工业互联网大优化
在《论工业互联网与智能制造》（中篇），我们引入了智能制造三链模型。下篇将对三链模型进行具体应用。在建立了业务管理的价值链和创新管理的知识产权链的这些流程后，我们可以对整个制造过程进行有效的计划、决策和执行，大幅度地提高了生产的效率和绩效。在这个基础上，工业互联网则将进一步实现对生产的效率和绩效优化。
图1 工业互联网数据分析在制造环境的应用
利用工业互联网的技术，收集覆盖装备操作情况、运行状态、工况状态、环境参数，反映关于产品和设备实况的数据，并通分析，可以进一步对整个生产过程进行优化。这些优化包括对制造设备的实时监控、故障检测和诊断、预测性维护、整体设备效率、质量检测、能耗管理、人员安全监管等等。
对这些生产过程和设备数据的分析，也将超越目前在生产环节，如MES，SCADA或DCS系统中的，普遍基于阈值监测等基本分析方法，越来越多地基于机理模型，和机器学习、深度学习和AI等高级数据模型分析方法，提供更准确更及时的分析结果。这些分析的结果，不仅直接用于支持上述的优化功能，如预测性维护等，而且可以反馈回到制造管理系统，如MES，ERP等，使其根据设备的现状，对生产过程进行必要的动态调整。
显然，这些数据分析大多也适用于在制造环境之外的装备的运维过程中。
的确，通过数据分析对这些装备运维的优化，对装备实现资产绩效管理，增加其正常运行时间和可靠性，降低维护成本和能耗，提高运营绩效，也正是工业互联网在制造业之外的主要应用。
在此同时，利用数字标签、传感器和无线通讯技术，我们可以在物流的各个环节追踪货物的地理位置以及如温度、湿度，震动等环境参数，以监管货物的运输质量和交付时间，并把任何异常情况报告给ERP业务管理链，使其及时为此调整生产计划。
图2 批量性工业大数据挖掘分析
宏观性的优化
值得注意的是，很多这样的数据分析有很强的时延要求，需要采纳流式数据分析的模式。在另一方面，制造的各个流程和环节产生海量的数据。这些数据蕴藏着关于生产流程有价值的信息。对这些数据作时间纵向性，长周期、跨环节、跨流程，跨域的大数据挖掘分析，是对进一步宏观性地优化生产过程的一个重要手段。这些批量性的大数据分析可以帮助识别和消除生产流程中效率和绩效瓶颈、确定不良率与工艺参数和操作工序等关键数据的关联性，生产计划与排程目标和实际的差异的因素分析，客户对产品反馈分析，产品维护状况分析等等。
工业大数据分析实施框架
由于生产过程复杂，数据收集对象种类多（包括物料、产品、工具、设备、物料分拣传送系，人员、环境和安全传感器等），数量大，采样时间密度大、并需要作多参数同步关联性分析。因此，为了对生产过程作全面覆盖性的数据收集和分析服务，同时满足不同时效、可靠性、分析方法、计算强度和储存量的要求，需要有综合性的数据收集和分析平台。为了最佳地平衡这些需求，这个平台的功能的部署应是分布性的，把低时延可靠性高的流式数据分析部署在靠近生产现场的边缘端，也就是把分析功能部署在靠近数据源，靠近决策点；而把计算强度高和储存量大，但对时延和可靠性要求不太严格的批量分析部署在计算资源丰富的数据中心或云端。这样的一个分析平台还应能提供一个开放性的分析应用（APP）框架，使能特别是第三方数据分析专业人员简易快速地开发新的分析应用和增强现有分析应用的效能，以提高生产过程的应变能力。
图3 工业数据分析平台：分布式功能部署
（部署于边缘的流式数据分析提供更安全、可靠和低时延的实时分析）
工业软件的发展方向
为了有效地把工业互联网的优化融合在数字化的制造环境里，我们可以把工业软件的整体，按功能分为三层：
☆ 控制层，包括设备、产品、环境等
☆ 信息层，包括数据收集、分析和信息发放
☆ 决策层，包括现有的工业流程软件
