1. 加速泛在連接

工業(yè)物聯(lián)網(wǎng)通過自主感知數(shù)據(jù)采集、學(xué)習(xí)、分析和決策閉環(huán)，支撐工業(yè)資源泛在連接、彈性供給和高效配置，其中數(shù)據(jù)采集和泛在連接是基礎(chǔ)。這既包括工廠內(nèi)設(shè)備、人員、環(huán)境等各要素的數(shù)據(jù)采集、工廠外智能裝備及智能產(chǎn)品的數(shù)據(jù)采集，也包括各種應(yīng)用系統(tǒng)通過接口集成數(shù)據(jù)。

推進(jìn)工業(yè)物聯(lián)網(wǎng)實(shí)施面臨的第一道門檻就是多源異構(gòu)的數(shù)據(jù)采集，如何將工廠內(nèi)外各種OT和IT數(shù)據(jù)采集進(jìn)來，其中存量設(shè)施涉及物聯(lián)網(wǎng)數(shù)字化改造，增量建設(shè)則涉及標(biāo)準(zhǔn)制定。標(biāo)準(zhǔn)亦非常重要，否則一直疲于項(xiàng)目制交付，無法形成產(chǎn)品，更無法沉淀于平臺(tái)。

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(yè)以太網(wǎng)的發(fā)展，一方面在不斷提高實(shí)時(shí)性，另一方面則要更好地兼容標(biāo)準(zhǔn)以太網(wǎng)和TCP/IP，以消除連接障礙。時(shí)間敏感網(wǎng)絡(luò)既支持高速率大帶寬數(shù)據(jù)傳輸，又兼顧實(shí)時(shí)控制信息傳輸，向下兼容標(biāo)準(zhǔn)以太網(wǎng)，從概念和設(shè)計(jì)理念上來說，它比以往的工業(yè)以太網(wǎng)更先進(jìn)，因此成為業(yè)界研究熱點(diǎn)。

對(duì)于移動(dòng)場(chǎng)景，5G技術(shù)、低功耗廣域網(wǎng)技術(shù)、4G

Cat-1以及短距離無線通信技術(shù)等，正在加速泛在連接的發(fā)展，支持海量物聯(lián)。從長(zhǎng)距離到中等距離，再到短距離，通過無線通信有效解決連接問題，不同技術(shù)各有優(yōu)劣勢(shì)及適用場(chǎng)景，有些速率高，有些速度低但功耗極低，有些信號(hào)穿透性強(qiáng)，能夠在復(fù)雜環(huán)境下穩(wěn)定通信。

工業(yè)物聯(lián)網(wǎng)應(yīng)用場(chǎng)景的差異化，對(duì)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的傳感器在一些工業(yè)場(chǎng)景得到廣泛的應(yīng)用，使得傳感器具備數(shù)據(jù)處理、自校準(zhǔn)、自補(bǔ)償和自診斷功能，物聯(lián)網(wǎng)終端更加的小型化、輕量化，續(xù)航能力更強(qiáng)，成本降低，使得大規(guī)模商業(yè)化應(yīng)用成為可能。

2.工業(yè)大數(shù)據(jù)

不可否認(rèn)，大數(shù)據(jù)和云計(jì)算的普及，加快了人們追逐數(shù)據(jù)驅(qū)動(dòng)、數(shù)據(jù)應(yīng)用的步伐。數(shù)據(jù)存儲(chǔ)能力和算力的大幅提升，使得很多限制都已經(jīng)消除了。例如傳統(tǒng)的抽樣分析轉(zhuǎn)變?yōu)槿糠治?，通過全量數(shù)據(jù)分析大幅提升結(jié)論的準(zhǔn)確性;某些領(lǐng)域從不可預(yù)測(cè)變?yōu)榭深A(yù)測(cè)，預(yù)測(cè)是基于歷史規(guī)律對(duì)未來進(jìn)行推斷，大量的數(shù)據(jù)基礎(chǔ)讓分析從面向已經(jīng)發(fā)生的過去轉(zhuǎn)為面向即將發(fā)生的未來。

