工业大数据导论（上篇共上中下3篇）

工业大数据认知目录智能工厂全景描述制造与经营模式转型解析工业大数据生态影响分析010203学习目标1.了解制造与经营模式转型的需求原因2.了解制造与经营模式转型的技术保障3.了解智能工厂转型基础之工业大数据生态系统的组成与应用4.了解工业大数据生态的影响情景化叙述下面将通过师生与企业家之间的对话方式带领大家走进工业大数据的世界！【人物1】Engine老师：常年负责工程实训的高校教师【人物2】众多机电类专业的大学生【人物3】BD先生：某制造企业经理01智能工厂全景描述智能工厂全景描述生产现场相关部门智能工厂1.数据制造工作室2.常规部门多样化、少人化缘起校招季Engine老师与某机械工程应届生的邂逅与交谈Engine老师：学生：“Engine老师，自从经历秋招后发现：专业对口，往往待遇与期望值相去甚远；待遇与工作环境良好，专业也符合，但用人单位却表示我虽机械知识技能功底扎实，可与当今智能制造背景下的人才需求仍有所差距，他们更希望吸纳一群既有机械背景，又有计算机功底，甚至还具备管理能力的综合型人才，这种要求并不只是针对少数人，而是企业绝大部分员工都应具备的素养；并且这是许多企业普遍存在的情况。起初，我进退两难而难掩失落之意，但转念一想，既然当初自愿选择了本专业，为长远的发展，更应该收拾心情，重新出发，让自己变得更好。如今想来，有此求职的挫折令我了解自己的不足，明确深造的方向，并有幸顺利读研，相信下一次的求职季会有一个更好的结果。”在听取并给予鼓励过后，也陷入了沉思。。暑期社会实践鉴于大学校园中虽不缺乏各类大学生活动，然着眼于学生长远发展的教学与活动理应更受重视，实际却寥寥无几；为此，Engine老师才迅速申请并策划了此次暑期实践，带领学生们前往一家家高新制造企业进行深入的调研与体验。如此，他才感到自己并非只是一个教书人，更是学生们的人生导师——学生如一节节火车，老师便是火车头，是引擎（Engine）。生产现场步骤相差无几人数较大变化定制化生产相较于传统工厂，智能工厂的生产现场：生产现场步骤相差无几人数较大变化定制化生产相较于传统工厂，智能工厂的生产现场：产品从设计、制造到物流等一系列步骤相差无几。生产现场步骤相差无几人数较大变化定制化生产相较于传统工厂，智能工厂的生产现场：各环节的人数有较大变化，每台机床前的作业者均配备一台灵巧的工业机器人，而各机床与工业机器人等设备均标有相应负责人员的基本信息，表现出一对多的责任制关系；地面上众多的AGV小车如一辆辆有轨电车，在工厂内“杂乱”而有序地穿梭着，铺就成一张复杂的“交通网络”；整条流水线只剩零星的员工。生产现场步骤相差无几人数较大变化定制化生产相较于传统工厂，智能工厂的生产现场：在半精加工与精加工等工序中，同时有多台机床正各自执行着不同零件的加工。数据制造工作室除常规部门，新增数据制造工作室：数据科学家岗位1：产品初期的订单转化岗位2：工艺流程制定岗位3：仿真分析岗位4：产品性能参数的采集与测试分析岗位5：设计智能算法以“训练”机器人等传统岗位数据驱动型岗位02制造与经营模式转型解析制造与经营模式转型解析转型成果转型原因转型保障转型原因：需求分析Engine老师：“为何贵企要做出如此大的投入来改变原有的制造与运营模式呢？”BD先生：“影响我们做出这项重大决策的因素有很多，但转型的原因主要在于‘需求’层面，并且是内外两大因素共同驱动的。”外部因素：用户BD先生：“从用户角度，主要是产品个性化需求和服务主动化需求的提升。”近年来小批量定制类型用户的比例呈现急剧上升趋势，譬如某些小型企业的订单、大量高校教学研作品的订单以及部分个体户的定制产品的订单等等；并且这批用户均有以下3个特点：1.类型繁多复杂，单一类型量少，但各类型的集合总量庞大2.要求商家能够快速实现产品转化3.愿意在质量保障基础上，于一定范围内接受高价格产品个性化需求：变被动接受为主动提出服务模式：批量化定制生产挑战1.用户共同参与产品方案制定2.用户要求用材、工艺、物流信息透明化外部因素：其他企业BD先生：“从其他企业角度，小至地方中小型民营企业，大至全球化的跨国公司，除去一贯的竞争关系，愈发表现出合作共赢的需求。”由于个性化产品的多样性，独立的企业个体业务能力的不足愈发凸显，只有社会分工更加明确、细分，朝着更大规模地互相协作方向转型，才能有效弥补短板，最终交付用户满意的产品。内部因素：生产需求BD先生：“从生产需求角度，产品的个性化不可避免地导致生产任务多样化，意味着对企业生产能力的要求大幅提高。”纯粹从该层面出发，或许更密集的劳动力亦可实现，但智能机器人等智能化设备在代替重复性体力劳动同时，还能通过人工智能算法满足多种生产能力要求。此外，质量保障及生产效率同样是机器人相较于人力的优势，故而机器换人终究是大势所趋。内部因素：管理需求BD先生：“从管理需求角度，新型用户就方案到产品的快速转化和主动参与各环节的需求对企业各方面都提出要求，也包括管理的快捷有效及透明。”任务的下达以及工作进度与问题的反馈务必摒弃冗余的层级隔离现象，不仅管理者需及时了解各个部分的情况，分管人员等所有员工均应明白各环节之间的依赖关系，才能在用户或上级就项目本身的情况变更时，以最快速度做出响应。因而‘端到端’的管理模式同样势在必行。内部因素：成本需求BD先生：“从成本需求角度，长远来看，智能化改造对企业的生存终究是良性循环。”工业机器人与AGV小车等的大量购置，虽有初期高昂的成本投入，但其作用除去工作效率与质量的因素外，更在于国内人工成本上涨，企业难以承受后期大量一线操作工、物料员等功能单一且替代性强的员工的薪资压力。转型保障：技术保障Engine老师：“请问贵企又是如何完成转型的呢？好让我的学生们能有更透彻的理解。”BD先生：“说到如何实现转型，还得从新形势下可利用的资源出发。刚才提及的各种需求并非一时之间产生；但在过去，纵使想要转型，奈何没有技术条件支持，转型只能是无稽之谈。不过当下形势发生巨变，大数据技术在电商、医疗等领域风生水起，如今在工业设备可实现网络互联的基础上，同样可完成海量工业数据的采集；此外，计算机的计算能力大幅提高以及分布式计算、并行计算的出现又为工业大数据的数据处理提供前提条件。”工业大数据技术1.工业设备互联互通2.计算机的计算能力大幅提升3.分布式并行计算、边缘计算等的出现保障转型保障：技术保障数字化技术网络化技术新一代人工智能技术融合实现落地：数字化资源可成为工业大数据的来源之一。工业大数据技术转型保障：技术保障数字化技术网络化技术新一代人工智能技术融合实现落地：远程制造、协同制造等变得更切实可行。工业大数据技术转型保障：技术保障数字化技术网络化技术新一代人工智能技术融合实现落地：生产关系将被颠覆。工业大数据技术转型成果：工业大数据生态系统BD先生：“整个工业大数据生态系统网络：一方面以它‘实时且可共享’的特性能有效满足本企业与用户及协作企业间的沟通需求，以及企业内部的管理需求；另一方面还在于可通过海量的数据进行数据挖掘，最终实现智能化应用落地。”工业大数据生态系统组成与应用产品数据工业大数据中心工业大数据中心软硬件数据大数据中心用于存储各类产品全生命周期中产生的各类数据，以及企业各类软硬件数据等，并进行规范化管理。工业大数据中心：产品数据1.用户订单的需求方案文档数据2.