如何确定数字化项目的优先事项？

对于正在经历数字化转型的控制工程师来说，应该优先考虑哪些事项?

　　为了数字化而数字化是没有意义的，工程师的首要任务应该是检查特定数字化项目是否真的能带来价值。Pepperl+Fuchs全球物联网项目和工业4.0负责人Benedikt Rauscher指出，在开启数字化项目之前，首先要检查任务本身是否需要优化。

　　一旦确定了有价值的潜在数字化项目并简化了流程，控制工程师就需要确定是否已有现成的数字化解决方案可用，或者是否需要开发新的方案。接下来，互操作性是需要高度重视的另一个重要方面。通常，一个数字化解决方案会涉及来自不同制造商的各种硬件和软件组件，所有这些组件都需要能够相互通信。为了确保未来扩展项目的互操作性，现有的数字化解决方案以及新的开发都必须遵循相关标准并提供开放接口。一个很好的方法是使用资产管理壳(AAS)进行数据交换。

　　AAS是一个(组)资产的数字表示。它由许多子模型组成，可以描述特定资产的所有信息和功能，包括其特征、特性、属性、状态、参数、测量数据和能力。AAS允许使用不同的通信渠道和协作方式，使资产和相互关联的、分布式的、数字化的场景之间的建立联系。AAS概念由独立于制造商的组织——工业数字孪生协会(IDTA)管理，并在IEC 63278中进行标准化。IDTA的GitHub存储库中已经免费提供了大量子模型模板。在许多IDTA工作组中，领域专家继续致力于创建更多的子模型定义。

　　重要的是，数字化战略应采用经过验证的最新技术，如工业以太网或AAS，作为开放和具有互操作性的数字孪生。工业以太网正在推动信息技术/运营技术环境的融合，使所有基于以太网的协议也可用于工业应用。而且，随着Ethernet-APL的推出，它现在甚至可以用于过程工业中需要本质安全的危险区域。

　　颠覆性技术的引入

　　DigiKey自动化与控制高级营销技术经理Eric J.Halvorson认为，数字孪生技术正在引领工业数字化的下一个颠覆性浪潮。人工智能(AI)的引入席卷了世界，现在已经进入了工业自动化领域。它被用来对PLC和机器人进行编程，并对生产调度进行准确预测等等。在过去的几年里，我们看到数字孪生技术被广泛应用于整个工厂。该技术使制造商能够在模拟环境中准确查看整个工厂。这使工程师能够看到编程的变化，将如何影响现实世界的生产。数字孪生技术还缩短了设计周期和测试时间，并提高了产出。

　　通过计算机视觉、机器学习和深度学习来分析来自传感器、相机和其它来源的数据，可以提高数字孪生的准确性和真实性。AI还能使用生成式对抗网络(GAN)和其它技术，生成物理对象和环境的逼真3D模型。Eric指出：“AI可以使数字孪生运行模拟和场景，以优化性能、效率和可持续性。它还可以帮助数字孪生从自己的经验中学习，适应不断变化的工况，并根据模拟数据和结果提供见解和建议。”

　　制造企业每天都要需要面对各种各样的挑战。无论这些威胁是来自全球劳动力短缺、地缘政治事件、环境影响、原材料的成本和可用性，还是供应链限制，他们都需要尽一切可能来保持竞争力。采用数字化战略和过程(如数字孪生模型)的制造商能够准确有效地生产出更好的产品，并及时将其交到消费者手中。仔细评估数字技术实施的准备程度和能力，并为其制定明确的战略和路线图，制造商可以为自己的成功做好准备。

　　了解工厂的战略和未来目标

　　Festo的营销和技术开发经理Jan Koudijzer认为，在实施数字化项目方面，控制工程师的首要任务是了解工厂的战略和未来目标。例如，主要目标是零缺陷，还是更灵活的生产各种不同的产品?你是否在努力实现将生产数据视为重要资产的新商业模式?数据管理能否成为更具可持续性工厂的推动者?这些问题的答案，使控制工程师能够确定数字化转型的优先事项，并确保管理层的正确参与和支持。

