2.1　从业务视角到体系架构

我们应从业务视角明确企业应用工业物联网实现数字化转型的方向、目标和价值，并提供具体场景。从战略到目标价值，再到组织能力，最后落实到需要什么数据和信息，体系架构应该如何设计。从业务视角到体系架构是一个连续的过程。工业物联网发展到今天，体系架构已经基本成熟，层级逐步清晰，这体现在一些领先的工业物联网厂商正推行的商业产品和交付模式上。另外工业物联网各层级中的分工越来越多，不同公司聚焦于不同层级赛道，整个生态得以丰富。

近几年，随着云计算商业模式的成熟以及被企业广泛接受，工业物联网逐步从传统数据中心本地化部署，发展到基于云原生的架构及公有云、私有云和混合云多种部署模式，数据采集的深度从物联网数据拓展到运营数据、运维服务数据，数据采集的广度从工厂级拓展到企业级甚至供应链上下游。

数据方面，更加强调深度分析、洞察，以指导下一步行动。有了机理模型和数据模型的结合以及海量大数据计算能力，数据驱动变得不再遥远。伴随着这些趋势，工业物联网体系架构也经历了一些变化。例如从简单的“感知层-网络层-平台层”，到边缘计算的兴起，某些场景增加了边缘节点对数据的就近处理；云计算的普及让PaaS有了通用PaaS和工业PaaS之分；人工智能应用于工业场景，于是有了数据模型研究。基于OT和IT的打通、融合，以及工业物联网支撑体系的加持，体系架构如图2-1所示。

整个体系架构从下至上，包括感知层、网络连接、平台层和应用层。感知层负责数据采集，是工业物联网体系的数据源泉，利用泛在感知技术对多源设备、异构系统、运营环境、智能产品等各种要素进行信息采集，对异构数据进行协议转换，必要时进行即时处理。工业现场的很多数据保鲜期很短，一旦处理延误，就会迅速变质，数据价值呈断崖式下跌。

为了解决数据实时性、网络可靠性和安全性等问题，边缘计算应运而生。感知层数据通过有线或无线网络连接到达远端数据中心或云平台，工厂内同时存在OT和IT网络，需要打通，实现网络互联、数据互通。平台层包括通用PaaS和工业PaaS，通用PaaS为工业PaaS提供IT基础支撑。工业PaaS也称为工业物联网操作系统，它提供感知层数据接入能力、数据分析能力、工业数据建模能力并沉淀各种工业APP模板，方便快速开发和上线应用。平台最终通过应用（用例）服务业务场景，得到闭环，客户花钱买用例，而有了平台支持，能够更快、更简单、更容易地部署用例。对于传统企业信息管理系统如ERP、WMS、CRM等，可能需要与平台打通，以消除信息孤岛，实现数据联动。

2.1.1　工业物联网感知

在整个工业物联网体系架构中，感知部分位于底层。在工业领域，感知即通常所说的工业数据采集。工业数据采集利用泛在感知技术对多源异构设备和系统、环境、人员等一切要素信息进行采集，并通过一定的接口与协议对采集的数据进行解析。信息的采集可以通过加装物理传感器，或者采集装备与系统本身的数据。工业数据采集的范围，广义上分为工业现场数据采集和工厂外智能产品/移动装备的数据采集（工业数据采集并不局限于工厂，工厂之外的智慧楼宇、城市管理、物流运输、智能仓储、桥梁隧道和公共交通等都是工业数据采集的应用场景），以及对ERP、MES、APS等传统信息系统的数据采集。

工业现场数据采集以有线网络连接方式为主，例如现场总线、工业以太网和标准以太网，以无线网络为辅，采集设备、产品、工艺、环境及人员等各种信息；工厂外智能产品/移动装备以无线网络连接方式为主，例如蜂窝移动通信网络、低功耗广域网等。工业数据采集的广泛性，使得它具有一些鲜明的特征，例如多种工业协议并存，大多数时候数据带有时间戳信息，并具有较强的实时性。

无论是通用控制器、专业数据采集模块还是智能产品和终端，都通过传感器获取大量数据。传感器是将物理信号和非电效应转换成电信号的转换器，是真实物理世界的探针。很多领域的重大突破和传感器技术的发展有着密切关系。传感器种类非常多，如温湿度传感器、速度和加速度传感器、压力传感器、位移传感器、声学传感器、流量传感器、光电探测器等，都是物联网项目中常见的传感器。随着半导体工艺技术的进步，有些厂商将传感器和微处理器以及通信单元集成到单颗芯片中，以满足小型化低功耗的场景。

物联网的特点在于实时性和真实性，且不依赖于人的主观能动性。实时性强调数据无时无刻不停地采集，真实性强调数字世界和物理世界的一致性，这种真实性依赖于对物理世界的感知，并且无须人为干预。

