99亚洲乱人伦aⅴ精品,996热re视频精品视频这里,美女露胸无遮挡无马赛克羞羞

【中國傳動網技術前沿】 1 什么是工業應用？

對工業企業來說，應用通常分為兩類：

IT類應用：跟管理相關，包括辦公協同、人力資源管理、ERP、CRM，以及財務管理等應用，主要圍繞人為主體的工作流。

OT類應用：跟設備和流程相關，包括MES、DCS、SCADA、TPM、TQM相關的應用。

第一類工業應用，因為涉及到較多的企業差異化特征，需要很強的本地交付和定制能力，所以基本以國內的軟件開發廠商為主，集中在一些高度定制化的領域，也正是由于國外廠商很難保證本地快速交付和定制，才有了國內廠商的生存空間。但這些軟件都很難實現標準化，所以國內工業軟件廠商普遍生存狀況都很艱難。

第二類工業應用，也即OT應用，是直接同工業設備打交道的，因此需要具備更多的專業知識，包括機械原理、電子電路、數據分析和數學建模、材料科學等，因此對開發人員也提出了相當高的要求，要求軟件開發人員具備比較全面的跨專業能力，才能完成軟件的開發?？上攵?，這一類別的OT軟件人才是多么難得。

長期以來，國內的企業軟件人才都普遍集中在IT應用領域，OT領域的軟件人才極其匱乏，這也造成了OT應用也是我國軟件產業最薄弱的一環，長期被國外設備廠商（GE、西門子、Rockwell、ABB、IBM等）所壟斷。

觀點

Predix上面開發的應用是從OT應用開始，逐步延伸到IT應用。同時，Predix的OT應用，也主要是針對GE銷售的各種高端設備在運行階段的各種優化，如設備健康管理、生產過程效率提升和質量提升等。這一點，跟國內很多工業互聯網廠商的出發點是非常不一樣的。為什么Predix要從OT應用開始？很簡單，在工業里面，所有的IT應用都要最終服務于OT，而OT應用直接跟工業的產出相關，因此OT應用的提升空間遠比IT應用更大，創造的價值也更大。

2 現有OT應用的痛點

現有的OT應用，已經無法滿足日益增長的效率提升的需求，主要體現在如下幾個方面：

1.無法適應工業的“大數據”

隨著逐步推進的數字化過程，工業數據已經逐漸呈現“大數據”的4個V的特質：

>>數據量(Volume)

工業，特別是3.0階段的工業，數據量之大是驚人的。每個大型復雜的設備都有數千個需要測量的信號，每個復雜的生產環節里面有數萬個數字化的參數，而且很多工業信號（電流、電壓、震動）的采集頻率已經達到了Gbps級別，因此對應的工業應用系統都必須具備實時的流式和批量處理能力、海量的存儲能力以及相應強大的分析能力，而這些在傳統的工業應用里面是不具備的。

>>多樣性(Variety)

從工業數據源、數據采集、存儲和處理、分析方法等不同角度來看工業上的數據，都具備多樣性特征，而且遠遠超出其他行業數據的多樣性。

>>實時性(Velocity)

同許多其他行業數據分析很大程度上只是為了實現人的決策支持不同，工業行業中很多數據都有著很高的實時性處理要求，這不僅體現在基于規則的異常檢測、告警到自動反饋的過程，還包括需要在設備或者制造的連續過程中不斷采集實時數據、重新訓練和修正模型的精度并重新發布的過程。

>>價值(Value)

通過數據分析創造的價值，在工業里面就更毋庸置疑。GE前任CEOImmelt曾經提出過一個概念叫“1%的威力”，說的是在一些重點行業（油氣、電力、軌交、航空等）通過數字化的手段實現1%的資產效能和生產效率的提升，就能夠創造萬億級的利潤。

大數據給傳統工業帶來的挑戰，恰恰是傳統工業應用無法應對的。

舉一個例子，自動化生產都會伴隨著產生大量的設備和生產數據，通過對數據的精細化的分析，可以找到在生產過程中各種不確定現象（產能和良率抖動、設備無計劃停機）產生的原因，從而能夠創造出非常高的價值。并且越自動化的生產過程，數據量、維度和實時性的要求也就越高。

但是，正是由于缺少對大數據在采集、存儲和分析上的支持，傳統應用僅僅能夠實現有限維度的實時監控，無法從海量的傳感器指標中分析出對異常有貢獻的因素，更無法對各種關鍵指標的發展趨勢進行預測。

