Thingwise首席执行官、工业互联网联盟（IIC）架构任务组联合主席 林诗万

林诗万博士现为美国Thingswise有限公司的首席执行官和联合创始人，致力于对最新的大数据、机器学习和云计算技术进行优化与创新，为工业运营的智能化开创流式数据分析的启钥式平台，提供可执行的信息流，支持智慧运营的决策。他现为工业互联网联盟（IIC）任架构任务组联合主席，是工业互联网参考架构的主要策划和贡献者之一。他也是工业4.0平台和工业互联网同盟架构联合任务组的联合负责人之一、美国国家标准技术局（NIST）主导的虚拟物理系统（CPS）公共工作组系统框架分组的联合主席，以及边缘计算产业联盟专家委员会委员。

编者按：信息技术特别是互联网技术正在给传统工业发展方式带来颠覆性、革命性的影响。二维码、RFID、传感器、工控系统、物联网、ERP、CRM等技术的广泛应用，推动工业企业实现生产流程各环节的互联互通，促进互联网与工业融合发展。但网络、通信、硬件设备等只是工业企业实现互联互通的基础，实时感知、采集、监控生产过程中产生的大量数据，运用先进的数据分析对企业产生、拥有的海量数据进行挖掘，得到有作用的分析结果，智能制造才能得以实现。然而，在发展得如火如荼的智能制造产业中，却鲜有人能够真正理解数据分析对于智能制造的重要意义。本文特别采访了Thingwise首席执行官、工业互联网联盟（IIC）架构任务组的联合主席林诗万先生，就这一问题进行了详尽阐述，希望可以为读者带来启发。

核心理念

通过全面数字化和全局互联互通从而实现系统和管理流程的智能化是智能工厂的核心理念。

智能工厂的核心架构：关注连接性与智能化

自动化博览：您认为智能工厂的核心架构是怎样的？

林诗万：智能工厂牵涉到的范围非常广泛，除如智能机器人、集成产品生产模拟、添加性制造/3D打印等等专门技术领域外，很大程度上主要围绕在这样一个核心课题：即如何把信息和通讯技术（Information & Communication Technology - ICT）应用于在传统的生产环境中，与运营技术（Operational Technology - OT）两化融合，从而实现智能化生产。它涵盖了生产技术和生产过程的数字化，对机器设备的连接，数据收集、分析和应用，生产运营技术与信息技术及生产系统与业务系统的融合等方面。这些系统的连接和融合不仅在企业内部，也可跨企业或在其生态圈内实现。

国际和国内最近发表了一系列相关的参考架构，包括创建于美国而日具国际性的工业互联网联盟的《工业互联网参考架构-IIRA》 、德国工业4.0平台的《工业4.0参考架构模式-RAMI4.0》 、在国内创立的工业互联网产业联盟的《工业互联网体系架构（版本1.0）》、以及最近在国内成立的边缘计算产业联盟的相关的参考架构。根据我的理解，这些参考架构对智能工厂都有很强的适用性。尽管它们对系统分析的视角和重点有所不同，在适用的广度和深度方面也各有差异，但在重要的理念上都具有很强的共通性，我觉得其中有两点值得重视。

第一点是连接性，不仅是对机器或物理实体的连接，而且包括了在生产的大环境里对不同层次和环节中的不同系统之间的连接和融合。这些连接和融合包括了产品、生产设备、生产线，以及在车间、工厂，企业和跨企业各个层次的生产和业务应用系统，最终实现对所有系统的互联互通，形成一个以企业内部为核心并延伸到企业生态圈内的一个小型互联网。企业将在这个基础上实现生产和业务进程的自动化和智能化，从而推进生产运营的全面优化。

第二点是智能化，这些架构（特别是工业4.0）都关注数字化或计算能力与物理系统（如机床）的有机合成，通过数字化和计算增强物理系统的功能和性能，使这些工业系统从自动化向智能化甚至自主化发展。

