導讀：工業物聯網近(jin)些年發(fa)展迅猛(meng)，無論是操作(zuo)運營(ying)技術（Operation Technology，OT）還是信息技術（Information Technology，IT），都在(zai)積極(ji)探索和實(shi)踐，一方(fang)面在(zai)于(yu)落地場(chang)景(jing)的價(jia)值論證，另(ling)一方(fang)面在(zai)于(yu)技術創新(xin)，以更(geng)好地應(ying)對場(chang)景(jing)挑(tiao)戰。
1、加速泛在連接
工業物聯網通過自主感知數據采集、學習、分析和決策閉環，支撐工業資源泛在連接、彈性供給和高效配置，其中數據采集和泛在連接是基礎。這既包括工(gong)廠內(nei)設備、人員、環境(jing)等各(ge)要(yao)素的數據(ju)(ju)采集(ji)、工(gong)廠外智能裝(zhuang)備及智能產品的數據(ju)(ju)采集(ji)，也(ye)包括各(ge)種(zhong)應用系統通(tong)過(guo)接口(kou)集(ji)成數據(ju)(ju)。
推進工(gong)業物(wu)聯網實施面(mian)臨的第一(yi)道門(men)檻就是(shi)多(duo)源異構的數(shu)(shu)據采(cai)集，如何將工(gong)廠內外各種OT和IT數(shu)(shu)據采(cai)集進來，其中存量設(she)施涉及物(wu)聯網數(shu)(shu)字化改造，增(zeng)量建(jian)設(she)則涉及標(biao)準(zhun)制定。標(biao)準(zhun)亦非常重要，否則一(yi)直(zhi)疲于項目制交付，無法形成產品，更無法沉淀于平臺。
OT和IT要融合，必須打破多年以來形成的信息孤島。例如工業以太(tai)網(wang)(wang)的發展，一方面在不斷提(ti)高實時性，另(ling)一方面則要更好地兼(jian)容(rong)標準以太(tai)網(wang)(wang)和(he)(he)TCP/IP，以消除連接障(zhang)礙。時間敏感網(wang)(wang)絡既支持高速率大(da)帶(dai)寬數(shu)據(ju)傳輸，又兼(jian)顧實時控制信息傳輸，向下兼(jian)容(rong)標準以太(tai)網(wang)(wang)，從概念(nian)和(he)(he)設(she)計理念(nian)上(shang)來說，它比(bi)以往的工業以太(tai)網(wang)(wang)更先進，因此成為業界研(yan)究(jiu)熱點。
對于移動場景，5G技術、低功耗廣域網技術、4G Cat-1以及短距離無線通信技術等，正在加速泛在連接的發展，支持海量物聯。從長距離(li)到中等(deng)距離(li)，再到短(duan)距離(li)，通(tong)(tong)過無線通(tong)(tong)信有(you)效解決連接問題，不同技術各有(you)優劣勢及(ji)適用(yong)場景，有(you)些速(su)率高，有(you)些速(su)度低但功耗極低，有(you)些信號穿(chuan)透性強，能(neng)夠在復雜環(huan)境下穩定通(tong)(tong)信。
工業物聯網應用場景的差異化，對傳感器體積、功耗提出了新的要求，小型化低功耗并且與芯片高度集成(cheng)的傳(chuan)感(gan)器在一(yi)些工業場景得到廣泛的應用，使得傳(chuan)感(gan)器具備(bei)數(shu)據處(chu)理(li)、自校準、自補(bu)償和自診(zhen)斷功能，物(wu)聯網終端更(geng)加的小(xiao)型化(hua)、輕(qing)量化(hua)，續(xu)航(hang)能力(li)更(geng)強，成(cheng)本(ben)降低，使得大規模商業化(hua)應用成(cheng)為可能。
2、工業(ye)大數據