产品生产流程中产生的数据3.产品售后服务相关的追踪信息数据既有传统大批量式的产品订单，也有个性化产品的定制文档产品生命周期内数据：工业大数据中心：产品数据1.用户订单的需求方案文档数据2.产品生产流程中产生的数据3.产品售后服务相关的追踪信息数据一旦确立产品方案便着手进行三维建模与有限元分析，再是工艺规程制定以及对各种设备的任务部署，接着按既定工序完成产品的制造与装配和成品检测等工作，其中也可能涉及其他企业的协作部分。上述所有环节产生的数据都将一一归档至大数据中心，并且一份完整的数据资料归该产品所有，而其中典型的工艺与算法等数据则另外归至分属的存储模块，作为资源库为后续产品开发所用。产品生命周期内数据：工业大数据中心：软硬件数据企业内部各类资产数据：1.数据库数据1.硬件设备本身所产生的数据用于相关资产的维保等。所有产品数据与软硬件数据在企业内部共享，即可实现一步化管理以及员工对企业运作的了解和对紧急情况的快速应对；而其中部分数据与用户共享，则可提升其在产品生命周期中的参与度，确保企业与用户之间的关系透明化，并充分保障用户的主观意愿得到满足。数据应用工业大数据应用工业大数据应用技术应用数据应用：最优方案制定1.当接收一项订单后，公司会首先向用户提供一份产品基本信息采集表，内容包括产品外形、尺寸、材质、功能等；2.随后公司对信息表进行评估，一般在外形、尺寸、功能要素不变前提下罗列可供选择的多种材料及其当前市场价、加工工艺方案，并结合自身的制造能力按经济性最佳、性能最佳或综合性最佳的三种及以上的推荐产品方案反馈用户；3.由用户根据预算或可接受价格范围共同制定最优方案。注：其中含最新市场价的材料清单、工艺清单的数据均由大数据中心的实时数据库模块提供；当产品完成制造环节后，物流、装配等方案同理。数据应用：端到端的生产管理对生产管理而言，大数据中心相当于数据共享平台，管理层以及各生产环节负责人员好比一个个‘双向接口’。1.大数据中心的每一份订单均有独立的生命周期进度条，其按照当前待执行环节被分配至相应部门；2.每一项任务将被进行评估并拟定预计期限，进而分配至空任务人员或任务末期人员，此时该人员或该小组在大数据中心将被标注任务名称、期限等属性。如此既可真正实现批量化定制，又可实现各环节之间的横向沟通与管理人员的垂直管理，对出现的问题快速靶向定位，大幅缩短问题溯源时间，以便做出迅捷的响应对策。技术应用：制造水平突破升级结合新一代人工智能技术实现制造水平的突破升级：包括生产效率和制造水平的提高。随着一批具备自主学习与自主决策能力的智能机床、智能机器人等智能化设备实现应用，在大数据环境下——1.基于海量数据训练得到不同算法模型，进而控制智能化设备以替代人力并更高效地完成多种工业产品的制造、装配与检测；2.智能机床可进行加工工艺优化，实现产品质量的提升，此外对于相同产品的批量制造，能有效确保产品质量的稳定性。技术应用：物联设备的预见式管控机器人、机床、产线等都属于企业的硬资产，高昂的成本和维保费用使它们的健康状况备受关注。将原本独立的设备进行网络化连接布局，通过长期对设备特征数据的采集、分析可有效地得出设备各部分的变化趋势，以对即将可能发生的故障进行预判并提前检修，降低企业人力、财力无谓的损耗。03工业大数据生态影响分析工业大数据生态影响分析求职者创业者职位要求变更思想观念转变在场学生：“请问就机械行业而言，既然工业大数据时代是大势所趋，那么它对于人才方面又会产生怎样的影响，是否提出新的要求？如此也能使大家更有目标地去努力、去准备。”BD先生：“这种影响若从求职者角度出发，便是传统职业的没落伴随新兴职业的诞生；若从志在创业者角度出发，便是新模式下思想观念的转变。”求职者角度：职位要求变更BD先生：“对于职业更替现象，如前所述的智能化设备的出现并非为了完全取代人，好比自动化产线整体的柔性度再高也不及人的灵活性与功能多样性，人机结合方能产生最大的效益。”在许多诸如流水操作工等传统职业消失或需求人数减少的情况下，也出现适应新工作环境的新职业，譬如：1.在生产现场所见的几位现场维护工程师，他们利用大数据互联技术同时管理着产线上所有的设备；2.

“数据制造工作室”里的各位数据科学家们，他们在室内便可高效完成产品的设计与仿真和产品的质检与分析等。这些人或是机械、材料或自动化等专业出身，并掌握相应的大数据技术应用能力，主要负责数据的分析应用来优化产品的制造流程；或是计算机等专业出身，后续接触机械行业，主要负责对大数据技术以及智能化设备控制所需算法的底层支持。创业者角度：思想观念转变仍从物联设备的预见式管控出发，以其中典型的‘机床健康保障’模式为例来详细讲解。BD先生：“如果你是一位企业主，那么没有人比你更关心这一台台机床的健康状况了。一旦关键的机床出现故障，它将衍生出大大小小多项症状。机床故障就得停机，停机后还需要等待专业人员前来维修、测试直至重新投入使用，这意味着至少三大方面的额外损失。”1.维修费用的支出2.导致其他辅助设备闲置，造成生产率下降等3.严重的机床事故还可能对之后机床的质量、寿命产生不可挽回的影响“故而企业家是最不愿看到故障的发生或希望最大程度降低故障风险。机床大数据的采集与分析应用，则能真正实现变事后故障处理为事前健康预测。”机床故障分析BD先生：“机床常见的故障可分为数控系统故障、机械结构故障以及电气系统故障，尤其机械结构故障发生率高达57%，这包括机床主轴箱、丝杠副、导轨副、润滑系统与气动系统等的故障，也包括刀具、夹具、工件、材料等制造资源的故障。为减少或避免事故发生，则可通过采集数控系统内部实时产生的大量的电控数据以及系统外部传感器采集的各类数据来构建起机床工作过程中的CPS（信息-物理系统）模型。”1.数控系统故障2.机械结构故障3.电气系统故障等机床常见故障机床健康保障方案BD先生：1.为机床设置具有诊断机床工作质量功能的工作任务，而将执行该任务的G代码作为测试方案；2.在机床进入市场前或使用初期，即机床健康状况良好阶段便进行诊断，以得到该机床健康状态下的心电图并作为后续对该机床健康评估的标准；3.定期为机床进行健康状况的检测与评估分析，在机床各项指标变化过程中即可提出机床使用建议，或在某项指标达到临界值前即提前预测可能发生的机床故障而根据评估报告对机床进行保养，实现最大程度避免机床事故的发生。盈利模式转变1.一方面可将传统的机床销售为主的盈利模式转变为‘销售+服务’或‘租赁+服务’的多样化盈利模式；机床健康保障的新模式不仅是机床使用企业的需求，也是机床厂家的需求所在。2.另一方面通过为售卖的每一台机床个性化订制健康评估模板以及根据用户使用过程中出现的情况进行总结以提升改进自身的机床产品，从而实现良性循环。只有在产业模式变更情况下，及时或提前将传统观念转变，才能做到与时俱进。企业转型普遍性在场学生：“经理您好，按您所说，那么不久将来，基本每一家相关的企业都会进行这种转型吧？”BD先生：“不敢保证每一家企业，并且这需要分情况讨论。目前有的企业一开始便是精英化模式，基本不存在人口红利消失的问题；有的企业则是洞见了这种趋势及其效益，主动进行转型；而目前更多的仍是处于传统方式下的企业，他们大多不会在原有的盈利模式有较大波动情况下主动转型，直到内外部的矛盾压力显现才会被迫选择转型。