日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

Thingwise首席執行官、工業互聯網聯盟（IIC）架構任務組聯合主席 林詩萬

林詩萬博士現為美國Thingswise有限公司的首席執行官和聯合創始人，致力于對最新的大數據、機器學習和云計算技術進行優化與創新，為工業運營的智能化開創流式數據分析的啟鑰式平臺，提供可執行的信息流，支持智慧運營的決策。他現為工業互聯網聯盟（IIC）任架構任務組聯合主席，是工業互聯網參考架構的主要策劃和貢獻者之一。他也是工業4.0平臺和工業互聯網同盟架構聯合任務組的聯合負責人之一、美國國家標準技術局（NIST）主導的虛擬物理系統（CPS）公共工作組系統框架分組的聯合主席，以及邊緣計算產業聯盟專家委員會委員。

編者按：信息技術特別是互聯網技術正在給傳統工業發展方式帶來顛覆性、革命性的影響。二維碼、RFID、傳感器、工控系統、物聯網、ERP、CRM等技術的廣泛應用，推動工業企業實現生產流程各環節的互聯互通，促進互聯網與工業融合發展。但網絡、通信、硬件設備等只是工業企業實現互聯互通的基礎，實時感知、采集、監控生產過程中產生的大量數據，運用先進的數據分析對企業產生、擁有的海量數據進行挖掘，得到有作用的分析結果，智能制造才能得以實現。然而，在發展得如火如荼的智能制造產業中，卻鮮有人能夠真正理解數據分析對于智能制造的重要意義。本文特別采訪了Thingwise首席執行官、工業互聯網聯盟（IIC）架構任務組的聯合主席林詩萬先生，就這一問題進行了詳盡闡述，希望可以為讀者帶來啟發。

核心理念

通過全面數字化和全局互聯互通從而實現系統和管理流程的智能化是智能工廠的核心理念。

智能工廠的核心架構：關注連接性與智能化

自動化博覽：您認為智能工廠的核心架構是怎樣的？

林詩萬：智能工廠牽涉到的范圍非常廣泛，除如智能機器人、集成產品生產模擬、添加性制造/3D打印等等專門技術領域外，很大程度上主要圍繞在這樣一個核心課題：即如何把信息和通訊技術（Information & Communication Technology - ICT）應用于在傳統的生產環境中，與運營技術（Operational Technology - OT）兩化融合，從而實現智能化生產。它涵蓋了生產技術和生產過程的數字化，對機器設備的連接，數據收集、分析和應用，生產運營技術與信息技術及生產系統與業務系統的融合等方面。這些系統的連接和融合不僅在企業內部，也可跨企業或在其生態圈內實現。

國際和國內最近發表了一系列相關的參考架構，包括創建于美國而日具國際性的工業互聯網聯盟的《工業互聯網參考架構-IIRA》 、德國工業4.0平臺的《工業4.0參考架構模式-RAMI4.0》 、在國內創立的工業互聯網產業聯盟的《工業互聯網體系架構（版本1.0）》、以及最近在國內成立的邊緣計算產業聯盟的相關的參考架構。根據我的理解，這些參考架構對智能工廠都有很強的適用性。盡管它們對系統分析的視角和重點有所不同，在適用的廣度和深度方面也各有差異，但在重要的理念上都具有很強的共通性，我覺得其中有兩點值得重視。

第一點是連接性，不僅是對機器或物理實體的連接，而且包括了在生產的大環境里對不同層次和環節中的不同系統之間的連接和融合。這些連接和融合包括了產品、生產設備、生產線，以及在車間、工廠，企業和跨企業各個層次的生產和業務應用系統，最終實現對所有系統的互聯互通，形成一個以企業內部為核心并延伸到企業生態圈內的一個小型互聯網。企業將在這個基礎上實現生產和業務進程的自動化和智能化，從而推進生產運營的全面優化。

第二點是智能化，這些架構（特別是工業4.0）都關注數字化或計算能力與物理系統（如機床）的有機合成，通過數字化和計算增強物理系統的功能和性能，使這些工業系統從自動化向智能化甚至自主化發展。

