1.2.2 工业互联网平台
1. 工业互联网平台的发展阶段
在工业4.0（第四次工业革命）时代，将物理和网络组件融合在一起，从数据中洞察工业过程，实现提高生产率、效率和可靠性，已成为一种趋势[5]。工业互联网平台（IIPs）管理物理和网络组件之间的交互，它们是工业互联网运行的核心。近十年来，世界各国工业界在工业互联网平台方面已经开展了大量的工作，如GE公司的Predix，ABB公司的ABB Ability，西门子公司的MindSphere，PTC公司ThingWorx等。当前主流的工业互联网平台扩展了管理领域，覆盖了产品生命周期的所有阶段。例如，西门子开发的MindSphere工业互联网平台，实现了约100万个设备和系统的互连，并为这些设备提供预测性维护服务。工业互联网平台将物理和网络组件连接在一起，无处不在地为制造系统提供资源、数据和知识，已成为学术界和工业界的一个新兴热点。工业互联网平台主要关注智能产品的维护，而对制造系统运转的研究很有限，制造系统的运行通过各种企业信息系统实现，包括人力资源管理系统（HRM）、客户关系管理（CRM）系统、企业资源计划系统（ERP）、制造执行系统（MES）等，这些企业信息系统之间的协作很困难，因为通常由不同的公司在不同的时期开发，造成很多信息孤岛。而同样需要注意的是，企业信息系统应该与其他系统协作，以满足快速变化的市场需求。例如，产品设计师将考虑从客户关系管理系统中获得客户的偏好信息，客户数据应与设计数据相融合，支持协同优化。为符合主动协作方案的要求，不同的企业信息系统应该可以协同操作并连接在一起，从而形成一个有效的企业管理信息系统框架，这对于将整个供应链中的企业整合起来为客户提供服务具有重要意义。而这种需求，反过来将导致向更具合作性的信息/知识驱动的企业信息系统环境不断演变。工业互联网平台将物理和网络组件集成在一起，削弱了不同企业信息系统的边界，从而构建了一个可重新配置和无处不在的服务环境，为端到端协作提供了良好的条件。这种松耦合结构有利于提高系统的弹性，因为服务和系统结构可以根据事件发展状况进行动态调整。按照工业部门需求和技术形态实际发展情况划分，工业互联网平台的发展大致经历了三代。
第一代工业互联网平台本质上是一种具有多个企业信息（如企业信息系统企业资源计划、制造执行系统、供应链管理）的SaaS（软件即服务）模型的系统，协作实现支持制造系统的操作。这些企业信息系统是面向云计算架构开发的，并在PaaS（平台即服务）平台上实现（例如，Windows Azure、Google App Engine和Force.com网站）为企业提供经营服务。典型的第一代工业互联网平台有：工作流管理系统（WFMS），通过提高信息可用性、流程标准化、自动分配任务并跟踪流程相关信息和每个实例流程的状态实现提高流程效率；面向客户关系管理（CRM）系统的SaaS，使用跨行业的数据挖掘标准流程（CRISP-DM）方法管理现有客户并探索进一步的商机；基于SaaS平台的业务流程管理（BPM）系统，以减少业务任务对环境变化的响应时间。此外，为管理SaaS平台上的不同企业信息系统，国外有研究机构提出了一种混合无线网络集成方案，根据服务访问要求和用户安全凭证筛选出合适和可用的云服务。通常，这些工业互联网平台是由不同的供应商在不同的时期，使用不同的软件架构开发的，随着工业数据共享和分析需求的发展，SaaS模式难以适应企业信息系统的快速发展。
工业大数据的指数级增长推动了工业大数据分析平台的出现，即第二代工业互联网平台。在数据分析过程中，目前的研究主要集中在数据建模、提取、集成、转换和预处理的效率方面。事实上，数据在企业内部通过系统集成方法，实现精细化管理和优化是很重要的。国外有研究机构研究了在工业大数据语法集成的企业应用场景中，通过不同数据库间的等同映射进行数据集成的可行性。然而，随着工业大数据量的不断增加，传统的数据集成框架已经不能满足数据请求、查询和分析的需求。为了获取涉及隐私问题的大规模异构工业大数据，工业界有研究人员提出了基于雾计算的工业大数据集成与共享系统，用于传输中间数据分析结果，实现分布式数据分析与集成。公开的报道显示，国内外在第二代工业互联网平台方面的主要研究成果有：从企业信息系统的不同数据集中提取数据的细粒度分布方法；在数据集成方法方面，通过将reward-complement balanced（奖励补偿平衡）数据集转换为多个平衡数据集后，大量利用特定分类算法构造的分类器被构建出来，并用特定的集成规则对分类结果进行组合；专门用于海洋环境数据的清洗、转换和集成的新型数据仓库系统技术，并提供数据访问接口；在Apache Spark平台中应用新的并行随机森林算法，改进了用于大数据集成学习的算法；可以集成结构化和非结构化异构原始数据的创新设计方法；用于并行学习和分布式数据学习的有效的决策树合并方法；地球大数据分析与应用项目；具备描述性、预测性和规范性特点的大数据分析框架，该框架可以将从数据中提取的知识与相关的行为联系起来；利用神经网络模型分析数据集的方法，该方法涉及数据挖掘和故障诊断。在工业互联网平台的第二阶段，大数据平台正逐渐成为构建不同类型的企业信息系统的基础，并成为通过大数据分析实现更好的协同优化能力的核心技术之一。然而，在工业4.0时代，制造系统在不断变化的动态环境中面临着新的挑战，因此，仅靠集成不同企业信息系统的大数据平台很难适应快速变化的智能制造系统的需求。