我个人认为，通过全面数字化和全局互联互通从而实现系统和管理流程的智能化是智能工厂的一个核心理念。在认清这个理念之后，在这些架构所看到的差异便主要在于实施的细节和着重点的不同，可以在它们之间按具体的需求而取长补短。值得指出的是，为了智能工厂而建造这样一个完善的系统，不言而喻，是非常复杂的并且可能是旷日持久的。但是，在起步时应该把上述的这个核心理念作为指导架构设计的战略愿景。在具体的实施中，应该根据每家企业独特的核心价值的诉求，通过一个从小到大，从简单到复杂的迭代发展进程来实现这样一个战略愿景。

我个人在不同程度上参与了IIRA（工业互联网参考架构）和RAMI4.0（工业4.0参考架构模型）的一些相关的工作，所以对这两个架构相对比较熟悉。这两个架构发表较早也更具代表性。如果把IIRA和RAMI4.0作为例子做个概括性的分析，不难看出IIRA注重产业设备资产的智能化运营，强调对包括制造业在内的各工业产业的广泛适用性、通用性和互操作性，对核心性的架构问题提出了概括性的陈述。RAMI4.0则专注于制造业运营整体的智能化，对制造业运营的各个层次和流程的模式都有比较系统和具体的定义和描述。虽然IIRA和RAMI4.0对系统的分析角度和起点有所不同，但在总体上是相辅相成的，它们的一些基本概念和模式都有很强的对应性，甚至可以把RAMI4.0看作是IIRA在制造业这个领域的一个专门化的应用。工业互联网联盟和德国工业4.0平台两个机构已开始携手合作，在技术上开始考虑怎样把这两个架构融通和整合。因此，在具体的系统架构的设计上，这两个文档都有很重要的参考价值。

粗略地说，RAMI4.0严谨而具体细微，为智能制造业量身定做；IIRA则广泛而轻快灵活，具有跨行业的适用性。如果一家企业要从部件、机床到流程全新建造一个智能工厂，RAMI4.0应是一个首当其选的基本参考架构。如果一家企业要快速灵活地在现有的生产系统中逐步实现智慧生产运营的能力，并希望在短期内获得业务价值（我个人觉得这一点非常重要），IIRA应是一个比较有效的基本参考架构。但是，无论选取哪一种参考架构作为起点，它们的作用应该是指导性的而不是限制性的，都应该根据具体的需求来灵活采纳和应用。

当务之急：以解决业务问题为突破口

自动化博览：对于国内企业实现智能工厂，您认为最关键或者当务之急要解决的问题是什么？您有哪些建议？

林诗万：在实现智能工厂的过程中，我们会遭遇到不少在技术和实施方面的挑战。据我个人观察，在目前的状态下对大多数的制造业企业来讲，其当务之急要解决的问题是在业务上，在实现智能工厂的战略和策略方面上。下面我就这个想法粗略地谈谈，抛砖引玉。

首先在战略上，这些企业首先要对工业物联网、智能制造等技术趋势及其对所在行业的冲击有一个明确的认识，并在这个认识上制定企业工业物联网或智能制造战略愿景，映射出至少未来3~5年后在技术上和通过这些技术在业务上要占据的领地。

其次在策略上，在建立战略愿景之后，开展对企业的技术和业务现状与远景作比较性的评估，找出差距；接着在这些差距中辨认出若干个在业务上有确切价值并急需解决的问题；最后，在这些问题中选取少数一些难度低、效益大（低挂果实）和周期短（不超过6~12个月）的项目，作为滩头阵地，快速抢占，早日上马，早日积累经验，早日收取成果和创造价值。在这个基础上，进而快速迭代演进，扩大阵地，纵深拓展，逐渐把分割的领域连成统一的愿景领地。

上述的这些业务问题可能在于提升机器正常运行率、提高设备利用率、增加成品率、降低维护成本、降低运营成本（如降低能源和材料消耗）或优化机群的整体运营，以实现最佳的业务成效等各个方面。无论如何，着重点应在于那些能快速见效并能为其它项目展开探索和开创路径的项目。