不可(ke)否認(ren)，大(da)數(shu)(shu)據(ju)和(he)云計算的(de)普及，加快了人們追逐數(shu)(shu)據(ju)驅動、數(shu)(shu)據(ju)應用的(de)步伐。數(shu)(shu)據(ju)存儲能力和(he)算力的(de)大(da)幅(fu)提升(sheng)，使得很(hen)多限(xian)制都(dou)已經(jing)消除了。例如傳統(tong)的(de)抽樣分(fen)(fen)析轉(zhuan)變(bian)為(wei)全(quan)(quan)量分(fen)(fen)析，通過(guo)全(quan)(quan)量數(shu)(shu)據(ju)分(fen)(fen)析大(da)幅(fu)提升(sheng)結論(lun)的(de)準確性；某些領(ling)域(yu)從(cong)(cong)不可(ke)預測(ce)變(bian)為(wei)可(ke)預測(ce)，預測(ce)是基于歷史規律對未來(lai)進行(xing)推斷，大(da)量的(de)數(shu)(shu)據(ju)基礎讓分(fen)(fen)析從(cong)(cong)面(mian)向已經(jing)發生的(de)過(guo)去(qu)轉(zhuan)為(wei)面(mian)向即(ji)將發生的(de)未來(lai)。
一(yi)直以(yi)(yi)來(lai)，工業(ye)領域強調機理(li)模(mo)型、行業(ye)Know-How以(yi)(yi)及行業(ye)知識(shi)圖(tu)譜。在(zai)具備一(yi)定(ding)行業(ye)認知及知識(shi)儲備的基礎上，將機理(li)模(mo)型數(shu)(shu)字化之后，灌(guan)入物(wu)聯網設備采集(ji)的大(da)量數(shu)(shu)據，分(fen)(fen)析(xi)并(bing)(bing)得(de)出(chu)結果(guo)。從因果(guo)關系出(chu)發，提出(chu)假(jia)設并(bing)(bing)驗證。這些做法(fa)顯著區(qu)別于消費互聯網領域的大(da)數(shu)(shu)據分(fen)(fen)析(xi)——在(zai)大(da)量無序的數(shu)(shu)據中(zhong)尋找某種相關性(xing)，而不在(zai)乎相關性(xing)背后的原(yuan)因。
對于工業物聯網，可以將因果關系和相關關系相結合，如圖2-2所示，例如數(shu)據模(mo)(mo)型(xing)對機理(li)(li)模(mo)(mo)型(xing)進行(xing)校(xiao)正、數(shu)據模(mo)(mo)型(xing)對機理(li)(li)模(mo)(mo)型(xing)結(jie)(jie)果進行(xing)后(hou)處理(li)(li)、將機理(li)(li)模(mo)(mo)型(xing)的部(bu)分結(jie)(jie)果作為(wei)數(shu)據模(mo)(mo)型(xing)特征(zheng)等。
▲圖2-2 機(ji)理模型與數據(ju)模型
舉個(ge)例(li)子，對生產制造或運營管理的某個(ge)環節(jie)，當(dang)利(li)用(yong)(yong)傳統分(fen)(fen)析方法(fa)從雜亂無序的海量(liang)數據(ju)中無法(fa)找(zhao)出(chu)問題時(shi)，可以試著(zhu)利(li)用(yong)(yong)AI無監(jian)督學(xue)習(xi)算法(fa)，對大量(liang)樣本進行(xing)分(fen)(fen)析，得出(chu)基于(yu)某特征值(zhi)的判斷閾值(zhi)，篩(shai)選出(chu)異常(chang)分(fen)(fen)支(zhi)，再利(li)用(yong)(yong)機理模型(xing)研(yan)究異常(chang)分(fen)(fen)支(zhi)數據(ju)，依據(ju)理論(lun)和經驗弄清楚它背后的原因，AI幫(bang)助(zhu)快速(su)找(zhao)出(chu)異常(chang)的數據(ju)集，找(zhao)到初步分(fen)(fen)析方向(xiang)。
除此之外，AI在一些傳統領域也在嘗試漸進式的改進和優化，例如視覺質檢、圖像識別、預測分析與診斷、巡檢、公共安全等領域逐步應用AI。AI并(bing)非顛覆(fu)式(shi)的，在沒有AI之前，這些事情每(mei)天都在發(fa)生，但不(bu)可否(fou)認(ren)的是，在某些場景(jing)中，AI讓(rang)事情變得(de)更(geng)有效率、準(zhun)確率更(geng)高(gao)。我們既不(bu)應該(gai)(gai)夸(kua)大(da)(da)AI的效果，大(da)(da)量AI項目在工業場景(jing)無法規(gui)模化落(luo)地時便已經指出了這個問題，也無須一(yi)味排斥AI，而(er)是應該(gai)(gai)保(bao)持開放的心(xin)態，仔細(xi)對AI在業務場景(jing)落(luo)地的可行性(xing)加以甄別(bie)和研究。
