位于边缘的HMI定位于分析，能够迅速向用户传达指示和警报。

作者| Marcia Gadbois

「

人机界面(HMI )的发展和进步已经超越了基本的可视化设备，被定位为可以用于智能边缘、处理、分析数据的强大力量。

”

人机界面(HMI )软件可以用于从高速增长的大量工业数据中创造价值。 根据国际数据公司(IDC )的预测，到2025年，每天将生成463 EB (EB )的数据。 大多数分数由以下设备生成：

智能传感器和其他工业物品的互联网(IIoT )设备

可编程逻辑控制器；

其他专用控制器；

工业数据收集系统。

基于云的监控和基于订阅的分析。

各种类型的设备不断增加传感器。 传感器越多，收集的数据也越多。 工业系统生成的数据呈指数级增长，超出了可用的网络带宽。 虽然许多数据仍保留在计算机和流程中，是未开发的资源，但访问这些数据对于获得有价值的业务见解至关重要。

最新的可能性是使用在数据源附近部署的HMI软件进行数据挖掘。 这需要HMI从基本的可视化工具转移到更强大的角色，如智能边缘数据采集器和机器学习处理器。

HMI 软件的新角色

托管在边缘设备上的HMI软件必须满足与任何类型的数据获取、分析、挖掘和完整相关的不断增长的需求。 收集到的数据量巨大，这意味着为了实现智能运行，必须在运行边缘进行高级分析和机器学习，以便在整体的数字转换计划中发挥更重要的作用。

HMI通常与PLC和传感器等数据源一起工作。 过去，HMI通常用作可视化工具，有时也用作在专用控制面板、移动设备或web浏览器中显示数据的数据收集器。 虽然现代HMI仍然承担着这些角色，但必须实时收集数据，本地保存并进一步分析，然后使用数据检索和预测模式和估计(图1 )。

(图1 )传统的机器HMI只用于可视化，而先进的HMI软件平台可以在运行边缘支持数据的存储和分析。 图片来源： ADISRA

HMI正在成为实时机器学习的数据源。 为了训练机器学习模型，需要将时间序列过程数据与警报和事件日志数据相关联。 这样，模型可以检查产品质量，预测重要设备的运行情况。 在提供大量高保真度数据的情况下，机器学习模型的性能最好。 如果这些模型检测到日常操作有偏差，并指示有可能发生故障(或有可能停机)，则可以进行预测性维护。

验证工业数据的质量

要从原始数据中得到见解，HMI需要分析从资产和工业控制系统输入的数据，并有序地保存。 结合历史数据和实时数据，对建立预测模型的基础起着重要的作用。

确保用于机器学习模型培训的数据集中的数据足够多，具有多样性和代表性。 这样可以尽可能多地涵盖成功和失败的情况，例如成功/失败的比率为70/30。

要找到经过验证、质量高的数据集需要很多时间。 也就是说，需要清洗原始数据。

删除空值；

确认数据对于必要的信号和比率是正确的；

确保足够的采样率

style=”text-align: center;”>• 捕获感兴趣的条件。

在进行探索性分析时，可能会丢弃大量数据。而且一般情况下，必须获取 最新数据。用户还必须确保训练集没有任何内 置偏差。一旦确认数据良好，就可以创建并应 用机器学习模型。

如何建立机器学习模型

收集到的实时数据，支持构建和完善机器 学习模型。创建机器学习模型以后，是为每个 边缘设备配置更改机器学习模型的能力，还是 由员工来监督这种更新，存在一定的争议。

如果每个边缘设备能够自主更改模型，那 它们就可以以有益的方式进行自适应。但是， 动态模型更改的结果是每个边缘设备的机器学 习模型可能会有所不同。持续更新的模型更有 可能最大程度地减少支持方面的问题。

大多数用户在模型开发过程中都是从监 督学习（一种机器学习的方法）开始的，这 些算法包括线性回归、逻辑回归和神经网络。大多数实用价值都来自于有监督式学习。

接下来，就可以开始将深度学习技术应 用于数据。一旦机器学习模型处于合理状态， 就可以将该模型部署在边缘设备上，该设备 可以处理实时数据并查找异常工况。当任何 异常发生时，HMI 可以通过发送报警来通知 用户。

