IIoT需要工业以太网
　　工业物联网(IIoT)在传感器技术、无线连接、能量采集、大数据以及云计算方面的创新控制工程网版权所有，是在设备、系统和人之间进行无缝信息交换的一部分，它为制造企业在整个价值链上提高业绩、灵活性和响应能力铺平了道路。IIoT的发展需要工业以太网，通过以太网提供的数据，大数据分析可以为企业提供更有价值的信息。

　　用来处理大数据方案的工业以太网会为中央IT层提供设备层透明度。
　　考虑到更加高速的工艺对以太网的要求，以及更多的数据采集，工厂需要一个冗余网络，这样就可以很容易地在控制层解决网络问题。全网的可见性也会给边缘设备提供可依赖的网络。
　　一个具有三层路由器和二层管理型交换机的主机就可以满足核心网络的需求。二层非管理型交换机要求扩展包含在IP地址层的端口状态透明度，以及提高端口的服务质量，使之适应需要大量自动化网络的企业运行环境。不过缺点是这样的交换机价格昂贵并且实施的时候需要一个相对长的启动时间。
　　低成本管理型交换机
　　市场研究机构IHS的John Morse预测，“低成本的、较低功能性的二层交换机的采用，会更经济地满足用户的需求，就像更多的网路被扩展，以满足IIoT时代对于连接程度的需求。”在IHS2014年的一份关于工业以太网基础设施组件市场的报告中就指出，“从长远来看，随着企业对于成本的考量，非管理型交换机的需求将会逐步放缓，就像网络集线器一样。”
　　为了让自动化和IT软件获取更多端口状态的可见性，作为边缘交换机的二层非管理型交换机必须支持Modbus/TCP以及简单网络管理协议(SNMP)通讯。这会允许监测控制和数据采集(SCADA)、人机界面(HMI)软件、以及IT网络管理系统(NMS)软件实时地监控交换机设备的状态。
　　以太网的可靠性
　　随着更多的可编程逻辑控制器(PLC)、输入/输出(I/O)设备、终端计算机以及HMI等与以太网相连接，对以太网的鲁棒性要求会越来越高。对于那些没有进行升级、无法获得网络边缘透明度的自动化团队来说，可能会带来指数级的能源消耗。随着边缘设备的增加以及数据采集功能的提高，需要人工检查交换机的机会会减少，通过自动化的连接系统，会将损失的数据和设备情况及时上传。
　　更大的网络透明度加快了自动化和IT团队的故障诊断。支持Modbus/TCP以及SNMP协议的边缘交换机技术也让故障诊断更容易。在这个融合的网络模式里，团队可以快速地获得网络问题的解决方案。
　　例如，来自于工厂车间中温度传感器的数据可能对于工程师进行工艺分析，以及IT部门进行云存储和商业过程分析来说都很重要;一旦发现数据丢失变得明显，两个团队都可以及时发送或接收报警。

　　一个网络诊断模型支持在SCADA/HMI以及中央IT使用的NMS上查看实时的端口状态。
　　启用诊断功能
　　更强大的是增加了诊断功能，来自系统控制和IT部门的两个团队都可以进行诊断。例如，他们诊断出以太网线与托管温度传感器的边缘交换机I/O输入的第五个端口之间的连接中断，并通知相关部门进行必要的修复。对于一个具有板载代理Modbus/TCP和SNMP协议的边缘交换机来说这完全可以胜任。更加智能的边缘交换机甚至在每个端口上提供详细的统计信息，包括速度、连接计数器、多路广播信息包计数、单路广播信息包计数以及误差计数等。使用同时支持SNMP的边缘交换机，可以让IT团队的网络管理系统或软件执行前后连续的状态监控。
　　为了跟上设备数量的增长和数据需求的多样性，将会发生更多类似这样的以太网应用，可以从设备层到控制层以及中央办公室上轻松地查看以太网。
　　从制造到智造，路线已然清晰，挑战依然艰辛

　　机器正在“思考”和“行为”两条道路上甩开人类
　　《科学》杂志刚刚在封面文章中宣布，机器人已经可以像人类一样进行学习了。虽然目前仅限于认字和写字，未来却必将对人类社会固有模式带来巨大的冲击，首当其冲的就是作为我国基础教育基石的优良传统，“罚写一百遍”：机器人那么聪明，买个回来给写作业吧！此法一旦失效，应试教育根基难固，恐伤及国本，希望有关部门能够管管。
　　无论如何，从“脑子”到“身体”机器变聪明的趋势已不可逆。工业领域中，智能制造已经有了大致清晰的路线图：物联网-工业大数据-分析-智能制造，而且相应的立足点都已经有了有效的应用。其中不乏“digital twin（数字模型）”，“无人工厂”等科幻级别的设想和案例。