3、沉淀(dian)用例，能(neng)力復用
在工(gong)業物聯網賽道，很多解(jie)決方案商(shang)希望向(xiang)用(yong)(yong)戶(hu)推(tui)廣自己的(de)(de)平(ping)(ping)臺(tai)(tai)(tai)，通(tong)(tong)過平(ping)(ping)臺(tai)(tai)(tai)將硬件、云、算法及用(yong)(yong)例(li)(li)連(lian)接起來。平(ping)(ping)臺(tai)(tai)(tai)的(de)(de)重心，一(yi)方面在于不斷提(ti)升通(tong)(tong)用(yong)(yong)能(neng)(neng)力，夯實基礎，使平(ping)(ping)臺(tai)(tai)(tai)復(fu)制性(xing)變(bian)強；另一(yi)方面則是(shi)不斷豐富平(ping)(ping)臺(tai)(tai)(tai)上的(de)(de)用(yong)(yong)例(li)(li)，實現(xian)用(yong)(yong)例(li)(li)沉淀(dian)，能(neng)(neng)力復(fu)用(yong)(yong)，從做項目變(bian)為(wei)做產品，繼而建立平(ping)(ping)臺(tai)(tai)(tai)優勢。
工業(ye)(ye)物聯(lian)網(wang)平臺(tai)(tai)賽道的(de)企(qi)業(ye)(ye)，在歷經平臺(tai)(tai)的(de)建(jian)設期(qi)、迭(die)代期(qi)和(he)推廣期(qi)之后，逐漸意識到用(yong)(yong)例(li)的(de)重要(yao)性，最(zui)終(zhong)都需要(yao)通(tong)過應(ying)用(yong)(yong)服務(wu)于業(ye)(ye)務(wu)場(chang)(chang)景(jing)，得到閉(bi)環(huan)，平臺(tai)(tai)大部分時候不直接面向(xiang)業(ye)(ye)務(wu)問題，價值變現需要(yao)依(yi)賴于具體(ti)的(de)應(ying)用(yong)(yong)落(luo)地。如(ru)(ru)何將企(qi)業(ye)(ye)可(ke)(ke)復用(yong)(yong)的(de)數字化能(neng)力(li)沉(chen)淀(dian)下來，如(ru)(ru)何對(dui)相似(si)業(ye)(ye)務(wu)邏輯的(de)場(chang)(chang)景(jing)及對(dui)象進行(xing)抽象，形(xing)成(cheng)一(yi)套(tao)可(ke)(ke)遷移(yi)、可(ke)(ke)擴展的(de)用(yong)(yong)例(li)，如(ru)(ru)何沉(chen)淀(dian)足(zu)夠多的(de)行(xing)業(ye)(ye)Know-How知識并開發為(wei)工業(ye)(ye)APP模板，已(yi)成(cheng)為(wei)區分工業(ye)(ye)物聯(lian)網(wang)平臺(tai)(tai)能(neng)力(li)的(de)核心。
除了上面列舉的幾點，還有一些趨勢如邊緣智能、云原生工業物聯網平臺等，不逐一列舉。出于數據處理實時性、網絡可靠性、安全性方面的考慮，人們越來越重視在數據源頭現場對數據進行即時處理。云端訓練的模型運行在邊緣節點上，實現邊緣智能，云端(duan)(duan)能力下(xia)沉(chen)，云端(duan)(duan)訓練邊(bian)緣推理將變得越來越普遍。
近幾年，云原生工業物聯網平臺概念逐步普及。云原生（Cloud Native）是一個(ge)組合詞，云（Cloud）+原(yuan)(yuan)生(sheng)（Native）。云表示應用程(cheng)序(xu)位于(yu)云上，而非傳統的(de)數據中心；原(yuan)(yuan)生(sheng)表示應用程(cheng)序(xu)從設計之初即考慮到云的(de)環境，原(yuan)(yuan)生(sheng)為云而設計，充分利用和(he)發揮云計算的(de)彈性和(he)分布(bu)式(shi)優勢(shi)。