但无论如何，今后的趋势终究是不会再有大量廉价劳动力，用户的个性化需求也愈发凸显，因此，相信绝大部分企业最终都会主动或被动地走上转型之路。”交流结束后，Engine老师带领同学们心满意足地返校，并为后续走访调研着手准备。章末小结通过本章的阅读，读者应了解当今形势下，传统工厂终将往智能工厂转型。1.转型原因主要在于内外需求的变化：外部需求包括用户就产品个性化与服务主动化的需求程度提高，并且企业间的合作互赢需求同样提高；内部需求包括企业在生产工具、生产关系方面的需求，管理精简化需求，以及成本控制方面的需求也因外部环境的变化而必须做出调整。2.转型成功的技术保障主要依赖于工业大数据技术的成熟，以其为基础，与数字化技术、网络化技术以及新一代人工智能技术结合才能真正实现工厂智能化。章末小结通过本章的阅读，读者应了解当今形势下，传统工厂终将往智能工厂转型。3.转型成果：一方面体现在企业搭建起一套完整的“工业大数据生态系统”，其由容纳产品数据、软硬件数据等海量工业数据在内的工业大数据中心；另一方面体现在工业大数据系统在数据、技术方面的应用落地，前者包括企业与用户间订单的最优方案制定、企业内端到端的生产管理等方面的应用，后者包括企业制造水平的突破升级、工厂的物联网设备的预见式管控等方面的应用。4.工业大数据浪潮的影响对于求职者而言，是职位要求的变更；对于创业者而言则主要是思维模式的转变。课后习题1.智能工厂与传统工厂有何区别？请列举3点。2.企业转型的需求具体原因有哪些？3.工业大数据生态系统与智能工厂之间属于何种关系？4.传统工厂转型为智能工厂涉及哪几类技术？5.在批量化定制生产过程中，请简述如何实现“端到端的生产管理”模式？工业大数据概述工业大数据与智能制造工业大数据与大数据目录工业大数据基本概念010103国内现状与前景040102学习目标1.掌握工业大数据的定义2.了解工业大数据的特征3.掌握工业大数据的数据架构4.了解工业大数据的技术架构与应用（平台）架构5.了解工业大数据与大数据、数据科学的区别6.了解新一代智能制造及其与工业大数据的关系01工业大数据基本概念工业大数据基本概念工业大数据基本概念工业大数据发展背景工业大数据定义工业大数据特征工业大数据数据架构工业大数据应用（平台）架构工业大数据技术架构工业大数据发展背景大数据技术的发展，使得上世纪90年代第二次陷入低谷的人工智能领域再次迎来曙光，并进入到“新一代人工智能”时代。相应的，工业领域也因工业大数据技术等的突破而正式迎来“第四次工业革命”，这也引起世界各国的高度重视。近年来，世界上的工业巨头国家纷纷推出针对性的国家战略，以期占领新工业的制高点。12012年2月，美国发布《先进制造业国家战略计划》报告，后发布《2014年全球大数据白皮书》，指出：要提高分析运营和交易数据的能力；洞察客户线上消费行为以提供新的高度复杂产品；对重点机器和设备进行更加深入的感知。工业大数据发展背景22013年4月，德国将“工业4.0”上升至国家战略，强调通过信息互联技术与传统工业制造的深度融合，使产品与设备之间、工业内部纵向之间、工厂与工厂之间，都能通过信息物理系统连接为一个整体，从而实现智能化生产。32015年，法国推出“新工业法国Ⅱ”计划，全面学习德国工业4.0，又在同年5月公布未来工业计划，主要目标是建立更为互联互通、更具竞争力的法国工业。工业大数据发展背景42015年5月，中国国务院印发《中国制造2025》规划，提出将重点推动两化（信息化与工业化）深度融合，把智能制造作为主攻方向，着力发展智能设备和智能产品，推进生产过程智能化；同年12月，《国家智能制造标准体系建设指南（2015年版）》发布，并确定工业大数据属于智能制造标准体系五大关键技术之一。工业大数据定义工业大数据：指在工业领域中，围绕典型智能制造模式，从客户需求到销售、订单、计划、研发、设计、工艺、制造、采购、发货和交付、售后服务、运维、报废或回收再制造等整个产品全生命周期各个环节所产生的各类数据及相关技术和应用的总称。广义的工业大数据应分为各类工业数据、工业大数据技术和工业大数据应用三大部分。工业大数据定义：工业数据来源企业信息化数据包括产品研发数据、生产性数据、经营性数据、客户信息数据、物流供应数据以及环境数据，以上均属于工业领域的传统数据资产。企业信息化数据工业物联网数据外部跨界数据工业数据三大来源工业物联网数据指工业设备和产品快速产生的且存在时间序列差异的大量数据，也是新的、增长最快的数据来源。外部跨界数据则是由企业外部互联网来源的数据，如环境法规、宏观社会经济数据等。工业大数据定义：工业大数据技术工业大数据技术包括数据采集、预处理、数据存储、数据分析、可视化以及智能控制等，与传统数据挖掘的过程相似，即从大量的、不完全的、有噪声的、随机的数据中提取隐藏而有用的信息和知识。但在大数据背景下，传统技术不再具备处理海量数据集的能力，因此进行数据准备与数据处理的工具和技术因此发生了巨大的更替。工业大数据定义：工业大数据应用工业大数据应用是指对特定的工业大数据集，集成应用工业大数据技术，以获得有价值信息的过程。智能化设计智能化生产智能化服务网络协同化制造个性化定制等工业大数据典型应用工业大数据特征作为工业领域中的大数据，工业大数据既具有大数据的普适特征，也具有独有的特征。海量性（Volume）数据量的大小决定所考虑的数据的价值和潜在的信息；大量机器设备的高频数据和互联网数据持续涌入，使得工业数据体量较大，大型工业企业的数据集将达到PB级，甚至EB级别。多样性（Variety）数据类型的多样性和来源广泛；工业数据分布广泛，分布于机器设备、工业产品、管理系统、互联网等各个环节，并且结构复杂，既有结构化和半结构化的传感数据，也有非结构化数据。工业大数据特征价值性（Value）即价值密度低，任何有价值的信息的提取都是基于海量的数据；相反也说明个别数据的缺失或错误并不会对大数据价值的提取造成巨大影响。快速性（Velocity）指获取和处理数据的速度快，工业数据处理速度需求多样，生产现场要求时间分析达到毫秒级，即接近实时的要求；管理与决策应用则需要支持交互式或批量数据分析。工业大数据特征准确性（Accuracy）工业大数据更加关注数据质量，对数据分析的置信度要求较高，仅依靠统计相关性分析不足以支撑故障诊断、预测预警等工业应用，需要将物理模型与数据模型结合，挖掘因果关系。强关联性（Strong-relevance）一方面指产品生命周期同一阶段的数据具有强关联性，如产品零部件组成、工况、设备状态、维修情况、零部件补充采购等；另一方面指产品生命周期的研发设计、生产、服务等不同环节的数据之间需要进行关联。工业大数据特征闭环性（Closed-loop）包括产品全生命周期横向过程中数据链条的封闭和关联，以及纵向数据采集和处理过程中，需要支撑状态感知、分析、反馈、控制等闭环场景下的动态持续调整和优化。工业大数据数据架构工业领域的海量数据本身并不是人们关注的重点，关键在于工业数据所能带来的价值，而这主要通过企业维的纵向数据以及产品维的横向数据进行集成以在价值维度上实现价值增长。工业物联网数据企业维度描述企业信息化数据产品维度描述工业大数据数据架构：企业维就企业维度而言，企业在生产制造过程中主要会产生以下数据。【设备层】设备层的物理器件由机床、机器人以及相关的传感器、仪表等组成，产生的数据包括设备内部运行状态数据、设备外部环境状态数据等。