　　成功实施数字化转型的另一个重要优先事项是，任何工厂转型都需要使用系统工程方法。“所有过程都应该用功能和子系统来描述，而不是基于现有技术。不同子系统和功能之间的接口应该基于开放标准，例如ecl@ss、Automation ML、OPC-UA或MQTT，支持生产/工厂平台，如果引入新技术，未来可以逐步改进。采用以人为本的方法是激励同事处理新资产并在数字化转型期间保持管理层参与的关键。” Jan说。

　　此外，他还强调了以网络安全的方式使用工业4.0技术的重要性。在系统架构设计阶段，需要决定数据是保存在边缘、内部还是云端。对于那些正在进行数字化之旅的企业来说，应该充分利用技术供应商的所有工具。今天有很多新的配置器和模拟系统，使设计过程变得更容易和快捷。在很多情况下，这些工具还为用户提供了基于AAS技术的数字孪生，可以在工厂的整个生命周期内使用。

　　明确数字化的价值所在

　　欧姆龙自动化经理Dev Kainth认为，如今推动数字化转型的动力主要来自高级管理层，其驱动力在于优化和改进工作流程以及缩短对行业变化的响应时间。虽然控制工程师的优先事项在很大程度上取决于行业部门、他们的角色及其自己的专业知识，但也有许多重要议题需要思考。这些挑战包括易于实施和提高员工技能的需求，以及选择可以内部支持的解决方案。

　　Dev已经注意到一种趋势，即公司正在数字化“什么”。许多人都专注于基于状态的监控、预测性维护和机器数据趋势。因此，总的主题是数据采集，并利用这些数据作为反馈机制来推动变革。

　　许多公司似乎只是在采用竞争对手的做法，这就是为什么我们经常会看到，他们转向知名的供应商。这表明他们并不真正知道从哪里开始，或者不一定了解数字化转型的价值所在。

　　规划至关重要，组织需要清楚地了解最终目的是什么，即使数字化旅程分为几个阶段。他建议，对整个系统进行初始分析，这将有助于团队了解在哪些方面数字化是有价值和可行的。它将根据对业务的影响进行风险评估和优先级，从高到低依次排序，提供一份项目清单。时间就是一切，无论是组织的准备情况，还是工程师计划部署系统的准备情况。

　　总的来说，首先采用以数据为中心的方法是一个好主意，因为这会产生宝贵的信息，为物联网(IoT)和AI等其它技术铺平道路。此外，变更管理同样重要。组织需要考虑通用接口协议，使集成更容易，并尽早讨论员工技能和培训，以确保团队在引入新技术时做好准备。

　　实现质的飞跃

　　Pasqal首席执行官兼联合创始人Georges Olivier Reymond认为，在当今的工业领域，控制工程师越来越多地参与到组织的数字化转型工作中。他们的角色已经超越了传统的过程控制，涵盖了AI、机器学习和量子计算等新兴技术的实施，以优化工厂运营，解决复杂挑战并推动创新。

　　因此，了解量子计算等领域的进展对于需要调整现有过程，以满足不断变化的行业需求的工程师来说至关重要。Georges Olivier认为，量子计算以其无与伦比的计算能力，在工业应用中具有变革性的潜力。这包括运行复杂控制系统的量子优化，量子算法可以为化学过程、电网和机器人等应用发现最佳控制策略提供帮助。

　　量子机器学习借助量子计算的高并行性，实现进一步优化传统机器学习的目的。它是将量子计算和机器学习相结合的新兴领域，利用量子计算的特性来解决传统计算机难以处理的复杂问题。

　　量子机器学习还可以用于预测性维护，从而能够尽早检测出工业设备中的异常和潜在故障，而量子模拟可以加速发现具有所需特性的新材料，如高温超导体、高效电池和先进催化剂。例如，在能源领域，量子计算可以彻底改变可再生能源预测。工程师可以使用量子原子来模拟可再生能源和电网需求之间的复杂相互作用，从而做出更准确可靠的预测。