的速度轮询更多信息，并在数值发生变化时将数值发布到中央MQTT服务器。还可以将SCADA连接并订阅MQTT服务器以获取数据，而不是直接连接到终端设备。这是确保SCADA系统面向未来的重要一步。当用户购买支持MQTT的传感器或升级设备时，SCADA无需了解终端设备即可获得数据访问权限。

　　帮助系统了解数据

　　用户不仅需要访问数据，还需要确保数据有效，具有上下文信息，并且是通用结构的一部分（如果适用）。这是使用分析和机器学习之前的重要步骤。系统只有了解数据，才能正确使用数据。通常，新的传感器和设备已经具有这些功能。但是，对于老旧设备并非如此。有数百种需要映射和扩展的不同轮询协议。大多数PLC的寻址方案都不容易理解。这些映射通常存在于SCADA中，但是仍然缺少上下文知识，或者包含无效数据，或者不是标准数据结构。

　　完成此步的最佳位置是连接到PLC的边缘网关。它需要具有清理数据、数据情境化和支持数据结构功能的软件。

　　让我们从清理数据开始。假设有一个传感器连接到PLC，有时信号会丢失。当信号丢失时，PLC中的数值将降为0。但在某些时候，数值可能确实为0，但如果最后一个数值是50，那现在的数值就可能不是0。在这种情况下，需要要查看数据变化以确定是否应该忽略当前值。使用该逻辑设置计算标签，可以解决此问题。在与其它系统共享数据之前，请务必在最接近源头的位置确认数据的有效性。

　　另一个关键步骤是为数据提供上下文。例如，在用户的ModbusPLC上，有一个参考地址为40001的标签。在SCADA系统中，会将其映射到某个标签，例如“环境温度”。如果仅有这个数据，那无法知道温度是摄氏度还是华氏度，以及高、低限是多少。如果没有上下文，数据分析和机器学习模型可能会提供错误的数据。

　　使用能够提供名称、比例、工程单位、工程上下限、文档和工具提示等信息的边缘网关，将为其它系统提供关键信息，以便于更好地理解基础数据。

　　标准化通用数据结构

　　最后一步是在整个企业范围内，标准化通用数据结构。由于每个站点的数据可能不同，并且很难找到通用的数据模型，因此通常会忽略此步骤。分析包和机器学习模型要求对于通用对象采用相同的数据结构。用户不希望为每个站点创建不同的分析或机器学习模型。这超出了单个数据点的范畴，是已知对象的数据点的集合。

　　重要的是调查每个站点以找到一个通用的模型，并使用支持用户定义类型（UDT）的边缘网关。这意味着调整每个站点的数据以适应模型，这可能包括缩放、计算标签、转换等。这样数据在表面上看起来是相同的结构，同时隐藏了背后的复杂性。

　　通过设置新的运营架构，解决将大数据导入基础架构的问题。在访问数据之前，用户无法进行分析和机器学习，因此数据必须有效并且具有上下文以便于理解。利用这种新的思维方式和基础架构，用户可以通过一些小的步骤和调整来实现先进技术带来的潜在好处。