我個人認為，通過全面數字化和全局互聯互通從而實現系統和管理流程的智能化是智能工廠的一個核心理念。在認清這個理念之后，在這些架構所看到的差異便主要在于實施的細節和著重點的不同，可以在它們之間按具體的需求而取長補短。值得指出的是，為了智能工廠而建造這樣一個完善的系統，不言而喻，是非常復雜的并且可能是曠日持久的。但是，在起步時應該把上述的這個核心理念作為指導架構設計的戰略愿景。在具體的實施中，應該根據每家企業獨特的核心價值的訴求，通過一個從小到大，從簡單到復雜的迭代發展進程來實現這樣一個戰略愿景。

我個人在不同程度上參與了IIRA（工業互聯網參考架構）和RAMI4.0（工業4.0參考架構模型）的一些相關的工作，所以對這兩個架構相對比較熟悉。這兩個架構發表較早也更具代表性。如果把IIRA和RAMI4.0作為例子做個概括性的分析，不難看出IIRA注重產業設備資產的智能化運營，強調對包括制造業在內的各工業產業的廣泛適用性、通用性和互操作性，對核心性的架構問題提出了概括性的陳述。RAMI4.0則專注于制造業運營整體的智能化，對制造業運營的各個層次和流程的模式都有比較系統和具體的定義和描述。雖然IIRA和RAMI4.0對系統的分析角度和起點有所不同，但在總體上是相輔相成的，它們的一些基本概念和模式都有很強的對應性，甚至可以把RAMI4.0看作是IIRA在制造業這個領域的一個專門化的應用。工業互聯網聯盟和德國工業4.0平臺兩個機構已開始攜手合作，在技術上開始考慮怎樣把這兩個架構融通和整合。因此，在具體的系統架構的設計上，這兩個文檔都有很重要的參考價值。

粗略地說，RAMI4.0嚴謹而具體細微，為智能制造業量身定做；IIRA則廣泛而輕快靈活，具有跨行業的適用性。如果一家企業要從部件、機床到流程全新建造一個智能工廠，RAMI4.0應是一個首當其選的基本參考架構。如果一家企業要快速靈活地在現有的生產系統中逐步實現智慧生產運營的能力，并希望在短期內獲得業務價值（我個人覺得這一點非常重要），IIRA應是一個比較有效的基本參考架構。但是，無論選取哪一種參考架構作為起點，它們的作用應該是指導性的而不是限制性的，都應該根據具體的需求來靈活采納和應用。

當務之急：以解決業務問題為突破口

自動化博覽：對于國內企業實現智能工廠，您認為最關鍵或者當務之急要解決的問題是什么？您有哪些建議？

林詩萬：在實現智能工廠的過程中，我們會遭遇到不少在技術和實施方面的挑戰。據我個人觀察，在目前的狀態下對大多數的制造業企業來講，其當務之急要解決的問題是在業務上，在實現智能工廠的戰略和策略方面上。下面我就這個想法粗略地談談，拋磚引玉。

首先在戰略上，這些企業首先要對工業物聯網、智能制造等技術趨勢及其對所在行業的沖擊有一個明確的認識，并在這個認識上制定企業工業物聯網或智能制造戰略愿景，映射出至少未來3~5年后在技術上和通過這些技術在業務上要占據的領地。

其次在策略上，在建立戰略愿景之后，開展對企業的技術和業務現狀與遠景作比較性的評估，找出差距；接著在這些差距中辨認出若干個在業務上有確切價值并急需解決的問題；最后，在這些問題中選取少數一些難度低、效益大（低掛果實）和周期短（不超過6~12個月）的項目，作為灘頭陣地，快速搶占，早日上馬，早日積累經驗，早日收取成果和創造價值。在這個基礎上，進而快速迭代演進，擴大陣地，縱深拓展，逐漸把分割的領域連成統一的愿景領地。

上述的這些業務問題可能在于提升機器正常運行率、提高設備利用率、增加成品率、降低維護成本、降低運營成本（如降低能源和材料消耗）或優化機群的整體運營，以實現最佳的業務成效等各個方面。無論如何，著重點應在于那些能快速見效并能為其它項目展開探索和開創路徑的項目。

