目前市場的聲音的確比較多，對工業互聯網、智能制造的各種討論，但是，對OPCUA有不同層次的認識，從純然不了解，到了解技術視角，缺乏對其全局的了解，并且也有贊譽和異議，這都是合理的，本文僅從OPCUA解決工業互聯網落地實現的視角全景觀察，當然有不專業的地方希望讀者多有指正。

一、工業互聯網必須實現制造業的價值創造

今天，工業互聯網正在成為熱門的話題，然而必須以服務于制造的價值提升為目標，否則將失去其推動產業發展的意義，對于制造業，我們必須回歸到制造的本質，即對材料進行的物理與化學的加工過程，這對應于離散與流程工業的不同領域。

無論在何時，制造業必須以提供消費者“更高品質的產品”、“更低的成本”、“快速交付”能力，這些在過去、今天與未來都是不變的需求。

圖1-制造業的價值

精益生產是衡量工廠運營能力的關鍵指標，在今天，隨著個性化的需求日益強烈，制造業要繼續在原有基礎上挖掘潛力，實現更為個性化的生產。在過去上百年里，精益、自動化技術、管理運營方法不斷的提升使得制造似乎已經達到了一種極限水平，而事實上，這里仍然有巨大的潛力可以挖掘，回顧百年的工業革命歷史，我們會發現信息正在變得成為更為具有“強大杠桿”作用的力量。

二、工業互聯網的角色扮演

工業互聯網仍然要解決為制造業實現圖1的價值提升，而這些必須通過一系列的技術融合與協同來實現。

2.1連接的角色

通過網絡對傳感器、設備、機器、產線的連接，將數據進行匯集，對于獨立的機器控制，傳統的自動化已經實現了最佳的控制，例如：實現高速高精度的機床控制、高速的印刷等，然而，在整個產線連接中仍然有大量的潛力可以挖掘，因此，連接是第一個首要解決的問題。

圖2反映了工業互聯網（包括其實現所采用的邊緣計算與云計算技術）的層級需求，從連接到數據聚合、分析與優化的全過程。

圖2-工業互聯網整體連接層級

2.2在數據連接后，工業互聯網要解決的問題包括以下的信息潛力發掘

（1）.尋找最佳的機器間協同，這些協作包括在時間上的最佳匹配，避免因為等待、不同步的過程而損耗了機器的能耗、使用效率，使得資產無法發揮最大的價值。

（2）.通過動態的響應變化來尋找最優的控制，傳統的PID往往是以“安全值”設定靜態的控制目標，這并非是最優值，而通過設備協同來在更高級的動態協同，根據變化，讓機器來適應生產變化，包括負載端、其它設備的狀態、工藝變化，以挖掘設備的最大效率。

（3）.智能化，盡管很多任務如優化、策略在機理模型已經可以實現最優，但，當出現更為全局的非線性區域時，機器學習等智能算法將會進一步來為生產系統提供

在這個維度，我們以垂直方向進行了數據的連接與集成，按照自動化、信息化、智能化的維度來不斷優化效率。

2.3全流程的數字化

如果我們更進一步來看待整個制造業的效率提升，我們將需要在數字化設計、運營、維護進行橫向的連接，進一步發揮全局的效率提升，這方面，工業互聯網將實現更為全局的連接。特別喜歡IIC的技術工作組與架構任務組聯席主席林詩萬博士曾經就整個數字化架構進行了全景的分析的架構圖，如圖3，數字化連接以及數字孿生將帶來以下幾個方面的優勢：

圖3-制造業數字主線與數字孿生

（1）.數字孿生

數字孿生是在傳統“建模仿真”基礎上的擴展，它將設計、制造、運維都納入整體的數字孿生體中，在整個數字孿生體中進行統一的協同，通過數字化環境中的虛擬仿真、虛擬調試、虛擬運維來實現個性化生產中更為動態的優化、更為經濟的工藝切換、也更為便利的測試與驗證，這將使得整體的生產制造成本下降，并降低工藝切換時間，以應對個性化生產中的挑戰。

