沒有數據采集，工業互聯網將是無源之水
數據采集是工業互聯網的基礎，沒有數據的工業互聯網將是無源之水，工業互聯網的價值在很大程度上取決于采集數據的數量和質量。
2017年，IBM商業價值研究院聯合牛津經濟研究院對來自112個國家12,854位高管進行了問卷調查。本次調查統計結果表明，這些高管認為企業的數據只有20%是來自互聯網，80%是企業自身擁有的生產經營等環節數據，這些數據被人工智能等新技術處理后，可使傳統企業具有超過互聯網公司的優勢。
而車間則是制造企業使用與產生數據的重要場所。這些數據既包括MES等信息化系統里運行與產生的數據，也包括生產設備產生的各種狀態與制造參數等數據。工業互聯網平臺結合行業知識對這些數據進行進一步處理和挖掘，以量化、可視化等方式，定位生產中存在的問題并進行優化，可為企業智能制造提供源源不斷的新動能，有效地提升企業競爭力。
一、 制造數據采集的數據分類
由于行業不同、應用場景不同，對制造數據的分類也不盡相同。
首先是對制造本身的理解。從狹義上的理解，制造主要是將原材料加工成產品的生產過程，但如果從廣義的上理解，制造可以涵蓋產品研發、企業資源管理、產品工藝、生產過程、市場營銷、售后維護等等不同的方面，制造數據的范圍就變得非常龐大，數據采集的方式自然也就多種多樣了。
其次，不同行業對制造數據的分類也不同。比如流程行業，可分為工藝數據、過程數據以及作業實績。工藝數據主要是指溫度、壓力、電流、電壓等直接影響生產效率、產品質量的數據。過程數據是指生產過程中所使用或者產生的數據，比如物料、計劃、生產節拍等等。而實績數據包括投入產出數量、合格率等等。
在離散制造行業，主要的制造數據包括設備數據、生產過程數據、質量數據等。
1）設備數據：設備運行狀態信息、實時工藝參數信息、故障信息、維修/維護信息等;
2）生產過程數據：生產計劃、產品加工時間、加工數量、加工人員、加工參數、產品完工率等;
3）質量數據：產品質量信息、工藝質量信息等。
最后，劃分的標準也不同。也有人將能源數據、測量測試數據等都定為單獨的一類。
本文基于離散行業的劃分習慣，按照狹義上的制造進行數據種類的劃分，即設備數據、生產過程數據、質量數據三類，能源數據可合并到設備數據，測量測試數據可并入質量數據類。
二、 制造數據采集的方式
目前，制造數據的主要采集方式有設備自動采集、人工終端反饋、其他外圍終端采集等。
1. 設備自動采集
這類系統有些是設備廠家提供，優點是對自家設備研究的很深入，但對其他廠家，特別是競爭對手的產品兼容性就差很多，因此，在市場面上更多的是采用第三方廠家提供的專業數據采集系統。這種設備數據采集系統，在離散制造行業叫MDC(機床監控與數據采集系統，Manufacturing Data Collection)，在流程制造業用SCADA系統(數據采集與監視控制系統)實現設備數據的自動采集。如圖1所示的MDC顯示界面。
設備數據自動采集的手段主要有以下三種：
1）帶網卡的數控機床——通過機床網卡，實現對設備狀態的遠程自動采集。采集的內容包括運行參數(主軸轉速、進給速度、主軸功率、刀具坐標等)以及加工產品、加工數量、報警信息等。該種采集方案的優點是采集的數據種類多、實時性強。缺點是，受控制系統的限制，目前主要是西門子、發那科、海德漢、華中數控等部分主流系統支持。當然，由于這是智能制造的發展趨勢，越來越多的機床控制系統也開始支持網卡的數據采集。
2）PLC采集——通過設備PLC輸出接口，結合其通訊協議，實現對設備狀態采集，包括溫度、壓力、流量、液位等。優點是支持PLC采集的系統比較多，適用面廣。缺點是從采集效果上，略遜色網卡采集的效果，但內容也相對豐富，基本滿足制造業的需求。
3）硬件采集——對一些比較老舊的設備，因其無數據輸出接口或者沒有通訊協議，可通過此種方式進行數據采集。優點是幾乎適合任何設備，缺點是采集的數據種類有限。
