如果说工业控制系统是工厂的大脑，那么传感器就是它的眼睛和耳朵。简单地说，没有传感器，SCADA、DCS或plc就没有什么可响应的。这就是为什么越来越智能或“智能”传感器具有更多的处理能力，监控新变量的能力，以及数字通信能力，正在发挥如此重要的作用，以帮助工厂运营商和企业水平规划者更好地看到和更巧妙地应对问题。
在过去，传感器在很大程度上被降级为仅仅是开关的状态。当输入(如温度、流量或接近度)超过某一阈值时，模拟传感器发出电流或电压信号，使简单控制回路起作用。例如，风扇可以加速或减速，控制阀可能改变位置，或输送机上的保险杠可能启动。
然而，今天的智能传感器是不同的，PlantWeb和可靠性解决方案的产品管理副总裁Manikandan Nambiar说爱默生自动化解决方案．最重要的是，许多微型电子机械系统(MEMS)和板载微控制器，使它们能够实时收集和处理更多信息。
这种技术在现代传感器中的应用反映了两大趋势:第一种是“传感器融合”，即单个传感器监测多种输入类型的能力，这不仅会带来更细粒度的见解，而且还会带来成本效益。从本质上说，可以获得更多的数据，而不需要在多个设备上投资。其次,能够跟踪输入是如何改变随着时间的推移可能会允许维修人员和其他人从参与只是被动的方法,对一个问题,当一个开关是tripped-to真正理解失败的根本原因,防止再次发生。
“智能传感器有很多不同的定义方式，取决于你谈论的类型;但在我看来，智能真正发挥作用的是这些MEMS和微控制器，”Christopher Koch说，他是连接设备和解决方案的高级应用工程师博世力士乐．“当你添加这些组件时，你可以将加速度计、陀螺仪和磁力计集成到一个传感器中;或者同时具备温度、压力和湿度的环境传感器。然后你就有能力将这些数据传达给上游分析网站。这才是真正的智能传感设备。”
TDL110 BOSCH Rexroth传输数据记录器感应并记录相关的温度，湿度，倾斜和冲击事件。通信协议和网络结构
智能传感技术发展到现在的状态需要很长时间。现代传感器的边缘计算能力很大程度上是摩尔定律的结果(根据摩尔定律，集成电路中晶体管的数量每两年翻一番)，处理能力呈指数级增长，并为我们继续使用的无数更小的设备提供燃料。
然而，智能传感器并不是在真空中开发出来的，它们的价值也无法在其中得到充分发挥。根据巴鲁夫营销经理Shishir Rege，众多通信协议和网络架构复杂性经常阻碍他们的部署。就像没有携带他们聚集到大脑的信息的无神经途径一样，没有携带他们聚集到大脑的信息，没有有效的通信手段的智能传感器比昂贵的电路。在过去十年中解决这些问题，极大地加速了新的传感器采用，并将继续这样做。
虽然数字网络协议（例如HART）在这方面存在一些实用性，但Rege指出，实际突破一直处于设备到设备通信技术，例如IO-Link。首先由行业利益相关者和自动化供应商联盟于2006年开发，IO-Link是一个现场总线可靠点对点网络标准，允许传感器和执行器从带标准布线发送和接收来自更高级别控制器的数据。
例如，使用IO-Link芯片配备的许多智能传感器可以通过标准的三个或五个引脚连接器与单个IO-Link主站通信，并且IO-Link可以通过任何其他现场总线协议将该数据传递给控制系统。然后，用户可以在任一方向上“冲洗并重复”。
这种安排带来的最明显的优势是，通过使用低成本的标准电缆，可以确保兼容性和经济效率。然而，还有其他好处。例如，Rege注意到，通过消除为网络上的每个传感器分配单个IP地址的需要，大量编程和其他配置任务可以用简单的即插即用模型代替。