2.無法實現對未知的探索

相對于工業2.0，工業3.0最大的進步就是引入了PLC（ProgrammableLogicController），運用數字化的手段實現對設備運行情況、外部環境、產品數據的測量，通過實現對設備運行和操作的反饋，來保證制造和設備運行的準確性和穩定性。因此，原本在工業2.0階段完全靠操作人員聽、看、聞、摸等模糊化的測量和手動的控制手段，在3.0階段通過部分的數字化實現了精準的測量，并根據設定的機理制定相應的控制邏輯，實現穩定的輸出控制。

工業行業內流傳一句經典的話：“如果能夠測量，就一定能夠改善”，也就是說一個工業過程，如果所有的輸入以及影響要素都是可以測量的，那工業過程的輸出一定是可控的。

但是，真實的工業卻遠遠沒有那么簡單。

首先，在生產過程中存在太多的影響因子，并且由于工業數據量巨大并且傳統的保存分析手段有限，導致很多貢獻異常的要素都無法在事先規劃好并且有效地保存下來，因此也容易產生很多無法解釋的問題。

其次，工業生產和運營過程里面，很多工業的因素是無法直接測量的，比如設備的健康度、螺絲的松緊程度、軸承的不平衡情況等。因此，只能依靠其他可測信號的數據，通過機理模型的方式來實現間接測量。但是由于很多變量不可測，造成工業有很多明知其然卻不知其所以然的現象，故而也無法用準確的機理模型來解釋。

第三，對海量歷史數據的實時分析和預測能力的缺失，造成無法從海量歷史數據中尋找到相應的規律（相關性、因果性等），更不用說對未來的預測。

這些原因，都造成了很多工業的未知現象無法依靠傳統的應用來解決的問題。

舉一個例子，在故障維修模式上，由于缺少有效的數據分析和壽命預測手段，傳統的工業應用只停留在了預防性維護階段，通過定期的保養實現早期的故障預防。這種維護成本是非常高的，企業不得不去安排更多的人力、預留更多的備品備件來實現早期的預警，因此往往無法在過度維修(定期巡檢)和被動維修（故障停機之后的維修）之間取得有效的統一。

3.無法實現專家經驗的沉淀

工業領域中最具寶貴的價值無疑是專家的知識和經驗。但是，工業領域卻一直缺少對專家知識和經驗的有效保存、復制和轉移的手段。這種專家的知識和經驗，不僅包括在特定情況下的異常判決和處理方式，更包括優化的策略。

但是，眾所周知，人的認知都是模糊而不是精確的，如果沒有數字化的手段，就沒有辦法實現精準的判決。同時，人的認知僅僅只能夠停留在有限的時間和有限維度的判決上，無法擴展，更無法實現對復雜問題的精準分析。

而傳統的工業應用，一方面由于缺少數字化的手段（數據采集、數據存儲、模型開發等）而造成專家知識難以形成量化的結果，另一方面也缺少有效的知識經驗開發工具，幫助專家提升知識經驗積累的能力。

舉一個眾所周知的例子，高端裝備供應商都會針對設備的特定故障提供FMEA(FailureModeEffectAnalysis)的表格，根據實驗數據給出不同的故障模式，并且給出在特定的故障發生情況下，需要按照既定的方式采取特定的動作。但是FMEA一直以來都是一些模糊的表述方法，一方面缺少數字化的手段來保存實驗數據給出的故障特征（電流、電壓等傳感器指標在故障上的“指紋”），也沒有有效手段在實際應用過程中基于對這些“指紋”的比對來實現故障判決，更無法將實際運行中出現的新故障的數字化特征反饋到FMEA里面來減少未來的異常判決。

4.無法實現敏捷的應用交付

工業領域本身就是環節眾多、異常離散和復雜的多應用場景，很難用一套固化的應用來解決諸多突發和異常事件。因為傳統的工業應用開發和迭代是一個非常冗長的過程，開發和迭代周期動輒數年，無法有效地應對突發情況。

同時，工業應用領域需要具備跨領域的專業知識，例如數據采集、數據處理、數據分析和建模等等，往往是非常專業的人、依靠不同領域的專業工具來產生各自領域的半成品結果，并最終由應用開發人員實現整合。但是傳統的應用開發模式，缺少類似API、微服務、容器化的整合方案，無法實現跨領域的有效整合，只能依賴各方面都精通的跨領域人才實現有效整合，這無疑加大了開發的難度，限制了應用的擴展和靈活性。

