●智能传感器和其他工业物联网（IIoT）设备；
●可编程逻辑控制器（PLC）；
●其它专用控制器；
●工业数据收集系统。
各种类型的设备都在持续增加传感器。传感器越多，收集的数据自然也就更多。工业系统产生的数据呈现指数级增长，超过了可用的网络带宽。尽管很多数据仍然保留在机器和流程中，是未进行开发的资源，但是获得此数据的访问权限，对于获取有价值的业务见解至关重要。
最新出现的可能性是使用部署在数据源附近的HMI软件进行数据挖掘。这就要求HMI从基本的可视化工具，向智能边缘数据收集器和机器学习处理器等更强大的角色转变。
HMI软件的新角色
托管在边缘设备上的HMI软件，需要与不断增长的需求保持一致，这些需求与如何获取、解析、挖掘和完善所有类型的数据相关。所收集的数据量巨大，这意味着需要在运营边缘进行高级分析和机器学习，以在总体数字化转型计划中发挥更重要的作用，从而实现智能化运营。
HMI通常与数据源（例如PLC和传感器）协同工作。传统上，HMI一般被用作可视化工具，有时还用作在专用控制面板、移动设备或网页浏览器上查看数据的数据收集器。现代HMI仍然承担着这些角色，但它们还必须实时收集数据，将其存储在本地以进行进一步分析，并使用数据来搜索模式和推断以进行预测（图1）。
图1：传统的机器HMI仅用于可视化，但先进的HMI软件平台可以在运营边缘支持数据存储和分析。图片来源：ADISRA
HMI正在成为实时机器学习的数据源。时间序列过程数据必须与报警和事件记录数据相关联，以训练机器学习模型。这使模型可以检测产品的质量或预测关键设备的运行状况。当提供大量高保真数据时，机器学习模型的性能表现最佳。当这些模型检测到日常行为出现偏差，并显示出可能发生故障（或可能导致停机）时，就可以进行预测性维护。
验证工业数据的质量
从原始数据获取见解，需要HMI解析从资产和工业控制系统传入的数据，并以有序的方式将其存储。将历史数据与实时数据相结合，在为预测模型奠定基础方面起着至关重要的作用。
确保用于机器学习模型训练的数据集里面的数据足够多，并具有多样性和代表性，这样就可以尽可能多的覆盖成功和失败案例，例如成功/失败的比率为70/30。
找到经过验证的、质量合格的数据集需要花费大量时间，这意味着要对原始数据进行清洗：
●删除NULL值；
●确保数据对于所需的信号和比例是正确的；
●确保足够的采样率；
●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（图2）。
图2：位于边缘的HMI，定位于分析并快速向用户传递指示和报警。
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。