【控制层】控制层由可编程逻辑控制器（PLC）、数控机床（CNC）、数据采集与监控系统（SCADA）、分布式控制系统（DCS）和现场总线等组成，主要完成设备控制命令的下达、设备数据的采集与传输等。【车间层】车间层即制造执行系统（MES），主要产生由制造数据管理、计划排程管理、生产调度管理、库存管理、质量管理和人力资源管理等包含的数据。【企业层】企业层数据包括产品设计数据、工艺过程设计数据、客户关系管理数据、企业资源管理数据、企业资产管理数据、供应链管理数据和运行维护数据等。【协同层】协同层包括企业与企业间协同和企业与用户间协同，前者产生的数据包括协同制造、产能共享等，后者包括个性化定制、服务型制造的商业模式等。工业大数据数据架构：产品维就产品维度而言，产品的全生命周期主要会产生下列数据。【设计】设计层包括用户需求与产品设计两大方面，用户的个性化定制需求是产品设计数据来源，而产品设计则是根据需求进行计算机辅助设计（CAD）、计算机辅助分析工程（CAE）、计算机辅助工艺过程设计（CAPP）、计算机辅助制造（CAM）。【生产】生产层即产品在制造过程中产生的数据，如产品制造状态数据等。【物流】物流层包括运输、仓储、搬运装卸、包装及流通加工等货物流通环节涉及的数据。【销售】销售层包括商品类型、尺寸、型号、销售类别、售价、销量以及赠品等方面的数据。【服务】服务层包括产品安装、调试，技术指导以及定期保养维护等方面的数据。工业大数据数据架构：价值维价值维度可由纵向集成、横向集成以及端到端集成共同实现。纵向集成横向集成端到端集成从企业角度，将设备层产生的数据到协同层的数据层层打通，实现纵向集成，则企业的生产在更加高效、低成本同时，更能有效提高产品质量；因此，纵向数据价值的根本落脚点在于产品质量保障，故可称纵向数据为“制造型数据”。从产品的角度，将设计环节到售后服务乃至产品报废或回收再利用的全生命周期内产生的数据打通，实现横向集成，则产品设计制造更符合用户需求，物流更精准快捷，销售更便捷透明，服务更及时周到，无不体现出横向数据价值的根本落脚点在于用户满意度保障，故可称横向数据为“服务型数据”。企业还应充分利用端到端集成的优势，即在纵向层与横向层的所有环节中，企业应牢牢抓住几个关键环节实现端到端自主控制以“扬长”，又应借助云平台环境使其他环节变得易于实现以“补短”，从而达到产品让用户满意的最终目的。工业大数据技术架构工业大数据技术架构主要分为四个层次，分别为数据采集层、数据存储层、数据分析层以及数据应用层。【数据采集层】这是连接工业现场与非工业现场的环节，主要通过各类传感器对所需数据进行监测以及数据采集，并通过以太网或局域网进行数据的实时传输至PC；而某些情况下采集的源数据是多维异构的，则还需要进行数据清洗、规约等预处理。【数据存储层】是将采集的工业数据进行本地化、边缘化存储，或将数据上传至云端存储，甚至也可存于移动端中；而根据数据的实时性，存储的数据可分为实时数据和历史数据。工业大数据技术架构工业大数据技术架构主要分为四个层次，分别为数据采集层、数据存储层、数据分析层以及数据应用层。【数据分析层】包括数据提取和挖掘分析，通过从大数据存储系统中抽取所需的数据并分析，来获取有价值的特征信息；其中数据分析可借助Spark、Storm或Flink等计算引擎。【数据应用层】利用数据挖掘分析得到的结果切实应用于实际生产生活中，使得企业或用户的需求得到更好的满足；以数据可视化为例，譬如机床健康保障，雷达图的应用使得机床关键部件的健康状态分布呈现得更加直观，为机床维护提供及时的参考信息等。工业大数据应用（平台）架构工业大数据技术作为智能制造关键技术之一，在智能制造产业链中主要有大规模个性化定制、智能化设计、智能化生产、网络化协同制造和智能化服务五大典型应用；这几乎包含了产品生命周期大部分环节，但也说明了工业大数据技术给整个产业链带来的颠覆性变化。“第四生产要素”——工业大数据如果说传统的三大生产要素是土地、资本和劳动力，那么大数据，将可以称得上是“第四生产要素”，简言之，工业大数据的价值就是通过精准对接需求与资源耗费，达到人与自然和谐相处、人与人和谐相处的目的。。02工业大数据与大数据工业大数据与大数据大数据与数据科学工业大数据与传统大数据工业大数据与大数据大数据与数据科学：大数据大数据改变了传统的思维模式：从过去的“数据-知识-问题”的知识范式变成如今的“数据-问题”的数据驱动范式。大数据颠覆了传统意义上对数据功能属性的认识：智能化提升的途径从原来认为的更复杂化算法转变为“海量数据+简单算法=最优模型”。大数据令问题的剖析从以往的解释性分析过渡到通过事物间的相关性来进行预测，但也不能完全忽略根本上的因果关系。大数据也颠覆了传统的人才培养模式：较以往执行数据组织、管理、备份恢复等工作的“数据工程师”，数据相关人才将晋升为基于数据的管理，进行数据分析决策、数据产品开发和业务定义等创造性工作的“数据科学家”。大数据（BigData）：指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据与数据科学：数据科学数据科学：是大数据背景下催生的一门新兴学科。专业数据科学专业中的数据科学数据科学大数据与数据科学：数据科学数据科学：是大数据背景下催生的一门新兴学科。专业数据科学专业数据科学强调大数据的基础性、系统性和普适性的独立于传统科学的新兴学科，旨在研究出一套完整的关于大数据的知识体系。专业中的数据科学指依存于某一专业领域的大数据研究，与专业的耦合度较高，强调学科交叉性，其研究有消费大数据、健康大数据、工业大数据以及生物大数据等。专业中的数据科学工业大数据与传统大数据工业大数据以及其他传统大数据均属于“专业中的数据科学”范畴，但作为工业领域中的大数据，工业大数据与传统大数据在环节和应用上仍存在较大差异，以工业大数据与消费大数据的对比为例，如下表所示。环节和应用消费大数据工业大数据数据采集通过门户网站等交互渠道采集，对实时性要求不高通过传感器等感知技术采集，对实时性要求较高数据存储数据关联性低，存储自由数据关联性高，存储复杂数据分析通用的大数据分析算法进行相关性分析专业算法进行精确性分析数据可视化数据分析结果可视化数据分析结果可视化、3D工业场景可视化闭环控制一般无需闭环反馈自动化闭环反馈控制工业大数据与消费大数据对照表03工业大数据与智能制造工业大数据与智能制造新一代智能制造工业大数据在智能制造作用工业大数据与智能制造新一代智能制造制造业的发展史如下表所示。制造模式制造系统功能机械化制造HPS（人-物理系统）代替部分体力劳动（执行）数字化制造、数字化网络化制造HCPS(人-信息-物理系统)代替大量体力劳动（执行）；代替部分脑力劳动，人的相关制造经验和知识转移到信息系统（感知、分析决策、控制）新一代智能制造新一代HCPS（新一代人-信息-物理系统）代替更多体力劳动（执行）；代替大量脑力劳动包括部分创造性脑力劳动（感知、分析决策、学习认知、控制）各种制造模式下的技术机理对照表以机床为例，传统机床需要手工对刀、加工、变速等，尽管机床辅助人力实现了工件加工，但许多步骤还需人控制，使得加工精度和效率较低；数控机床则通过数控编程与控制技术有效改善了上述情况，但工件的上下料、加工轨迹的制定等某些环节仍旧依赖于人力；而新一代智能制造下的智能机床则不仅能通过智能机器人实现物料储运，还能在省去人力编程同时，通过学习认知以优化加工，实现更高质高效的制造。