3 為什么Predix能解決這些問題？

一句話，技術發展了，可以在現階段用新的技術來解決老問題。

這里主要包括如下幾個方面：

1.物聯網技術的發展

工業狀態監測的各種傳感器（包括環境監測、震動、聲敏傳感器），隨著使用的普及和技術的改進，開始變得更廉價，用戶可以在更廣泛的應用場景中采集更全面的工作狀態；而NB-IOT、5G網絡的商用，不僅解決了傳輸距離、傳輸帶寬問題，更提高了傳輸的實時性，這樣，海量的數據得以回到云端實現更實時的判決，反饋到現場端實現更準確的控制。

2.大數據技術的發展

隨著大數據技術在互聯網、金融、電信等行業的普及，讓工業對海量數據的處理門檻變得很低。一方面，針對工業海量傳感器（流式）和操作記錄（批量）數據的實時處理和分析手段，可以采用現有的大數據處理工具；另一方面，在上述各個行業培養起來的各種大數據人才，在數量、質量和成本幾方面都已經可以滿足傳統工業企業的需求。

3.人工智能技術的發展

隨著最近幾年深度學習技術的發展，人工智能技術在圖像和語音識別等固定場景已經超越了人的能力限制，并逐步發展到可以實現對未來很多未知的判決和預測。在工業領域，充分利用這些研究成果，不僅可以實現產線機器視覺這種簡單的應用，更能實現對多維度設備健康、產能、質量以及能耗等維度的判決和預測。

4.云計算技術的發展

隨著云計算的加速發展，計算、存儲和網絡資源層面的基礎需求和靈活性需求已經不再是問題，而PaaS技術的逐步成熟，更將應用開發、大數據分析等過程，通過微服務和微應用的方式實現了有效的整合，極大提高了應用開發和數據分析的效率和完整性。

4 GE為何用Predix平臺開發OT應用？

我分析這里面有幾個原因：

1.無法整合和集成

GED(GEDigital的簡稱)本身在多年的發展過程中，無論是給客戶定制開發還是購買的公司，都提供了數量（種類）眾多、數據標準不統一、架構不一致的軟件，不同的軟件之間很少有集成的接口、相同的數據定義，無法保證相互之間的互操作和集成，給客戶造成了很多的煙囪應用和數據孤島。

2.無法滿足高效交付的要求

GED不斷面臨新的應用開發需求，而客戶要求的交付周期越來越短，原有動輒數年、冗長而笨重的產品開發周期和更新周期已經越來越跟不上節奏，大家不約而同地將開發模式轉向了互聯網應用的敏捷開發、功能重用、組件是交付的模式。

3.無法實現跨專業的整合

工業應用不僅涉及到應用開發，還包括了細致的數據分析，甚至專業的機理模型開發，而這些專業能力還要針對不斷變化的需求進行針對性的調整。如果按照傳統的軟件開發思路，一定避免不了需要開發人員充分理解業務場景、機理模型才能開始設計，但這種軟件開發一定是非常低效的。

因此，GE推出Predix平臺，并且將持續基于Predix進行新的應用開發，并不是早先就設計好的，而是其發展過程中理所當然會走的一條路線。

從應用的角度來說，隨著應用類型的增多和功能的復雜化，為了實現快速和穩定的交付，應用開發最終都會走到集約化、平臺化開發的路線上來。

觀點

下面是我理解的關于（工業互聯網）平臺和應用之間的關系。

從圖中可以看到，工業互聯網平臺雖然也被稱為工業PaaS平臺，但跟通用的PaaS（下面兩層，包括PaaS和服務框架，以及包括數據庫、用戶管理等在內的通用服務）相比，增加了工業部分的內容，這部分內容一方面包括跨行業的各種通用服務，比如設備管理和接入、工業數據處理和時序數據庫、工業大數據建模工具等，還包括了跟每一個具體行業緊密相關的應用開發框架、模型、特征庫等功能。