现代 HMI 架构和边缘分析

现代 HMI 的作用不仅是收集数据，还包 括识别不符合预期模式的项目、事件或观察结 果。HMI 不仅可以根据数据进行推断，并检测 到这些异常情况，还可以通过屏幕、文本或电 子邮件，向运行人员发送有关实际或潜在问题 的报警。

通过更靠近数据源执行检测，HMI 可以 毫无延迟的进行早期报警，而无需将数据发 送到云。HMI 可以检测已知模式，从而检测 关键设备的故障，并在本地进行分析和处理。

HMI 也可以执行数据预处理。通过在边 缘端创建实时分析，HMI 可以在将数据发送到 云之前对其进行分类、检测和分段。这可以提 高上游处理和联网的效率。

不过，边缘设备是否应将原始数据、聚 合数据或预测性数据传输到云以进行进一步分 析，还存在一定的争议。为了进行优化，在高 层或基于云的系统中的机器学习模型，需要尽 可能高保真的原始数据。不幸的是，这会给用 户带来技术和商业负担。

过滤工业数据的必要性

随着大量数据的产生，工业用户必须根据存储量和网络带宽，谨慎的做出 数据传输决策，以确保在需要分 析的位置，能够获得更新的数据 （图 3）。

▎图 3 ：现代 HMI 超越了 简单的可视化，可帮助 OEM 和最终用户管理 数据传输并执行机器学 习分析。

原始数据方法为机器学习模 型提供了最佳的基础数据。但是， 由于产生的数据量巨大，可能难 以进行实时传输。在边缘端对聚 合或预测性的实时数据进行预处 理以后再传输，数据量就会大大 减少。用户必须意识到，这种方 法可能会导致过滤或掩盖信息， 从而使偏见逐渐扩散到机器学习 模型中。

另一种选择是实时发送聚合或预测数 据，并设置其它通道以较慢的速度发送原始 数据。使用此方法的潜在缺点是，可能会填 满通信队列。

购买网络带宽和存储设备的经济成本， 必须与可用的技术实用性相平衡，例如确定网 络是否表现出足够的稳定性。这些最重要的因 素将影响机器学习的部署位置 ：在边缘、在云 端还是两者的结合。

高级分析和异常检测

现代 HMI 可以进行高级分析。世界上的 许多数据都是流数据和时间序列数据，其中的 异常数据提供了指示紧急情况的重要信息。有 许多异常检测用例，包括预防性和预测性维 护、故障检测和监视。

异常通常定义为系统行为异常，且与过 去行为完全不同的时间点。异常可能是空间 异常，这意味着该值超出了典型范围 ；也可 能是时间异常，尽管该值没有超出典型范围， 但发生的顺序却不同。状态标签可以与异常 关联，并可将其分类为时间或空间。报警系 统还可以根据优先级、重要性和频率分配加 权值以预测故障。

任何现代 HMI 还必须在本地支持以有状 态的方式发送和接收消息的机制，并确保远程 设备数据是最新且有效的。MQTT 和 Kafka 之类的协议可以确保状态通信，而 Sparkplug B 规范则处理状态管理。

一旦进入云，就可以将数据聚合并与来 自多个数据源的数据合并。该方法的价值在 于，用户可以同时考虑多种运营或一整套设 备，而不管其物理位置如何。基于云的过滤和 分析模型，可用于完善数据以进行深度分析、 预测行为和趋势，例如机器的平均故障间隔时 间（MTBF）或使用寿命。然后，可以将该信 息发送回部署在边缘的 HMI 中运行的机器学 习模型，以改善其运营活动。

让数据实现更多价值

如果 IDC 的预测准确，则 HMI 的角色需 要扩展以适应更庞大的数据量。现代 HMI 可 以将大量机器数据连接起来，从而实现 ：

• 实时监控和分析这些数据 ；

• 以连贯和用户友好的方式对其进行可 视化 ；

• 帮助用户做出明智的决策 ；

• 以有用的方式存储数据，以便可以随意 进行挖掘 ；

• 克服妥协和限制。

由于部署了更多的传感器，并且对机器 的依赖持续增加， HMI 也将被赋予新的角色。随着这些机器的关键特性和功能不断地扩展， HMI 或将成为智能边缘的大脑。

关键概念：

■ HMI 可以从边缘设备发送和检索大量信息，并且可以充当机器学习工具。

■ 通过更靠近数据源执行检测，HMI 可 以毫无延迟的进行早 期报警。

思考一下：

您的工厂可以从哪些方面获益于现代 HMI ？