新一代智能制造新一代智能制造（即数字化网络化智能化制造）的兴起由多项因素共同决定。因此，新一代智能制造最本质的特征便是具备认知和学习的能力，这极大地解放了人的体力和脑力，使人可以从事更有意义的创造性工作；同时也实现人机深度融合，从根本上提高制造系统处理复杂性、不确定性问题的能力，极大地优化制造系统的性能。1.广大的用户群体提出不断增长的个性化消费需求；2.自然资源能源环境的约束进一步加大；而现有的制造业体系和制造水平已难以满足高端、个性、智能化产品和服务的需求；3.新一代人工智能技术，包括大数据、云计算等新一代信息技术取得战略性突破；这极大地提高了新一代智能制造的可行性。工业大数据在智能制造的作用由下图智能制造标准体系结构可知，实现智能制造的技术路径主要有五大关键技术：智能设备、智能工厂、智能服务、工业软件和大数据以及工业互联网；作为关键技术之一的工业大数据技术，其主要作用便是打通物理世界和信息世界，推动生产型制造向服务型制造转型。04国内现状与前景国内现状与前景工业大数据作为一项研究热点持续发展，虽然国内在工业大数据领域尚未建立起完善的标准体系，且由于地域发展不均衡，该项技术的覆盖面还不广泛，但不可否认的是工业大数据蕴藏的巨大价值。而当下正处于工业大数据发展初期，有理由相信在国家的政策支持下，通过产学研齐头并进，工业大数据时代将迎来繁荣期。章末小结通过本章的阅读，读者应掌握工业大数据相关的以下几点。1.工业大数据的定义：包括企业信息化数据、工业物联网数据，以及外部跨界数据在内的三类工业数据来源；从数据采集到智能化应用的工业大数据技术；以及以智能化设计、智能化生产、网络化协同制造、智能化服务和个性化定制典型的工业大数据应用范围。2.工业大数据的特征：包括海量性、多样性、价值性、快速性、准确性、强关联性以及闭环性等。章末小结3.工业大数据的体系架构：包括涉及产品维、企业维和价值维的数据架构；从数据采集、存储、分析、可视化和智能化应用的技术架构；涵盖产品生命周期的应用（平台）架构。4.工业大数据与大数据、数据科学的区别与联系：工业大数据除去传统大数据具备的共同特征外，还在于对实时性要求高，数据关联性强；大数据则包括工业大数据、消费大数据、健康大数据等各个领域的大数据；数据科学则是研究大数据整个知识体系的新兴学科。5.工业大数据与新一代智能制造关系：新一代智能制造在机器的自主感知、分析、决策方面更进一步，而工业大数据则为这一全新的体系提供关键性的技术支持。。课后习题1.什么是工业物联网数据并举例说明。2.如何解释“价值密度低”？3.如何实现工业大数据的纵向、横向集成？4.明工业大数据与传统大数据的不同点，至少2点。5.新一代智能制造兴起的原因有哪些？工业大数据网络协议目录工业大数据网络基础模型工业大数据网络典型协议0102学习目标1.熟悉工业大数据网络模型2.了解工业网络的发展与应用3.理解典型工业数据采集网络的运行机制01工业大数据网络基础模型工业大数据网络基础模型工业以太网网络模型计算机网络模型现场总线网络模型计算机网络模型计算机网络普遍采用的网络互联模型是IOS/OSI模型，它采用分层的结构化技术，把计算机通信网络分为七个层次，如图所示。在IOS/OSI模型下，两个通信对象同等层之间的通信规则和约定被称为“协议”。计算机网络模型分层总结名称作用应用示例常用编码方式/协议应用层为具体应用程序提供网络通信服务电子邮件、远程桌面HTTP协议、FTP协议、TFTP协议、SMTP协议、DNS协议、DHCP协议等表示层规定数据传输的语义和语法，解决不同操作系统之间的异构通信Windows系统下可以访问Linux系统远程桌面ASCII，MPEG，JPEG等会话层建立、管理和终止表示层与实体之间的通信会话文件断点续传、用户登录验证SQL协议、NFS协议、RPC协议等传输层向会话层提供可靠的端到端的网络数据流服务端口（socket）TCP协议、UDP协议等网络层通过IPV4或IPV6等确定通信实体的网络位置，在通信实体之间建立连接路由器、防火墙IP协议，ARP协议，RARP协议，因特网报文协议ICMP、因特网组管理协议IGMP等数据链路层在通信实体之间建立数据链路连接，确定对数据流如何进行分包网桥、二层交换机SDLC、HDLC、PPP、STP、帧中继等物理层将比特流进行编码转换成相应的物理信号，并提供原始比特流的传输通道中继器、集线器、网线、RJ-45标准常用编码方式：非归零编码、曼彻斯特编码、差分曼彻斯特编码现场总线网络模型现场总线的网络建模是以IOS/OSI模型为基础的。但是工业控制网络与普通计算机网络的应用场景及需求是有很大不同的。工业大数据有别于一般计算机网络数据的主要特性如下图所示数据种类实时性要求完整性要求连续性要求是否高并发一般大数据低低允许数据丢失，可恢复是工业大数据高高不允许数据丢失，不可重现否现场总线网络模型结构模型的定义现场总线对IOS/OSI参考模型进行了简化，按照IEC（InternationalElectrotechnicalCommission，国际电工技术委员会）现场总线的基础网络架构包括３层，分别为物理层、数据链路层和应用层（如图3-2所示）。这样就舍去从3网络层到6表示层，降低由层间操作与信号转换而引起的网络接口造价与时间消耗，保证工业控制系统的实时性与可靠性。由此可见，现场总线是一种具有简化网络结构和开放性的实时系统，为制造现场和控制设备之间提供了一种有效的串行数据通信链路。现场总线网络模型的实际应用建立高尔夫球场顾客问题的决策树模型：在实际应用中，有些现场总线（如美国仪表学会制定的ISA/SPSO现场总线）结构会增加一层用户层，如下图所示。这是因为，虽然现场总线物理层、数据链路层和应用层的功能与IOS/OSI模型基本是一致的，但是现场总线在数据通信上是有独特应用需求的。数据通信上的独特需求①IOS/OSI参考模型只支持点对点/端对端的通信模式，不支持多播或广播，而现场总线中的一个主站需要向多个从站发送控制命令。②IOS/OSI参考模型不提供周期性通信服务，而工业控制系统中某些应用需要周期性通信。工业以太网网络模型工业以太网在Ethernet+TCP/IP协议之上，建立了完整、高效的通信服务模型，提供广大工控生产厂商和用户所能接受的应用层、用户层协议，从而形成开放的标准，成为了智能车间建设、大数据中心可靠运作、以及实现生产过程智能监控与管理的关键因素。。现场总线具备开放性、全数字化、智能化等特征，但是异构现场总线之间互不兼容，不同协议产品之间无法实现透明的信息交互，难以体现互操作性，存在“自动化”孤岛的瓶颈，不支持与互联网集成，随着物联网技术的快速发展，工业以太网应运而生。工业以太网是在以太网技术的基础上开发出来的“第二代现场总线”，易实现控制现场数据与信息系统的资源共享，支持工业生产过程的“管控一体化”，已然成为了智能制造的关键支撑技术。工业以太网网络模型的结构模型工业以太网的网络模型与普通现场总线网络模型类似，依然是对原有IOS/OSI参考模型进行“裁剪”，以1物理层、2数据链路层和7应用层为基础，有些工业以太网协议还支持用户层。