像工业4.0时代的其他领域一样，制造业4.0是关于利用数据和连接性来使流程高效和精益，以及使智能系统做出决策。许多技术实现了这种增长和能力。其中，人工智能、机器学习、大数据、云计算和增强现实往往垄断了焦点；然而，其他一些辅助技术对完成这些目标至关重要。本文探讨了传感器、可编程逻辑控制器、低功耗组件和系统以及视觉系统的作用，它们是帮助推进制造业4.0的重要技术，尽管未被充分认识到。

传感器

传感器在制造4.0中扮演着多种角色。除了捕捉用于洞察和决策的数据外，它们还捕捉产品在制造过程中需要的数据。比如说。

●位置传感器是最常见的传感器类型之一。这些传感器有助于测量机械位置，如气缸在装配线上启动下一个产品之前是否回到原位。

●存在检测传感器是类似的；在这里，光学存在检测传感器将发出一束光或激光，除非有东西阻挡它，否则总是可见的，表明在它的视野里有东西 "存在 "或 "不存在"。

●尺寸检测传感器的数据可用于质量控制，并确定一个组件是否可以安全地在生产线上移动。

●接触传感器可用于感知隔间的门是否打开或关闭，或导致硬停止以防止设备损坏--两者都具有安全意义。

●振动传感器经常被用来确定设备的健康状况；也就是说，来自伺服电机的振动表明零件正在磨损。根据这一数据，可以在问题发生之前预测维修需求。

没有传感器，制造自动化根本不可能发生。当处理一台将45,000公斤的压力压在另一个表面上的压力机时，你需要知道该区域是清楚的。传感器是自动化的数字眼睛、耳朵、鼻子和手指，它消除了任何猜测或假设，这导致了更安全、一致和高效的条件。更重要的是，它们需要坚固的设计，可能需要承受高温、潮湿、油、灰尘和/或各种其他可能的恶劣条件。

从数据收集的角度来看，传感器是通向你所寻求的洞察力的大门，因为它们提供原始数据，用来讲述生产线上发生的事情。许多制造商仍然在改造他们的传统设备；在这里，有很多努力在开发数据接入点，可以连接到旧的可编程逻辑控制器而不影响其功能。其他制造商有来自多个来源的数据流，并努力想出如何使用这些数据以产生有用的见解。

传感器融合也提高了可以收集的数据的质量和类型，以及从数据中得出的洞察力的确定性。在这里，你可能使用激光传感器来检测高度，并使用视觉传感器来确认。在许多情况下，使用两个或更多不同的传感器为收集数据提供了冗余；然而，传感器融合使你能够根据各种传感器的优势结合数据，设计出洞察力。尽管如此，挑战还是在于理解如何应用当今巨大的传感器技术来获得有用的洞察力。

可编程逻辑控制器

当从机器上收集信息时，通信不是从传感器到传感器，而是从传感器到制造网络中的可编程逻辑控制器（PLC）。PLC是固态工业计算机，已被加固并用于控制制造过程。PLC是制造业的大脑。它是存储逻辑和过程信息的地方，也是网络通信的开始。

PLC的主要功能是接收输入，做出实时的、基于逻辑的决定，并通过输出发送操作指令，最终决定复杂过程中的操作顺序。PLC的输入可以来自开关、传感器、视觉系统和其他来源，而输出目的地可以包括警报器、继电器、指示灯、气缸、螺线管、模拟输出、机器人，甚至是其他可编程逻辑控制器。PLC也会确保接收到正确的输入。例如，一台机器可能有一个启动传送带的大红色按钮；但是，PLC观察以确保在传送带开启之前，电源开启信号和可能安全功能已经启动。

通过为闭环数字双胞胎（CLDTs）提供操作数据，PLC也在帮助推动制造效率。CLDTs的理念是使用一个虚拟模型，在理想情况下，该模型将影响生产的所有系统和变量都考虑在内。

低功耗组件和子系统

与被低估的技术相关的还有在每个电子设备、电气设备和子系统（包括 PLC）中使用低功率组件。低功耗存在于最低级别的设计组件中——晶体管、印刷电路板 (PCB)、电阻器、现场可编程门阵列 (FPGA)……所有这些。就实现制造 4.0 而言，低功耗是一个重要的推动因素，因为它显着减小了组件的尺寸。如果没有低功率组件的进步，机电系统可能有一整盒继电器，可能和你家里的墙一样大。

随着组件和子系统变得更小，它们也变得更好，因为它们产生的热量更少、效率更高且更紧凑。这些方面使设计人员能够构建复杂的机械和流程，而无需占用整个制造设施。当然，更小的尺寸也意味着更低的成本。我们现在能够应用过去可用但成本过高的各种技术和方法。埃隆·马斯克在接受采访时提到，向火星发送东西每吨需要 140,000 美元。他的观点是，我们拥有实现这一目标的技术，但没有人会以这样的成本资助这样一个项目。

视觉系统

您可能会将视觉系统视为能够识别物体、将关键信息传达给其他系统并根据所见采取行动的高级机器人。申请通常属于以下四类之一：

引导——定位零件的位置和方向

识别——识别零件、识别条形码、分类库存等任务

测量——测量和计算两点之间的距离并确定测量值是否符合规格

检查——包括检测缺陷或异常

在制造环境中，可以训练视觉系统识别可以测量、计数、解码或定位的物体。与其他机器学习应用程序一样，训练需要大型数据集，其中标记了形状、大小、方向、边缘、图案、颜色等特征。例如，在训练一个系统来识别翅片管中的缺陷时，系统可能会被训练来识别具有指定长度和周长的带条翅片（不是金属丝翅片）的管子，这些翅片是平的（不是锯齿状的），焊缝间距为 0.14" . 经过训练的系统会存储一张图像——以不同形式排列的像素集合——用作比较的基础。

在使用中，视觉系统提供通过/失败结果。继续这个例子，当翅片管完成其制造过程时，系统的摄像头将获取翅片管的图像。图像由具有黑色、白色、灰色和可能的彩色区域的捕获光组成。这被传送到图像传感器，该图像传感器捕获反射光并将其转换为不同形式的像素。然后，系统会解释图像并确定它是否与经过训练可以识别的像素的确切结构相匹配。

视觉系统的使用在多个方面推动了制造业的进步，例如提高产品质量、减少浪费（材料和时间）、减少停机时间、创建可追溯性和责任制以及促进合规性。

结论

得益于惊人的技术，制造业 4.0 正在以闪电般的速度前进。虽然人工智能、大数据、云计算和增材制造经常成为头条新闻，但许多不那么引人注目的技术也发挥了重要作用：

●传感器捕获用于洞察和决策的数据，使产品在制造过程中平稳运行。

●PLC 是制造业的大脑：它是存储程序、信息和备份的地方，也是进行通信的地方。

●低功耗组件和子系统使我们能够应用以前成本和/或尺寸过高的技术和方法。

●视觉系统使机器人能够看到物体、将关键信息传达给其他系统以及执行任务。

华而不实的技术可能会抢走聚光灯，但这些不那么迷人的技术对于制造 4.0 及以后的发展至关重要。