工业物联网和智能制造战线广阔、纵深宏大，而且相关技术在未来的5~10年内会快速发展更新，因此，它的实现会是一个不断更新、加强和完善的过程。所以，在推进智能制造时既要避免企图为打造一个面面具全的系统全线出击而事倍功半甚至中途而废，也要避免既无战略远景指导也无业务价值驱动的单纯由技术主导的零敲碎打，更要避免对其熟视无睹或措手无策，屡屡拖延，错失良机。工业物联网和智能制造为一些企业的发展壮大提供了一个天赐良机，也会给一些企业带来难以避免的生存危机，正如互联网和由其而生的电子商务对传统的商务行业的冲击一样。以战略愿景为指导，以业务价值为驱动，以先进技术为手段，以当务之急要解决的业务问题为突破口是在现已部署运营的生产系统中实现智能化的一条有效途径。

数据分析：驱动引擎

自动化博览：在实现智能工厂的过程中，数据分析占据怎样的位置？

林诗万：简单地讲，智能是一个过程，包含了感知、认识，根据目的做出决策并采取行动，以得到所期望的效果这样一个循环过程。 更完整一点，它包括学习、调整和适应的环节。数据分析在智能工厂的作用主要在于对设备运行和生产运营的状态及时得到准确的认识，并相应地做出正确的判断和决策。通俗一点地说，数据和分析对智能工厂的作用就如同燃料和引擎对飞机或电力和电动机对机床一样：在智慧生产和运营中，数据是燃料电力，而数据分析是驱动引擎。

如果我们对数据分析作用在智能制造这个大环境里在做进一步的分析的话，那么不难发现上述的智能循环过程具有不同的层次，在每个层次中有不同的目标和特征。这些层次概括性地可以分为三大环，如图1所示。

图1 数据分析的智能循环过程

在设备层上，对单台设备运行状态数据的收集和分析所得到的结果，可以反馈回到设备的自动化控制闭环里，其方法包括通过对控制设定点和控制模式的动态调整。通过这种方式可以实现对设备运行进行有据可依的优化，也是将设备的运行从传统的自动化向智能化发展的一条途径。传统的自动化系统控制基本上是按设计者事先设定的规则而实现的。这些规则是根据有限的预知情景而制定并且具体而固定，难以有效地应对事先没有预知的情景。在智能化的控制中，这些规则将是高层次的而且更具有目的性，让系统自主性地根据具体的实时情景做出优化的操作。作为一个或许过于简化的例子，自动化的车辆只能在特定的地域里根据事先设定的固定轨迹和速率行使以避免与障碍物碰撞；智能化的自驾车辆则能根据“避免与相似障碍物的物体碰撞”的规则在不同的场景里自主行使。显然，要实现智能化的控制需要很强的分析模型和计算能力，目前人工智能的迅速发展和计算能力日益价廉为实现智能化控制提供愈来愈强的支持。当然，控制系统从自动化转向比较完善的智能化需要有一段相当长的过渡时期。在这个过渡期中，对于大量现已部署的控制系统，为了增强其运行的智能化，我们首先可以对这些系统部署外带的并行计算分析系统（如工业网关），然后在现有接口（如PLC）对这些控制系统实时收集数据，并在上述的外带系统中对这些数据进行分析，最后把分析结果反馈回到控制系统以实现运行的优化。

在运营层上，相应于现有的大型SCADA或DCS，对设备群的数据的收集和分析可以驱动对生产设备的运营智能化的监控，包括对故障的智能检测和诊断，预测性维护，能耗和材耗的管理，和其它运营方面的优化。

在业务层上，对设备运营数据分析的结果可以为业务规划和流程以及产品设计等方面的智能化提供有价值的信息。

数据应用：变“被动”为“主动”

