数据采集是工业互联网的基础，没有数据的工业互联网将是无源之水，工业互联网的价值在很大程度上取决于采集数据的数量和质量。
2017年，IBM商业价值研究院联合牛津经济研究院对来自112个国家12,854位高管进行了问卷调查。本次调查统计结果表明，这些高管认为企业的数据只有20%是来自互联网，80%是企业自身拥有的生产经营等环节数据，这些数据被人工智能等新技术处理后，可使传统企业具有超过互联网公司的优势。 而车间则是制造企业使用与产生数据的重要场所。这些数据既包括MES等信息化系统里运行与产生的数据，也包括生产设备产生的各种状态与制造参数等数据。工业互联网平台结合行业知识对这些数据进行进一步处理和挖掘，以量化、可视化等方式，定位生产中存在的问题并进行优化，可为企业智能制造提供源源不断的新动能，有效地提升企业竞争力。 由于行业不同、应用场景不同，对制造数据的分类也不尽相同。 首先是对制造本身的理解。从狭义上的理解，制造主要是将原材料加工成产品的生产过程，但如果从广义的上理解，制造可以涵盖产品研发、企业资源管理、产品工艺、生产过程、市场营销、售后维护等等不同的方面，制造数据的范围就变得非常庞大，数据采集的方式自然也就多种多样了。 其次，不同行业对制造数据的分类也不同。比如流程行业，可分为工艺数据、过程数据以及作业实绩。工艺数据主要是指温度、压力、电流、电压等直接影响生产效率、产品质量的数据。过程数据是指生产过程中所使用或者产生的数据，比如物料、计划、生产节拍等等。而实绩数据包括投入产出数量、合格率等等。 在离散制造行业，主要的制造数据包括设备数据、生产过程数据、质量数据等。
① 设备数据：设备运行状态信息、实时工艺参数信息、故障信息、维修/维护信息等;
② 生产过程数据：生产计划、产品加工时间、加工数量、加工人员、加工参数、产品完工率等;
③ 质量数据：产品质量信息、工艺质量信息等。
最后，划分的标准也不同。也有人将能源数据、测量测试数据等都定为单独的一类。 本文基于离散行业的划分习惯，按照狭义上的制造进行数据种类的划分，即设备数据、生产过程数据、质量数据三类，能源数据可合并到设备数据，测量测试数据可并入质量数据类。 目前，制造数据的主要采集方式有设备自动采集、人工终端反馈、其他外围终端采集等。 这类系统有些是设备厂家提供，优点是对自家设备研究的很深入，但对其他厂家，特别是竞争对手的产品兼容性就差很多，因此，在市场面上更多的是采用第三方厂家提供的专业数据采集系统。这种设备数据采集系统，在离散制造行业叫MDC(机床监控与数据采集系统，Manufacturing Data Collection)，在流程制造业用SCADA系统(数据采集与监视控制系统)实现设备数据的自动采集。如图1所示的MDC显示界面。 1）带网卡的数控机床——通过机床网卡，实现对设备状态的远程自动采集。采集的内容包括运行参数(主轴转速、进给速度、主轴功率、刀具坐标等)以及加工产品、加工数量、报警信息等。该种采集方案的优点是采集的数据种类多、实时性强。缺点是，受控制系统的限制，目前主要是西门子、发那科、海德汉、华中数控等部分主流系统支持。当然，由于这是智能制造的发展趋势，越来越多的机床控制系统也开始支持网卡的数据采集。 2）PLC采集——通过设备PLC输出接口，结合其通讯协议，实现对设备状态采集，包括温度、压力、流量、液位等。优点是支持PLC采集的系统比较多，适用面广。缺点是从采集效果上，略逊色网卡采集的效果，但内容也相对丰富，基本满足制造业的需求。 3）硬件采集——对一些比较老旧的设备，因其无数据输出接口或者没有通讯协议，可通过此种方式进行数据采集。优点是几乎适合任何设备，缺点是采集的数据种类有限。
