浅谈工业互联网系列（一）：以数据为中心的工厂物联网平台设计方法论

       物联网是个比较泛的技术概念，我们通常讲“脱离业务场景，空谈技术架构都是耍流氓”，物联网方案设计需要匹配某一类应用场景。国内物联网最早发展于面向产品销售与服务的“消费物联网”（更准确的叫法“产品物联网”）场景：物联网的用户是智能硬件产品（家电、汽车、大型装备机械等）的设备制造商或者ICT运营商，主要目的是通过物联网这一技术手段提供更好、更低成本的产品服务。这种场景下的技术特点是“连接数多、单连接数据量小、时延性相对不敏感、上层业务应用相对单一”，物联网首先需要解决的是“地理分布离散、批量分发、海量接入”的单点设备远程连接与监控管理，因为上次业务应用相对单一，对于接入的设备数据的处理和使用，可以放到应用中实现。所以物联网1.0时代的技术架构普遍采用“以连接为中心”的设计方法论，所服务的业务场景也天然适合构建于“云计算”的基础设施之上。伴随着“云计算”的大势，物联网这几年获得快速的发展，也成就了目前国内主流的几家（阿里云/树根云/涂鸦等）物联网平台。因为面向的应用场景相似，这几家物联网平台的技术架构和产品功能基本上大同小异，笔者姑且把这些主流的物联网平台称为“产品物联网平台”。

最近3年，在国家政策扶持、国内外市场环境重大变化、“新冠疫情”、“产业资本推动”等内外部因素共同作用下，工业数字化转型的重点由“经营管理端数字化”转变为“研、产、供、销、服”的各个“业务运营端数字化”，尤其是工业制造端“数字化升级转型”的步伐加速。工业制造端数字化转型的第一步是把制造现场的数据实时汇集上来， 通过与“经营管理”层、“研、供、销、服”业务层的数据实时融合，实现驱动制造现场的“各个工序间生产执行”、制造现场与“上层企业经营管理、上游研发设计与供应商、下游销售服务与客户”的互联协同。

不同于企业经营管理活动所产生的“价值密度大、低频、量少”业务数据，制造现场的数据主要由来自不同厂家的设备和自动化系统实时产生，技术需求特点是“高频、大流量、价值密度低、质量要求高、近场时效性强、运行资源受限、面向不同厂商系统的开放性”，无论是传统L2监控层的SCADA系统还是前几年企业普遍建设的L4经营管理层的大数据平台都不能很好的满足这类需求。从目前工业互联网发展的趋势看，业界普遍已经意识到需要通过构建基于物联网的技术架构来解决制造端数据采集与管理。工业物联网（IIOT）已经成为工业互联网和制造端数字化升级的基础设施。

不同于前面介绍的“产品物联网”，因为工业现场环境相对封闭，现场设备规模相对小且增量性低，并且大多已经通过生产网络接入控制器或控制系统实现工作单元级或者产线级互连，工业物联网（更精准的叫法“工厂物联网”）IIOT核心要解决的问题不是“远程连接和监控管理”，而是实时汇集现场设备系统数据、为制造现场的本地业务应用提供“低时延、高质量、有价值”的可信数据，以及解决“设备”、“操作控制”、“生产运营”和“经营管理”不同层级数据的纵向集成融合，实现利用制造现场数据资源要素来驱动制造过程的节能降耗和生产力提升。说白了，工业物联网核心是解决“制造现场数据的采集、汇集和价值创造”。

笔者有幸深度参与过某先进制造行业的“智能工厂”项目，经历了从选用基于已有的“产品物联网平台”构建工业物联网方案，到重新设计与构建工业物联网平台及方案的“填坑”过程，深深感受到面向制造工厂物联网场景或者进一步扩大到面向园区、港口等“设备使用端”的物联网场景，采用以“连接为中心”设计的“产品物联网平台”来构建物联网方案，无论从经济性和适用性上都不是最优解。笔者在参考了PTC Thingworx等国外工业物联网方案的基础上，融合了国内数据中台的理念，最终总结采用了“以数据为中心”的物联网设计方法论，来重新设计与构建了工业物联网平台及方案，从实际落地效果和后续的其他制造行业推广情况看，基于此设计方法论构建的工业物联网平台及方案完全能满足制造工厂物联网的场景需求，并且能够灵活适配工业现场的数据规模采用合适的部署架构，实现整体方案在落地时最优的投入产出比。

