工业物联网 (IIoT) 的主要目标是将企业分析应用于操作数据。但是存在一个问题：工业数据往往是非结构化的时间驱动型数据，而企业环境是高度结构化的规则驱动型环境。

这种基础不匹配可能会在将操作技术 (OT) 数据传输到 IT 系统时导致环境和语义信息丢失。

为了避免这种关键信息丢失，智能工厂需要可以桥接 IT 和 OT 环境之间的鸿沟的数据架构。首先，我们来分析一下现有数据模型的缺点，以帮助避免相同的错误。

分析示例：SCADA 成为绊脚石

在传统工业网络中，SCADA 系统充当 OT 和 IT 系统之间的桥梁（图 1）。OT 设备产生的数据向北流到 SCADA 系统，然后从 SCADA 系统流到企业系统。

因为这些 SCADA 网络从控制系统获得输入馈送，它们往往依赖于流或事件导向的数据架构。相比之下，企业系统基于由人员和流程管控的高度结构化的信息模型。

此机制会创建双数据架构，非结构化的机器数据在一边，高度结构化的系统在另一边（图 2）。当将 OT 数据发送到结构化业务系统时，可能不会传输元数据，例如位置、时间和顺序等。

我们来看一个工业存储罐的温度数据的例子。报告的值是否代表了存储罐或内中液体的温度？元数据的这个重要部分应该保留下来，以供在将来分析中使用。

不知道围绕数据点的精确环境可能会严重影响数据点的有用程度。遗憾的是，尝试将所有这些信息保留在业务流程系统无比复杂，对于系统的开发人员和用户而言均如此。

因此，当跨基础设施传输数据时，数据的值会减少。此类架构还需要分析师搜索或推断数据集的环境，这会进一步降低随着时间的推移变得陈旧的流数据的价值。

简而言之，SCADA 系统不是智能工厂的坚实基础。尝试使用这些网络作为 IIoT 实施的骨架基本上是尝试使用不合适的旧解决方案来解决新问题。

实现高效工业物联网数据分析战略的四个步骤

避免重鞱过去实施的覆辙需要基础设施架构将 IT 系统的结构和关系与以时间和位置为中心的数据流以及工业资产流合并。

这可使用可提取两种数据环境特征的数字模型实现。数字模型是物理系统的软件表示，可使用特定于层的逻辑链接不同的 IIoT 分析架构层（图 3）。

在开发和部署这些模型之前，数据架构需要定义考虑四个不同向量的分析战略：

• 数据分解涉及了解在系统中从头到尾产生的所有数据。然后必须根据随着时间的推移将数据用于每个数据路径的潜在可能，对数据进行分类。
• 数据处理与了解数据的质量以及可如何将数据放置在允许保留语义值的格式相关。需要跨系统所有层的常用分类法，来定义可保留最多价值的跨基础设施的数据关系和操作路径。
• 数据存储需要了解将使用数据的方式、频率、时长等内容。应该将尽可能最少量的数据存储在尽量靠近数据源的位置，同时保持数据可以追溯到其起源。
• 数据分析处理如何在操作实践和业务实践中使用分析结果。了解这一点允许基础设施尽可能高效地使用可用的处理资源和存储资源，使得分析可以跨从边缘到云的架构并针对流数据和脱机数据实时进行。

解决了这些问题之后，数字模型可以应用基于层的逻辑和已定义的数据策略，以允许针对企业系统对工业数据进行结构化处理，同时仍然保留语义价值。

跨系统实现真正的数据互操作还可提升更高的自动化程度，因为大数据包含在闭合的环路中，并具备不断分析、学习、计划和优化的潜力（图 4）。

智能农场的分析战略

此战略投入使用的一个例子是由 Atomiton, Inc. 和英特尔^® 联合开发的一个农业使用案例。 Atomiton TQL System 是一个物联网应用平台，包含一种物联网编程语言 (Thing Query Language)、一个分布式容器和服务组合 (TQLEngine) 以及一个名为 TQLStudio 的集成开发环境 (IDE)。

Atomiton 堆栈的每个部分的作用是创建一个统一的应用程序框架，以将工业资产及其行为与计算资源连接起来，同时转换数据，使得可由人员和设备使用。英特尔^® 物联网网关技术在此拓扑中扮演 SCADA 系统的角色，但具有增加的 64 位操作系统支持优势，可通过基于云的平台提供顺畅的数据传输。

如图 5 中所示，农业部署可充分利用此架构，以改善数据管理、分析和监控。它设置智能农场实践的阶段，以允许农夫根据时间、实施策略或阈值建立农田和作物的模型，以实现更高的产量、优化的资源利用等等。

借助数字化跨越工业物联网数据分析的鸿沟

上述要点大部分着重于更改企业系统理解边缘数据的方式，但工业数据数字化对企业系统本身架构的影响也不容小觑。

类似于上面所述的数字模型将变得更加流行，并可提供在何处部署处理和存储资源等方面的更好见解。这还会推动企业系统架构的演进，而从现在开始的短短几年后，企业系统架构的面貌将会大为改观。

一旦掌握了如何跨越工业物联网数据分析的鸿沟，就开始着手定位基础设施以大显身手了。