（2）.資產管理

資產在整個制造中成為了可精確量化、計量的對象，而且流程可以在數字化環境中進行建模仿真，也可以進行有效的管理，在全局而非局部最優。

（3）.預測性維護

在維護階段，來自數字化的建模與運營中的數據采集，共同為維護提供了透明的數據呈現，以及分析的基礎，如采用機器學習來對生產運營中原來被忽視的信息進行挖掘，分析質量、成本、設備狀態等之間的關系，實現最佳的生產系統運營，包括降低故障帶來的停機風險、延長設備的使用壽命。

三、工業互聯中的障礙

在描述了工業互聯網的價值及其實現在于連接時，我們將聚焦第一步連接，而圖4則是來自世界經濟論壇就全球企業的調研，這個數據顯示，對于制造業而言，“缺乏互操作的標準”成為了最大的障礙，當然，這與事實也是一致的，盡管世界經濟論壇這份調研數據是2014年的，但與今天的現實并無二致。

圖4-世界經濟論壇關于工業互聯網推進障礙的調研

在工業現場存在著非常多的總線包括基于以太網的實時總線解決了工業實時通信問題但也存在互操作的障礙。

四、OPCUA如何為智能工廠提供支撐

盡管有各種實現互操作層面的標準，如DDS、FDT/DTM、MQTT、oneM2M等，然而，相對于OPCUA而言，卻各有缺點，因為多個方面的原因使得OPCUA成為了語義互操作的共性聚焦，包括ABB、B&R、SIEMENS、Honeywell等自動化以及Microsoft、華為、CISCO等ICT廠商也將聚焦放在了OPCUA規范上，在IIC、德國工業4.0以及中國的智能制造體系中，均將OPCUA納入了互操作的規范。

圖5-OPCUA通信、信息模型與安全連

圖5中，我們可以看到，OPCUA采用了C/S和Pub/Sub兩種連接機制，以適應各種既有和未來的連接，對于傳統的自動化系統，采用C/S能夠確保兼容性，而Pub/Sub的機制則更適合于邊緣、云架構的連接，并對原有的MQTT/AMQP機制進行了集成。關于DDS等與OPCUA的對比后面會專門起一份文章說明。

4.2OPCUA解決信息模型的問題

信息模型是整個OPCUA也是工業互聯網中的關鍵，因為無論對于控制協同、數據擬合、機器學習，結構化的數據額是非常必要的，否則，將會需要大量的編程與測試，這會導致整個工業互聯網在連接中缺乏經濟性，而信息模型包括了基礎的、以及適應于各個垂直行業的伴隨信息模型，簡單如下：

--AutoID，用于解決資產的數字化輸入，對RFID、QR碼等的數據接口，確保產線上的設備、在制品都可以被便利的集成。

--機器視覺與機器人，在最新的OPCUA集，由VDMA協同各個機器人與視覺廠商共同開發了這一越來越重要的伴隨模型，因為今天的智能產線，機器人需要更多“眼睛”來識別在制品，對其位置、幾何尺寸等進行識別，以便進行各種撿取、加工動作。

--EUROMAP，包括了機器人與注塑機、注塑機與MES、以及各種輔機之間的連接，如圖6所示。

圖6-EUROMAP連接注塑機與MES系統

--PackML，包裝機與MES、與機器人等的集成；

--MTConnect，機床與機床間、機床與信息系統間的連接。

4.3OPCUA解決安全連接問題

在世界經濟論壇的工業互聯網推進障礙中，第二個關鍵因素是信息安全，這一點，OPCUA也開發了安全的數據連接、授權、驗證機制，以確保數據可以被安全的連接，如圖7所示。

