车间级数据自动化的轻量级解决方案：从0到1的可落地实践

一、引言
到今天为止，“工业 4.0”“数字孪生”“智能制造”几乎已经被喊成了车间里的口头禅。真正走进中小制造企业，你会发现绝大部分生产线仍旧停留在“半自动+纸质报表”的阶段：班组长拿着工艺卡片巡线、统计员一张张 Excel 表回录、设备报警靠人工喊话。一旦老板想要一个“昨日 OEE（综合设备效率）”，信息科的同事可能要连夜翻档、抄表、再用 VPN 远程给 ERP 补数据。

我在一家年产三百万件塑料制品的企业待过三年，深知“想数字化、缺投入；想自动化、缺人才”的痛点。与其奢望一次性上线动辄百万的传统 MES，不如先在车间先行一步，做一个“轻量级、低代码、可渐进”的数据自动化平台。本文记录的是我亲身主导落地的一套方案，全文约 3100 字，力求分享可复制、可落地、可扩展的思路。

二、生产车间数据现状与痛点

1. 数据断层
   • 工序数据只停留在 PLC 或仪表里，无法及时汇总到 IT 系统；
   • 工艺参数靠经验、配方靠纸张，一旦遗失就要回到“老工人”口述模式。

2. 上云成本高
   商用 MES/SCADA 方案的硬件网关、授权费、实施服务动则几十万，ROI 难算。

3. IT 与 OT 脱节
   IT 人员会写 SQL，不懂 Modbus；设备工程师能改 PLC，却不会调用 RESTful API。

三、什么是“轻量级”
轻量级并不意味着功能简单，而是：
• 架构分层清晰，能拆卸、能替换；
• 开源优先，许可证友好、社区活跃；
• 部署门槛低：树莓派/旧工控机即可跑；
• 二次开发友好：会 Python/JavaScript 即可维护。

四、总体架构
我们把车间数据流分成“四层一总线”，示意图如下（文字版）：

1. 采集层（Edge）：

   • 现成 PLC（西门子 S7-1200、台达 DVP）
   • 串口仪表（RS-485）
   • 网关设备（树莓派+RS485 HAT）

2. 缓冲层（Message Bus）：

   • MQTT Broker（Eclipse Mosquitto）
   • Topic 设计：factory/line01/press01/{tag}

3. 存储层（Storage）：

   • SQLite（本地高速缓冲）
   • TimescaleDB（集中时序库，可选）

4. 服务层（Service）：

   • Node-RED（低代码逻辑编排）
   • FastAPI（RESTful / WebSocket 提供 API）

5. 表现层（UI）：

   • Grafana（实时曲线）
   • DataV / Vue3（大屏）

五、核心技术选型与理由

表 1 传统 MES 套件 vs 轻量级方案对比
┌──────────┬─────────────┬───────────────┐
│ 对比维度 │ 商用 MES │ 轻量级方案 │
├──────────┼─────────────┼───────────────┤
│ 费用 │ 50–300 万 │ ＜ 5 万（含人力）│
│ 部署周期 │ 4–8 个月 │ 4–6 周 │
│ 灵活性 │ 定制成本高 │ 开源、可随时改 │
│ 运维模式 │ 供应商驻场 │ 自主维护+社区 │
└──────────┴─────────────┴───────────────┘

1. MQTT vs OPC-UA
   OPC-UA 功能完备，但配置复杂；MQTT 小巧轻量，更适合边缘端。

2. SQLite + TimescaleDB
   现场级写入频率高，用 SQLite 作为“写前缓存”；班后同步到上层 TimescaleDB，保证数据不丢。

3. Node-RED
   GUI 拖拽，学门槛低；支持 JavaScript Function 节点，可快速实现业务逻辑。

4. FastAPI
   与 Python 生态一致，开发效率高，性能不输 Golang。

表 2 常见数据采集协议对比
┌─────────┬───────┬──────┬───────┐
│ 协议 │ 载荷 │ 可靠性 │ 典型场景 │
├─────────┼───────┼──────┼───────┤
│ Modbus │ 二进制 │ ★★★ │ PLC读写 │
│ OPC-UA │ 二进制 │ ★★★★ │ 高端设备 │
│ MQTT │ 字符串 │ ★★★★ │ IoT/边缘 │
│ HTTP REST│ JSON │ ★★★ │ IT 系统 │
└─────────┴───────┴──────┴───────┘

