導讀：工業物聯網近些年發展迅猛，無論是操作運營技術（Operation Technology，OT）還是信息技術（Information Technology，IT），都在積極探索和實踐，一方面在于落地場景的價值論證，另一方面在于技術創新，以更好地應對場景挑戰。
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。這既包括工廠內設備、人員、環境等各要素的數據采集、工廠外智能裝備及智能產品的數據采集，也包括各種應用系統通過接口集成數據。
推進工業物聯網實施面臨的第一道門檻就是多源異構的數據采集，如何將工廠內外各種OT和IT數據采集進來，其中存量設施涉及物聯網數字化改造，增量建設則涉及標準制定。標準亦非常重要，否則一直疲于項目制交付，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。例如工業以太網的發展，一方面在不斷提高實時性，另一方面則要更好地兼容標準以太網和TCP/IP，以消除連接障礙。時間敏感網絡既支持高速率大帶寬數據傳輸，又兼顧實時控制信息傳輸，向下兼容標準以太網，從概念和設計理念上來說，它比以往的工業以太網更先進，因此成為業界研究熱點。
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，不同技術各有優劣勢及適用場景，有些速率高，有些速度低但功耗極低，有些信號穿透性強，能夠在復雜環境下穩定通信。
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的傳感器在一些工業場景得到廣泛的應用，使得傳感器具備數據處理、自校準、自補償和自診斷功能，物聯網終端更加的小型化、輕量化，續航能力更強，成本降低，使得大規模商業化應用成為可能。
2、工業大數據
不可否認，大數據和云計算的普及，加快了人們追逐數據驅動、數據應用的步伐。數據存儲能力和算力的大幅提升，使得很多限制都已經消除了。例如傳統的抽樣分析轉變為全量分析，通過全量數據分析大幅提升結論的準確性；某些領域從不可預測變為可預測，預測是基于歷史規律對未來進行推斷，大量的數據基礎讓分析從面向已經發生的過去轉為面向即將發生的未來。
一直以來，工業領域強調機理模型、行業Know-How以及行業知識圖譜。在具備一定行業認知及知識儲備的基礎上，將機理模型數字化之后，灌入物聯網設備采集的大量數據，分析并得出結果。從因果關系出發，提出假設并驗證。這些做法顯著區別于消費互聯網領域的大數據分析——在大量無序的數據中尋找某種相關性，而不在乎相關性背后的原因。
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，例如數據模型對機理模型進行校正、數據模型對機理模型結果進行后處理、將機理模型的部分結果作為數據模型特征等。
▲圖2-2 機理模型與數據模型
舉個例子，對生產制造或運營管理的某個環節，當利用傳統分析方法從雜亂無序的海量數據中無法找出問題時，可以試著利用AI無監督學習算法，對大量樣本進行分析，得出基于某特征值的判斷閾值，篩選出異常分支，再利用機理模型研究異常分支數據，依據理論和經驗弄清楚它背后的原因，AI幫助快速找出異常的數據集，找到初步分析方向。
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，在沒有AI之前，這些事情每天都在發生，但不可否認的是，在某些場景中，AI讓事情變得更有效率、準確率更高。我們既不應該夸大AI的效果，大量AI項目在工業場景無法規模化落地時便已經指出了這個問題，也無須一味排斥AI，而是應該保持開放的心態，仔細對AI在業務場景落地的可行性加以甄別和研究。
3、沉淀用例，能力復用
在工業物聯網賽道，很多解決方案商希望向用戶推廣自己的平臺，通過平臺將硬件、云、算法及用例連接起來。平臺的重心，一方面在于不斷提升通用能力，夯實基礎，使平臺復制性變強；另一方面則是不斷豐富平臺上的用例，實現用例沉淀，能力復用，從做項目變為做產品，繼而建立平臺優勢。
工業物聯網平臺賽道的企業，在歷經平臺的建設期、迭代期和推廣期之后，逐漸意識到用例的重要性，最終都需要通過應用服務于業務場景，得到閉環，平臺大部分時候不直接面向業務問題，價值變現需要依賴于具體的應用落地。如何將企業可復用的數字化能力沉淀下來，如何對相似業務邏輯的場景及對象進行抽象，形成一套可遷移、可擴展的用例，如何沉淀足夠多的行業Know-How知識并開發為工業APP模板，已成為區分工業物聯網平臺能力的核心。
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，云端能力下沉，云端訓練邊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）是一個組合詞，云（Cloud）+原生（Native）。云表示應用程序位于云上，而非傳統的數據中心；原生表示應用程序從設計之初即考慮到云的環境，原生為云而設計，充分利用和發揮云計算的彈性和分布式優勢。
不同的人和組織對于云原生有不同的理解，總體而言，符合云原生架構的應用程序應該是采用開源棧（Kubernetes+Docker）進行容器化，基于微服務架構提高靈活性和可維護性，DevOps支持持續迭代和運維自動化，利用云計算設施實現彈性伸縮、動態調度，優化資源利用。工業物聯網平臺同樣朝著云原生的方向進行架構迭代，以更好地支持功能標準化，易于生態合作，并且利于應用在公有云、私有云或混合云等不同基礎設施上快速部署。
關于作者：胡典鋼，資深工業物聯網專家，順豐物聯網平臺負責人，兼任順豐集團職業發展評審委員和ZETA聯盟工業物聯網高級顧問，負責順豐物聯網平臺建設及產品化工作。在物聯網、邊緣計算、工業大數據領域從業10余年，有豐富的實踐經驗。歷任NI公司應用工程師、高級應用工程師、大區銷售經理，兼任GSDZone社區專欄作者和海南大學校外專家，NI（中國）首位認證雙架構師——LabVIEW架構師和TestStand架構師，主導大型工業自動化測試控制和工業物聯網項目的開發工作。2016年受邀撰寫專著《TestStand工業自動化測試管理》，廣受業界好評，多次重印。
本文摘編自《工業物聯網：平臺架構、關鍵技術與應用實踐》，經出版方授權發布。（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。