工業物聯網和智能制造戰線廣闊、縱深宏大，而且相關技術在未來的5~10年內會快速發展更新，因此，它的實現會是一個不斷更新、加強和完善的過程。所以，在推進智能制造時既要避免企圖為打造一個面面具全的系統全線出擊而事倍功半甚至中途而廢，也要避免既無戰略遠景指導也無業務價值驅動的單純由技術主導的零敲碎打，更要避免對其熟視無睹或措手無策，屢屢拖延，錯失良機。工業物聯網和智能制造為一些企業的發展壯大提供了一個天賜良機，也會給一些企業帶來難以避免的生存危機，正如互聯網和由其而生的電子商務對傳統的商務行業的沖擊一樣。以戰略愿景為指導，以業務價值為驅動，以先進技術為手段，以當務之急要解決的業務問題為突破口是在現已部署運營的生產系統中實現智能化的一條有效途徑。

數據分析：驅動引擎

自動化博覽：在實現智能工廠的過程中，數據分析占據怎樣的位置？

林詩萬：簡單地講，智能是一個過程，包含了感知、認識，根據目的做出決策并采取行動，以得到所期望的效果這樣一個循環過程。 更完整一點，它包括學習、調整和適應的環節。數據分析在智能工廠的作用主要在于對設備運行和生產運營的狀態及時得到準確的認識，并相應地做出正確的判斷和決策。通俗一點地說，數據和分析對智能工廠的作用就如同燃料和引擎對飛機或電力和電動機對機床一樣：在智慧生產和運營中，數據是燃料電力，而數據分析是驅動引擎。

如果我們對數據分析作用在智能制造這個大環境里在做進一步的分析的話，那么不難發現上述的智能循環過程具有不同的層次，在每個層次中有不同的目標和特征。這些層次概括性地可以分為三大環，如圖1所示。

圖1 數據分析的智能循環過程

在設備層上，對單臺設備運行狀態數據的收集和分析所得到的結果，可以反饋回到設備的自動化控制閉環里，其方法包括通過對控制設定點和控制模式的動態調整。通過這種方式可以實現對設備運行進行有據可依的優化，也是將設備的運行從傳統的自動化向智能化發展的一條途徑。傳統的自動化系統控制基本上是按設計者事先設定的規則而實現的。這些規則是根據有限的預知情景而制定并且具體而固定，難以有效地應對事先沒有預知的情景。在智能化的控制中，這些規則將是高層次的而且更具有目的性，讓系統自主性地根據具體的實時情景做出優化的操作。作為一個或許過于簡化的例子，自動化的車輛只能在特定的地域里根據事先設定的固定軌跡和速率行使以避免與障礙物碰撞；智能化的自駕車輛則能根據“避免與相似障礙物的物體碰撞”的規則在不同的場景里自主行使。顯然，要實現智能化的控制需要很強的分析模型和計算能力，目前人工智能的迅速發展和計算能力日益價廉為實現智能化控制提供愈來愈強的支持。當然，控制系統從自動化轉向比較完善的智能化需要有一段相當長的過渡時期。在這個過渡期中，對于大量現已部署的控制系統，為了增強其運行的智能化，我們首先可以對這些系統部署外帶的并行計算分析系統（如工業網關），然后在現有接口（如PLC）對這些控制系統實時收集數據，并在上述的外帶系統中對這些數據進行分析，最后把分析結果反饋回到控制系統以實現運行的優化。

在運營層上，相應于現有的大型SCADA或DCS，對設備群的數據的收集和分析可以驅動對生產設備的運營智能化的監控，包括對故障的智能檢測和診斷，預測性維護，能耗和材耗的管理，和其它運營方面的優化。

在業務層上，對設備運營數據分析的結果可以為業務規劃和流程以及產品設計等方面的智能化提供有價值的信息。

數據應用：變“被動”為“主動”

