目前市场的声音的确比较多，对工业互联网、智能制造的各种讨论，但是，对OPC UA有不同层次的认识，从纯然不了解，到了解技术视角，缺乏对其全局的了解，并且也有赞誉和异议，这都是合理的，本文仅从OPC UA解决工业互联网落地实现的视角全景观察，当然有不专业的地方希望读者多有指正。

一、工业互联网必须实现制造业的价值创造

今天，工业互联网正在成为热门的话题，然而必须以服务于制造的价值提升为目标，否则将失去其推动产业发展的意义，对于制造业，我们必须回归到制造的本质，即对材料进行的物理与化学的加工过程，这对应于离散与流程工业的不同领域。

无论在何时，制造业必须以提供消费者“更高品质的产品”、“更低的成本”、“快速交付”能力，这些在过去、今天与未来都是不变的需求。

图1-制造业的价值

精益生产是衡量工厂运营能力的关键指标，在今天，随着个性化的需求日益强烈，制造业要继续在原有基础上挖掘潜力，实现更为个性化的生产。在过去上百年里，精益、自动化技术、管理运营方法不断的提升使得制造似乎已经达到了一种极限水平，而事实上，这里仍然有巨大的潜力可以挖掘，回顾百年的工业革命历史，我们会发现信息正在变得成为更为具有“强大杠杆”作用的力量。

二、工业互联网的角色扮演

工业互联网仍然要解决为制造业实现图1的价值提升，而这些必须通过一系列的技术融合与协同来实现。

2.1连接的角色

通过网络对传感器、设备、机器、产线的连接，将数据进行汇集，对于独立的机器控制，传统的自动化已经实现了最佳的控制，例如：实现高速高精度的机床控制、高速的印刷等，然而，在整个产线连接中仍然有大量的潜力可以挖掘，因此，连接是第一个首要解决的问题。

图2反映了工业互联网（包括其实现所采用的边缘计算与云计算技术）的层级需求，从连接到数据聚合、分析与优化的全过程。

图2-工业互联网整体连接层级

2.2在数据连接后，工业互联网要解决的问题包括以下的信息潜力发掘

（1）.寻找最佳的机器间协同，这些协作包括在时间上的最佳匹配，避免因为等待、不同步的过程而损耗了机器的能耗、使用效率，使得资产无法发挥最大的价值。

（2）.通过动态的响应变化来寻找最优的控制，传统的PID往往是以“安全值”设定静态的控制目标，这并非是最优值，而通过设备协同来在更高级的动态协同，根据变化，让机器来适应生产变化，包括负载端、    其它设备的状态、工艺变化，以挖掘设备的最大效率。

（3）.智能化，尽管很多任务如优化、策略在机理模型已经可以实现最优，但，当出现更为全局的非线性区域时，机器学习等智能算法将会进一步来为生产系统提供

在这个维度，我们以垂直方向进行了数据的连接与集成，按照自动化、信息化、智能化的维度来不断优化效率。

2.3全流程的数字化

如果我们更进一步来看待整个制造业的效率提升，我们将需要在数字化设计、运营、维护进行横向的连接，进一步发挥全局的效率提升，这方面，工业互联网将实现更为全局的连接。特别喜欢IIC的技术工作组与架构任务组联席主席林诗万博士曾经就整个数字化架构进行了全景的分析的架构图，如图3，数字化连接以及数字孪生将带来以下几个方面的优势：

图3-制造业数字主线与数字孪生

（1）.数字孪生

数字孪生是在传统“建模仿真”基础上的扩展，它将设计、制造、运维都纳入整体的数字孪生体中，在整个数字孪生体中进行统一的协同，通过数字化环境中的虚拟仿真、虚拟调试、虚拟运维来实现个性化生产中更为动态的优化、更为经济的工艺切换、也更为便利的测试与验证，这将使得整体的生产制造成本下降，并降低工艺切换时间，以应对个性化生产中的挑战。

