工业设备物联
工业物联是打通物理世界 与数字空间的 双向实时信息通道。
双向信息通道，是为了采集数据，监控分析后，再返回来实现反馈控制，形成闭环。这是工业互联网不同于传统互联网的重要特点。
将生产设备接入工业互联网，为工业互联网创新应用 提供信息来源（采集）和 目标应用（反馈会采集现场的设备）。实现生产过程到企业管理的逻辑闭环控制，让信息创造价值。
工业物联数据
工业物联数据作为物理世界与数字空间的映射和抽象，将物理世界中的连续性状态，数字量化为数字空间中的离散表示。
在采集上，涉及数据的三个基本属性，分别是 时间表示、数据数值、数据质量。
时标反映数据在时间上的先后关联关系、数值反映物理世界状态、质量则反映数值在对物理世界状态进行数字量化中的误差情况。
基本的采集数据包括
- 人员数据——人在生产过程过程中的数据，位置、操作···
- 设备数据——状态参数、报警、能耗、维修记录···
- 物料与产品数据——物流、物料、工具、工装、工艺、测试、维修···
- 过程数据——生产过程中的数据，工况、生产工艺参数、生产记录···
- 环境数据——生产环境的数据，温度、光照、气体成分、分成、能耗（水、电、气、热）、安防···
采集到的数据就是物理世界与数字空间连接的桥梁。
要注意到传感器采集的数据都是空间时间中的一个点，要想反映连续的物理空间的状态，在制定采集并处理数据的方案时就要多方面考虑，例如：
- 采集位置——生产工艺、生产装备复杂度、传感器、安装空间、供电方式···
- 采集方式——传感器敏感元件类型、直接/间接测量、时域/频域采集、实时性要求不同···
- 采样率——被测设备的时间常数、被测信号的频谱···
- 滤波——硬件、软件滤波、低通/高通/带通滤波···
- 误差——传感器灵敏度、采样周期抖动、采样误差、量化误差···
想方设法，尽可能真实全面地反映物理世界的状态。
数据的处理
对采集的要进行适当的处理，这在任何应用领域都是一样的。目的在于剔除重复或无用的信息，纠正可能存在的错误，保持数据一致性。
常见的采集数据问题包括
- 数据完整性——采集、通信、存储过程存在问题，造成采样值丢失或遗漏
- 唯一性——不同来源的相同数据存在重复，数据出现不一致时如何解释处理
- 合理性——采集的数据与固有物理机理常识要相符
- 误差问题——多传感器多重化重复采集、用平均值等方式 获取数据，减小误差。或对于超出允许范围的误差或错误数据予以剔除。
- 样本分布——工业数据价值密度很低。样本分布不均匀，可能缺少普遍规律。设备运作在正常状态下的时间占比明显更大，这部分数据量级庞大，但对于分析问题价值有限。对于较有价值的故障情况数据，要结合实际故障分析，有针对地分别识别。
- 事件序列——事件发生顺序与已知因果关系不符时，要予以排查处理。
缺失填充
工业数据中，存在冗余性，且数据连续性，少量数据的丢失其实影响不大。通过业务上下游其他环节的数据，往往可以对缺失数据进行有效推断。在填充缺失数据时，要注意有所依据，如
- 根据设备物理机理填充
- 拟合数据函数填充
- 使用默认值
- 使用平均值
填充策略要根据具体情况，在合理的前提下实施。
误差处理
可造成误差的因素众多，整个数据流通的管道上，处处可能带来误差。在信号来源、采集、通信传输、接受、存储、提取分析过程中每个环节都要有相应的考虑，相应的处理。
尤其采集和传输环节，要注意合理选择传感器的类型和安装位置，尽量在现场完成信号的A/D转换，加强信号传输路径的防护、采用低噪声采集电路。选择合理的采集精度采样频率也是必须的。
异常值剔除
异常值的发现首先要根据业务原理，数学方法予以辅助。
- 根据简化工艺机理模型发现异常值
- 根据工业装备的特性参数发现异常值
- 根据人的经验发现异常值
- 通过聚类分析发现异常数据，位于聚类集合之外的数据对象，可认为是异常数据
当发现数据之间时序因果关系存在明显错误，在条件允许的前提下，最好排查错误原因。如果基于展开后续工作，也可将存在因果错误的数据看做异常值予以剔除。
数据降维
将采集数据存储下来的过程中，还是要尽量保持数据原貌。根据物理机理、和业务专家经验，适当对具有强相关性的重复冗余数据进行去除即可。而针对业务分析展开的具体降维措施，最好留在分析前基于具体问题再与开展。
采集终端数据后的数据建模
对终端进行数据采集，目的还是在于用数字反映实际。不论是设备机械的物理原理，还是工厂生产流水线的流程，亦或是整个生产过程的管理。
可以构建的工业模型是丰富的，如
- 设备工艺模型
对每个设备的简化机理进行数据建模 - 生产工艺模型
将生产过程中的各个设备联系起来 - 工厂信息模型
建立反映工厂运营状态的模型。包括设备、物料、产品、环境、能源相关信息，也可包括工厂内所有的生产工作流、业务流程、控制逻辑等。
网友评论