第三代工业互联网平台的发展源于物联网技术的出现，物联网提供的日益增长的广域大连接特性，为工业互联网平台融合实体工业组件和企业信息系统成为一个整体提供了新的机会。许多企业纷纷推出新型工业互联网平台，抢占新工业革命的制高点。工业互联网联盟（IIC）是世界领先的组织，通过加快工业物联网（IIoT）及oneM2M标准和全球物联网标准倡议的应用，改变了工业互联网平台的商业和社会规则。作为IIC的龙头企业，美国通用电气（GE）公司发布的工业互联网平台——Predix，已经实现了对十多个领域的工业控制设备的接入。ABB在印度班加罗尔为节能逆变器设立了一个新的数字远程服务中心，为终端用户工厂的变频器提供端到端的远程访问，以便进行预测性维护和状态监测。ABB的下一代数字解决方案和服务将在Microsoft Azure云平台中开发和构建，并与IBM Watson物联网认知计算合作，在智能工厂中创建实时认知分析功能。霍尼韦尔为相互连接的辅助发电机组（APUs）开发了一个名为GoDirect的预测性维护服务，我国的海南航空成为全球首家采用GoDirect的航空公司。互联的辅助发电机组服务使用飞机上已有的数据连接机制下载辅助发电机组维护和故障数据，实现预测和防止早期的硬件故障，并减少由此产生的辅助发电机组中断。故障数据将返回霍尼韦尔进行分析，并以简明的可视化图表呈现给海南航空的维修团队。霍尼韦尔利用这些数据确定是否需要维修APUs，并避免意外的过期维修事件。测试表明，霍尼韦尔的预测性维护服务减少了35%的失效设备，显著减少了运行中断，使误报率低于1%。工业互联网平台有望将所有资源单元连接在一起，以便更好地运行。事实上，困难是客观存在的，因为目前的工业互联网平台不能实质性地提高制造系统的性能。从系统发展的角度观察，工业互联网建设尚处于起步阶段，还存在以下需要完善的方面。
（1）智能制造系统通常需要经过重构或再优化，以满足快速变化和不断发展的客户需求。系统中单个的资源单元集合，如机器人、传感器和数控机床可以重新配置和重组。因此，面临一个日益严峻的问题：工业互联网平台如何适应不断变化的系统结构？为了实现制造系统的重构与重组，所有机器、机器人和自动引导车辆（AGV）都应“即插即用”，这意味着资源单元的功能和制造执行模式可以很容易地重组。
（2）在制造系统中，值得注意的是，各资源拥有机构之间的协作，将向更具合作性的信息/知识驱动的企业信息系统环境不断演变。但是，目前的工业互联网平台只是简单地将设备连接在一起，采用相对松散的结构，很难支持制造系统的协同优化。因此，在工业操作系统中，所有的资源单元都应该连接起来组成一个关系链，通过关系链可以将所有的资源单元集合在一起，实现知识的构建、过程监控、决策支持、需求管理和控制。
（3）通过工业互联网平台，专门从事企业信息系统开发的公司可以为用户开发和发布工业应用程序。并且，不同的工业应用程序可以结合在一起，实现制造系统的操作。但目前的工业互联网平台，如果考虑到不同企业信息系统中的两个模块彼此的互操作问题，则局限性很明显。因此，在工业操作系统中采用了微服务模型，并设计了微服务的互操作方法，以实现行业应用的深度协作与集成。
2. 工业互联网平台的技术特征
工业互联网平台是为连接工业环境中的资产/设备而量身定做的，工业互联网是指重工业，如制造业、能源、石油和天然气及农业中的工业资产连接到互联网。据不完全统计，目前全球有超过150种工业互联网平台在世界各地运转，但这些工业互联网平台来自不同的制造厂商，甚至不同的行业，技术实现路线差异很大，且处于不断完善发展阶段，尚未形成统一的技术标准、规格、规范或模式，因此，目前很难对工业互联网平台技术给出完整、统一和确定的技术框架定义。研究分析世界各国主流的、知名工业互联网平台，可以总结概括出工业互联网平台的一般性技术特征：工业互联网平台的新方法和新技术，已经可以将工业控制应用中海量异构的“程序孤岛”和“数据烟囱”连接起来，支持跨制造领域的应用程序和流程的整体数据驱动优化，更重要的是支持新型数据驱动的智能工业应用程序。