这里的感知是一个比较宽泛的概念，工业物联网的场景有比较强的物联网属性，这并不代表它只需要物联网的数据。工业物联网要打通OT和IT，它的数据源具有多样性。事实上，正是通过收集不同属性的数据，从物联网数据拓展到运营数据、运维服务数据、设计仿真数据，打通了信息孤岛，我们才能通过接口和系统集成方式将强物联网属性的数据与其他数据联动起来。

建立标准化感知体系是一件非常有挑战的事情，这其中涉及硬件、软件和系统。对于工业现场存量工厂改造尤为困难，各种不同接口的设备，单体软件的系统，使得数据采集成为工业物联网项目的第一道门槛，通常耗费大量的人力。甚至由于数据缺失严重，数据质量不高，很多做数据模型和机理模型的算法工程师不得不花很多时间驻扎在工厂收集数据，数据分析遥遥无期。

2.1.2　工业物联网网络连接

感知数据通过网络连接到达远端数据中心或云平台，不同系统之间相互访问也需要网络连接实现互联互通，网络连接就好比人体的血液输运系统，通过它数据才能被送到目的地。工厂内外同时存在OT和IT网络，彼此需要打通，实现网络互联、数据互通，工业控制网络和企业信息系统的无缝连接，例如工厂内的现场总线、工业以太网，工厂外的网络专线或移动通信网络等。同时，新的需求又不断催生新的网络连接技术。

网络连接分两个层次——网络互联（Interconnectable）和数据互通（Interworkable）。网络互联指实体间通过网络连接，实现数据传递，重点在于物理上的连通（物理层）和数据分发（链路层和网络层）。数据互通指建立标准的数据结构和规范，使得传递的数据能被有效地理解和应用，数据在系统间无缝传递，各种异构系统在数据层面能够相互理解。数据互通强调的是语义，即用计算机、控制器和设备等都能理解的语言，这样就能够轻松交互。OT网络和IT网络之间的数据割裂，一方面是由于网络互联方面，链路层不兼容，例如现场总线不能与IT设施直接连接，工业以太网的数据包不能直接转发到IT系统；另一方面在于数据互通层面，语义不通，无法解析。

网络互联方面，针对有线和无线两种连接方式，诞生了很多新的技术，例如时间敏感网络（Time Sensitive Network，TSN）沿着工业以太网的思路，支持实时数据传输，但是它兼容以太网和IP。基于5G技术的高可靠低时延连接和海量物联两大场景主要面向物联网应用，通过对刚需场景的甄别，5G将带来新的变化。对于通信频次低、传输数据量少、数据速率低、占用带宽小、传输时延不敏感、对数据传输实时性要求不高且要求低功耗的场景，低功耗广域网将发挥它的作用。

数据互通方面，简单层次的互通可以在协议接口层面实现，通信双方约定好数据解析规则，例如对报文帧每个字段的长度和含义进行明确定义，这些通常发生在同层级或相邻层级的设备、系统之间。简单的数据互通之上，设备与设备之间、设备与控制系统之间、设备与IT管理运营系统之间、控制系统与IT管理运营系统之间，能使用统一的接口完成跨层级的横向和纵向互通。沿着数据互通的目标和方向，业界在不断努力，例如OPC UA被认为是有前途的、能实现持续信息交换的标准，它的信息模型用于解决语义的问题，让不同对象间相互理解，显然还有很长的路要走。

2.1.3　边缘计算

边缘计算主要为了解决实时性、网络可靠性、安全性等问题。工业物联网推动了数字化和智能化的浪潮席卷各行各业，包括制造、能源电力、交通、物流、农业、医疗和政府公共事业等，越来越多的终端与设备联网。联网设备数量激增给云端带来了网络带宽压力，如果将设备数据全部传入云端处理，不仅成本巨大，还将花费更多的时间，当网络不稳定时，系统可用性变差。未来将会有相当比例的数据直接在网络边缘侧进行分析、处理，这正是边缘计算的实践场景。随着企业对生产制造、运营管理和服务运维等环节精细化管理的要求越来越高，越来越多的快速决策闭环将发生在现场，通过边缘节点承载，这将成为确定的趋势，云端处理将无法满足实时性的要求。

工业网关、工控机和服务器都在承担边缘计算的角色，事实上，应当把边缘计算当作一种理念，任何具备一定程度的数据计算、存储、网络通信能力的硬件设施都可以称作边缘计算。当前硬件厂商、云计算服务商以及移动运营商，均投身于边缘计算领域，硬件厂商根据市场的需求，致力于不断推出能满足行业应用场景的边缘计算产品。云计算服务商在云计算领域积累了庞大的用户群，并拥有先进的大数据处理能力，这些公司发展边缘计算的整体思路就是边云协同，将边缘和云端紧密结合。电信运营商不满足于被管道化，单纯地提供数据管道服务。为了帮助用户获得高性能低延迟的服务，移动运营商纷纷部署边缘计算，核心网下沉到离基站更近的地方，带来更好的用户体验。