（2）.资产管理

资产在整个制造中成为了可精确量化、计量的对象，而且流程可以在数字化环境中进行建模仿真，也可以进行有效的管理，在全局而非局部最优。

（3）.预测性维护

在维护阶段，来自数字化的建模与运营中的数据采集，共同为维护提供了透明的数据呈现，以及分析的基础，如采用机器学习来对生产运营中原来被忽视的信息进行挖掘，分析质量、成本、设备状态等之间的关系，实现最佳的生产系统运营，包括降低故障带来的停机风险、延长设备的使用寿命。

三、工业互联中的障碍

在描述了工业互联网的价值及其实现在于连接时，我们将聚焦第一步连接，而图4则是来自世界经济论坛就全球企业的调研，这个数据显示，对于制造业而言，“缺乏互操作的标准”成为了最大的障碍，当然，这与事实也是一致的，尽管世界经济论坛这份调研数据是2014年的，但与今天的现实并无二致。

图4-世界经济论坛关于工业互联网推进障碍的调研

在工业现场存在着非常多的总线包括基于以太网的实时总线解决了工业实时通信问题但也存在互操作的障碍。

四、OPC UA如何为智能工厂提供支撑

尽管有各种实现互操作层面的标准，如DDS、FDT/DTM、MQTT、oneM2M等，然而，相对于OPC UA而言，却各有缺点，因为多个方面的原因使得OPC UA成为了语义互操作的共性聚焦，包括ABB、B&R、SIEMENS、Honeywell等自动化以及Microsoft、华为、CISCO等ICT厂商也将聚焦放在了OPC UA规范上，在IIC、德国工业4.0以及中国的智能制造体系中，均将OPC UA纳入了互操作的规范。

图5-OPC UA通信、信息模型与安全连

图5中，我们可以看到，OPC UA采用了C/S和Pub/Sub两种连接机制，以适应各种既有和未来的连接，对于传统的自动化系统，采用C/S能够确保兼容性，而Pub/Sub的机制则更适合于边缘、云架构的连接，并对原有的MQTT/AMQP机制进行了集成。关于DDS等与OPC UA的对比后面会专门起一份文章说明。

4.2OPC UA解决信息模型的问题

信息模型是整个OPC UA也是工业互联网中的关键，因为无论对于控制协同、数据拟合、机器学习，结构化的数据额是非常必要的，否则，将会需要大量的编程与测试，这会导致整个工业互联网在连接中缺乏经济性，而信息模型包括了基础的、以及适应于各个垂直行业的伴随信息模型，简单如下：

--AutoID，用于解决资产的数字化输入，对RFID、QR码等的数据接口，确保产线上的设备、在制品都可以被便利的集成。

--机器视觉与机器人，在最新的OPC UA集，由VDMA协同各个机器人与视觉厂商共同开发了这一越来越重要的伴随模型，因为今天的智能产线，机器人需要更多“眼睛”来识别在制品，对其位置、几何尺寸等进行识别，以便进行各种捡取、加工动作。

--EUROMAP，包括了机器人与注塑机、注塑机与MES、以及各种辅机之间的连接，如图6所示。

图6-EUROMAP连接注塑机与MES系统

--PackML，包装机与MES、与机器人等的集成；

--MTConnect，机床与机床间、机床与信息系统间的连接。

4.3OPC UA解决安全连接问题

在世界经济论坛的工业互联网推进障碍中，第二个关键因素是信息安全，这一点，OPC UA也开发了安全的数据连接、授权、验证机制，以确保数据可以被安全的连接，如图7所示。

