自动化的状态正在迅速改变，其中一个主要原因是智能设备。智能传感器具有嵌入式计算和存储、有线和/或无线通信、与外界互动或执行自主操作的能力，或某种程度的描述性或预测性分析能力，正在为自动化技术增加价值。
举个例子，一台智能气相色谱仪有一个内置的“软件助手”，可以指导缺乏经验的人员完成大多数安装、操作和维护程序。
许多传统传感器现在也有额外的智能功能，如压力传感器可以检测电回路问题，温度传感器可以检测热电偶退化，雷达液位计包括自校准功能。视频摄像机现在可以有机载视频分析，用于诸如入侵检测等应用。振动传感器可以对数据进行快速傅里叶变换(FFT)，通过分析传感器上的各种振动频率来计算设备的健康状况。智能传感器可以连接到工业电机的电线上，以计算功率因数和关键故障模式的故障概率——所有这些都来自于对传感器进行的分析。
智能传感器代表了一种自然的技术进化，从简单的、安装在设备上的机械指示传感器到“哑巴”气动和模拟电子传感器，能够将原始测量数据传输到另一个设备进行“按摩”，并转换为今天的微处理器支持的智能现场设备，具有板载处理能力，通常是完整的双向数字通信。
如今的智能传感器可以产生20-50倍于主值(PV)的读数。其中一些次要值(sv)与诸如PV的标准差、PV的平均值以及PV值的最大值和最小值等统计信息相关。其他读数与传感器运行状况相关;其中包括传感器漂移、传感器退化和校准验证。
现在的智能传感器发送的不是未经处理的原始数据，而是更精细的读数——例如，超声波腐蚀检测工具发送的是壁厚，而不是原始的超声波换能器(UT)波形。业务规则现在存储在设备中，而不是集中在一个系统中，允许智能设备基于这些业务规则执行自主操作(例如，如果水箱水位达到某个水平，则关闭泵)。随着设备越来越智能，它们甚至可能不会传输原始数据;只有对这些数据进行分析的结果。例如，高光谱相机可能传输气体水平，而不仅仅是视频图像，这将需要进一步的分析。
所有这一切都意味着智能设备是唯一有资格成为工业物联网(IIoT)的关键使能者。当你考虑到iiot的关键元素——传感器、网络、大数据、分析和可视化时，智能传感器对所有这些领域都有贡献。
分布式声学传感就是一个很好的例子。在这里，一根光纤电缆被插入正在生产的油井或气井中，船上的处理将光脉冲转化为沿电缆长度每米的特定点的声能测量值。然后，通过提高对油藏动态的可视性，这些测量数据可以优化生产。由于这些系统每天可以获取超过1tb的数据，这种新的传感器被绑定到一个智能传感器包中，提供了网络、处理大数据、计算分析和数据可视化的方法。
这些智能现场设备的引入给技术用户带来了一些重大挑战。由于向现场设备推送了如此多的智能，最终用户需要在分布式环境中分发、验证和审计这些规则。尽管在集中式系统中操作相当简单，但在非集中式世界中管理这些业务规则则更具挑战性。
收集和回调读数的网络还必须设计成能够容纳所有生成的次级读数。在经典的ISA-95安全模型中，所有数据都通过DCS和过程控制网络传输，不容易扩展。相反，需要一种企业方法来避免过程控制系统被这种新的非控制数据浪潮所淹没。
另一个关键问题是，虽然智能设备现在可以生成和通信传感器运行状况读数，但还需要一个企业设备管理解决方案来收集和分析这些传感器运行状况数据。这种系统可以显著提高这些智能传感器的可靠性。
最后，需要设计系统来收集、处理并将所有这些额外的次级、非控制数据转换为可操作的信息，以帮助提高工厂和相关资产的性能。传统系统对这些数据的利用严重不足。
> >戴夫·拉弗蒂dlafferty@arcweb.com，是ARC会员;和蒂姆·谢伊,tshea@arcweb.com他是一家公司的高级分析师ARC咨询集团．