工业以太网与普通现场总线协议最大的不同是，工业以太网在网络层和传输层采用了标准的TCP/IP协议簇（包括UDP、TCP、IP、ICMP等）。从另一个角度来说，普通现场总线协议只定义物理层、数据链路层和应用层，为了与以太网技术融合，工业以太网在数据包之前加入了IP地址，并通过TCP/UDP进行数据传输，如左图所示。02工业大数据网络典型协议工业大数据典型网络协议工业大数据典型网络协议工业网络协议综述OPCUA协议MT-Connect协议NC-Link协议COAP协议MQTT协议工业网络协议综述截至2018年，国际上已有40多种现场总线，每一种现场总线都有各自的适用范围和技术特点。Profibus-DP主要用于分散外设间的高速数据传输，适用于加工自动化领域。Profibus-FMS适用于纺织、楼宇自动化、可编程控制器、低压开关等DeviceNet主要被广泛应用于现代工厂自动化系统。在工业以太网与智能制造的发展推动下，基础自动化控制网络与过程和管理控制系统之间实现了无缝集成，保证从底层现场设备到顶层生产管理之间高质量的数据传输和数据转换。….……..工业网络协议级别按照工业网络的应用层次，本书将工业网络协议分为4个级别：单元级、设备级、车间级和企业管理级，如下图所示。当然这种划分方式也不是绝对的，因为工业现场总线已经呈现有互相融合的趋势，各类总线通过合理搭配形成真正开放的互联互通，不断推动工业控制系统的变革与发展。工业网络协议级别单元级总线以“Ethercat、NCUC-Bus”为代表，主要用于设备内部（如伺服系统内）的数据传输，由于高速、高精的通信需求，它对信号实时性要求特别苛刻，甚至要求总线周期在纳秒级。设备级总线以“Modbus、Fieldbus、Fieldnet”为代表，用于自动控制系统与分散的I/O设备级之间的通信，适用于分布式控制系统，如水站、电站等，总线周期一般都低于10ms。车间级总线如OPCUA、MTConnect、NC-Link等，可用于大范围和复杂的通讯场景，用来解决车间级通用性通讯任务。总线周期一般小于100ms，但时间跨度也允许在秒级或分钟级，支持工业数据采集，建立工业数据向管理网络传输的通道。企业管理级网络将孤立的现场设备带进了企业信息网络，它以车间级总线为基础通信层，将现场设备与企业管理系统（如ERP、MES等）连接起来，实现工业自动化生产控制/过程的智能管控。OPCUA协议1.OPCUA技术背景在实际应用中，工业生产设备种类繁多，异构工业设备之间没有通用的标准接口，这为现场生产设备之间的互联互通造成了很大的困难，从现场底层的生产数据到高层的企业决策信息无法进行有效集成和整合。因此，设备供应商和软件开发商需要一种具有高效性、可靠性、开放性、可互操作性的即插即用的设备驱动程序，简化每个层级之间的数据交换，于是OPC应运而生！OPC标准以微软公司的OLE（ObjectLinkingandEmbedding，对象链接和嵌入）技术为基础，向用户提供具有开放性和互操作性的OLE/COM接口标准，避免非标准数据接口的复杂性，使各种工业设备和管理层系统/工业应用层之间能够互相操作，工业应用程序的使用不再依赖特定的开发语言与环境。OPC标准OPCUA协议OPCUA作为新一代OPC技术，其主要优势的简单总结：1)

跨平台性，独立于各种开发平台和编程语言；2) 访问统一性，提供一致、完整的地址空间和服务模型，通过一个调用接口为客户端提供数据、报警、事件和历史数据，详见节；3) 安全通讯机制，底层通信技术集成了由公用秘钥与私用秘钥形成的加密功能和标记技术，保证了传输消息的完整性与安全性；4) 信息授权访问机制，集成用户授权、签名、加密传输等功能，防止信息非授权访问，以及过程数据损坏和误操作。5) 高可靠性，集成可配置超时、自动错误检查和自动恢复等机制，可对OPCUA客户端与服务器之间的物理连接进行监视，及时发现通信故障，自动处理通信错误和失败；6) 冗余性，支持来自不同厂商的软件应用同时被采纳并彼此兼容，实现高可用性的通信系统。因此，自OPCUA技术诞生以来，越来越多的公司将其作为开放的数据标准，包括主流的自动化厂商，以及IT界的华为、CISCO、Microsoft等都是OPCUA的支持者，还包括Profibus/Profinet的PI组织、POWERLINK。在2017年9月5日，OPCUA已正式成为国家推荐性标准。OPCUA协议2OPCUA规范总览OPCUA协议开发规范由OPC基金会于2006年8月首次发布，截至2018年10月，最新版官方正式发布的OPCUA开发规范主要包括13个部分说明，如右图所示，OPCUA协议第一部分：概要与概念主要介绍了服务器和客户端的基本概念。第二部分：安全模型描述了OPCUA客户端与服务器之间的安全交互，包括交互通道安全、消息传输安全、数据访问安全等。第三部分：地址空间模型用以描述服务器地址空间的内容和结构。地址空间是整个系统的最基层，系统绝大多数的功能调用都需要经过该模块，是OPCUA架构的最核心部分。第四部分：服务说明了OPCUA可提供的所有服务功能和服务函数对系统的功能进行了全面性描述。第五部分：信息模型说明了为OPCUA服务器定义的标准数据类型和它们之间的关系。第六部分：服务映射对协议支持的传输映射和数据编码机制进行了说明。第七部分：协议描述了OPCUA服务器和客户端可以实现的行为类别，说明了可用于OPCUA客户端和服务器的协议，这些协议提供了可用于一致性标准的服务和功能。OPCUA协议第八部分：数据访问为过程数据定义了变量类型、属性和状态码等模型，说明了OPCUA系统的数据访问规则。第九部分：报警与事件定义了使用OPCUA对过程报警与条件通道的支持。第十部分：程序说明了OPCUA对程序访问的支持。第十一部分：历史访问说明了历史数据和历史事件的访问方式。第十二部分：查找用以说明客户端采用何种方式在网络中发现服务端，以及客户端如何获得需要的信息与特定服务器建立连接。第十三部分：聚合说明了如何从原始数据计算样本值，主要用于实时数据和历史数据的处理。第十四部分：订阅发布定义了数据访问的发布订阅模式，但截至到2018年10月，该部分规范还处于候选版本，没有被正式发布。OPCUA协议3OPCUA架构分析OPCUA系统体系结构采用服务端/客户端（C/S）模式，其中OPCUA服务器负责生产过程数据的收集，然后通过标准接口为OPCUA客户端提供数据服务，OPCUA客户端通过标准接口获取数据，实现用户所需的应用程序功能。如右图所示。1.网络架构OPCUA协议假定要开发一套OPC系统，OPCUA客户端和服务器都要开发对应的应用程序，先了解一下OPCUA的服务器和客户端的运行和配置方式。2.系统架构OPC基金会定义的OPCUA客户端系统架构，客户端应用程序是指执行客户端功能的代码，它通过“客户端API”向服务器发送数据请求或从服务器接收信息。需要说明的是，“客户端API”是一个内部接口，将应用程序代码从通信堆栈中分离出来，通信堆栈负责将客户端的API调用转换为服务消息，并通过底层消息体发送给服务器。OPCUA协议OPC基金会定义的OPCUA服务器系统架构，服务器应用程序“服务器API”与客户端进行交互，同理“服务器API”也是内部接口。