Predix也是這個設計思路，它從本質上來說是一個面向工業的PaaS平臺，因此，Predix提供的各種能力，都是需要滿足上層工業應用開發需求的。雖然Predix最早是構建在CloudFoundry（上圖的平臺下面兩層）之上，但是從一開始，就并沒有滿足于Heroku、Force.com、Beanstalk等通用PaaS，而是在CloudFoundry的基礎上又增加了非常多針對工業應用的能力，這里不僅包括工業設備的接入和邊緣計算、工業數據清洗和存儲，還包括了工業數據分析和建模、以及快速應用開發的能力。

5 Predix平臺和Predix應用

Predix上的應用，與傳統意義上的工業設計（PLM）、工業生產（MES、ERP）、工業營銷（CRM、e-Commerce)以及倉儲物流管理（WMS）等有很大的差別。Predix上的應用包括了三個級別的應用：設備級別、過程級別和業務級別的應用。而Predix重點強調的，是前兩個級別的應用。

同傳統的豎井式應用相比，Predix這三個級別的應用是層層迭代、一環扣一環的：

設備級別：這部分以追求可靠性為目標，主要針對設備本身，即工業的原子單元。通過物聯網接入設備來采集設備的原始數據和參數，不僅能夠現對工業設備一些關鍵參數當前狀態的提取，還能夠通過各種分析模型實現對設備過去和未來狀態的判決，并且可以將這種判決同采集的實時數據進行關聯，實現實時診斷和預測。而傳統的控制系統僅僅能夠實現當前狀態的監控和有限的歷史數據分析。

過程級別：這部分以追求效率為目標，針對的主要是生產過程。需要依賴于設備級別的各種分析結果和KPI指標，將其映射到不同上下文的生產環節中，結合在不同生產過程上的操作要求，實現整個連續生產的關鍵指標分析和控制。

業務級別：這部分以追求利潤為指標，針對的對象主要是管理流程。基于生產過程中的各種分析數據和關鍵指標，企業各種IT類的經營管理類業務系統（ERP、CRM、WMS），實現更大范圍（時間維度、空間維度、數據維度）的精準決策支持。

除此之外，Predix平臺還開放了很多能力，支持客戶和合作伙伴在平臺上，利用現成的模塊，開發不同行業領域的應用。

Predix平臺的設計理念

Predix上面開發的各種應用，從一開始就具備了很多鮮明的特點，包括DigitalTwin、數據驅動、微服務。

1DigitalTwin

DigitalTwin是Predix應用的核心組成部分，通過DigitalTwin，用戶不僅可以隨時隨地獲得物理設備或者過程的實時監測，更能通過海量歷史數據的積累和細致的分析，獲得很多無法直觀監測到的設備或過程的性能指標，如設備健康度、故障產生原因或者不良因素的相關性，并能夠對設備和生產過程進行仿真模擬，同時將生產和運維過程中的經驗通過數字化的方式保存下來，形成對未來判決的依據。

在ACMMM2017大會上，GED（GEDigital）對DigitalTwin給出了更明確的解釋，而且宣稱，GED已經基于Predix開發和部署了接近一百萬個DigitalTwin。

1.何為DigitalTwin?

DigitalTwin這個概念已經快被各大咨詢機構和廠商用爛了，很多人把它簡單的理解成了在設計和仿真階段，用3D手段來呈現和仿真模擬物理設備運行狀態的功能。

Gartner關于DigitalTwin的定義如下，即DigitalTwin指的是基于物理設備的傳感器數據，通過動態的模型來改進運營和增加價值。

而GED官方對DigitalTwin的有著更清晰的定義：

字面意思是“用軟件的方式來表征物理設備”，并且可以“讓企業更好的理解、預測和優化每一個設備的性能”。同時，DigitalTwin，可以是“一個獨立的設別”，也可以是“一個集成的系統”，也可以是“一群設備”。

2.Predix如何定義DigitalTwin？

GE將DigitalTwin分成了三部分，包括AssetModel、AnalyticModel以及KnowledgeBase。

AssetModel

AssetModel:可以理解為設備的生命周期管理能力，可以為設備設定相應的屬性、設置特定的工作狀態，以及在不同工作狀態下的數據和模型。

AssetModel是把物理的設別用數字化手段來表現和定義的方式，它包括了很多方面：

>設備的層次關系、位置、標簽、管理人員的定義

>動態和靜態的屬性的定義

>關鍵指標的定義

>2D/3D的模型映射

通過AssetModel，不僅可以設置設備在不同生命周期中的屬性、狀態和連接關系，還能夠對不同位置、層級的傳感器數據的來源、保存方式以及相應的屬性進行定義，方便構建實時的狀態監測。

