OPC UA提供了数据的透明访问,而且更为直观,例如mappVIEW就是这样。其实,任意一个终端都将成为一个HMI,去呈现数据,并作为一个入口来访问数据,通过OPC UA提供了跨平台、多用户、SoA面向服务架构的支持能力。
OPC UA的Pub/Sub机制提供了一种更便捷的数据交互方式,解决了人们所担忧的数据流量消耗过大的问题,仅对有数据发布的时候才提供连接。
对于云端后台支持的应用,如数据驱动的分析、机器智能、深度学习而言,通过OPC UA和TSN构建了直接的连接,避免了由于多种工业复杂通信带来的障碍。
OPC UA over TSN提供了一种改变现有格局的实现方法,即,通过碎片化的云端APP架构,解决了现有MES/ERP的紧密绑定关系(这种强耦合让用户必须为某个功能购买庞大的系统),也将应用变成轻资产(用户无需购买APP,仅租赁时间、服务能力也是可以的),尤其对于中小企业,有众多的可以被开发的APP来实现细分市场的方案获得盈利,而另一方面也同样对于中小企业而言,可以分享IT资源(软件、存储、服务),而对于服务提供方,也可以通过大量的服务分摊其资源成本。让整个社会通过协作、资源分享实现经济性运营。
推进边缘计算(
E
dge Computing
)
边缘计算用于解决各种全局的优化问题,但是,边缘计算中需要一定的实时性,而其采集量往往是信息而非控制信号,如机器视觉、振动信号、质量信息,虽然不像运动控制的微秒级实时,但考虑到动态的计算后需要指导现场设备的运行,如AGV路径规划、动态视觉检测下的焊接质量调整,动态OEE计算等问题,这些需要连接来自不同的控制器、而又需要实时和非实时数据的连接,这是OPC UA over TSN的典型应用场景。
图2-边缘计算实现机器到车间的全局规划
资产性能监测是一种基于数据的全局数据采集,包括设备的性能、维护、诊断、能源的数据都可以通过这个架构来访问,如果需要效率更高,那么直接的云端传输即可,而OPC UA over TSN给了这个架构已实现的可能。
图3-采用公共信息平台来进行资产性能监测
OPC UA可以被云端应用直接访问,而TSN网络则构建了一个链接,直接从现场到云端,支持交换机网络的IT架构,可以解决原有的现场数据访问的复杂性(太多的总线与协议)。
机器学习中同样需要考虑大量的数据预处理、标准化的问题,否则,数据无法得到结构化、标准化,需要在系统里做大量的程序预处理,而如果能够有OPC UA的规范的话,OT端现场数据可以与诸如Microsoft Azure中的学习算法和模型进行快速的对接,能够访问来自现场控制器的数据,通过OPC UA的Pub/Sub机制传输,而且不消耗大量的带宽,仅在有数据产生时才发送,如图4。
图4-OPC UA为机器学习提供有价值数据的高效传输与结构化
高效传输是一个问题,然后再看传输的数据必须是结构的,才能与分析软件进行数据对接,软件操作才能是一致的,例如一个温度包括了温度值、单位、事件、报警、HMI接口的描述,这个结构与其它软件在数据类型、结构上具有一致则易于对接,再次的问题是数据的价值,而这是OPC UA的垂直行业信息模型所带来的,通过对各个垂直行业如包装、塑料、纺织、电子行业的知识构建信息模型,进而让数据能够发挥其有效性,才能真正分析、优化。
图5-通过OPC UA构建统一的仿真信息模型
如图5-对于仿真软件如MATLAB/Simulink或其它的数字化设计软件如Pro-engineering而言,能够无需每次都配置和编写一个借口与不同自动化厂商进行信息的交互最好不过,因此,他们选择了将OPC UA与其建模仿真软件制定统一的接口,这样,对于数字孪生设计的数字化一方可以不用考虑下行的控制器平台是Portal、Automation Studio还是Logix,都可以进行交互,对于End User而言,也是欢迎这样的,避免他们的Know-how与某个厂商具有绑定关系,而仅限于自己独立的,可以选择性更高。