图7-OPC UA的安全传输机制

五、OPC UA构建工业互联网的全局连接

5.1工业互联网的全局连接

在图8中，我们可以看到OPC UA可以实现多个维度的连接

（1）.横向集成：从设备到设备间、数字化设计与生产运营、制造与辅助的电力供应、原材料系统的上下游连接。

（2）.纵向集成：从传感器到控制器、工厂MES/SCADA再到全局的云端数据连接。

图8-基于OPC UA的全集成

5.2OPC UA与数字孪生

在数字孪生的设计中，控制类设计软件如ATLAB/Simulink可以为数字化模型提供OPC UA的接口，那么直接仿真的模型可以构建一个基于OPC UA的信息传递规范，可以通过OPC UA接口与不同的控制器提供统一规范的连接，这样就可以让数字化的软件与控制器进行快速的模型交互，实现数字孪生的上下行信息交互。

图9显示了一个基于OPC UA的连接，如B&R的Automation Studio可以与MATLAB/Simulink通过OPC UA进行信息交互—当然，这同样可以与其它第三方的控制器实现这样的交互，对单个的控制器而言也许它的价值在于高效的信息建模，但对一个工厂涵盖多家控制器而言，则意味着快速的跨平台的连接。

图9-基于OPC UA的数字孪生信息交互

在其它的数字化设计软件如PTC、Solidworks均已提供了OPC UA的接口，并且可以与多种控制器连接，这样就会实现机理模型、学习模型与控制器的交互，而无需为每个不同的连接建立复杂的交互接口。

通过数字孪生，可以实现虚拟交付、虚拟调试等任务，连接数字化设计、数字化运营以及数字化维护。

5.3机器学习的结构化数据源

机器学习被认为是工业互联网中解决非线性、聚合、关联性分析的有效途径，基于各种数学算法与模型来实现对制造现场数据的分析，但是，对于机器学习而言，其必须实现以下几个方面的条件：

（1）.结构性数据：如果数据缺乏结构性，会产生与学习算法模型的无法对接问题，或者会产生大量需要进行手动的映射变量的工作，而OPC UA提供了结构性数据，并且，在OPC UA的方法中对数据进行了一些预处理，如积分运算等，另外，基于OPC UA的SoA特征也使得各种数据应用可以便利的访问现场设备的数据。

（2）.有效数据：如果采样大量无效数据，那么对于机器学习而言同样是没有意义的，OPC UA的各种行业伴随模型充分体现了其在工业领域的深厚积累，例如注塑机信息模型就包括了注塑机的模腔温度、压力、锁模力、螺杆进给速度等各种与注塑机质量、运行相关的参数，这些已经被验证完整反映注塑机加工过程的信息模型为各种机器学习与数据分析平台提供了快速构建整个过程的数据。

如图10所示，在机器学习之前，通过OPC UA访问机器参数可以快速获取结构性、长期行业经验积累的信息模型，这些信息模型在过去一直用于有效的机器控制模型，而又同样可以为学习模型提供数据交互。

图10-机器学习通过OPC UA获得有效的结构性数据

以上，针对了OPC UA在各个环节的角色扮演进行了阐述，而图11则是一个全景的连接，包括了横向在制造业的工厂以及上下游供应环节的连接，在制造工厂内部机器与机器间的连接，在垂直方向实现从传感器到云端的整体连接。

图11-基于OPC UA的全连接

通过OPC UA，我们为工业互联提供了一个标准与规范，并且，它的信息模型为数字孪生、数据分析与学习提供了更为高效的数据采集、传输与应用的前提，核心的贡献在于它将大幅降低开发、测试验证、维护、升级的工程成本。

是的，如果没有成本的降低、效率的提升，工业互联网就无法发挥其价值，也无法为制造业升级带来经济性，这就是OPC UA何以重要，成为全球IT与OT厂商关注焦点的原因。

对于OPC UA是否能扮演这么复杂的角色的确有些人觉得疯狂，也有人质疑，甚至反对，对于这个问题可以探讨，我们可以从它与FDT/DTM、DDS、MQTT等协议规范的对比进行说明，后续进行一些解读，望关注。

来源：微信号 说东道西

作者：宋华振

该作品已获作者授权，未经许可，禁止任何个人及第三方转载。