圖1 蘭光MDC的顯示界面(綠色—運行、黃色—待機、紅色—故障)
2. 人工終端反饋采集
對于不能實現自動采集的生產工位，可通過現場工位機、移動終端、條碼掃描槍等數字化設備進行數據采集。采集內容包括生產開工、完工時間、生產數量、檢驗項目、檢驗結果、產品缺陷、設備故障等。該種采集方式優點是對設備的要求低，適用場景廣，但缺點是受制于人的主動性，在數據的實時性、準確性、客觀性等方面都有所欠缺。
3. 其他外圍終端采集
采用RFID、集成等方式實現制造數據采集。
1）RFID：RFID射頻識別是一種非接觸式的自動識別技術，它通過射頻信號自動識別目標對象并獲取相關數據，識別工作無須人工干預，可應用于各種惡劣環境。
2）與其他設備集成。如三坐標測量機等檢測設備，可通過與設備進行集成，讀取產品檢測信息,用于質量管理與追溯。
三、 制造數據的狀態管理
在制造數據采集的基礎上，需要對采集到的相關數據進行上分析并指導生產的改進與優化。
1. 設備狀態數據分析
對采集到的各種數據進行加工處理后，以各種方式進行輸出和展現，使相關人員第一時間了解設備生產的實時情況，如實時狀態、加工工藝數據等，便于做出及時、科學的管理決策。
2. 生產工藝數據優化
主要表現在兩方面：
1）設備工藝參數監控：將采集到的設備工藝參數，如溫度、壓力等，與設定的標準參數進行實時比對與管控，從而實現對生產過程進行實時、動態、嚴格的工藝控制，確保產品質量的穩定性。
2）工藝改進與優化：對制造過程的主要工藝參數與完工后的產品合格率進行綜合分析，便于為工藝改進與優化。
3. 生產過程追溯
通過產品制造的過程數據實現對產品制造歷史的追溯，達到問題復現、質量追溯等目的。
四、 制造數據采集的發展方向
隨著物聯網等技術的發展，制造數據采集在設備兼容性、數據豐富性、數據價值挖掘等方面都有了快速發展，下面分別從數據的采集廣度、采集深度及價值利用等方面進行闡述。如圖2所示。
1. 采集的“廣度”
采集的對象可分為兩類，一類是本身就具備數字化功能的設備，如數控機床、熱處理設備、機器人、AGV、自動化立體倉庫等數字化設備。另一類是“啞設備”，就是本身不具有數字化功能，但可以通過改造或者借助信息化手段，使相關信息能進入數字化系統的設備、設施、物料、人員等，都可歸于該類。如對普通機床通過增加智能采集硬件，對物料通過二維碼、RFID等方式，對人員通過刷卡或者信息系統進行相應的數據采集。
通過對更多設備、設施、物料等的采集，實現更廣的兼容性，這是制造數據采集在廣度方向的發展趨勢。
圖2 制造數據采集的發展方向
2. 采集的“深度”
充分發揮數字化設備及相關信息化系統越來越好的開放性，以及越來越強大的傳感器、物聯網等采集技術，使采集的數據種類更豐富，準確度更高，實時性更強，并且成本更低，從而性價比更高地采集到更多的各種數據，為大數據深度挖掘與價值體現提供數據原料基礎。
3. 應用的“高度”
數據是智能制造的基礎，結合制造業行業知識對這些數據進行充分的挖掘與利用，對制造企業具有非常重要的意義。
利用這些數據，首先實現了設備或生產過程的可見性，對設備或生產處于什么狀態，可一目了然。通過與設備維修維護等行業知識的結合，知道發生了什么事情，這是數據的認知性應用。
通過大數據分析，預測將來可能出現的故障等問題，實現設備的可預測性維護，避免因為設備的宕機而影響整條產線的正常運轉，實現生產流暢的生產。
自適應是數據最高層級的應用，通過數據采集、狀態感知、實時分析、自主決策，甚至是機器的自學習，系統根據實時狀態進行動態調整與優化，甚至是自我修復，實現高效、高質、無憂的智能化生產。
總之，隨著傳感器技術的突飛猛進及成本的迅速下降，使得傳感器無處不在，實時的數據采集成為可能，各種設備運行和生產制造大數據的快速積累，為工業互聯網平臺提供源源不斷的高質量數據，并與行業知識深度結合，就可以充分發揮工業互聯網平臺的價值，更好地促進企業的智能化轉型升級。