一直以來，工業(yè)領(lǐng)域強(qiáng)調(diào)機(jī)理模型、行業(yè)Know-How以及行業(yè)知識(shí)圖譜。在具備一定行業(yè)認(rèn)知及知識(shí)儲(chǔ)備的基礎(chǔ)上，將機(jī)理模型數(shù)字化之后，灌入物聯(lián)網(wǎng)設(shè)備采集的大量數(shù)據(jù)，分析并得出結(jié)果。從因果關(guān)系出發(fā)，提出假設(shè)并驗(yàn)證。這些做法顯著區(qū)別于消費(fèi)互聯(lián)網(wǎng)領(lǐng)域的大數(shù)據(jù)分析——在大量無序的數(shù)據(jù)中尋找某種相關(guān)性，而不在乎相關(guān)性背后的原因。

對(duì)于工業(yè)物聯(lián)網(wǎng)，可以將因果關(guān)系和相關(guān)關(guān)系相結(jié)合，如圖2-2所示，例如數(shù)據(jù)模型對(duì)機(jī)理模型進(jìn)行校正、數(shù)據(jù)模型對(duì)機(jī)理模型結(jié)果進(jìn)行后處理、將機(jī)理模型的部分結(jié)果作為數(shù)據(jù)模型特征等。

▲圖2-2 機(jī)理模型與數(shù)據(jù)模型

舉個(gè)例子，對(duì)生產(chǎn)制造或運(yùn)營(yíng)管理的某個(gè)環(huán)節(jié)，當(dāng)利用傳統(tǒng)分析方法從雜亂無序的海量數(shù)據(jù)中無法找出問題時(shí)，可以試著利用AI無監(jiān)督學(xué)習(xí)算法，對(duì)大量樣本進(jìn)行分析，得出基于某特征值的判斷閾值，篩選出異常分支，再利用機(jī)理模型研究異常分支數(shù)據(jù)，依據(jù)理論和經(jīng)驗(yàn)弄清楚它背后的原因，AI幫助快速找出異常的數(shù)據(jù)集，找到初步分析方向。

除此之外，AI在一些傳統(tǒng)領(lǐng)域也在嘗試漸進(jìn)式的改進(jìn)和優(yōu)化，例如視覺質(zhì)檢、圖像識(shí)別、預(yù)測(cè)分析與診斷、巡檢、公共安全等領(lǐng)域逐步應(yīng)用AI。AI并非顛覆式的，在沒有AI之前，這些事情每天都在發(fā)生，但不可否認(rèn)的是，在某些場(chǎng)景中，AI讓事情變得更有效率、準(zhǔn)確率更高。我們既不應(yīng)該夸大AI的效果，大量AI項(xiàng)目在工業(yè)場(chǎng)景無法規(guī)模化落地時(shí)便已經(jīng)指出了這個(gè)問題，也無須一味排斥AI，而是應(yīng)該保持開放的心態(tài)，仔細(xì)對(duì)AI在業(yè)務(wù)場(chǎng)景落地的可行性加以甄別和研究。

3.沉淀用例，能力復(fù)用

在工業(yè)物聯(lián)網(wǎng)賽道，很多解決方案商希望向用戶推廣自己的平臺(tái)，通過平臺(tái)將硬件、云、算法及用例連接起來。平臺(tái)的重心，一方面在于不斷提升通用能力，夯實(shí)基礎(chǔ)，使平臺(tái)復(fù)制性變強(qiáng);另一方面則是不斷豐富平臺(tái)上的用例，實(shí)現(xiàn)用例沉淀，能力復(fù)用，從做項(xiàng)目變?yōu)樽霎a(chǎn)品，繼而建立平臺(tái)優(yōu)勢(shì)。

工業(yè)物聯(lián)網(wǎng)平臺(tái)賽道的企業(yè)，在歷經(jīng)平臺(tái)的建設(shè)期、迭代期和推廣期之后，逐漸意識(shí)到用例的重要性，最終都需要通過應(yīng)用服務(wù)于業(yè)務(wù)場(chǎng)景，得到閉環(huán)，平臺(tái)大部分時(shí)候不直接面向業(yè)務(wù)問題，價(jià)值變現(xiàn)需要依賴于具體的應(yīng)用落地。如何將企業(yè)可復(fù)用的數(shù)字化能力沉淀下來，如何對(duì)相似業(yè)務(wù)邏輯的場(chǎng)景及對(duì)象進(jìn)行抽象，形成一套可遷移、可擴(kuò)展的用例，如何沉淀足夠多的行業(yè)Know-How知識(shí)并開發(fā)為工業(yè)APP模板，已成為區(qū)分工業(yè)物聯(lián)網(wǎng)平臺(tái)能力的核心。

