導讀：工業物聯網近些年發(fa)展迅猛，無論(lun)是操作運營技(ji)術(shu)(shu)（Operation Technology，OT）還是信息技(ji)術(shu)(shu)（Information Technology，IT），都在積極探索和實踐(jian)，一(yi)方面(mian)在于落地(di)場景的價值論(lun)證，另(ling)一(yi)方面(mian)在于技(ji)術(shu)(shu)創(chuang)新，以更好地(di)應對(dui)場景挑戰(zhan)。
1、加(jia)速泛在連接(jie)
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。這既包括工廠內設備(bei)、人員、環境等各(ge)要素的數據采集(ji)(ji)、工廠外智能裝備(bei)及智能產品的數據采集(ji)(ji)，也包括各(ge)種應(ying)用系(xi)統通過接口集(ji)(ji)成(cheng)數據。
推進工(gong)業物聯網實施(shi)面(mian)臨(lin)的(de)(de)第一(yi)(yi)道門檻(jian)就是多源異構的(de)(de)數(shu)(shu)據采集(ji)，如何將(jiang)工(gong)廠內(nei)外各種(zhong)OT和IT數(shu)(shu)據采集(ji)進來，其中存量設施(shi)涉(she)及(ji)物聯網數(shu)(shu)字化改造，增量建設則(ze)涉(she)及(ji)標(biao)準(zhun)制定(ding)。標(biao)準(zhun)亦非常重要，否則(ze)一(yi)(yi)直疲(pi)于(yu)項(xiang)目制交付(fu)，無法(fa)形成(cheng)產(chan)品，更無法(fa)沉淀(dian)于(yu)平臺(tai)。
OT和IT要融合，必須打破多年以來形成的信息孤島。例如工(gong)業以(yi)(yi)太(tai)網(wang)(wang)的(de)發展，一(yi)方面在(zai)不斷(duan)提高實時性(xing)，另一(yi)方面則要更好地兼容標準以(yi)(yi)太(tai)網(wang)(wang)和TCP/IP，以(yi)(yi)消除連接障礙。時間敏感網(wang)(wang)絡既支(zhi)持高速(su)率大(da)帶寬數據傳輸，又兼顧(gu)實時控(kong)制信息(xi)傳輸，向下兼容標準以(yi)(yi)太(tai)網(wang)(wang)，從概念和設(she)計理(li)念上來(lai)說，它比以(yi)(yi)往的(de)工(gong)業以(yi)(yi)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(ju)離到(dao)中(zhong)等距(ju)離，再(zai)到(dao)短距(ju)離，通過無線(xian)通信(xin)(xin)有效解決連接問題，不同(tong)技術各有優劣勢及適用場(chang)景，有些(xie)速率高，有些(xie)速度低但功耗極低，有些(xie)信(xin)(xin)號穿(chuan)透性強，能夠在復雜環(huan)境下穩定通信(xin)(xin)。
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)(cheng)的傳(chuan)感(gan)器在一些工(gong)業場景得到(dao)廣泛(fan)的應(ying)用，使(shi)得傳(chuan)感(gan)器具備數據處理、自校準、自補償和自診斷功能(neng)(neng)，物聯網終端更加(jia)的小型化、輕(qing)量化，續航能(neng)(neng)力更強，成(cheng)(cheng)本降低，使(shi)得大規模(mo)商(shang)業化應(ying)用成(cheng)(cheng)為可能(neng)(neng)。
2、工(gong)業(ye)大(da)數(shu)據
不可否認，大(da)數(shu)(shu)據(ju)(ju)和云計算的(de)普及(ji)，加快(kuai)了人們追逐數(shu)(shu)據(ju)(ju)驅(qu)動、數(shu)(shu)據(ju)(ju)應用(yong)的(de)步伐。數(shu)(shu)據(ju)(ju)存(cun)儲(chu)能力和算力的(de)大(da)幅提(ti)升，使(shi)得很(hen)多(duo)限制都已經消除了。例如傳統的(de)抽樣分析轉變為(wei)全(quan)量(liang)分析，通過全(quan)量(liang)數(shu)(shu)據(ju)(ju)分析大(da)幅提(ti)升結論的(de)準確性；某些領(ling)域(yu)從(cong)不可預(yu)測變為(wei)可預(yu)測，預(yu)測是基(ji)于歷史(shi)規律對未來(lai)進行推斷，大(da)量(liang)的(de)數(shu)(shu)據(ju)(ju)基(ji)礎讓分析從(cong)面(mian)向已經發生(sheng)(sheng)的(de)過去轉為(wei)面(mian)向即將發生(sheng)(sheng)的(de)未來(lai)。
