将数据智能转化为现实世界行动的智能效应器

智能传感器是任何自动化系统的前线。然而，自动化意味着运动，传感器只观察、捕获和报告有关周围环境的数据。将这些数据用于使用的责任落在了影响者身上。

重新关注数据

根据定义，效应器会给周围环境带来传感器只能观察到的变化。这些可以是电机，螺线管，阀门或任何其他“影响”现实世界变化的模拟组件。例如，在工业自动化中，效应器负责将运动、温度、压力和其他物理转换应用于传送带、机械臂、压力机、风扇等系统。

如今，大多数效应器的运行完全独立于物联网传感器数据。当然，工业4.0和智能工厂概念的目标是利用传感器捕获的数据来调整这些效应器，以提高产量，增加正常运行时间，降低成本，降低能耗等。这可能表现为直接控制效应者的数据分析形式;或者更有可能在运行高度结构化程序的电机控制等场景中，通知命令的参数，该命令定义效应器如何激发机器到达某个设定点。

在任何一种情况下，传感器数据分析都会将大量原始传感器数据细化为信息，一个或两个命令可以使用这些信息来影响效应器（以及随后的设备）操作。但是，我们必须记住，工业4.0部署的最终目标是将工厂车间与IT运营中心统一起来，重点是优化整个生产线的编排。

基于作业的自动化和工厂 IT 运营中心

对于具有 IT 数据建模背景的外行自动化利益相关者来说，这种粒度级别无助于实现他们确保生产高效发生和发生的目标。对于负责在生产线上跨设备实施配置文件以帮助实现IT运营中心设定的目标的工厂工程师来说，它甚至不是特别相关。它更准确地描述了对控制系统专家等人来说有用的数据，他们会根据应用要求调整控制器以一定的速度或位置过冲运行电机。

但这种专业化水平正是我们希望在新的智能工厂中摆脱的。相反，未来将集中在基于作业的编排上，IT运维人员可以查看传感器和效应器，并监督设备控制的更基本方面，如系统初始化、错误状态管理，甚至从自己的本机环境中有序地关闭设备。因此，与其将自动化目标视为“该电机必须沿Z轴重新定向10度”或“此液压活塞必须延伸100厘米”之类的术语，他们可以通过说“我希望这台机器生产六个小工具然后关闭”来解决问题。

为此，智能工厂中的工作必须向这些用户显示为一系列步骤，这些步骤在一个或多个效应器之间协调，以达到预期的结果。这种基于作业的调度在最高抽象级别上提供了工厂自动化，这在理论上很棒，但目前在大多数工厂设置中还不可能实现。

造成这种情况的原因有很多，但几乎所有原因都是由于来自不同制造商的不同机器彼此之间不能很好地沟通。这不仅给IT运营中心工程师带来了重大挑战，也给工厂车间的工程师带来了重大挑战，他们的职责是解释运营中心的工作，并将相应的顺序大规模传达给生产线上的所有效应器。

一个数据模型统治所有数据

统一整个智能工厂（从自动化工程师到运维中心，从最小的OT执行器到最抽象的IT编排系统）的唯一方法是通过通用数据模型。如本系列的第 2 部分所述，“数据模型。..是一种结构化的数据组织方式，其中包含有关如何打包数据的特定规则或说明。简而言之，数据模型为数据如何与制造系统中的特定状态相关联提供了一个结构。

然而，在更广泛的工厂环境中，通用数据模型提供了跨所有层次结构级别的接口，以便自上而下和基于工作的水平通信更加透明。显然，出于安全性、可靠性和隐私原因，在新集成的IT/OT工厂中，与不同部门共享的数据和数量可以根据具体情况来确定。

但是，在统一的模型中将抽象的传感器数据与抽象的效应器数据相结合，这一事实对系统的数字建模等事情具有更大的影响，因此您可以在物理工厂生产线通电之前模拟其性能。而且，与智能传感器供应商一样，它允许智能效应器供应商指定精确的参数要求，而无需执行太多（如果有的话）特定于应用的编码。

用于为智能传感器生成数据模型的相同PICMG配置器可以以类似的容量用于创建与此类状态控制兼容的智能效应器。

审核编辑：郭婷