六、实施步骤拆解

1. 现场调研

   • 列表化设备型号、通讯接口、关键信号点；
   • 与工艺、质检、PMC 部门确认 KPI（良率、产量、OEE）。

2. 快速原型

   • 用一台树莓派+USB-485 转换器，跑 Python pymodbus 读取注塑机循环次数；
   • 把数据发布到 factory/line01/injection01/cycle。

代码片段（简化版）：

# file: edge_publish.py
import minimalmodbus, paho.mqtt.publish as publish, time, json
instr = minimalmodbus.Instrument('/dev/ttyUSB0', 1, mode='rtu')
instr.serial.baudrate = 9600

MQTT_BROKER = '192.168.1.20'
TAG = 'factory/line01/injection01/cycle'

while True:
    try:
        cycle = instr.read_register(40001)  # 假设寄存器 40001 是循环计数
        payload = json.dumps({'ts': time.time(), 'cycle': cycle})
        publish.single(TAG, payload, hostname=MQTT_BROKER)
        time.sleep(2)
    except Exception as e:
        print('modbus error', e)

3. 节点编排

   • 在 Node-RED 中订阅上述 Topic，拆解 JSON 后写入本地 SQLite；
   • 若检测到 cycle > 1000 自动触发换模工单（POST 到 ERP API）。

4. 扩展与固化

   • 把树莓派镜像做成“站点镜像”，新增设备时只需加载清单 JSON；
   • 将 FastAPI Docker 化，统一 API 入口。

5. 培训 & 交接

   • 制作 3 小时内部培训 PPT，教班组长在 Grafana 上查看曲线；
   • GitLab 代码库交付，配置 CI 生成镜像。

七、样板项目效果
在 2023 年 Q1，我们把上述方案部署到 5 台注塑机、2 台冲床和 1 条自动包装线。一个半月后统计结果：

表 3 关键指标对比
┌───────────┬─────────┬─────────┬────────────┐
│ 指标 │ 部署前 │ 部署后 │ 改善幅度 │
├───────────┼─────────┼─────────┼────────────┤
│ OEE │ 62.4 % │ 78.9 % │ ↑ 16.5 %pts │
│ 报警响应 │ 14 分 │ 5 分 │ ↓ 64 % │
│ 工单回录 │ T+1 天 │ 实时 │ —— │
└───────────┴─────────┴─────────┴────────────┘

更可喜的是，生产经理第一次拿到了可以追溯到秒级别的停机原因，用事实而不是感觉去调整排班。

八、常见挑战与破解思路

1. 老旧设备无通讯口

   • 解决：加装 IO 扫描模块或“读光耦”方案，成本百元。

2. 现场网络不稳定

   • 解决：Buffer to File，离线写本地 SQLite，恢复后同步；MQTT QoS = 1。

3. 安全审计

   • 解决：端口白名单、ECS 统一堡垒机；MQTT + TLS。

4. 部门协同

   • 解决：周例会展示数据驱动成果，让一线同事看到“少写报表=少挨骂”。

九、未来演进路线

1. 自监控：Prometheus + Alertmanager 监控边缘网关自身 CPU、磁盘；
2. AI 预测：用 InfluxDB 里的长周期能耗数据训练 LSTM，预测能耗峰值；
3. 数字孪生：Three.js 渲染 3D 产线，实时叠加 MQTT 数据；
4. 统一身份：Keycloak 做 SSO，角色细分到工位。

十、结语
如果制造业数字化是一座高山，车间数据自动化就是通往山腰的阶梯。与其停留在 PPT 愿景，不如在最小闭环里先跑起来。轻量级 ≠ 低价值，它是一个“小切口、大闭环”的方法论：

1. 先解决“看得见”的痛点：实时数据、自动报警；
2. 再逐步融入 ERP/PLM：BOM、工艺、计划；
3. 最终形成“自下而上”的数据资产。

当树莓派的 LED 红灯在夜里一闪一闪，我知道又一条产线在无人工守值的情况下稳定输出。数字化这件事，不怕做得小，只怕停在想。希望本文的经历能让更多企业少走弯路、快速起步。