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、學習、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，也包括各種應用系統(tǒng)通過接口集成數(shù)據(jù)。

推進工業(yè)物聯(lián)網(wǎng)實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(chǎn)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(yè)以太網(wǎng)的發(fā)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(wǎng)和TCP/IP，以消除連接障礙。時間敏感網(wǎng)絡(luò)既支持高速率大帶寬數(shù)據(jù)傳輸，又兼顧實時控制信息傳輸，向下兼容標準以太網(wǎng)，從概念和設(shè)計理念上來說，它比以往的工業(yè)以太網(wǎng)更先進，因此成為業(yè)界研究熱點。

對于移動場景，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(huán)境下穩(wěn)定通信。

工業(yè)物聯(lián)網(wǎng)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(yè)場景得到廣泛的應用，使得傳感器具備數(shù)據(jù)處理、自校準、自補償和自診斷功能，物聯(lián)網(wǎng)終端更加的小型化、輕量化，續(xù)航能力更強，成本降低，使得大規(guī)模商業(yè)化應用成為可能。

2.工業(yè)大數(shù)據(jù)

不可否認，大數(shù)據(jù)和云計算的普及，加快了人們追逐數(shù)據(jù)驅(qū)動、數(shù)據(jù)應用的步伐。數(shù)據(jù)存儲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)論的準確性;某些領(lǐng)域從不可預測變?yōu)榭深A測，預測是基于歷史規(guī)律對未來進行推斷，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)域強調(diào)機理模型、行業(yè)Know-How以及行業(yè)知識圖譜。在具備一定行業(yè)認知及知識儲備的基礎(chǔ)上，將機理模型數(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)并驗證。這些做法顯著區(qū)別于消費互聯(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)模型對機理模型進行校正、數(shù)據(jù)模型對機理模型結(jié)果進行后處理、將機理模型的部分結(jié)果作為數(shù)據(jù)模型特征等。

▲圖2-2 機理模型與數(shù)據(jù)模型

舉個例子，對生產(chǎn)制造或運營管理的某個環(huán)節(jié)，當利用傳統(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，可以試著利用AI無監(jiān)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(shù)據(jù)，依據(jù)理論和經(jīng)驗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)域也在嘗試漸進式的改進和優(yōu)化，例如視覺質(zhì)檢、圖像識別、預測分析與診斷、巡檢、公共安全等領(lǐng)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(fā)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(yè)場景無法規(guī)?；涞貢r便已經(jīng)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(tài)，仔細對AI在業(yè)務(wù)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(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，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(chǔ)，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(xiàn)用例沉淀，能力復用，從做項目變?yōu)樽霎a(chǎn)品，繼而建立平臺優(yōu)勢。

工業(yè)物聯(lián)網(wǎng)平臺賽道的企業(yè)，在歷經(jīng)平臺的建設(shè)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(wù)于業(yè)務(wù)場景，得到閉環(huán)，平臺大部分時候不直接面向業(yè)務(wù)問題，價值變現(xiàn)需要依賴于具體的應用落地。如何將企業(yè)可復用的數(shù)字化能力沉淀下來，如何對相似業(yè)務(wù)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(yè)Know-How知識并開發(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(yè)物聯(lián)網(wǎng)平臺等，不逐一列舉。出于數(shù)據(jù)處理實時性、網(wǎng)絡(luò)可靠性、安全性方面的考慮，人們越來越重視在數(shù)據(jù)源頭現(xiàn)場對數(shù)據(jù)進行即時處理。云端訓練的模型運行在邊緣節(jié)點上，實現(xiàn)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(yè)物聯(lián)網(wǎng)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(tǒng)的數(shù)據(jù)中心;原生表示應用程序從設(shè)計之初即考慮到云的環(huán)境，原生為云而設(shè)計，充分利用和發(fā)揮云計算的彈性和分布式優(yōu)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(gòu)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(wù)架構(gòu)提高靈活性和可維護性，DevOps支持持續(xù)迭代和運維自動化，利用云計算設(shè)施實現(xiàn)彈性伸縮、動態(tài)調(diào)度，優(yōu)化資源利用。工業(yè)物聯(lián)網(wǎng)平臺同樣朝著云原生的方向進行架構(gòu)迭代，以更好地支持功能標準化，易于生態(tài)合作，并且利于應用在公有云、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)平臺負責人，兼任順豐集團職業(yè)發(fā)展評審委員和ZETA聯(lián)盟工業(yè)物聯(lián)網(wǎng)高級顧問，負責順豐物聯(lián)網(wǎng)平臺建設(shè)及產(chǎn)品化工作。在物聯(lián)網(wǎng)、邊緣計算、工業(yè)大數(shù)據(jù)領(lǐng)域從業(yè)10余年，有豐富的實踐經(jīng)驗。歷任NI公司應用工程師、高級應用工程師、大區(qū)銷售經(jīng)理，兼任GSDZone社區(qū)專欄作者和海南大學校外專家，NI(中國)首位認證雙架構(gòu)師——LabVIEW架構(gòu)師和TestStand架構(gòu)師，主導大型工業(yè)自動化測試控制和工業(yè)物聯(lián)網(wǎng)項目的開發(fā)工作。2016年受邀撰寫專著《TestStand工業(yè)自動化測試管理》，廣受業(yè)界好評，多次重印。

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