2. 工业物联网基础
工业物联网（IIoT）是工业4.0与智能制造的核心技术底座。理解IIoT的分层架构、边缘计算的价值定位以及工业4.0的演进脉络，是设计数据采集网关、规划通信方案和部署边缘节点的前提。本章将从架构分层、边缘计算概念、工业4.0背景三个维度展开，帮助您建立完整的IIoT技术坐标系。
2.1 IIoT四层架构：从数据产生到业务闭环
工业物联网的架构设计遵循“端-管-云-用”的逻辑，通常划分为感知层、网络层、平台层和应用层。每一层承担不同的职责，层与层之间通过标准接口和协议进行数据交互。理解分层架构的核心价值在于：当您设计数据采集网关时，能够明确设备接入的边界、数据流向的路径以及各层之间的依赖关系。
核心原理：各层职责与关键技术
| 架构层 | 核心职责 | 典型技术/设备 | 数据特征 |
|---|---|---|---|
| 感知层 | 物理世界数据采集与信号转换 | 传感器、PLC、CNC、RFID、工业相机、数据采集网关 | 毫秒级实时数据、协议异构、数据量大 |
| 网络层 | 数据传输与路由 | 工业以太网、5G、Wi-Fi 6、LoRa、NB-IoT、MQTT、OPC UA | 带宽敏感、时延敏感、需QoS保障 |
| 平台层 | 数据汇聚、存储、处理与分析 | 时序数据库、Hadoop/Spark、AI训练平台、设备管理服务 | 海量历史数据、批处理与流处理并存 |
| 应用层 | 业务逻辑实现与决策支持 | MES、ERP、SCADA、预测性维护系统、数字孪生 | 面向业务KPI、可视化、决策输出 |
判断方法：如何确定设备归属层级
在实际项目中，判断一个设备或系统属于哪一层，可以从三个维度进行：数据流向（数据是产生者还是消费者）、实时性要求（毫秒级响应还是秒级/分钟级）、部署位置（现场侧、传输侧还是中心侧）。例如，一个温度传感器产生数据，属于感知层；而部署在车间机房的边缘服务器，虽然物理位置在现场，但承担了平台层的部分计算功能，因此属于边缘计算节点，横跨感知层与平台层。
案例拆解：汽车零部件工厂的IIoT架构落地
某汽车零部件工厂需要实现压铸机、CNC加工中心和装配线的数据采集。初始现象是：现场设备品牌混杂（西门子、发那科、三菱），协议互不兼容，IT部门无法获取统一的设备状态数据。
实施过程：
- 感知层改造：部署20台工业数据采集网关，分别接入PLC的以太网口和串口，通过OPC UA和Modbus TCP协议采集设备运行参数（主轴转速、温度、压力、循环时间）。
- 网络层规划：利用工厂现有工业以太网，划分VLAN保障数据隔离，关键设备采用5G CPE进行无线备份。
- 平台层建设：部署时序数据库存储每秒采集的数据点，通过边缘网关内置的规则引擎进行数据清洗（去除异常尖峰、填充缺失值）。
- 应用层开发：基于采集数据实现设备OEE（设备综合效率）看板，并建立预测性维护模型，提前48小时预警主轴轴承故障。
结果对比：设备停机时间降低23%，OEE从72%提升至81%。风险与代价：初期网关配置耗时约2周，需要设备厂家提供协议文档；部分老旧设备需要加装协议转换模块，增加约15%的硬件成本。
2.2 边缘计算：为什么IIoT离不开它
边缘计算是指在靠近数据源头的网络边缘侧，提供计算、存储、网络等基础设施。在IIoT场景中，边缘计算不是云计算的替代品，而是云计算的延伸和补充。它的核心价值在于解决“实时性、带宽、安全、可靠性”四大问题。
核心原理：边缘计算的三种部署形态
- 设备边缘：嵌入在传感器、PLC或网关内部，执行简单的数据预处理（如阈值判断、单位换算）。
- 网关边缘：工业数据采集网关是典型的边缘节点，支持协议转换、数据过滤、本地缓存、断网续传。
- 边缘服务器：部署在车间或厂区机房，运行轻量级容器化应用，支持多台网关的数据汇聚和本地AI推理。
操作流程：边缘网关的数据处理流水线
数据采集 → 协议解析 → 数据清洗（去重/滤波/异常标记）→ 边缘计算（规则引擎/轻量AI）→ 本地存储（环形缓冲区）→ 上行传输（MQTT/OPC UA）→ 云端/平台层在实际配置中，需要根据数据重要性和实时性要求，设置不同的处理优先级。例如，振动数据需要高频采集（10kHz），但只需提取特征值（RMS、峰值）后上传；而设备启停状态则需实时上传。