圖7-OPCUA的安全傳輸機制

五、OPCUA構建工業互聯網的全局連接

5.1工業互聯網的全局連接

在圖8中，我們可以看到OPCUA可以實現多個維度的連接

（1）.橫向集成：從設備到設備間、數字化設計與生產運營、制造與輔助的電力供應、原材料系統的上下游連接。

（2）.縱向集成：從傳感器到控制器、工廠MES/SCADA再到全局的云端數據連接。

圖8-基于OPCUA的全集成

5.2OPCUA與數字孿生

在數字孿生的設計中，控制類設計軟件如ATLAB/Simulink可以為數字化模型提供OPCUA的接口，那么直接仿真的模型可以構建一個基于OPCUA的信息傳遞規范，可以通過OPCUA接口與不同的控制器提供統一規范的連接，這樣就可以讓數字化的軟件與控制器進行快速的模型交互，實現數字孿生的上下行信息交互。

圖9顯示了一個基于OPCUA的連接，如B&R的AutomationStudio可以與MATLAB/Simulink通過OPCUA進行信息交互—當然，這同樣可以與其它第三方的控制器實現這樣的交互，對單個的控制器而言也許它的價值在于高效的信息建模，但對一個工廠涵蓋多家控制器而言，則意味著快速的跨平臺的連接。

圖9-基于OPCUA的數字孿生信息交互

在其它的數字化設計軟件如PTC、Solidworks均已提供了OPCUA的接口，并且可以與多種控制器連接，這樣就會實現機理模型、學習模型與控制器的交互，而無需為每個不同的連接建立復雜的交互接口。

通過數字孿生，可以實現虛擬交付、虛擬調試等任務，連接數字化設計、數字化運營以及數字化維護。

5.3機器學習的結構化數據源

機器學習被認為是工業互聯網中解決非線性、聚合、關聯性分析的有效途徑，基于各種數學算法與模型來實現對制造現場數據的分析，但是，對于機器學習而言，其必須實現以下幾個方面的條件：

（1）.結構性數據：如果數據缺乏結構性，會產生與學習算法模型的無法對接問題，或者會產生大量需要進行手動的映射變量的工作，而OPCUA提供了結構性數據，并且，在OPCUA的方法中對數據進行了一些預處理，如積分運算等，另外，基于OPCUA的SoA特征也使得各種數據應用可以便利的訪問現場設備的數據。

（2）.有效數據：如果采樣大量無效數據，那么對于機器學習而言同樣是沒有意義的，OPCUA的各種行業伴隨模型充分體現了其在工業領域的深厚積累，例如注塑機信息模型就包括了注塑機的模腔溫度、壓力、鎖模力、螺桿進給速度等各種與注塑機質量、運行相關的參數，這些已經被驗證完整反映注塑機加工過程的信息模型為各種機器學習與數據分析平臺提供了快速構建整個過程的數據。

如圖10所示，在機器學習之前，通過OPCUA訪問機器參數可以快速獲取結構性、長期行業經驗積累的信息模型，這些信息模型在過去一直用于有效的機器控制模型，而又同樣可以為學習模型提供數據交互。

圖10-機器學習通過OPCUA獲得有效的結構性數據

以上，針對了OPCUA在各個環節的角色扮演進行了闡述，而圖11則是一個全景的連接，包括了橫向在制造業的工廠以及上下游供應環節的連接，在制造工廠內部機器與機器間的連接，在垂直方向實現從傳感器到云端的整體連接。

圖11-基于OPCUA的全連接

通過OPCUA，我們為工業互聯提供了一個標準與規范，并且，它的信息模型為數字孿生、數據分析與學習提供了更為高效的數據采集、傳輸與應用的前提，核心的貢獻在于它將大幅降低開發、測試驗證、維護、升級的工程成本。

是的，如果沒有成本的降低、效率的提升，工業互聯網就無法發揮其價值，也無法為制造業升級帶來經濟性，這就是OPCUA何以重要，成為全球IT與OT廠商關注焦點的原因。

對于OPCUA是否能扮演這么復雜的角色的確有些人覺得瘋狂，也有人質疑，甚至反對，對于這個問題可以探討，我們可以從它與FDT/DTM、DDS、MQTT等協議規范的對比進行說明，后續進行一些解讀，望關注。