边缘计算是相对云计算而言的，二者为互补关系，如果要让边缘计算发挥更大的威力，则需要将两者结合，即边云协同，边云协同涉及边缘计算架构设计。人工智能物联网融合了AI技术和IoT技术，而轻量级边缘智能恰恰是物联网在边缘端结合人工智能技术的AIoT应用，它在系统级芯片的基础上，加强了数据运算能力。AIoT应用并非一定涉及AI芯片，有些只是采用了常规的微处理器甚至是单片机，在内存充足的情况下，它们也能运行一些基本算法，实现轻量级边缘智能。

工业现场需要的是实时数据处理，只是以前受限于计算能力，也没有工业大数据、边云协同和人工智能融合技术，所以无法实现。一旦时机成熟，边缘计算将在工业现场自动快速演进。无论是分布式控制系统（Distributed Control System，DCS）、数据采集和监视控制系统（Supervisory Control And Data Acquisition，SCADA），还是制造执行系统（Manufacturing Execution System，MES），它们自带边缘计算基因。深刻理解上述系统的功能层级和相应网络拓扑，才能更好地将边缘计算应用于工业现场，实现边缘计算与工业自动化的完美结合。

2.1.4　工业物联网平台

在整个工业物联网体系架构中，平台起着承上启下的作用。平台的建设是一个长期迭代的过程，将企业可复用的数字化能力沉淀下来。平台对相似业务逻辑的场景及对象进行抽象，形成一套可迁移、可扩展、灵活的系统架构，为应用软件快速开发及上线提供有力支撑。平台被视为物联网企业审慎布局的战略制高点，然而平台本身通常不直接面向业务问题，不创造业务价值，价值变现依赖于具体的应用，这导致客户或决策层有时很难理解平台的价值。建设平台应该坚持以目标价值为导向，尊重产业规律和行业特征，避免求大求全、大而不精或堆砌各种软肋功能。

当前工业物联网平台应用主要集中于设备资产管理、生产过程管控、资源配置协同以及企业运营管理，由于设备、产线、工厂等领域的自动化和信息化基础较好，面向设备运维和生产效率提升的价值较为显性，诉求较为直接，因此这部分投入目前占比很大。

从功能上，工业物联网平台将包含感知层数据接入、大数据系统、工业数据建模、工业APP模板/微服务组件以及应用开发5个部分。感知层数据接入包括设备接入、设备管理和边云协同功能，其中涉及平台如何通过各种物联网协议如MQTT、HTTP等获取感知层数据；物联网设备如何在平台注册与管理；边云协同的具体实施路径是什么；云端如何统一管理边缘节点，实现边缘节点注册、边缘应用部署和管理，云端如何通过边缘节点管理终端设备，实现跨层级的设备接入和统一管理。

大数据系统对感知层接入数据进行清洗、存储、分析与可视化，这是一个连续的过程。数据存储方面，用到关系型和非关系型数据库，以及时序数据存储。数据分析方面，涉及实时计算或离线计算。数据分析基于规则和算法，而工业数据建模可以为之提供相关的机理模型和数据模型，工业物联网强调行业Know-How以及行业知识图谱，工业界目前努力的目标之一，是要将大量的机理模型数字化，将专家的经验知识从线下搬到线上。

平台对相似业务逻辑的场景及对象进行抽象，形成工业APP模板，例如设备综合效能OEE、能源管理、人员效能、预测性维护、资产闲置洞察等。当用户提出相似需求时，通过模板支持工业APP快速开发和上线。工业APP模板的形成，依赖于从数据接入、数据分析到可视化整个链路，形成数据的无障碍流动。至于应用开发部分，平台要考虑如何以低代码的开发方式，通过提供各种模板、框架和工具，加速应用开发和上线。

无论是设备接入、设备管理、边云协同、大数据系统，还是工业数据建模和低代码开发，这些功能组件相互协作形成完整的平台，背后很重要的一点在于数据的自动流动。通过良好的架构设计，平台为数据的无障碍流动创造条件，使得平台组件之间的数据相互流通，形成多源数据联动，为数据分析、业务决策提供大力支持。

2.1.5　工业物联网应用

在工业物联网体系架构中，感知、网络连接、边缘计算、平台等，这些最终通过工业物联网应用服务于业务场景中，并形成闭环。通过应用实践，识别工业物联网技术创新与商业模式创新，洞察与思考成功案例背后隐藏的重要条件，理性看待企业战略层面驱动的重要性与制约性，理解聚焦的重要性及通过价值抓手实现项目的规模化应用。对工业物联网应用而言，成功从来不是那么容易的，虽然某些应用从原理上可能一句话就可以概括了，但背后的影响因素很多，都有可能左右项目的结果。

无论是进行工厂车间数字化、生产运营过程管理，还是设备智能维护，当回归业务本质并按需驱动时，我们都应将企业的诉求归属到具体的价值维度，然后利用平台支撑，更快、更简单、更容易地部署应用。