一(yi)直以(yi)來，工(gong)業(ye)(ye)領域(yu)強調機理(li)模型、行業(ye)(ye)Know-How以(yi)及行業(ye)(ye)知識圖譜(pu)。在(zai)具(ju)備一(yi)定行業(ye)(ye)認知及知識儲備的基(ji)礎上，將機理(li)模型數(shu)(shu)字(zi)化之后，灌(guan)入(ru)物聯網(wang)設(she)備采集的大(da)量數(shu)(shu)據(ju)，分(fen)析并(bing)得出結果。從(cong)因果關(guan)系(xi)出發，提出假設(she)并(bing)驗證。這些做法顯著區別于消費互(hu)聯網(wang)領域(yu)的大(da)數(shu)(shu)據(ju)分(fen)析——在(zai)大(da)量無序(xu)的數(shu)(shu)據(ju)中(zhong)尋找某種(zhong)相關(guan)性(xing)，而不(bu)在(zai)乎(hu)相關(guan)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(shi)，例如數(shu)(shu)據(ju)模(mo)型(xing)(xing)對機(ji)理(li)模(mo)型(xing)(xing)進(jin)行校正、數(shu)(shu)據(ju)模(mo)型(xing)(xing)對機(ji)理(li)模(mo)型(xing)(xing)結果進(jin)行后(hou)處(chu)理(li)、將機(ji)理(li)模(mo)型(xing)(xing)的部分結果作(zuo)為(wei)數(shu)(shu)據(ju)模(mo)型(xing)(xing)特征等。
▲圖2-2 機理模(mo)型與數(shu)據模(mo)型
舉個例子，對(dui)生(sheng)產制造或運營(ying)管理(li)的(de)(de)(de)某(mou)個環節，當(dang)利用(yong)傳統(tong)分(fen)析(xi)方法(fa)從雜亂無序的(de)(de)(de)海量數據中(zhong)無法(fa)找(zhao)出(chu)問題時，可以試著利用(yong)AI無監(jian)督學習算法(fa)，對(dui)大(da)量樣本(ben)進行分(fen)析(xi)，得出(chu)基(ji)于(yu)某(mou)特征值(zhi)的(de)(de)(de)判斷閾值(zhi)，篩選出(chu)異常分(fen)支，再利用(yong)機理(li)模型研究異常分(fen)支數據，依據理(li)論和經(jing)驗弄清楚它(ta)背后的(de)(de)(de)原因，AI幫助快速找(zhao)出(chu)異常的(de)(de)(de)數據集，找(zhao)到初步分(fen)析(xi)方向。
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并非顛覆式的(de)(de)(de)(de)，在(zai)(zai)沒(mei)有(you)AI之(zhi)前(qian)，這些事(shi)情每天(tian)都在(zai)(zai)發生(sheng)，但(dan)不可否認的(de)(de)(de)(de)是(shi)，在(zai)(zai)某(mou)些場景(jing)中，AI讓(rang)事(shi)情變得(de)更有(you)效(xiao)(xiao)率、準確率更高(gao)。我們既不應該(gai)夸大AI的(de)(de)(de)(de)效(xiao)(xiao)果，大量AI項目在(zai)(zai)工業場景(jing)無法規模(mo)化落(luo)地時便已經指出了這個問題(ti)，也無須一味排斥AI，而是(shi)應該(gai)保持開(kai)放的(de)(de)(de)(de)心(xin)態(tai)，仔細對AI在(zai)(zai)業務場景(jing)落(luo)地的(de)(de)(de)(de)可行性加以甄別和研究。
3、沉淀用例，能(neng)力復(fu)用
在(zai)工業物聯網賽道(dao)，很多解(jie)決方案商希望向用(yong)(yong)戶推廣自己的平(ping)臺(tai)(tai)(tai)，通過平(ping)臺(tai)(tai)(tai)將硬件、云、算(suan)法及用(yong)(yong)例連接起來。平(ping)臺(tai)(tai)(tai)的重心(xin)，一方面(mian)在(zai)于不(bu)(bu)斷(duan)提(ti)升通用(yong)(yong)能力，夯(hang)實(shi)基礎(chu)，使平(ping)臺(tai)(tai)(tai)復制性變強；另(ling)一方面(mian)則是不(bu)(bu)斷(duan)豐(feng)富(fu)平(ping)臺(tai)(tai)(tai)上的用(yong)(yong)例，實(shi)現用(yong)(yong)例沉淀，能力復用(yong)(yong)，從(cong)做(zuo)項目變為做(zuo)產(chan)品，繼而建立平(ping)臺(tai)(tai)(tai)優勢。
工(gong)(gong)業(ye)(ye)物聯(lian)網平臺(tai)(tai)賽道的(de)(de)企業(ye)(ye)，在(zai)歷經平臺(tai)(tai)的(de)(de)建設期(qi)、迭代期(qi)和推廣期(qi)之后，逐(zhu)漸(jian)意識到(dao)用例的(de)(de)重(zhong)要(yao)性，最(zui)終都(dou)需要(yao)通過應用服務(wu)于業(ye)(ye)務(wu)場景，得到(dao)閉環(huan)，平臺(tai)(tai)大(da)部分時候(hou)不直接面(mian)向(xiang)業(ye)(ye)務(wu)問(wen)題，價值變現(xian)需要(yao)依賴(lai)于具(ju)體的(de)(de)應用落(luo)地。如何(he)將企業(ye)(ye)可復用的(de)(de)數(shu)字(zi)化能(neng)力(li)沉(chen)淀下來(lai)，如何(he)對相似業(ye)(ye)務(wu)邏輯的(de)(de)場景及對象進行抽(chou)象，形成一套可遷移、可擴展的(de)(de)用例，如何(he)沉(chen)淀足(zu)夠多的(de)(de)行業(ye)(ye)Know-How知(zhi)識并(bing)開(kai)發為(wei)工(gong)(gong)業(ye)(ye)APP模(mo)板，已成為(wei)區分工(gong)(gong)業(ye)(ye)物聯(lian)網平臺(tai)(tai)能(neng)力(li)的(de)(de)核心(xin)。