基于AssetModel，還可以提煉出跟設備領域知識相關的一些參數，比如關聯關系、層級關系等。

AnalyticModel

AnalyticModel:為虛擬空間中需要構建的關鍵指標提供包括統計分析、診斷分析、預測分析和決策優化等能力。

設備運行會定義很多虛擬的性能指標，如設備健康度、剩余壽命等，而這些無法通過傳感器直接測量的計算指標，就需要通過AnalyticsModel的建模分析能力，基于對設備原始數據的存儲和特定的算法模型來計算這些虛擬的性能參數，進而形成一個又一個在平臺上運行的實時模型。當設備上特定的實時數據送達這些模型之后，系統會實時地計算出相應的虛擬性能指標。當虛擬指標超出一定設定的門限，系統就會產生相應的動作。

AnalyticModel是DigitalTwin的大腦，是指基于設備產生的原始數據、通過各種建模方法（機理+數據）和建模工具（語言+機器學習）來構建各種對設備的判決。通過精細化的分析，AnalyticModel不僅可以讓運營人員充分理解基于歷史數據構建的設備上下文（Context），還能夠基于歷史數據構建的模型對當前的狀態進行評估，并且對未來的狀態進行預測。

這種分析往往包括的兩個維度：時間維度+空間維度。

時間維度指的是基于該設備（過程）的歷史數據，構建當前的狀態評估和未來的性能預測。這種分析適合樣本數量不多，但歷史數據保存完整的分析場景。

空間維度是指基于其他同類型設備（過程）的歷史數據，開發或者訓練相應的模型，對當前設備進行狀態評估和性能預測。這種分析適合樣本數量眾多，但歷史數據保存不完整的分析場景。

KnowledgeBase

KnowledgeBase:則將行業的知識和經驗以數字化的方式進行保存，形成可以復制、轉移的依據。

這部分在ACMMM2017大會上并沒有太多提及，更多是一些模糊的概念。我個人理解這里主要指的是數據科學家與領域專家交流、得到某個設備的領域知識和數據、用于構建digitaltwin的一個過程。

一方面，對于數據科學家來說，每一個設備的性能分析，都需要具備一定的領域知識。而這里提到的領域知識，不僅指的是根據機理模型了解設備的工作原理，還需要具備一定的關聯性，通過關聯性來降低分析的維度和復雜度，增加分析的確定性。

另一方面，工業設備在運行過程中的不同狀態下會在各種指標上表現出不同的特征，如果將這種特征同設備的故障或者過程的異常，以及處理的方法和記錄相關聯，就可以形成現象和數據的映射關系，也就是我們常說的“專家經驗”。但是這種“專家經驗”是可以數字化保存的，不會因依賴于人的記憶的模糊特點而失真。隨著運行數據和故障、異常特征的不斷積累，對于設備和生產過程中的各種判決將會越來越自動化和精準。

3.如何構建DigitalTwin

基于上面提到的三個要素，Predix在平臺上提供了一系列的開發工具，包括：

AssetModelWorkbench：提供資產模型的開發環境，來定義設備的資產模型，包括各種參數、屬性、指標和2D/3D模型的映射。

AnalyticWorkbench：提供模型的快速建模開發環境，包括基于設備資產模型構建的機理和機器學習模型。

DigitalTwinWorkbench：提供DigitalTwin的開發和部署環境，實現快速、批量生成和部署部件級以及全系統的各種DigitalTwin。

下面是Predix上開發DigitalTwin的完整過程。

基于設備采集的數據，構建AssetModel，建立物理設備與虛擬實體之間的映射關系，并且通過提煉設備的領域知識，結合歷史數據的分析，構建模型并發布到模型的運行環境中。

4.Predix應用如何使用DigitalTwin？

對于Predix的應用來說，Predix構建的DigitalTwin可以用在下面三個方面：

物理系統的早期預警

對當前操作和使用的長期預測

對操作的動態優化

Predix應用的核心是圍繞著DigitalTwin開展的，把DigitalTwin作為構建Predix應用的單元級別的能力。

下面是基于Predix的工業應用例子。

可以看到，Predix可以為不同的物理設備構建獨立的DigitalTwin，并基于DigitalTwin，首先構建設備級別的應用(APM)，然后再在設備級別應用加工的數據基礎上，構建運營級別的應用(OPM)。