控制层包括了生产设备和产品的所有CPS单元及各级系统，以及其所在的物理环境，不仅是控制的对象，也是工业互联网数据收集的主要对象。信息层作为系统化地实现工业数据和信息的互流互用而新设的架构层，提供框架性的数据分析解决方案，对控制层和其它制造流程各个环节收集数据，实施系统化的数据管理和支持各种形式数据分析，包括实时流式数据分析和不定期的批量型大数据挖掘分析，为属于决策层的各种工业软件，包括基于工业互联网的各种优化性的应用，以及业务的决策提供可执行（actionable）的信息。同时，信息层还为数字主线的实现和数字孪生的构建提供支持。为了在不同功能层之间实现互操作性，我们必须为这些功能层之间制定新的交互界面标准。
图4 新的工业软件架构
控制、信息与决策功能分层并行交互
我们上面提到的工业数据分析的报告 ，也提供了很好的描述了信息技术在工业自动化这两个一开始完全分割的领域，在不同的时间段里相互靠近，最后融合在一起的过程。在过去的十多年里，被广泛接纳的ISA95垂直分层的五层自动化金字塔一直用于定义制造业的软件架构。在这个架构中，ERP系统处于顶层，MES系统紧接其下，SCADA系统处于中层，PLC和DCS系统置之其下，而实际的输入/输出信号在底部。这个报告并提出，IoT架构和相应的分析能力可能会改变这个架构图像。
不少制造业企业基于这个制造业的软件架构，部署了一系列的传统工业软件，如ERP、PLM、MES等等。
的确，这些工业软件为制造业向信息化提升，优化制造过程的作用，不可估量。这些工业软件系列大多共享一些特征，比如它们大都整合了很多的功能模块，提供非常丰富的功能，规模可以很庞大，而且，作为一个厂商提供的专有应用，本身整合和内部优化的程度比较高，部署和维护过程比较直接，由厂商或厂商认可的整合商完成并提供支持。但是，由于缺乏通用的标准，这些工业软件系列（如ERP与MES）之间的可操作性很低。同时，作为可以说是大而全的专用应用，开放性不高，第三方的开发团队难以在其基础上创新开发出更切合客户需求的应用。
面对这样一些挑战，如果我们回顾一下近十年来IT应用的发展，或许会得到一些有价值的借鉴。以前不少的IT应用也是一个大而全的封闭型的软件，第三方也很难在其基础上创新。
图5 IT和自动化的发展路线
在过去十年的时间里面，不少企业认识到这些问题，包括不容易创新，也不容易灵活快速迭代发展，最终难以为客户提供最大价值等等。现在越来越多的IT应用已将其核心功能作为API暴露出来，让第三方通过API的调用，整合创意出更新的，更加适应客户需求的，小的专门性的应用。像在智能手机里一样，没有一个APP（应用）是大而全的，每个APP都是为了提供一个很特殊的功能或为了解决一个很特殊的问题而创立的，而且APP内部所提供的功能多不是由APP本身完全提供，更多的是通过调用多种其它的服务，优化整合后而实现的。
图6 未来的工业软件架构
工业功能服务和应用网格
在制造业的环境里，我们是否也可以朝这个方向走？
比如说把我们现有的垂直分层的结构压扁，把大而全的应用中的细分基本功能以API把它暴露出来。在这本基础上，这些系列工业软件供应商可以组合出多种高层次的应用。第三方的应用开发商也可以把这些基本功能，随意地组合，在其之上，创意出新的，小而精的细分业务的APP的模块，这些模块易于演变，也可以把其基本功能再次以API把它暴露出来，利于其它第三方的创新。这些各种基本功能服务和上层的专门应用一起构成了一个具有活力的工业软件服务和应用网格。在这样一个工业软件的生态下，不管是传统的工业软件供应商，还是新生的第三方的应用开发商，都比较容易开发出更加切合客户需求的应用，而且能敏捷地演变，以应对客户的生产环境和需求的快速变化。我们是否能朝这个方向发展，或能以多快的速度发展，受到很多因素的制约。然而，这是一个值得尝试和努力的方向。
小结
工业互联网和工业大数据分析，都可以作为智能制造的优化手段，实现及时快捷地获取可执行的信息，对生产过程进行全透明度的管理，从而优化系统绩效动态，灵活响应新的需求。同时在确保人员安全，实现保障可持续性发展。
来源：知识自动化 林诗万