自动化博览：现在业内很多人都认识到了连接与数据的重要性，但关于如何利用数据，挖掘数据的价值，从而为智能工厂的实现进行铺垫还存在很多误区，对此，您怎么看？

林诗万：目前业内对怎样利用数据有一个理解，认为是，与很多现有的业务数据分析的用法类似，首先收集大量数据，然后在这些数据中寻找和“挖掘”价值。我认为，这种把数据应用作为一种事后考虑是一个不正确的或者至少是很片面的看法，正如我们从来没有听说过在电力中“挖掘”动力的说法。我认为更有效的思考方式应该是更主动的、更有目的性的，或应该是有的放矢的：在生产运营中的一系列急需解决的问题中，有哪些是可能通过对生产技术或流程的智能优化来解决的？为了实现这些智能优化，我们需要有哪些信息？为了得到这些信息，我们必须收集哪些数据和采取哪些分析？最后，我们需要从哪些设备和怎样对这些设备进行连接和收集所需要的数据？在智能工厂中，数据分析的结果应该首先是为了增强单机设备运行和设备群运营的智能程度，而这个过程要求的是及时的（接近实时的）、连续性的流式数据分析。传统的批量性的数据挖掘方式在智能工厂中会继续有其作用，如为运营系统的数据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。

数据平台的关键：收集、分析、反馈、融合

自动化博览：随着工业物联网、智能制造等概念的兴起，业内涌现出很多数据分析平台的企业，目前这个市场的现状如何？

林诗万：目前数据分析平台的技术市场非常活跃，发展很快，有不同类型的平台大量涌现，有在云计算平台上提供各类数据收集、储存和分析的技术部件，由用户选取搭配并整合成完整的分析应用；有在云计算平台上提供偏重于设备连接包括安全连接和数据上传的服务。在这些服务中，有些比较通用并不针对特定的应用作独特的支持，而有些则针对工业或制造业设备的运营（如监控和预测性维护等）提供专门的支持；更有些对特定产业（如石油和天然气的开采）特制而提供专业化的支持……这些平台的大多数所提供的功能都主要环绕在上述的设备运营管理环方面，对其它两环特别是设备控制环的支持，总体来讲都还比较薄弱。与此同时，这些平台普遍地需要在某种形式的云计算平台上部署，只有极少数能在本地的生产和运营环境中部署支持某种形式的边缘计算，作为设备或控制系统在本地的并行外带分析系统。

对现已投产的生产设备实施数据分析的需求而言，在技术上最大的挑战在于怎样对现有的设备根据其接口（如PLC）进行连接并能对其数据进行解析。如果这个问题得不到解决，无法有效地收集可用的数据，再先进强大的分析平台也无用武之地。要有效地解决这个问题，我们需要行业内的合作，原设备厂商、客户或相关的设备连接解决方案开发商紧密协作，根据原设备厂商提供的必要的接口定义和规格资料，简易而快速地收集到所需的设备数据。

自动化博览：对于数据分析平台来说，得到用户认可的关键是什么？

林诗万：如上文所述，我个人认为实现智能工厂的一个关键在于怎样对设备进行数据收集和分析并将其结果即时地反馈到设备的运行和运营中、以及怎样将这些分析结果与其它业务信息（如市场供求，供应链等等）融合，以推动生产的全面智能化。要有效地实现这些目的，我觉得有三点值得强调：

设备是连续运行的，其运行需要连续的智能反馈。所以分析系统必须对设备连续生成的数据流进行流式分析, 及时并持续地为决策提供信息流, 即时自动化地应用于设备连续的运行和运营流程中。反过来说，基于批量性和被动性查询的传统分析框架并不能有效地支持设备连续性的运行和运营。因而，流式分析必须是这些数据分析平台的首要功能。

其次，从安全性、可靠性和有效性（如对时延和数据流量的约束）等方面去考虑，这些数据分析平台必须提供分布式的分析，使其分析功能能够在设备或生产设施的本地部署，支持边缘计算的模式。

最后，这些数据分析平台应该把所需的先进和难度大的分析技术提升和简化，为客户提供简易部署、定制和维护的开箱即用分析系统，使客户能够快速迭代地演进其智能工厂应用。基于不少制造业企业并不专长于信息技术这一个现状，我们应该尽力使他们在开发智能工厂的过程中受益于最新的包括机器学习等人工智能在内的高级数据分析技术，但不受其复杂性和特殊专业人才需求所困。

摘自《自动化博览》2017年1月刊