下面简单介绍下“以数据为中心”的物联网设计方法论：

图 “以数据为中心”的物联网设计方法论

总体采用“模型+数据=服务”的设计理念，从“连接”、“数据”、“应用”三个核心要素来构建工业物联网平台及方案，其中：

• “连接是基础”：用来解决如何采集制造现场高频大流量的实时数据获得原始数据资源，把来自机器设备、自动化系统、业务系统和生产过程及运行环境中的大量数据向上汇聚到平台层（通常是部署在靠近制造现场的工厂级边缘平台）。
• “数据是核心”：用来解决如何管理现场汇集上来的海量数据和如何快速开发数据价值，通过提供一套数据生产力工具，把汇集的现场数据重新按业务场景进行组合建模、集成融合和分析优化后，变成高价值的数据服务资产，开放给上层应用调用或者直接基于实时数据流驱动业务流程高效执行。
• “应用是关键”：用来解决如何呈现数据价值和如何实现业务逆向到数据与连接的反馈闭环，通过提供零代码或者低代码的应用生产力工具，把数据服务资产结合各种类型的UI组件进行可视化建模，变成业务用户可见的数据图表、HMI交互界面、业务智能或自动化应用。另外也需要解决如何利用工厂制造端已存在的存量业务系统，以及如何支撑这些存量系统未来演进升级，逐步实现统一的制造端应用基础设施，降低总体的运维成本和安全风险。
• L1连接

针对工厂物联网场景，“连接”层核心是实现工业物联网平台、制造现场各类设备、自动化系统及业务系统之间，基于统一的消息格式，进行“稳定、高频、实时”的输入输出I/O交互。连接层方案涉及到网络层设计与组网、硬件层（通讯模块、传感器和网关等）改造与安装、和软件层采集控制程序。网络层和硬件层设计因为强依赖于现场环境，通常通过定制化工程施工服务来解决，这里我们聚焦于软件层的设计，笔者基于“数据建模”的理念来设计“连接层”的解题思路：

制造现场存在大量来自不同厂家协议的设备及异构系统，“连接”层的数据建模应本着“配置简单、低侵入性与充分利旧、架构轻量开放易集成、功能聚焦于原始数据获取和不耦合业务逻辑”的原则，尽量贴近和融合工业自动化领域已经被广泛认可的数据标准和建模思路（比如OPC UA等），设计体验上充分尊重OT自动化工程师的使用习惯。

• “实体域”：对完成平台与设备及系统“连接”动作本身所需的数据模型进行设计，包括连接通道（网络层IP等通讯参数）、协议驱动（应用层通讯协议参数，比如工业协议OPC UA、数据库连接协议JDBC等的协议格式定义）和数据点位（连接的实体对象与属性定义，比如工业设备与测点、系统数据库表与字段等）。
• “活动域”：对连接的物理实体对象间（设备、自动化控制系统、业务系统）的数据交互活动进行数据模型设计，包括事件（比如异常告警、状态及数据变化、定期计划等）和消息流转规则（比如平台、设备及系统间的消息交互和联动等）。
• “服务”：支撑“实体域”和“活动域”的相关数据模型运行和使用，需要构建相应的数据服务，主要有以下服务：驱动运行托管与协议转换、I/O输入输出（数据接入与反写）、事件处理引擎、消息流转引擎和消息订阅（数据转发）。另外还需要对连接层软硬件运维监控相关的服务（比如运行日志监控分析、消息流量监控分析、数据缓存与异常恢复等）。

工业场景下，连接层的难点在于低成本整合工业现场“协议繁杂”的存量设备及系统，解决问题的关键不仅仅在于工业协议驱动包的积累，还可能涉及到老旧设备的硬件改造和传感器加装，以及现场点位的实施调试，这些工作通常很难由同一家供应商完成。在方案设计时要“有所为有所不为”，充分考虑如何低侵入性的主动整合与利用工业自动化领域已经存在多年的服务生态（工程集成、设备联网、SCADA数采等），在服务生态已有的能力基础上，提供“增值”能力，避免采用“另起炉灶”完全替代的方式。

• L2 数据

工业智能制造场景下，“数据层”是工业物联网区别于传统SCADA系统的核心所在。如果只是对采集的制造现场的原始数据做实时呈现和简单统计分析，传统的SCADA系统完成可以满足需求。工业物联网核心要解决的是对制造现场数据在汇集后的价值挖掘与创造，并完成将产生的数据价值实时反馈到设备及系统执行，实现制造现场的“能量与信息的闭环”。

“数据层”的方案核心是提供一套数据生产力工具，覆盖数据从“接入”到“使用”全过程，包括业务建模、模型映射、数据集成、数据处理与计算、数据持久化存储、数据流转消费、数据分析优化等。制造现场所需要的数据服务能力，相较于企业经营管理层，主要的能力需求的特点是数据处理与分析的“融合性”与“实时性”，在业务实体建模场景上相对简单。工业物联网“数据”层的方案设计，需要考虑工业物联网的用户通常不具备数据化思维，在设计时需要在抽象出的数据模型底层架构之上，站在业务用户的角度上，封装与还原真实的业务实体及流程对象，降低用户的学习成本。

