【工业互联网】【智能制造】2019“遇见”制造企业通过“线下智能制造+线上工业互联网”平台实现数字化、网络化和智能化的转型升级

2019 年 1 月 7 日 产业智能官

“智能制造+工业互联网”的数字化、网络化和智能化平台，是以智能制造为抓手，工业互联网为基础设施，实现工业互联、互通，可持续发展的生态模式。是将云计算、工业大数据、物联网和人工智能等新一代信息技术全面渗入整个公司、产品等“商业”场景中去，利用工业互联网云平台提供的新一代信息技术形成数字化、网络化和智能化力量，实现行业的重新布局、企业的重新构建和焕然新生。

一、 平台简介

“智能制造+工业互联网”数字化、网络化和智能化平台归纳为两个场景：

1. 线下智能制造：一个是围绕制造全生命周期的业务创新即先进制造，通过大数据驱动的创新产品设计、工程规划、制造执行和智能服务，实现“提质、增效、降耗、控险”，达到提升企业在行业内竞争力的目的；

2. 线下工业互联网：另一个是工业互联网新业务创新，即制造+互联网：以联网的智能工业产品、设备为载体，承载服务产品周边生态系统的工业互联网业务，达到开创新兴市场和业务模式的目的。制造即服务、云工厂、分布式产能等等得以实现。

图片源自白皮书

二、 边缘计算

　　面向制造企业应用场景和实际业务问题，通过工业物联网或网关低成本、快部署的工业数据采集与边缘分析、处理，包括但不限于以下方面：

1. 设备接入：基于工业以太网、工业总线等工业通信协议，以太网、光纤等通用协议，2G/3G/4G、NB-IoT等无线协议将工业现场设备接入到平台边缘层。

2. 协议转换：一方面运用协议解析、中间件等技术兼容ModBus、OPC-UA、CAN、Profibus等工业通信协议和软件通信接口，实现数据格式转换和统一。另一方面利用HTTP（REST/JSON）、MQTT、AMQT、CoAP等方式将采集到的数据传输到云端，实现数据的远程接入。

3. 边缘数据处理：基于高性能计算芯片、实时操作系统、边缘分析算法等技术支撑，在靠近设备或数据源头的网络边缘侧进行数据预处理、存储以及智能分析应用，提升操作响应灵敏度、消除网络堵塞，并与云端分析形成协同。目前来看边缘计算架构有与云计算架构同类化的发展趋势，即容器化docker部署、kubernetes平台化运维，由于底层都是容器平台，使得云端模型训练和边缘端模型执行得以平滑部署和执行实现。

三、 IAAS基础服务层

面向工业构建企业级的私有云、混合云和公有云，即云计算服务。

1. 资源调度：通过实时监控云端应用的业务量动态变化，结合相应的调度算法为应用程序分配相应的底层资源，从而使云端应用可以自动适应业务量的变化。实现计算、存储和网络等资源的弹性供给、按需配置。　

2. 多租户管理：通过虚拟化、数据库隔离、容器等技术实现不同租户应用和服务的隔离，保护其隐私与安全

3. 核心功能：企业通过云计算平台，低成本、快速实现基层设施的云化升级改造和企业数字化转型。基层设施的云化即传统机房外包并云化改造以适配业务对基础实施的弹性供给和按需配置的需求。

企业会担心数据隐私等，针对这种情况使用私有云或混合云，让云服务商把全部（私有云）或一部分云（混合云）的内容建在企业管制范围内，只把云基础设备的维护托管给云服务商，企业只关注好业务就好。

四、 PAAS平台服务层

图片源自白皮书

　　以平台化的方式为工业企业提供有价值的服务。

　　1.IT赋能平台

　　IT赋能平台重点提供平台构建所需的通用IT能力，核心是边缘连接与设备管理、通用PaaS、工业大数据存储与处理，以及智能分析与决策等，包括但不限于以下能力：

　　（1）数据管理。

　　数据处理框架：借助Hadoop、Spark、Storm等分布式处理架构，满足海量数据的批处理和流处理计算需求。　

　　数据预处理：运用数据冗余剔除、异常值处理、归一化等方法对原始数据进行清洗，为后续存储、管理与分析提供高质量数据来源。　

　　数据存储与管理：通过分布式文件系统、NoSQL数据库、关系数据库、时序数据库等不同的数据管理引擎实现海量工业数据的分区选择、存储、编目与索引等。　

　　数据资源管理：支持对平台上的各类数据信息的基础数据进行统一管理，提供包括数据分类、集中策略引擎、数据来源、数据安全和生命周期管理在内的数据治理核心功能。支持内部模块和接入系统的数据访问，具备开放的数据接口，同时数据接口定义规范、简洁、全面且具有扩展能力。