設備級別的應用，主要是指APM（AssetPerformanceManagement），包括：

實時監控、健康管理以及故障診斷

維護策略的優化

可靠性的管理

性能的優化

操作的合規性

APM完全是基于DigitalTwin構建的，是DigitalTwin的使用者，也就是說，一個APM可能會為每一個設備、部件或者過程構建一個DigitalTwin，而DigitalTwin能實時接收設備采集的各種數據、實時通過模型計算相應的指標，并最終將實施的計算結果送到APM應用上，因此APM上面的各種關鍵指標都是來自于Predix實時采集的數據和構建的模型。

運營級別的應用，主要指的是OPM（OperationPerformanceManagement）。OPM并不是直接構建在DigitalTwin之上的，而是基于APM應用各種加工后的數據構建的，它包括：

操作的優化

資產的策略

業務的優化

基于上下文的What-If的模擬仿真

新的商業模式和服務創新

后面有專門的介紹APM和OPM的章節，這里就不詳述了。

2數據驅動

1.工業煙囪和孤島現象嚴重

不同于其他如金融、電信等高度依賴數字化的行業，工業企業直到今天還只是在部分環節（主要是在研發設計上，而生產、運維和服務上則缺少數字化支撐手段）實現了數字化，這就造成了工業很多場景無法通過數據來進行精確的決策。這種矛盾不僅表現在無法對生產過程中的各種參數實現有效的穩定性控制，進而穩定和提高產品質量，更無法對設備的運行狀態和維修策略做出精確的評估和預測來避免非計劃停機。

正是由于工業在設計、生產和運維上的專業性、復雜性和離散的特點，造成了工業應用在建設時的“煙囪式”業務特點。

這種煙囪式業務系統，在本質上是一種數據的割裂，不僅體現在設計、生產和運維等橫向環節的應用缺少有效的數據互通和集成的手段，即使在每個環節的內部縱向環節（如ERP和MES之間），都無法形成統一的數據集成和判決依據。

在自動化、連續生產的要求不高的時候，不同系統之間壁壘的消除主要依靠人的靈活性來彌補，然而在現代生產越來越依賴自動化的前提下，已經很難使用人的智慧和靈活性來取代基于數據的判決。在這種前提下，數據的統一標準、數據的互通，以及快速的決策能力，就成為工業企業不可缺少的能力。

2.Predix旨在解決工業的煙囪和孤島問題

GED在多年來收購、開發的軟件不計其數，深諳數據不一致、無法集成給工業企業造成的痛苦和低效，因此，在規劃針對工業應用開發的Predix這個PaaS平臺的時候，解決數據的一致性和互聯互通就成為了Predix架構設計的一個重要輸入。

相對于傳統豎井式應用極易造成各種數據孤島來說，Predix這些應用從數據角度是一脈相承的。異構的數據源（機器和儀表產生的實時數據、人操作產生的日志數據、加工過程產生的產品和狀態數據，以及不同IT業務系統的數據等）都在同一個平臺上按照既定的數據標準得以存儲，而應用完全可以按照對應的權限來訪問同一份數據。因此，基于數據構建的應用，天生是可以實現互聯互通的，這不僅能夠保證信息在不同應用之間實現更暢通、更及時的交互，而且還能避免更多對數據定義的歧義和誤差，進而消除數據孤島。

3.工業數據的處理特點

上面說的是平臺在數據層面規劃的基本原則，除了需要保證原子性、一致性和互聯互通的通用能力，還需要提供充分開放但嚴格授權的訪問機制。

工業企業同其他行業不同，面對的數據主要來自于三個層面：

設備級別：主要包括傳感器、控制系統產生的實時數據、測量數據、產品數據，不僅有時序數據，還包括了很多文本、日志，以及最近幾年日益增多的圖片和視頻類數據；

過程級別：包括生產作業的不同工序數據、配方數據等，很多時候來自于第三方系統或者人為錄入；

經營級別：這里更多是加工數據，往往來自不同設備級別系統或者生產級別系統產生的間接數據，以及一些橫向的管理系統的數據。

工業數據的處理，包括數據源、數據采集、數據存儲和處理、分析手段上，和其他行業區別非常大。

數據源：不僅包括工業生產過程中的各種設備實時狀態、人員操作記錄、工藝規格數據、產品檢測數據，還包括在產品實際運營過程中采集的工況數據、運行數據以及關聯的業務系統數據。