“使用IO-Link，你可以使用一根标准电缆，用于插入模拟传感器;所以你基本上只需要拧开旧的螺丝，换上新的就行了，”巴鲁夫工程合伙人经理杰克•莫蒙德表示。“我们现在有能力用一个传感器完成以前需要多种技术才能完成的工作，因为IO-Link使配置变得非常容易。几年前，如果你想做一个简单的距离测量传感器，你必须使用一个模拟网络模块。现在，你可以把IO-Link放在设备旁边，用标准的四口电缆连接到你想要的最远的地方，你马上就能获得额外的数字价值。”
据Balluff市场经理Shishir Rege介绍，IO-Link是智能传感器普及的主要实现技术。没完没了的应用
一旦适当的通信和网络基础设施到位，市场上令人眼花缭乱的智能传感器阵列的真正力量就可以完全投入生产。潜在的应用几乎是无穷无尽的，跨越预测性维护、供应链优化，甚至企业级规划。在许多情况下，成功的部署既依赖于硬件本身的能力，也依赖于运营商的聪明才智。
根据Koch，特别是预测性维护尤其上升到前面。考虑采矿操作，其中大型泵用于通过管道移动硬岩浆料。橡胶口料沿着泵的内部放置，以防止它们被刺穿或侵蚀，并且预定维护，以确保每三到六个月的壳体的完整性。这些检查要求整个线路被关闭，通常是整整一天，即使不需要转换。通过采用智能加速度计传感器，浆料通过泵移动的变化率可用于在实际需要维护时推断，节省宝贵的时间和劳动力。
此外，重要的是要注意，从这些传感器中提取的值不需要局限于单个操作的范围。该公司产品经理Mike Hamoy表示，通常情况下，通过聚合多个站点的工厂级数据，以及天气条件或GPS坐标等外部变量，可以实现更先进的效率欧姆龙自动化．
作为一个例子，想象一家运行两家工厂的公司，在季节不同的世界不同地区执行相同的任务。如果第一厂是优化其冬季运营，以调整对设备性能的不断变化或环境影响，而第二植物的夏季时间，则从主动性收集的数据可以稍后用于建模类似的重复转换和维护跨位置更一致的产品输出。
欧姆龙的E3NX和E3NC传感器与E3NW通信模块简化批量更改，支持更彻底的数据收集。自主学习
这种数据聚合趋势与植物数据越来越多地向企业级运送的世界涉及到新的聚合见解 - 这是不可能没有传感器级别数据的前景。随着行业的大部分行驶，陷入紧缩边缘的景观，切割成本和挤出生产的新效率可能是新的正常情况。因此，能够提供更丰富数据的智能传感器几乎肯定会继续在过渡到行业4.0的过渡中发挥作用。
展望未来，人工智能(AI)和机器学习可能成为下一个主要前沿。数据是实现这些突破的算法的关键，更多是远远不够的。因此，随着传感器变得更加普遍、多模式和精确，滋养蓬勃发展的人工智能应用所需的数据仓库只会增长。
科赫说:“现在，我们安装了传感器，然后数据分析师必须查看所有收集到的数据，确定它意味着什么，然后对系统进行编程，使它知道该做什么。”“随着我们越来越多地使用人工智能，我们将开始看到帮助我们摆脱长时间学习阶段的自学习算法。你会买一个传感器，把它插上，它就会知道过程是什么，知道什么是好和坏，这一切都是自己的。”
至于仍然存在的障碍，越来越多的可用数据可能是一把双刃剑。虽然这种信息过剩可以实现前所未有的协调和效率，但对许多人来说，处理这种信息可能会难以应付。数以百计的传感器每毫秒提供新的读数，在短短几天内就可以产生tb级的数据。排序、分析和找到使用这些数据的方法确实是一项艰巨的任务。
尽管如此，智能传感器技术的出现和加速部署，只是在全面实现工业4.0的道路上又迈出了有希望的一步。