• “实体域”：对制造现场设计的业务物理实体对象、对象关系以及对象活动载体进行数据模型设计，包括物模型（制造现场的“机器、货物、场所”，比如设备、公辅设施、工装夹具、车间产线工站等工作场所、物料备件等物资货物）、关系模型（物之间的实体关系，比如设备与场所间的空间位置或物理组成结构关系等）、事务模型（实体交易往来的活动载体，比如设备的维修保养单、备件物资领用消耗单据等）和数据映射模型（与外部系统数据模型的属性语义映射关系）。
• “活动域”：对业务实体间的活动协作过程和数据交互过程进行数据模型设计，包括逻辑过程模型（业务活动间的协作流程或者某业务活动的逻辑过程，比如工艺流程或者某个工序的操作步骤）和数据流模型（业务实体间或者实体活动间的数据交互流程，比如某拧紧工序的质量数据流程：从质量数据采集、质量数据处理转换、质量分析预测、质量状态预测）。“活动域”的建模通常需要使用到“实体域”和“分析域”的模型作为输入输出参数。
• “分析域”：对业务实体的活动效能进行描述性、诊断性或者预测性的量化评价进行数据模型设计，包括分析预测模型（统计指标、效能指标、趋势预测、分类判断等数据分析模型）和优化控制模型（实体对象协同过程控制模型，比如PID控制器等）。
• “服务”：支撑“实体域”、“活动域”、“分析域”的相关数据模型运行和使用，需要构建相应的数据服务，主要有以下服务：数据集成、数据处理（清洗/计算/转换等）、多模数据存储（关系/时序/日志文件等）与查询、业务流程引擎、数据流转引擎、数据分析、数据资产目录管理、数据开放服务等，以及数据层运维监控相关的服务（比如运行日志监控分析、流量监控分析、数据缓存与异常恢复等）。

工业场景下，数据层难点在于如何提供“工程化”的数据生产力工具：针对所服务的的业务场景进行适度抽象建模，提炼出数据能力算子，以及提供易用的数据开发编排工具，能够基于工具快速构建业务模型来还原业务场景。数据层的工程化能力是体现工业物联网在制造现场的业务价值的关键所在，应该成为工业物联网的发力重心。

• L3 应用

工业物联网所服务的核心业务场景应聚焦于L3制造运营层，通过构建平台层提供数据使能和应用使能工具，实现“敏态化”的业务应用层与“稳态性”自动化控制和设备硬件层的充分解耦，支撑制造现场的柔性生产与快速创新，以及制造现场关键价值数据的向上（经营管理层与上下游业务端）自由流动。

工业物联网的“应用层”核心解决的问题是数据价值呈现和业务到数据的双向闭环，需要兼顾两类应用的支撑：一类是提供能够支撑平台生成出新的数据类应用和辅助性的业务应用，完成平台数据资产的价值变现；一类是能够支撑工业现场存量业务系统与平台及应用的业务集成，避免在数字化升级过程中产生新的数据和应用孤岛，以及支撑存量业务系统能逐步纳管与融合到工业物联网架构中，实现对存量业务系统从“集成利用、解构融合、重构再造”的逐步演进过程，最终实现统一制造端的基础设施，实现数字化资源的集约化管理。

• “数据域”：按业务场景和主题，对数据服务资产的可视交互进行建模设计，包括数据图表模型、图形模型（2D/3D几何图元）、交互界面模型。提供零代码或者低代码的数据应用开发工具，帮助用户所见即所得快速搭建目标应用，从某种意义上讲，是对传统工业组态工具的重构与升级。
• “业务域”：对支撑核心业务应用（平台非原生）集成活动，以及构建新的业务应用（表单类的辅助性业务应用为主）所需的组件能力进行建模设计，包括表单模型（表单UI元素、关系数据表等）、账号身份模型（用户账号、身份认证方式、应用授权等）和服务集成模型（API集成编排规则等）。
• “服务”：支撑“数据域”、“业务域”的数据模型运行和使用，需要构建相应的数据服务，主要有以下服务：数据图表运行引擎、表单运行引擎、统一身份认证等服务，以及提供业务应用运行托管、运维监控和部署升级等相关服务。

 工业物联网场景下，应用层的能力短期应聚焦于应用间的集成与融合场景，长期应逐步丰富低代码特别是零代码的应用开发工具，相对于企业经营管理层的场景，在制造端运营执行层的业务需求更加多样化和易变，更需要低代码或零代码的应用生产力工具，来快速响应数字化需求。

随着营销端用户需求和研发设计端的理论技术突破对企业业务优化和商业创新的作用力日益乏力，企业开始重视在制造现场沉淀的“隐性知识”以及制造端与上下游环节结合所产生的创新价值，这势必进一步推动工业制造端的数字化转型的加速，其中工业物联网能发挥的价值将越来越显著，基于工业物联网的应用方案必将大有可为。

以上内容，是笔者站在设计思路的角度，浅谈了工厂物联网平台的一套框架方法论，仅供参考。

关注公众号“企业元宇宙”，持续关注工业互联网系列博客