采集方式：不僅有傳感器實時數據的接收，還有從不同業務系統進行抽取的批量處理。

存儲：不僅需要實時數據存儲（傳感器、信號的實時數據）、文件存儲（歷史文件、日志文件、檢測結果），還包括各種數據庫（操作記錄）和對象存儲（圖像和視頻），既要保證存儲橫向擴展的能力，又要保證讀寫性能。

處理：每種數據處理方式都很不一樣，對于工業實時數據（時序數據）需要靈活的流式處理（在線修改負荷、差值填充、過濾等）的定制能力，對于日志需要基于文本的檢索能力，對于振動傳感器需要視頻變化的能力，每種不同場景需要不同的處理方式。

分析：針對分析的目標（設備健康、生產效率、能耗、質量）不同，需要對不同的數據源采取包括統計分析、異常檢測、趨勢預測等多種分析方法。

根據ACMMM2017的說法，通常在一個工業項目中，用戶需要花60%-70%的時間在數據處理上。

如此眾多的、異構的數據，如果沒有好的平臺來適配和處理，一定會極大的降低數據的消費者（主要是應用）的使用效率。

4.Predix提供完整的數據處理功能

Predix提供了從數據接收、攝取、處理、存儲和建模的完整的數據處理功能，能夠支持上層應用快速實現各種原始數據和加工數據的加載和訪問。

下面是PredixCloud在數據處理上的架構。

可以看到，Predix在數據處理上主要提供了三部分的能力：

DataIngestion（數據攝?。?/p>

這部分包括了對流式數據和批量數據的統一處理。對于流式數據，Predix支持對各種數據流的在線修改和轉換，對于批量數據，Predix提供了豐富的ETL工具。

DataProcessing（數據處理）

Predix在數據處理上，不僅提供了工作流和分析的引擎，還提供了多種運行環境，不僅包括標準環境，還支持Serverless、4GL等。除此之外，Predix還提供了PredixStudio，支持通過AIDrivenDataModeling的方式對數據進行自動分析，并提供包括ElasticSearch在內的自動檢索能力。

DataStorage（數據存儲）

針對各種異構的工業數據來源，Predix提供了多種存儲的方式，不僅包括時間序列(TimeSeries)，還包括RDBMS、NoSQL、HDFS以及對象存儲等針對不同類型數據的存儲方式。

除此之外，Predix還提供了將處理完成的數據開放出來，供上層應用開發和模型開發所共享的能力，這樣就可以實現不同的應用開發、模型開發都可以在同一套數據架構、數據標準下進行，即消除了很多的不確定性，也提高了應用和分析的效率。

3微服務

1.軟件不應該越做越復雜

傳統工業應用的開發，無論是ERP還是MES，已經逐步走入了一個死胡同。

一方面，依據摩爾定律，計算資源將越來越廉價，這也就給軟件開發商更好的理由來增加軟件的功能，加之軟件很多功能可以重用，因而造成軟件的功能復雜度也根據計算資源的摩爾定律呈現指數增長趨勢。

另一方面，基于邊際成本越來越低的前提，軟件廠家越來越傾向于將無數功能疊加到一套軟件里面，希望通過加強軟件的功能來適應更多的應用場景，以此鎖定客戶。

國際上有一個很有意思的IT概念，叫ConsumptionGap，指的是人對軟件功能的消費能力與軟件復雜度之間存在著越來越大的差距。

可以看到，軟件功能的復雜度保持著和計算能力（摩爾定律）相似的指數特性，然而客戶（人）的吸收能力卻不是可擴展的，完全跟不上軟件復雜度的發展速度，因此軟件功能越多，這種差距只會越來越大，給客戶造成的困難就越大，客戶對復雜軟件的抵觸也會越來越明顯。

2.微服務

如何化解軟件廠商和客戶需求之間不斷惡化的這種矛盾？基于微服務開發微應用，是主要的解決辦法。

微服務是互聯網領域已經普遍使用的開發方法（微服務不是標準的架構，而是一種理念和方法），是指將一個復雜的軟件系統通過解耦的方式拆解成多個微服務模塊，每個模塊獨立開發各自的功能，再通過API實現微服務模塊之間的集成。獨立開發完成的模塊不再需要重新編譯，而通過重用和集成部署，可以快速構建新的應用。