OPCUA客户端与服务器有两种交互方式：第一种：客户端发送服务请求，经底层通信实体发送给OPCUA通信栈，并通过服务器API调用请求/响应服务，然后在地址空间内执行指定任务后，向客户端返回一个响应，这种交互称为请求响应模式。第二种：客户端发送消息发布请求，经底层通信实体发送给OPCUA通信栈，并通过服务器API发送给订阅，当订阅指定的监控项监测到数据/事件/报警变化时，产生一个消息通知由订阅转发给客户端，这种交互称为发布订阅模式。OPCUA协议OPCUA客户端和OPCUA服务器之间的合法连接称为“会话”，每个客户端与服务器建立一个单独的请求响应对话，每个服务器可以根据自身资源或其他约束条件来决定可支持的并发会话数量，即可接受的客户端连接数量。会话的终止由客户端或服务器的指令、或客户端失效来决定。每个会话是不依赖底层通信协议的，但是会话的进行是建立在底层通信架构的基础上的，如右图所示。OPCUA通信架构主要包括两个部分：UA应用程序和通信栈，其中通信栈由编码层、安全信道层和传输层构成，负责向UA应用程序（包括服务器应用程序和客户端应用程序）提供一套标准接口（API）。3.通信架构OPCUA协议4OPCUA服务OPCUA服务指的是OPCUA服务器对外的接口，是服务器信息模型和客户端信息模型进行数据交互的桥梁，即OPCUA客户端若想访问服务器的数据必须通过服务才能实现，服务以“方法”的形式提供给OPCUA客户端使用。OPCUA协议规范在其第四部分对所有服务进行了介绍与划分，形成了多个服务子集，每个服务子集定义用于访问服务器特定功能部分的逻辑组合，解决了传统OPC规范在应用时服务重叠的问题。OPCUA服务规范定义的服务子集如右图所示，包括安全信道服务集、节点管理服务集、方法服务集、查询服务集、会话服务集、视点服务集、属性服务集和订阅服务集等。OPCUA协议5OPCUA信息模型OPCUA客户端如何访问服务器是通过对象模型描述的，该模型定义了一组标准化节点类型，代表地址空间内的对象、对象属性、方法、事件以及对象间的关系。相关对象模型及其之间的关系按照特定的规则进行分组，便形成信息模型。换句话说，信息模型是使用地址空间的概念定义自有的、领域特定的类型和约束，以及明确定义的实例。信息模型是OPCUA技术的基础，可以定义节点标识（NodeId）、节点类型、建模规则等，它还可以通过定义浏览名称和语义定义标准的特性和方法。此外，信息模型也能定义标准视点，以及包含明确数据的标准变量。数据访问（DC）历史数据访问（HDA）报警和事件（A&E）程序本书不详细介绍OPCUA如何进行信息建模，只向读者介绍OPCUA已定义的4种标准信息模型。OPCUA协议1、数据访问（DC）数据访问信息模型主要定义了模拟和离散变量、工程单位和质量代码的自动化数据表示形式，基于该模型，OPCUA规范在第8部分详细说明了如何使用OPCUA进行数据访问。数据访问信息模型定义的标准变量层次结构见右图。OPCUA协议2、报警和事件（A&E）OPCUAA&E接口接收事件或报警通知。事件是通知客户端有一个事件发生；报警事件通知客户端过程状态的变化，比如水箱的水位值，超过最高水位或低于最低水位就会产生状态变化。OPCUA通过A&E接口接收通知的基本原理为：在A&E服务器中创建OPC事件服务器（OPCEventServer），然后生成OPC事件订阅（OPCEventScription）对象接收消息通知。3、历史数据访问（HDA）4、程序历史访问信息模型主要描述了如何找到历史数据的配置信息。OPCUADA接口可访问数据源的历史信息，OPCUA客户端连接到HAD服务器中的OPCHDAServer对象，此对象可提供读取和更新历史数据的接口和方法。程序是相对于方法而言。方法是由客户端发出请求，在服务器执行，并将结果返回给客户端，这个过程可在短时间内完成，比如电机的启动、停止等。程序则是用来完成长时间运行、有状态的功能。OPCUA协议6OPCUA地址空间模型1.节点与引用OPCUA地址空间内的内容是以一组通过“引用”形式连接起来的节点来描绘的，如右图所示。节点是地址空间的基本单位，代表OPCUA服务器定义的真实对象，OPCUA客户端通过使用OPCUA服务（接口和方法）来访问节点。引用定义了节点与节点之间的关联，如右图中的箭头表示两个节点间的引用关系，箭头方向表示引用方向，箭头的起点是源节点，箭头的末端指向目标节点。OPCUA协议节点由属性描述并由引用进行关联组织，属性用来描述节点的数据元素，客户端可通过读、写、查询、订阅的方式存取属性值。属性是节点类的基本组成部分，比如对于一个监控项而言，监控对象就是节点的某个属性。属性内容包括属性ID、名称、描述、数据类型、和强制/可选指示器等，其中属性ID用来唯一标识属性。一个引用关系由源节点、引用类型、目标节点的联合唯一标识，如下图所示。需要说明的是，每个节点可以与其他多个节点形成引用关系，但是引用的定义是非常严格的，相同的两个节点之间不允许提供两次方向和类型都相同的引用。另外，目标节点可以在与源节点相同的地址空间里，也可以在不同的地址空间里，OPCUA协议2.节点组织OPCUA服务器可以在它们的地址空间中自由的组织它们选择的节点。基于节点间的引用关系，OPCUA服务器将地址空间内的许多个节点组织成分层结构、网状结构或任何可能的混合结构，如下图就是一种网状组织结构。OPCUA协议3.节点类型OPCUA定义了多种类型节点，每种节点类别都具有自身特有的属性，但是其都继承于一个基节点，基节点定义了它们的共有属性，见下表所示。序号属性数据类型说明1NodeIdNodeId用于定位OPCUA服务器中的节点，并用来对节点进行唯一标识2NodeClassNodeClass定义节点类型（NodeClass）的枚举类别，如对象、方法或视点等3BrowseNameQualifiedName用于客户端浏览OPCUA服务器时的节点标识4DisplayNameLocalizedText用于节点名称在用户界面的可视化显示5DescriptionLocalizedText可选属性，描述该节点的本地化说明6WriteMask

UInt32可选属性，定义节点属性是否可写7UserWriteMaskUInt32可选属性，定义连接到OPCUA服务器的某一个客户端是否有修改节点属性的权限OPCUA协议NodeClass是一个枚举类型，用来标记节点属于OPCUA规范定义的哪一种节点类型，当然OPCUA规范定义范围之外的是非法的。BrowseName是一个包含命名空间（Namespace）和非本地化字符串的结构，服务器通常为NodeId和BrowseName设置同一个Namespace，但是BrowseName不能唯一标识节点，一批类似的实例节点可能具有相同的BrowseName属性值。DisplayName用来显示节点名称，BrowseName仅用于浏览目的，不用于节点名称的显示。WriteMask和UserWriteMask定义了客户端对节点属性的可写性，由WriteMask定义的可写属性集不能小于UserWriteMask定义的可写属性集，因为WriteMask定义任何用户可写的属性集，UserWriteMask定义指定用户的可写属性集，可以理解为，UserWriteMask是WriteMask的子集。