不同的人和組(zu)織對于(yu)云(yun)原生(sheng)有(you)不同的理解(jie)，總(zong)體而言，符合云(yun)原生(sheng)架(jia)構(gou)(gou)的應用(yong)(yong)程序應該是采用(yong)(yong)開源棧（Kubernetes+Docker）進行容器化，基于(yu)微服務架(jia)構(gou)(gou)提高(gao)靈活(huo)性和可維護性，DevOps支(zhi)(zhi)持(chi)持(chi)續(xu)迭(die)代和運(yun)維自動化，利(li)用(yong)(yong)云(yun)計算設施實現彈性伸縮、動態(tai)調(diao)度，優化資源利(li)用(yong)(yong)。工業物聯網平臺同樣朝著云(yun)原生(sheng)的方向進行架(jia)構(gou)(gou)迭(die)代，以更好地支(zhi)(zhi)持(chi)功(gong)能標(biao)準化，易(yi)于(yu)生(sheng)態(tai)合作(zuo)，并(bing)且利(li)于(yu)應用(yong)(yong)在(zai)公(gong)有(you)云(yun)、私有(you)云(yun)或混合云(yun)等(deng)不同基礎設施上快速部署。
關于作(zuo)(zuo)者：胡(hu)典鋼(gang)，資深工(gong)業物(wu)(wu)(wu)(wu)聯(lian)(lian)網(wang)(wang)專(zhuan)家，順豐物(wu)(wu)(wu)(wu)聯(lian)(lian)網(wang)(wang)平臺(tai)負(fu)責人，兼(jian)任順豐集(ji)團(tuan)職業發(fa)展評審委員和ZETA聯(lian)(lian)盟工(gong)業物(wu)(wu)(wu)(wu)聯(lian)(lian)網(wang)(wang)高級顧(gu)問，負(fu)責順豐物(wu)(wu)(wu)(wu)聯(lian)(lian)網(wang)(wang)平臺(tai)建設及產品化工(gong)作(zuo)(zuo)。在物(wu)(wu)(wu)(wu)聯(lian)(lian)網(wang)(wang)、邊緣計算(suan)、工(gong)業大數據領域從業10余年，有豐富的實踐經驗。歷任NI公司應用工(gong)程(cheng)師、高級應用工(gong)程(cheng)師、大區銷售經理(li)，兼(jian)任GSDZone社區專(zhuan)欄作(zuo)(zuo)者和海南(nan)大學(xue)校外專(zhuan)家，NI（中國）首(shou)位認證(zheng)雙架構師——LabVIEW架構師和TestStand架構師，主導大型工(gong)業自動(dong)化測(ce)試控制和工(gong)業物(wu)(wu)(wu)(wu)聯(lian)(lian)網(wang)(wang)項目的開發(fa)工(gong)作(zuo)(zuo)。2016年受(shou)邀撰寫(xie)專(zhuan)著(zhu)《TestStand工(gong)業自動(dong)化測(ce)試管理(li)》，廣受(shou)業界好評，多次重印。
本文摘編自《工業(ye)物聯網(wang)：平臺(tai)架構、關鍵技術與應(ying)用實踐(jian)》，經出版(ban)方授權發布。（ISBN：978-7-111-70227-6）
延伸閱讀《工業物聯網》
推薦語：這是一本從平臺架構、關鍵技術、應用實踐3個維度全面講解工業物聯網如何在生產實踐中落地的著作。它是順豐物聯網平臺負責人10余年經驗的總結，得到了行業里近10位專家的一致推薦。它將幫助企業解決工業物聯網推進過程中遇到的OT與IT融合困難、組織協作成本高昂、全局性技術棧選型難把握、項目規模化落地困難風險易低估、數字化轉型難聚焦等系列問題。
版權聲明: 本文內容來源于網絡，該文觀點僅代表作者本人。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。如發現本站有涉嫌抄襲侵權/違法違規的內容，請聯系我們，一經查實，本站將立刻刪除。