案例拆解：风电场的边缘计算部署
某风电场有50台风机，每台风机有200多个传感器（振动、温度、风速、桨距角）。初始目标：实现叶片结冰预警和齿轮箱故障诊断。约束条件：风机塔基4G网络带宽有限（上行约10Mbps），且网络不稳定。
关键参数与决策：
- 原始数据量：每台风机每秒产生约2MB数据，50台风机全量上传需要100Mbps带宽，远超实际可用带宽。
- 边缘计算策略：在每台风机塔基部署边缘网关，执行FFT（快速傅里叶变换）提取振动特征，仅上传特征值（每10秒约5KB），数据量压缩99.75%。
- 本地缓存：网关内置256GB SSD，可缓存7天原始数据，供故障回溯使用。
- 断网续传：当4G网络中断时，数据暂存本地，网络恢复后按时间戳补传。
结果：成功预警3次齿轮箱早期故障，避免重大停机事故。复盘经验：边缘计算的价值不仅在于节省带宽，更在于将“数据”转化为“信息”——现场直接输出诊断结论，而非原始波形。
2.3 工业4.0与智能制造：IIoT的战略背景
工业4.0概念由德国在2011年汉诺威工业博览会提出，其核心是构建信息物理系统（CPS），实现物理世界与数字世界的深度融合。智能制造则是工业4.0在制造领域的具体体现，强调通过自动化、数字化、网络化、智能化四个阶段演进。
核心原理：工业4.0的三大集成维度
| 集成维度 | 含义 | IIoT支撑技术 | 典型应用 |
|---|---|---|---|
| 纵向集成 | 企业内部从传感器到ERP系统的垂直打通 | 数据采集网关、OPC UA、MES与ERP接口 | 生产订单自动下发到产线设备 |
| 横向集成 | 价值链上不同企业间的协同（供应商→工厂→客户） | 工业互联网平台、API网关、EDI | 供应链库存透明化、协同排产 |
| 端到端集成 | 产品全生命周期（设计→制造→运维→回收）的数据贯通 | 数字孪生、PLM、IoT数据回传 | 基于运行数据优化下一代产品设计 |
判断方法：评估企业智能制造成熟度
可以参考工业4.0成熟度模型（如Acatech模型），从六个维度评估：数字化程度、连接性、可视性、可预测性、自适应性和自优化能力。大多数企业处于“连接性”向“可视性”过渡阶段——即设备已联网，但尚未实现实时监控和数据分析。数据采集网关是推动企业从“连接”走向“可视”的关键基础设施。
案例拆解：某电子制造服务商的智能制造转型
该企业为国际品牌代工PCBA（印刷电路板组件），面临的核心痛点：客户要求提供每块电路板的完整工艺追溯数据，但产线设备（贴片机、回流焊、AOI检测仪）数据孤岛严重。
实施路径：
- 第一阶段（数字化）：部署数据采集网关，连接12条SMT产线的贴片机（通过SECS/GEM协议）和回流焊（通过Modbus TCP），采集炉温曲线、贴装压力、抛料率等参数。
- 第二阶段（网络化）：建立车间级边缘计算节点，将采集数据与MES工单关联，实现每块PCB的工艺参数绑定。
- 第三阶段（智能化）：基于历史数据训练回流焊温度预测模型，当预测炉温偏差超过阈值时，系统自动调整温区设定。
结果：追溯查询时间从2小时缩短至3分钟，焊接不良率降低18%。代价与风险：项目周期6个月，投入约200万元，其中数据采集网关占30%；最大的挑战是设备老旧，部分贴片机不支持标准协议，需要额外开发驱动。
2.4 本章总结与实施要点
IIoT架构为工业数据采集网关提供了清晰的定位：网关是感知层的核心设备，也是边缘计算的关键载体。在工业4.0背景下，网关不仅要完成协议转换和数据传输，还需要具备本地计算、安全防护和智能决策能力。
实施要点清单：
- 架构先行：先明确四层架构中各系统的归属，再选择网关规格，避免“先买设备再想架构”的倒置做法。
- 边缘优先：凡是需要毫秒级响应的逻辑（如急停、联锁）必须放在边缘侧；凡是需要全局优化的分析（如多工厂对比）才上传云端。
- 协议归一：优先选择支持OPC UA和MQTT的网关，这两种协议分别代表了工业自动化领域和IT物联网领域的事实标准。
- 安全内置：网关应支持设备证书认证、TLS加密传输和本地防火墙功能，防止通过未授权设备接入工厂网络。
- 可维护性：选择支持远程配置和固件升级的网关，降低现场维护成本。