4、机器学习和人工智能的应用
机器学习和人工智能为工业物联网提供了广阔的遐想空间。目前，工业领域主要的应用包括自我诊断和预测性维护、优化生产流程、智能机器人、结合机器视觉进行产品检测等。
（1）自我诊断和预测性维护：采用预测性模型技术，通过对现场设备、控制器等上传的数据进行分析，即可获得的设备故障前兆特征。配合报警机制，工作人员可及早制定维护和应急方案。避免因产线骤停带来的难以控制的损失。比如正在作业的工业机器人出现故障，就会造成大量的不合格品，人工智能技术可以通过检测机器人减速机和主轴上不同状态下的数据，来学习并建立模型，进而能够提前预测故障。
（2）优化生产流程：人工智能模型在搜集的各项温度、转速、能耗、产能等数据的基础上，进行分析，对产线进行节能优化，提出降低能耗、提高产能的方案。
（3）智能机器人：机器人可以去读关联软件模型中制造产品的相关信息，并学习。最终，不需要工程师每次对机器人进行编程，机器人可直接接受工程师指令，自主进行制造生产。这样，产线能够更加灵活、高效地应对定制化生产的需求。
（4）结合机器视觉进行产品检测：目前广泛应用于半导体和3C行业。机器视觉是人工智能正在快速发展的一个分支。机器视觉系统的摄像头可以快速获得大量生产信息，通过后台软件加工处理，结合设计信息和加工控制信息，能够代替人工作业提高生产的效率、精度、质量和柔性。
5、工业移动应用会更加广泛
移动终端设备在工业物联网中的参与度逐渐提高，越来越多的厂商推出移动应用方案，进一步提升工作效率和效力。移动终端主要的应用方式有以下几种：
（1）远程监控：使用HMI的移动应用，工作人员可以在任何时间和地点检查现场设备和产线的运行状态，并及时进行诊断和维护工作。当监控点离设备操作点较远，或设备位于危险区的时候，移动应用提高工作安全性和效率的优势更为明显。
在多台设备都在运行同一套工序的情况下，工作人员在移动终端上就可以查看每台设备的状况，比跑到每台设备前逐一查看更方便和高效。很多人认为个人移动设备不适合在工业环境下使用，所以，在2017年，除了推出了更多基于个人移动终端的应用，我们看到少数企业也推出了专门用于工业环境下的基于web的平板电脑，仅用来查看数据和信息。
（2）自动采集现场信息：工作人员可以将移动设备作为现场信息采集工具，通过专用的应用程序，直接扫描并上传数据到后台系统，这样可以避免工作人员自己读取和手工输入信息过程中造成的错误。
（3）信息发布和分享：将现场的人工流程在移动终端上数字化，信息的发布和分享将会极大简化。比如工厂的管理员可以将发现的问题同时发布给所有相关人员，而不必逐一沟通。进而减少停机和维修的时间，最大化地降低损失。
如上文所述，工业物联网的实践对生产设备、软件平台、人员配备、以及资源都提出了很多新要求，工业自动化设备也要为此做好准备。以下是IHS Markit所观察到的自动化设备层面已经发生或正在发生的变化：
（1）数据采集能力：传统工厂里使用的传感器和执行器都是独立工作的，现在越来越多的设备安装了嵌入式的传感器，比如泵、流量表、马达、轴承等。
（2）通信能力：越来越多的PLC和HMI产品都配置了通信接口，过去属于高端产品的配置，现在已成为中端产品的标准配置。一些I／O模块产品配置了无线通信能力。
（3）数据处理能力：PLC的数据处理能力进一步提升，能对现场设备中的数据进行筛选和简单的处理，减少服务器和云端的负荷。智能I／O模块具有简单的数据处理和逻辑判断能力。过去两年，也推出了很多具有数据存储和处理能力的物联网网关。
（4）工业级移动设备：少数厂商推出了针对工业环境下使用的移动设备，比如基于web的平板电脑，仅能浏览网页，用来查看现场产线状态和信息。
（5）控制系统结构扁平化：一些高端PLC产品和智能I／O模块添加了物联网网关的功能，可以直接将数据传送到服务器或云端。智能传感器也可以不通过PLC，直接通过物联网网关将数据传送到上层。新产品的这些功能将会加速工业控制系统构架的扁平化。
（6）人工智能算法模块：Rockwell和Omron都在其PLC控制器中加入了人工智能算法模块，通过对控制器中的数据流进行分析学习，人工智能算法模块会快速建立模型，之后会持续监控运行数据发现异常，并报警。
（7）设备本地化与云端结合：会有更多基于云的方案推出，HMI和控制器等设备的部分非实时的功能将会被转移到云端进行，这也更符合分布系统式构架的理念。
工业物联网带来的变化是指日可待的，所有的蜕变都需要一个阵痛期，科技的前沿尤其需要用最高的思维力来减轻这一阵痛，蒂蒙技术作为工业物联网的见证者及协助者，始终保持创新，力求用最高端的思维及技术方案，减少工业物联网过程中数据分布、协议处理、用户体验等问题。