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，云端能力下沉(chen)，云端訓練邊(bian)緣(yuan)推理將(jiang)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(shi)一個組合詞，云(yun)(yun)（Cloud）+原生(sheng)（Native）。云(yun)(yun)表(biao)示(shi)應(ying)用(yong)(yong)(yong)程(cheng)序位于云(yun)(yun)上，而非傳統的數據中心(xin)；原生(sheng)表(biao)示(shi)應(ying)用(yong)(yong)(yong)程(cheng)序從設計(ji)之(zhi)初即考慮到(dao)云(yun)(yun)的環境，原生(sheng)為(wei)云(yun)(yun)而設計(ji)，充(chong)分利用(yong)(yong)(yong)和發揮(hui)云(yun)(yun)計(ji)算的彈性和分布式(shi)優勢。
不同的人和組(zu)織對于(yu)云(yun)原生(sheng)(sheng)有不同的理解，總體(ti)而言，符合(he)云(yun)原生(sheng)(sheng)架(jia)構的應(ying)用(yong)(yong)程序(xu)應(ying)該(gai)是采用(yong)(yong)開源棧(zhan)（Kubernetes+Docker）進(jin)行容(rong)器(qi)化(hua)，基(ji)于(yu)微(wei)服務(wu)架(jia)構提高靈活性和可維護性，DevOps支(zhi)持持續迭代和運維自動(dong)化(hua)，利(li)用(yong)(yong)云(yun)計算設(she)施實現彈(dan)性伸縮、動(dong)態調度，優化(hua)資源利(li)用(yong)(yong)。工業物聯(lian)網平臺同樣朝著云(yun)原生(sheng)(sheng)的方向進(jin)行架(jia)構迭代，以更好地支(zhi)持功能標準化(hua)，易(yi)于(yu)生(sheng)(sheng)態合(he)作，并且利(li)于(yu)應(ying)用(yong)(yong)在公有云(yun)、私(si)有云(yun)或混合(he)云(yun)等不同基(ji)礎設(she)施上快速(su)部署。
關于作者：胡典鋼(gang)，資深工(gong)業(ye)(ye)(ye)物(wu)(wu)(wu)聯(lian)網(wang)專(zhuan)家(jia)，順(shun)豐物(wu)(wu)(wu)聯(lian)網(wang)平(ping)臺(tai)負(fu)責(ze)人(ren)，兼任(ren)順(shun)豐集(ji)團(tuan)職業(ye)(ye)(ye)發展評審(shen)委員和(he)(he)ZETA聯(lian)盟工(gong)業(ye)(ye)(ye)物(wu)(wu)(wu)聯(lian)網(wang)高(gao)級顧問，負(fu)責(ze)順(shun)豐物(wu)(wu)(wu)聯(lian)網(wang)平(ping)臺(tai)建設及(ji)產品化(hua)工(gong)作。在物(wu)(wu)(wu)聯(lian)網(wang)、邊緣(yuan)計算、工(gong)業(ye)(ye)(ye)大(da)數據(ju)領(ling)域從業(ye)(ye)(ye)10余年(nian)，有豐富的實踐經驗。歷任(ren)NI公(gong)司應(ying)用(yong)工(gong)程(cheng)師(shi)、高(gao)級應(ying)用(yong)工(gong)程(cheng)師(shi)、大(da)區銷售(shou)經理，兼任(ren)GSDZone社區專(zhuan)欄(lan)作者和(he)(he)海(hai)南大(da)學校外專(zhuan)家(jia)，NI（中國）首位認證(zheng)雙(shuang)架構(gou)(gou)師(shi)——LabVIEW架構(gou)(gou)師(shi)和(he)(he)TestStand架構(gou)(gou)師(shi)，主導大(da)型工(gong)業(ye)(ye)(ye)自(zi)動化(hua)測(ce)試控(kong)制和(he)(he)工(gong)業(ye)(ye)(ye)物(wu)(wu)(wu)聯(lian)網(wang)項目的開(kai)發工(gong)作。2016年(nian)受(shou)邀撰寫專(zhuan)著(zhu)《TestStand工(gong)業(ye)(ye)(ye)自(zi)動化(hua)測(ce)試管理》，廣受(shou)業(ye)(ye)(ye)界(jie)好評，多次重印(yin)。
本文(wen)摘編自(zi)《工(gong)業物聯網：平臺(tai)架構、關鍵技術與應用實踐》，經(jing)出版方授權發布。（ISBN：978-7-111-70227-6）
延伸閱讀(du)《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。
