**工业4.0时代下基于Python的智能制造设备状态实时监控系统设计与实现**在工业4.

工业4.0时代下基于Python的智能制造设备状态实时监控系统设计与实现在工业4.0浪潮中设备联网、数据驱动决策、边缘计算和数字孪生已成为核心趋势。传统工厂依赖人工巡检与离线报表难以满足柔性制造与预测性维护的需求。本文将介绍一个基于Python MQTT SQLite Flask 的轻量级设备状态实时监控平台适用于中小型企业快速部署。一、系统架构设计流程图示意------------------- | PLC/传感器终端 | ←→ MQTT Broker (Mosquitto) ------------------ | v ------------------ | Python 数据采集层 | ←→ SQLite 存储设备状态日志 ------------------ | v ------------------ | Flask Web API 层 | ←→ 前端可视化界面Vue.js ------------------ | v ------------------- | 实时告警 报表生成 | ------------------- 核心思想用 **MQTT 协议实现低延迟通信**利用 **SQLite 轻量级数据库记录历史状态**通过 Flask 提供 RESTful 接口供前端调用。 --- ### 二、代码实现详解 #### 1. MQTT 数据订阅脚本mqtt_collector.py python import paho.mqtt.client as mqtt import json import sqlite3 from datetime import datetime # 数据库初始化 def init_db(): conn sqlite3.connect(device_status.db) cursor conn.cursor() cursor.execute( CREATE TABLE IF NOT EXISTS device_logs ( id INTEGER PRIMARY KEY AUTOINCREMENT, device_id TEXT, status TEXT, timestamp DATETIME DEFAULT CURRENT_TIMESTAMP ) ) conn.commit() conn.close() # MQTT 回调函数 def on_message(client, userdata, msg): payload json.loads(msg.payload.decode()) device_id payload.get(device_id) status payload.get(status) # 如 running, error, maintenance conn sqlite3.connect(device_status.db) cursor conn.cursor() cursor.execute( INSERT INTO device_logs (device_id, status) VALUES (?, ?), (device_id, status) ) conn.commit() conn.close() print(f[{datetime.now()}] Device {device_id} status: {status}) client mqtt.Client() client.on_message on_message client.connect(localhost, 1883, 60) client.subscribe(industrial/device/#) client.loop_forever()✅ 这段代码可直接运行在边缘设备或服务器上监听来自现场PLC的JSON格式状态消息并持久化到本地数据库。2. Flask API 接口api.pyfromflaskimportFlask,jsonifyimportsqlite3 appFlask(__name__)app.route(/api/device/device_id/status,methods[GET])defget_latest_status(device_id):connsqlite3.connect(device_status.db)cursorconn.cursor()cursor.execute( SELECT status, timestamp FROM device_logs WHERE device_id ? ORDER BY timestamp DESC LIMIT 1 ,(device_id,))rowcursor.fetchone()ifnotrow:returnjsonify({error:Device not found}),404returnjsonify({device_id:device_id,status:row[0],timestamp:row[1]})app.route(/api/device/device_id/history,methods[GET])defget_history(device_id):daysint(request.args.get(days,7))connsqlite3.connect(device_status.db)cursorconn.cursor()cursor.execute( SELECT status, timestamp FROM device_logs WHERE device_id ? AND timestamp datetime(now, -{} days) ORDER BY timestamp DESC .format(days),(device_id,))data[{status:r[0],time:r[1]}forrincursor.fetchall()]returnjsonify(data)if__name____main__:app.run(host0.0.0.0,port5000,debugFalse) 此API支持两个关键功能-获取某设备最新状态用于前端展示--获取过去N天的状态变化用于趋势分析---### 三、实际应用场景示例假设你有一个注塑机设备ID为 MACHINE_01它每5秒上报一次状态 json{device_id:MACHINE_01,status:running} 当其变为 error 时你可以设置如下规则触发告警 python# 在 MQTT 消息处理逻辑中添加判断ifstatuserror:send_alert_to_slack(f⚠️ 设备{device_id}出现异常) 这使得整个系统具备**故障自动感知日志归档Web 可视化**三位一体的能力。---### 四、为什么选择这个技术栈|组件|优势||------\------\|**Python**|生态丰富开发效率高适合工业场景快速原型||**MQTT**|协议轻量、支持断线重连适合工业网络不稳定环境||**SQLite**|无需独立DB服务嵌入式存储适合单节点部署||**Flask**\ 极简Web框架便于构建内部管理系统| 特别适合中小型制造企业无需引入Kafka或elasticsearch这类重型中间件即可实现基础数字化能力。---### 五、未来扩展建议-✅ 加入 Grafana dashboard 展示设备在线率、停机时间等指标--✅ 引入机器学习模型对设备振动数据进行预测性维护如 LSTM--✅ 部署到树莓派等边缘设备形成“边缘采集中心分析”架构---### 总结本方案以极低成本构建了工业4.0所需的**设备状态感知闭环**不仅解决了信息孤岛问题也为后续引入AI预测模型打下坚实基础。对于正在推进数字化转型的企业而言这是值得优先落地的第一步 现在就可以动手试试看安装 mosquitto、运行采集脚本、访问 /api/device/MACHINE_01/status 查看结果 你不需要复杂的硬件只需要一台带网卡的linux服务器或树莓派就能迈出智能制造的第一步。