例如，云计算技术构建于虚拟化基础之上，包括容器化和动态工作负载编排技术，使大规模的计算能力能够随需应变，具有前所未有的可扩展性、可访问性、可用性和通过规模经济实现低成本的弹性。此外，这些技术已经成熟，使其能够部署在小型数据中心和小型服务器集群中，从而在工业生产制造环境的边缘实现小型分布式计算，并具有可扩展性、可靠性和易于管理的优点。另外，由于大量数据将在制造环境中存储和管理，需要大数据中的横向扩展能力。最后，机器学习建模方法越来越成为一种分析能力，该方法与传统的面向第一性原理（简单而言，第一性原理的思维方式是用物理学的角度看问题，一层层拨开事物表象，看到本质，再从本质向前推演，重新思考新的方向）的建模方法相辅相成，在智能制造环境中引入机器学习能力已经取得了丰硕的成果。工业互联网平台建立在上述广泛的技术基础上，并且面向制造环境，应力求抽象出数据驱动智能软件应用程序所需和共享的一组通用功能，并将其作为横向平台服务提供，以减少这些功能在传统架构中的重复实现。这些关键的公共平台功能与工业互联网的核心要素一致，即数据、分析模型和应用程序（实现业务逻辑）。在工业互联网平台的一般性模型中，数据框架提供统一的数据采集、处理和存储功能，以实现对生产数据的全生命周期管理，避免现有制造环境中常见的数据孤岛。分析模型框架提供了一个统一的执行框架，从其下一层次的数据框架中提取数据，同时高效地将多个分析模型作为插件运行。为完成闭环反馈回路，从数据分析中获得的知识与运营和业务逻辑结合起来，转化为操作。一般情况下，生产制造过程涉及许多应用程序，为避免建造新的“烟囱式”封闭应用，这些应用程序需要在统一的应用程序开发和操作（DevOps）环境中运行和管理。这样的环境将提高应用程序的可靠性，减少应用程序开发的工作量，降低系统操作和维护管理的复杂性。此外，数字孪生框架提供了一个统一的、系统的方法代表，不仅可以配置和管理数字空间中的真实世界对象，还为应用程序开发提供了与实际对象的统一接口，类似于面向对象编程中的接口概念，因此，通过将应用程序开发人员从复杂的物理世界分离的方式，可以简化应用程序本身的开发过程。
工业互联网平台本质上是一种新的、数据驱动的工业操作平台，数据驱动的工业互联网平台如图1-4所示。
图1-4 数据驱动的工业互联网平台
工业互联网平台以数字孪生框架作为数据驱动操作平台，且包含上述必要的架构元素：数据框架、分析模型框架、数字孪生框架、应用程序开发和操作（DevOps）框架、应用程序（App）。同时，参考并符合工业互联网联盟（IIC）发布的工业互联网参考架构（IIRA）的功能视角层的结构，数据框架对应数据逻辑层，主要完成数据采集功能；分析模型框架对应物理逻辑层，运行各种工业模型；数字孪生框架对应系统逻辑层，代表各种复杂的系统；商业逻辑层包含应用程序开发和操作框架、应用程序，运行很多制造商、用户和第三方的应用程序。工业互联网平台建立在云计算、大数据和机器学习/人工智能等一系列新技术基础之上，并提供一个清晰、简单的水平分层架构，抽象出数据驱动的智能工业应用所需的通用核心能力。这种水平分层体系结构由松散耦合的数据、模型和应用框架组成，这些框架由一个数字孪生框架统一而成。因为工业互联网平台起源于云计算，该体系结构具有固有的可扩展性和可靠性，并支持便捷的数据集成、模型执行和应用程序开发和操作框架，可以灵活地部署在各种环境中，如公共云、私有云甚至边缘云（如在制造环境中），提供必要的性能、安全和控制。以数字孪生框架作为数据驱动操作平台的工业互联网平台架构将包含越来越多的基于GUI的工具，以更短的周期和更低的成本，简化数据驱动工业应用程序的开发，从而使工业互联网更经济地适用于更多的制造环境。在智能制造环境中部署这样一个水平可扩展的工业互联网平台，不管它有多复杂和庞大，完整的生产资产和流程可以用数字孪生框架来表示、配置和管理。所有资产、流程和系统的数据都可以收集、预处理、存储和管理到单个数据框架中。在这样一个框架的支持下，许多数据分析模型可以在单个模型框架中运行和管理，依托数字孪生框架，可以开发许多软件应用程序，并在单个应用程序开发和操作框架中运行和维护。
从与物联网平台的区别角度分析工业互联网平台，一般情况下，通用物联网平台提供管理工业环境中使用的物联网设备所需的技术和工具。在这一定义层面，一方面，管理家用智能设备（例如，冰箱、智能窗、温度等）的家庭自动化平台可以被称为通用物联网平台；另一方面，工业互联网平台为使用的机器和智能设备提供支持，工业互联网平台提供为工业应用和分析构建的定制软件。因此，通用物联网平台虽然可以调整通用物联网解决方案以接收来自工业设备的数据，但却不具备分析机器数据并提供优化工业运营所需的洞察力。