（2）工业数据建模与分析。

　　数据分析算法：运用数学统计、机器学习及最新的智能AI算法如深度学习、迁移学习、强化学习和对抗性网络等实现面向历史数据、实时数据、时序数据的聚类、关联和预测分析。

机理建模：利用机械、电子、物理、化学等领域专业知识，结合工业生产实践经验，基于已知工业机理构建各类模型，实现分析应用。

工业机理的理解有助于数据分析时参数的选择，而且现实工业场景中我们不可能完全百分之百的理解工业机理，所以必须借助数据分析模型在数字空间做分析、决策。机理建模+数据分析算法构成了真正意义上的数字孪生。

　　（3）应用开发和微服务。

　　多语言与工具支持：支持Java、Python和Ruby等多种语言编译环境，并提供Eclipse integration、JBoss Developer Studio、git和Jenkins等各类开发工具，构建高效便捷的集成开发环境。　

　　微服务架构：提供涵盖服务注册、发现、通信、调用的管理机制和运行环境，支撑基于微型服务单元集成的“松耦合”应用开发和部署。　

图形化编程：通过类似Labview的图形化编程工具，简化开发流程，支持用户采用拖拽方式进行应用创建、测试、扩展等。

　　2.行业性平台

　　行业性平台重点聚焦于能够提供制造服务能力的平台，包括工业PaaS，将行业知识、模型等封装为微服务，支撑第三方应用二次开发：

　　（1）行业资源共享：包括应用模型库、知识库、标准库、专家库、案例库等行业通用资源；

　　（2）行业协同服务：包括提供协同设计、协同制造、供应链管理、在线运维等服务；

　　（3）行业资源优化：包括行业供应商交易平台、制造能力在线发布、行业知识在线交易、企业在线营销等服务；

　　（4）精准金融服务：通过工业数据的汇聚分析，为金融行业提供评估支撑和精准风控，为银行放贷、股权投资、企业保险等金融业务提供量化依据。

五、 SAAS 应用服务层

图片源自白皮书

　　基于智能制造和工业互联网两大应用场景，开发低成本、模块化、快部署的工业应用服务，包括工业软件SaaS化、工业技术软件化、基于数据建模形成的工业应用等形式，覆盖制造企业研发、设计、生产、管理、服务等以下应用场景：

1. 面向工业现场的生产过程优化。

有效采集和汇聚生产设备运行数据、工艺参数、质量检测数据、物料配送数据和进度管理数据等生产现场数据，通过数据分析和反馈在制造工艺、生产流程、质量管理、设备维护和能耗管理等具体场景中实现优化应用。　

2. 面向产品全生命周期的管理与服务优化。

　　将产品设计、生产、运行和服务数据进行全面集成，以全生命周期可追溯为基础，在设计环节实现可制造性预测，在使用环节实现健康管理，并通过生产与使用数据的反馈改进产品设计。具体场景包括建立企业标准、产品溯源、产品/装备远程预测性维护、产品设计反馈优化等。

3. 面向企业运营的管理决策优化。

　　打通生产现场数据、企业管理数据和供应链数据，提升决策效率，实现更加精准与透明的企业管理，具体场景包括项目管理优化、供应链管理优化、生产管控一体化、质量追溯管理、企业决策管理等。

4. 面向社会化生产的资源优化配置与协同。

实现制造企业与外部用户需求、创新资源、生产能力的全面对接，推动设计、制造、供应和服务环节的并行组织和协同优化。具体场景包括实现制造能力交易与协同云制造，建立产业标准、行业资源分布、行业产能分布、行业供应资质分布等。

六、 工业互联网云平台核心价值

工业互联网云平台有着各种巨大的可能，比如，它可以使得单件生产成为可能，充分满足个别用户的定制需求。在工业互联网的世界，商业环境和工艺流程的动态结合，这使得即使在最后一刻需求发生变化的时候，生产仍然成为可能。与此同时，在整个供应链上，当个别供应商出现问题的时候，整个工厂仍然可以保持充分的柔性。

而终端用户也呈现出连接的状态，其巨大的透明性，可以贯穿整个制造流程之中，这使得商业决策可以大大优化。这就会产生许多不同的价值和全新的商业模式——尤其对于中小企业和新创公司，通过云平台他们很容易在全流程的价值服务中找到自己的位置。

2018年，我们一起见证了制造企业的新技术、新产品、新业态和新模式，

2019年，我们一起遇见通过“智能制造+工业互联网”数字化、网络化和智能化云平台，中国传统制造企业实现数字化的成功转型升级。

工业互联网

产业智能官 AI-CPS

加入知识星球“产业智能研究院”：先进产业OT（工艺+自动化+机器人+新能源+精益）技术和新一代信息IT技术（云计算+大数据+物联网+区块链+人工智能）深度融合，在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的机器智能认知计算系统；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。