需要说明的是，基节点是抽象的节点类型，不能被实例化。OPCUA从基节点派生了8种可被实例化的节点类别，分别为Variable（变量）、VariableType（变量类型）、Object（对象）、ObjectType（对象类型）、View（视点）、DataType（数据类型）、ReferenceType（引用类型）和Method（方法）。OPCUA协议（1）引用类型引用的实质是“两个节点之间的关联”，用于说明节点如何连接的不同语义。即引用不是节点，它没有任何属性和特性，不能被直接访问，只能间接的以浏览的方式访问，OPCUA便使用“引用类型”来说明引用的语义，定义引用属于哪一种类型。属性数据类型说明属性数据类型说明IsAbtract布尔定义引用类型可否用于引用，或者只用于组织引用类型层次结构Sysmetric布尔指定引用是否对称，即正反向意思是否相同InverseNameLocalizedText可选属性，只适用于非对称引用，指定引用在反方向上的语义注意：一个引用类型的Browsename在一个OPCUA服务器中必须是唯一的，避免同名的引用类型语义不同而导致混乱。DisplayName必须定义有Browsename的本地化描述，两者共同确定引用类型的正向语义。OPCUA协议（2）对象、变量和方法1) 对象节点类别为对象的节点用于描述地址空间结构，对象除了Browsename（浏览名称）、DisplayName（显示名称）等属性外，不能包含任何数据，通过使用变量对外提供值。对象主要用于变量、方法或其他对象的分组管理。一个对象可能包含有其他的对象，基于同一个对象可以定义不止一个变量以及不同的方法实现。2) 变量节点类别为变量的节点代表一个数值，数值的数据类型取决于该变量节点类别。即变量提供真实的值，该值支持读取、重写、变化订阅等客户端操作，类似于面向对象编程中的“a=1”，a是一个变量，数值为1。实际上，OPCUA定义了两种变量：数据和特性（Property），它们是数据建模的基本因素。3) 方法节点类别为方法的节点代表由客户端调用并返回结果的一个服务器方法，方法的输入是由客户端提供的输入参数，输出参数是按照客户端要求返回的结果。OPCUA协议节点类别（NodeClass）属性数据类型说明对象（Object）EventNotifierByte表示对象是否可以用来订阅事件，以及事件的历史是否会被访问或改变变量（Variable）Value由其他属性决定变量实际值，数据类型由ArrayDimensions、ValueRank或DataType决定DataTypeNodeId标识地址空间的节点，该属性包含一个此类型节点的NodeId，以此来定义Value属性的数据类型ValueRankInt32标识值是否为数组，以及定义数组的维度。OPCUA内置支持多维数组，客户端可以读取或写入数组的一部分，也可以只订阅数组的一部分ArrayDimensionsUInt32[]可选属性，用来定义数组大小，只能适用于Value值是一个数组的情况AccessLevelByte定义Value属性的当前值是否可读写，以及Value是否有历史可用，注意与WriteMask属性的区分，WriteMask不包括变量类型的Value属性，与AccessLevel在信息上不会重复UserAccessLevelByte定义指定用户是否有权限读写Value属性的当前值，是否有权查询历史值MinimumSamplingIntervel时间区间可选属性，定义服务器能检测到Value属性变化的时间Historizing布尔标识目前服务器是否收集了Value历史信息。AcessLevel指示是否有历史可用，Historizing指示服务器是否收集了历史信息方法（Method）Executable布尔指示方法在当前是否可以被调用UserExecutable布尔指示方法在当前是否可以被指定用户调用InputArgumentsArgument[]可选属性，定义一个方法输入参数的属性OutputArgumentsArgument[]可选属性，定义一个方法输出参数的属性OPCUA协议（3）对象类型类似于面向对象编程，OPCUA技术规范定义的对象都是有类型的，称为对象类型（ObjectType）。OPCUA对象类型节点的运行机制：如左图中定义了两个对象类型：FolderType和BranchType，对象Branch1引用了BranchType，因此是BranchType类型的。服务器在创建一个对象时，必须提供对象类型定义，对象的Description和DisplayName可以不指定，使用对象类型的对应属性值填充，比如图中的对象Branch1的Description属性值来自对应的BranchType的。OPCUA协议OPCUA对象类型节点的使用和实现：对象类型是一次定义多次使用，即基于同一个对象类型，可以创建多个不同的对象实例。左图展示了一个对象类型定义的例子，其中MotorType是一个对象类型节点，基于该节点创建了对象节点Motor1，还可以创建Motor2.Motor3等多个对象节点。MotorType定义了一个状态变量Status，一个包含两个变量的配置对象Configuration，两个方法Start和Stop，Motor1与MotorType保持相同的结构，但是两者也存在本质相异点：对象类型节点MotorType下定义的变量、对象和方法是实例，但是这些实例不提供真正的实例值，因此这些实例节点被称为实例声明（InstanceDeclarations）。OPCUA协议（4）变量类型像对象一样，OPCUA提供的变量也是有类型的，通过变量类型（VariableType）指定，也支持继承机制。下表列出了变量类型的附加属性。属性数据类型说明Value由其他属性决定可选属性，变量的实际值，数据类型由DataType、ValueRank或ArrayDimensions决定DataTypeNodeId定义Value属性的数据类型ValueRankInt32标识参数类型：标量、数组或矩阵等ArrayDimensionsUInt32[]可选属性，用来定义数组或矩阵大小，只能适用于Value值是一个数组的情况。这个数组的每项定义了值数组的对应维度大小IsAbstract布尔标识变量类型是具体的或者抽象的OPCUA协议（5）数据类型在变量和变量类型部分已经提到过数据类型（DataType），实际上，OPCUA规定：除了变量和变量类型的Vaule属性外，所有属性都有一个数据类型，变量和变量类型的Vaule属性是由变量和变量类型的数据类型属性、ValueRank、ArrayDimensions共同定义的。OPCUA技术规范定义的数据类型有5种。1)内置数据类型2)简单数据类型3)枚举数据类型4)结构化数据类型5)抽象数据类型OPCUA协议（6）视点视点是用来组织空间地址的关键依据。它可以从以下两种方面来理解：1） 视点是地址空间的一个节点，提供视点内容的入口。2） 使用节点的NodeId作为地址空间浏览的过滤参数，通过视点的过滤机制，客户端可以快速地从庞大的数据集中查询并定位到需要的数据节点。同时，服务器可以限制客户端访问到视点外部节点的引用。因此，客户端浏览地址空间需要从视点进入，然后把视点当作过滤器浏览指定范围的节