自動化博覽：現在業內很多人都認識到了連接與數據的重要性，但關于如何利用數據，挖掘數據的價值，從而為智能工廠的實現進行鋪墊還存在很多誤區，對此，您怎么看？

林詩萬：目前業內對怎樣利用數據有一個理解，認為是，與很多現有的業務數據分析的用法類似，首先收集大量數據，然后在這些數據中尋找和“挖掘”價值。我認為，這種把數據應用作為一種事后考慮是一個不正確的或者至少是很片面的看法，正如我們從來沒有聽說過在電力中“挖掘”動力的說法。我認為更有效的思考方式應該是更主動的、更有目的性的，或應該是有的放矢的：在生產運營中的一系列急需解決的問題中，有哪些是可能通過對生產技術或流程的智能優化來解決的？為了實現這些智能優化，我們需要有哪些信息？為了得到這些信息，我們必須收集哪些數據和采取哪些分析？最后，我們需要從哪些設備和怎樣對這些設備進行連接和收集所需要的數據？在智能工廠中，數據分析的結果應該首先是為了增強單機設備運行和設備群運營的智能程度，而這個過程要求的是及時的（接近實時的）、連續性的流式數據分析。傳統的批量性的數據挖掘方式在智能工廠中會繼續有其作用，如為運營系統的數據分析建立模型或任何其它事后分析而用，但它不是其唯一的或主要的方式。

數據平臺的關鍵：收集、分析、反饋、融合

自動化博覽：隨著工業物聯網、智能制造等概念的興起，業內涌現出很多數據分析平臺的企業，目前這個市場的現狀如何？

林詩萬：目前數據分析平臺的技術市場非常活躍，發展很快，有不同類型的平臺大量涌現，有在云計算平臺上提供各類數據收集、儲存和分析的技術部件，由用戶選取搭配并整合成完整的分析應用；有在云計算平臺上提供偏重于設備連接包括安全連接和數據上傳的服務。在這些服務中，有些比較通用并不針對特定的應用作獨特的支持，而有些則針對工業或制造業設備的運營（如監控和預測性維護等）提供專門的支持；更有些對特定產業（如石油和天然氣的開采）特制而提供專業化的支持……這些平臺的大多數所提供的功能都主要環繞在上述的設備運營管理環方面，對其它兩環特別是設備控制環的支持，總體來講都還比較薄弱。與此同時，這些平臺普遍地需要在某種形式的云計算平臺上部署，只有極少數能在本地的生產和運營環境中部署支持某種形式的邊緣計算，作為設備或控制系統在本地的并行外帶分析系統。

對現已投產的生產設備實施數據分析的需求而言，在技術上最大的挑戰在于怎樣對現有的設備根據其接口（如PLC）進行連接并能對其數據進行解析。如果這個問題得不到解決，無法有效地收集可用的數據，再先進強大的分析平臺也無用武之地。要有效地解決這個問題，我們需要行業內的合作，原設備廠商、客戶或相關的設備連接解決方案開發商緊密協作，根據原設備廠商提供的必要的接口定義和規格資料，簡易而快速地收集到所需的設備數據。

自動化博覽：對于數據分析平臺來說，得到用戶認可的關鍵是什么？

林詩萬：如上文所述，我個人認為實現智能工廠的一個關鍵在于怎樣對設備進行數據收集和分析并將其結果即時地反饋到設備的運行和運營中、以及怎樣將這些分析結果與其它業務信息（如市場供求，供應鏈等等）融合，以推動生產的全面智能化。要有效地實現這些目的，我覺得有三點值得強調：

設備是連續運行的，其運行需要連續的智能反饋。所以分析系統必須對設備連續生成的數據流進行流式分析, 及時并持續地為決策提供信息流, 即時自動化地應用于設備連續的運行和運營流程中。反過來說，基于批量性和被動性查詢的傳統分析框架并不能有效地支持設備連續性的運行和運營。因而，流式分析必須是這些數據分析平臺的首要功能。

其次，從安全性、可靠性和有效性（如對時延和數據流量的約束）等方面去考慮，這些數據分析平臺必須提供分布式的分析，使其分析功能能夠在設備或生產設施的本地部署，支持邊緣計算的模式。

最后，這些數據分析平臺應該把所需的先進和難度大的分析技術提升和簡化，為客戶提供簡易部署、定制和維護的開箱即用分析系統，使客戶能夠快速迭代地演進其智能工廠應用。基于不少制造業企業并不專長于信息技術這一個現狀，我們應該盡力使他們在開發智能工廠的過程中受益于最新的包括機器學習等人工智能在內的高級數據分析技術，但不受其復雜性和特殊專業人才需求所困。

摘自《自動化博覽》2017年1月刊