Introducción a OPC UA

La arquitectura unificada OPC (OPC UA) es un estándar de comunicación industrial desarrollado por la Fundación OPC. OPC es independiente del proveedor y soporta las principales plataformas de automatización industrial.

OPC UA es un estándar de intercambio de datos para la comunicación industrial segura, fiable, independiente del fabricante e independiente de la plataforma. Permite el intercambio de datos seguro entre plataformas de hardware de distintos proveedores y entre sistemas operativos.

Los ingenieros necesitan acceder a datos de PLC y PC industriales a fin de analizar la productividad de las líneas de producción, optimizar los parámetros de la maquinaria o planificar los intervalos de mantenimiento (mantenimiento predictivo). La arquitectura unificada OPC es un protocolo estándar para acceder a estos datos (históricos y actuales).

Cuando acceden a los datos de PLC o PC industriales, los ingenieros suelen tener que enfrentarse a buses de campo específicos de proveedores o implementar mecanismos de intercambio de datos basados en Ethernet (por ejemplo, mediante TCP/IP o UDP). La lectura de datos en MATLAB^® ó Simulink^® y la escritura de parámetros en dispositivos industriales resultan fáciles e independientes del proveedor gracias a OPC UA. Este enfoque permite al usuario beneficiarse directamente de la utilización del análisis de datos y otras capacidades con MATLAB.

IoT Industrial con OPC UA

En el desarrollo de aplicaciones industriales del Internet of Things (IoT), se utiliza a menudo OPC UA para la comunicación entre nodos externos y el agregador de datos. Las interacciones de las máquinas (M2M) a través de OPC UA ofrecen una amplia interoperabilidad para los Sistemas IoT. Es posible implementar con facilidad soluciones de Big data en el flujo de trabajo de MATLAB.

Mantenimiento Predictivo con OPC UA

Industrial Communication Toolbox™ soporta OPC UA. Con Industrial Communication Toolbox los ingenieros pueden adquirir datos con facilidad para su utilización con métodos estadísticos, machine learning, e identificación de sistemas desde MATLAB para crear algoritmos para mantenimiento predictivo.