　　其实要完全讲明白智能制造......基本是个不可能的任务（噗）。但我们可以把它大致分为两个层次：
　　联网，并且处理
　　1
　　这里包括我们笼统地称作“物联网”的，试图将硬件连上网络的一切尝试。首先www.cechina.cn，我们需要在机器上安装一些（通常是各种各样）传感器，其次我们需要一套能够承接他们的软件系统，最后“啪”地打开电源，等待随之而来的数据洪流吧！简直是鹅妹子婴！
　　然而，醒来吧少年，现实是复杂的。如果不理解软硬结合的复杂性，我推荐你去优酷上搜索一条“GE90发动机”的短片，进度条拖到一份三十秒，实景剖面图里上万个零件直击你的神经中枢。我们要做的，是让传感器贴遍这些重要的节点，让机器的每一个关节都拥有“感觉”。

　　当然，感觉不能说来就来。光一台涡轮就需要上百传感器，要是连阀门、管道、电机、传动装置、机械手臂、自动小车都算上，这么汹涌的“情感”让你分分钟炸裂。我们需要部署有效的数据平台应对工业大数据洪流。否则就会重蹈X博士的覆辙：因为过分使用脑波强化机CONTROL ENGINEERING China版权所有，探索功能全开必然导致瞬间数据爆炸，大脑因为信息过载而迅速瓦特了。
　　为了解决这种现象，通用的方法是搭工业云平台，先用云计算承接工业大数据，然后再梳理和整合成有效的信息，让工程师能模块化处理信息。这种平台前景美好，美好到允许你编程的程度。有效的使用方式会带来全方位的监测，资产优化和生产流程优化自然随之而来。然而目前GE的Predix，西门子以及思科的云平台还只针对各家自己的工业设备，一旦开放之后能否有效面对“万物互联”的生态？吾心惴惴。
　　分析，或者克隆
　　2
　　事实上软硬结合是坚实的台面，而分析才是那娇美的花朵。人类依赖机械工业上百年还不就是求个“你办事，我放心”？基于数据的模拟和分析让这句话走上了新的境界。
　　分析的最高境界是什么？并不是更精密的分析，而是模拟。要得到一间工厂完整而精确的数据分析，终极办法就是把这间工厂整个用数据模拟出来。就像只有脐带血能治疗白血病，让你“永葆青春”的最完美方案不是寻医问药或者强身健体，而是克隆一个你。（好吧，扯远了）
　　GE已经开始应用被称作“Digital Twins（数字双胞胎）”的技术：在一间工厂里安装足够多的传感器，通过云数据平台收集和分析数据，在服务器里得到一个1:1的“照常运作”的工厂。这间被“数字克隆”出的工厂每天仍旧开机运转，可以被调试和监测，只不过都是在虚拟环境里。工程师们通过调试数字工厂来得到现实中工厂需要的参数，指导实物生产，优化流程，或者降低成本。以这个概念为原型的“数字风电场”预计单台发电机即可增效3%以上。

　　这听起来就像是一个工科男版本的《Minecraft（我的世界）》，或者工厂版的《模拟人生》。难道科学家们的最终目的就是用这个星球上最前沿的技术玩儿《模拟城市4》？然而，GE发电软件与分析首席数字官兼总经理 Ganesh Bell说，他们的目标就是“对于世界上的每个实物资产，我们都拥有一个虚拟复制品，它所运行的云会随着每秒反馈的运行数据而变得愈发庞大。”
　　显然，数字工厂不是游戏。而是最直接的垂直整合的方式：从机器-数据-生产，而不是机器-调试-检测-修正-反反复复，最终才到生产。这个看似简单的跨越实则繁复异常，每一个衔接都需要测试和兼容，然而它带动的却是整个产业链的整合和优化。
　　还是那句话CONTROL ENGINEERING China版权所有，“你办事，我放心”。智造的内核，是“工艺”，是可以千万遍重复不出错的流程。数据平台也好，数据模拟也罢，最终的结果都是在尽量减少消耗的前提下尽量达到最大的精度和稳定性。智能制造的前路必然遇到“定制化”的高要求和多维度控制工程网版权所有，但标准化、工艺（良品率）仍然是核心。从这个角度看，数据与机器的衔接，模拟技术的精确度和流畅程度，甚至能否有足够强大的“智能智造标准”出现，仍然是工业互联网需要面临的挑战。