2. 人工终端反馈采集
对于不能实现自动采集的生产工位，可通过现场工位机、移动终端、条码扫描枪等数字化设备进行数据采集。采集内容包括生产开工、完工时间、生产数量、检验项目、检验结果、产品缺陷、设备故障等。该种采集方式优点是对设备的要求低，适用场景广，但缺点是受制于人的主动性，在数据的实时性、准确性、客观性等方面都有所欠缺。 1）RFID：RFID射频识别是一种非接触式的自动识别技术，它通过射频信号自动识别目标对象并获取相关数据，识别工作无须人工干预，可应用于各种恶劣环境。 2）与其他设备集成。如三坐标测量机等检测设备，可通过与设备进行集成，读取产品检测信息,用于质量管理与追溯。 在制造数据采集的基础上，需要对采集到的相关数据进行上分析并指导生产的改进与优化。 对采集到的各种数据进行加工处理后，以各种方式进行输出和展现，使相关人员第一时间了解设备生产的实时情况，如实时状态、加工工艺数据等，便于做出及时、科学的管理决策。 1）设备工艺参数监控：将采集到的设备工艺参数，如温度、压力等，与设定的标准参数进行实时比对与管控，从而实现对生产过程进行实时、动态、严格的工艺控制，确保产品质量的稳定性。 2）工艺改进与优化：对制造过程的主要工艺参数与完工后的产品合格率进行综合分析，便于为工艺改进与优化。 通过产品制造的过程数据实现对产品制造历史的追溯，达到问题复现、质量追溯等目的。 随着物联网等技术的发展，制造数据采集在设备兼容性、数据丰富性、数据价值挖掘等方面都有了快速发展，下面分别从数据的采集广度、采集深度及价值利用等方面进行阐述。如图2所示。 采集的对象可分为两类，一类是本身就具备数字化功能的设备，如数控机床、热处理设备、机器人、AGV、自动化立体仓库等数字化设备。另一类是“哑设备”，就是本身不具有数字化功能，但可以通过改造或者借助信息化手段，使相关信息能进入数字化系统的设备、设施、物料、人员等，都可归于该类。如对普通机床通过增加智能采集硬件，对物料通过二维码、RFID等方式，对人员通过刷卡或者信息系统进行相应的数据采集。 通过对更多设备、设施、物料等的采集，实现更广的兼容性，这是制造数据采集在广度方向的发展趋势。 充分发挥数字化设备及相关信息化系统越来越好的开放性，以及越来越强大的传感器、物联网等采集技术，使采集的数据种类更丰富，准确度更高，实时性更强，并且成本更低，从而性价比更高地采集到更多的各种数据，为大数据深度挖掘与价值体现提供数据原料基础。 数据是智能制造的基础，结合制造业行业知识对这些数据进行充分的挖掘与利用，对制造企业具有非常重要的意义。 利用这些数据，首先实现了设备或生产过程的可见性，对设备或生产处于什么状态，可一目了然。通过与设备维修维护等行业知识的结合，知道发生了什么事情，这是数据的认知性应用。 通过大数据分析，预测将来可能出现的故障等问题，实现设备的可预测性维护，避免因为设备的宕机而影响整条产线的正常运转，实现生产流畅的生产。 自适应是数据最高层级的应用，通过数据采集、状态感知、实时分析、自主决策，甚至是机器的自学习，系统根据实时状态进行动态调整与优化，甚至是自我修复，实现高效、高质、无忧的智能化生产。 总之，随着传感器技术的突飞猛进及成本的迅速下降，使得传感器无处不在，实时的数据采集成为可能，各种设备运行和生产制造大数据的快速积累，为工业互联网平台提供源源不断的高质量数据，并与行业知识深度结合，就可以充分发挥工业互联网平台的价值，更好地促进企业的智能化转型升级。