除了上面列舉的幾點(diǎn)，還有一些趨勢(shì)如邊緣智能、云原生工業(yè)物聯(lián)網(wǎng)平臺(tái)等，不逐一列舉。出于數(shù)據(jù)處理實(shí)時(shí)性、網(wǎng)絡(luò)可靠性、安全性方面的考慮，人們?cè)絹碓街匾曉跀?shù)據(jù)源頭現(xiàn)場(chǎng)對(duì)數(shù)據(jù)進(jìn)行即時(shí)處理。云端訓(xùn)練的模型運(yùn)行在邊緣節(jié)點(diǎn)上，實(shí)現(xiàn)邊緣智能，云端能力下沉，云端訓(xùn)練邊緣推理將變得越來越普遍。

近幾年，云原生工業(yè)物聯(lián)網(wǎng)平臺(tái)概念逐步普及。云原生(Cloud Native)是一個(gè)組合詞，云(Cloud)+原生(Native)。云表示應(yīng)用程序位于云上，而非傳統(tǒng)的數(shù)據(jù)中心;原生表示應(yīng)用程序從設(shè)計(jì)之初即考慮到云的環(huán)境，原生為云而設(shè)計(jì)，充分利用和發(fā)揮云計(jì)算的彈性和分布式優(yōu)勢(shì)。

不同的人和組織對(duì)于云原生有不同的理解，總體而言，符合云原生架構(gòu)的應(yīng)用程序應(yīng)該是采用開源棧(Kubernetes+Docker)進(jìn)行容器化，基于微服務(wù)架構(gòu)提高靈活性和可維護(hù)性，DevOps支持持續(xù)迭代和運(yùn)維自動(dòng)化，利用云計(jì)算設(shè)施實(shí)現(xiàn)彈性伸縮、動(dòng)態(tài)調(diào)度，優(yōu)化資源利用。工業(yè)物聯(lián)網(wǎng)平臺(tái)同樣朝著云原生的方向進(jìn)行架構(gòu)迭代，以更好地支持功能標(biāo)準(zhǔn)化，易于生態(tài)合作，并且利于應(yīng)用在公有云、私有云或混合云等不同基礎(chǔ)設(shè)施上快速部署。

關(guān)于作者：胡典鋼，資深工業(yè)物聯(lián)網(wǎng)專家，順豐物聯(lián)網(wǎng)平臺(tái)負(fù)責(zé)人，兼任順豐集團(tuán)職業(yè)發(fā)展評(píng)審委員和ZETA聯(lián)盟工業(yè)物聯(lián)網(wǎng)高級(jí)顧問，負(fù)責(zé)順豐物聯(lián)網(wǎng)平臺(tái)建設(shè)及產(chǎn)品化工作。在物聯(lián)網(wǎng)、邊緣計(jì)算、工業(yè)大數(shù)據(jù)領(lǐng)域從業(yè)10余年，有豐富的實(shí)踐經(jīng)驗(yàn)。歷任NI公司應(yīng)用工程師、高級(jí)應(yīng)用工程師、大區(qū)銷售經(jīng)理，兼任GSDZone社區(qū)專欄作者和海南大學(xué)校外專家，NI(中國(guó))首位認(rèn)證雙架構(gòu)師——LabVIEW架構(gòu)師和TestStand架構(gòu)師，主導(dǎo)大型工業(yè)自動(dòng)化測(cè)試控制和工業(yè)物聯(lián)網(wǎng)項(xiàng)目的開發(fā)工作。2016年受邀撰寫專著《TestStand工業(yè)自動(dòng)化測(cè)試管理》，廣受業(yè)界好評(píng)，多次重印。

本文摘編自《工業(yè)物聯(lián)網(wǎng)：平臺(tái)架構(gòu)、關(guān)鍵技術(shù)與應(yīng)用實(shí)踐》，經(jīng)出版方授權(quán)發(fā)布。(ISBN：978-7-111-70227-6)