微服務架構的優勢是不言而喻的

開發更高效：每個微服務模塊，都可以采用不同的開發方法甚至開發語言，這樣就可以極大的兼容已有的開發成果，使用包括開源軟件等與現有模型進行集成，而不用考慮環境和語言的不兼容性。

功能更專業：跨專業的全能型開發人才已經不是必須，而更需要精細化的專業人才，這樣不僅可以保證每個功能設計得更專業、更深入，而且不再需要開發人員理解每個功能模塊的專業技能，進而更大程度提高交付的速度。

交付速度更快、開發成本更低：多個微服務模塊可以獨立開發并統一集成，每個微服務模塊都有自己的獨立部署環境，可以認為是一套獨立的、功能簡單的軟件系統，交付速度自然快了很多。

更能形成專業知識的沉淀：每個獨立完成的微服務模塊，都可以被保存為數字化載體（容器鏡像、模型等），只需要在構建新的應用時被調用部署，而完全不需要使用者具備該模塊的開發經驗，這樣就可以將原有的專業技能有效沉淀下來，形成專業的經驗知識庫。

每個微服務都可以獨立部署，并可以獨立擴展，這樣可以更好的利用云端資源復用的特點，實現更高效的部署。

3.微應用

Predix在微服務的概念上發展出了微應用的概念，并且通過AppHub實現最終工業應用的集成交付。

微應用是指在微服務架構上開發的、旨在針對一個特定專業功能的應用程序，它通常由如下部分構成：

前端UI：用以和使用者之間產生交互。

核心邏輯：用以處理根據用戶交互的動作，按照既定的邏輯，形成相應的判決結果，并且反映在用戶界面上，或者保存在對應的數據存儲中。

后端（微）服務：這里不僅包括傳統意義上的數據庫、消息等服務，還包括很多已經開發好的算法、模型，以及一些行業專用的服務，如FMECA、RCA等。

微應用能夠把一個復雜的軟件功能，解構成若干個獨立的子功能，每一個子功能都有自己的使用界面和邏輯，這樣不僅可以讓開發從串行變成并行從而更高效，還能讓一個功能的使用過程變得簡單和精細化，從而提高用戶的接受程度。

4.為什么Predix要采用微服務+微應用的架構？

首先，我們必須承認，工業是一個高度離散化的行業，很難有一個通用的應用程序可以滿足不同行業的不同場景需求，即使是在一個場景下，仍然會面臨非常多的環節和設備的不同處理方式，因此跨行業的應用開發變得非常困難。但是，微服務可以將很多通用模塊和能力（行業模型、行業特征庫）做成標準模塊，并通過用集成的方式大幅降低開發的工作量。作為軟件開發商，應該采用微服務的方式來開發微應用。

其次，任何一個微服務，都需要將能力數字化和標準化。而工業里面，最缺少的就是讓工業的各種能力（包括數據采集、數據處理、領域知識、專業經驗和模型等）實現數字化和標準化，完成包括復制、轉移在內的各種操作。數字化+標準化，一方面為高效自動化打下了基礎，一方面也為過程穩定性和提高質量提供了保障。

最后，相對于傳統的管理類應用，工業應用不僅需要代碼開發能力，很多時候還需要具備自動化專業能力、機械專業能力，甚至數學專業技能。每一個學科都需要非常專業的人參與，才能完成整個軟件的開發，而傳統的開發模式，必定要求開發人員精通各種專業技能，這是非常困難的。在微服務架構下，可以將不同方式的專業能力通過API的方式快速集合在一起。這種能力，不僅包括由不同團隊開發的不同語言的應用的整合，更包括由不同部門通過不同的開發工具開發的模型和算法的整合。而最終的應用，僅僅需要很小的代價，就可以把應用、數據和模型集成起來，這樣既能讓不同專業的人并行開發提高效率，又可以輕松實現跨專業集成。

因此，我們不得不說，Predix用微服務的方式改變傳統工業應用的開發模式，絕對不是追趕互聯網潮流，而是深思熟慮的結果。

5.新的OT應用——集成，而不是開發

Predix的應用，不止是簡單的應用開發，而更像是一個大集成，將跨專業的能力，在相同的框架下通過微服務的方式進行封裝和集成，這種開發模式完全不同于傳統的巨塊式應用。

下面是Predix的典型應用——APM（設備性能管理）的架構。