工業互聯網（Industrial Internet）是新一代信息通信技術與工業經濟深度融合的新型基礎設施、應用模式和工業生態，通過對人、機、物、系統等的全面連接，構建起覆蓋全產業鏈、全價值鏈的全新制造和服務體系，為工業乃至產業數字化、網絡化、智能化發展提供了實現途徑，是第四次工業革命的重要基石。

工業互聯網主要由網絡、平臺、安全三大部分組成，其中網絡是基礎，特別是5G低時延網絡是保證工業互聯網的基礎，而數據和平臺是工業互聯網的核心，安全是保障。

工業互聯網廠商非常多，從最基本的連接端到云服務端，從IaaS端到PaaS端再到工業數據分析展示和可視化平臺再到具體應用場景，設計仿真、生產優化、運營管理、資產運維、能耗管理、采購優化等，都是在工業里利用物聯網的數據采集和大數據分析后才能創造出的應用場景。

第一個是提出工業互聯網概念的GE旗下Digital部門，提出“通過發掘數據的價值實現高效的產出”。不幸的是GE已經在2018年開始出售Predix，主要原因有幾個：一，GE Digital受到燃機、油氣、電力等系列主營業務的市場疲軟影響；二，低估了工業企業數字化進程的難度；三，過于強調云平臺和IT能力，忽視了客戶對應用的需求，盈利模式不清晰；四，進行的并購和整合并沒有達到通過一個平臺統一不同的應用軟件和交付能力的有效目的。GE Digital的規劃目標，是希望通過Predix平臺結合應用Operation Performance Management（運營績效管理）和Asset Performance Management（設備性能管理），通過設備的健康和可靠性管理、合規性管理、資產優化、策略優化，以達到運營性能的管理，包括提升運營效率、實現過程優化等。

工業互聯網的核心技術有四個：一，邊緣計算是有強剛需的工業應用場景，通過邊緣端的實時數據采集、云端的數據分析和應用開發以實現高效協同，是云端應用對邊緣端實時數據采集的響應和控制過程；二，大數據平臺也非常關鍵，以前的工業數據都是小數據，很多數據處理都在邊緣完成，并沒有匯總起來進行相關性分析和統一趨勢分析，因此實現應用和數據解耦的大數據平臺也很關鍵；三，數字孿生，即通過數據化方式為工業設備定義數據結構，結合數據分析對設備的過去、當前和未來進行深入的洞悉，完成設備從物理向虛擬環境映射的最關鍵描述；四，通過專家經驗+人工智能的方式，基于專家經驗指導的大數據樣本標注，通過人工智能算法訓練開發相應的故障診斷和預測模型，實現精準判決。

工業互聯網三大高端制造應用場景

什么是高端制造？高端制造與中高端制造、中低端制造不一樣之處在于：一，生產過程基本上都是連續的，比如流程制造；二，需要眾多不同大型設備的高效協同，屬于復雜工藝。像石油、電力、石化、光電、半導體等高端制造的可能有幾百個不同的子生產過程, 需要保證每個生產過程都得到嚴格的管控，才能完成最終預期的產出；三，高度自動化的生產過程，可以根據實時采集的各種工況參數，對控制過程進行自動化的實時響應；四，對質量、產能、風險、成本等的精細化管理要求極高，需要非常精準的過程控制和結果檢驗機制。

工業互聯網在高端制造里應用場景很多，而當前的高端制造普遍呈現資產密集、資產性能優化空間大，數字化程度高但數據利用率低，經驗驅動、缺少科學決策能力的局面。通過結合工業互聯網的賦能，即資產性能管理、運營效率提升、能源管理優化、安全生產環保、工業控制安全，可達到：一，提高資產運營的效率，降低非計劃停機帶來的風險影響；二，提高資產利用的效率，降低排放、降低能耗、提高安全生產、實現環保，構建產業生態。正是因為高端制造普遍的體量都比較大，所以哪怕提高1%，都能創造巨大的價值。

高端制造的工業互聯網的核心不是數據采集，而是一層一層傳遞的數據的價值。工業互聯網平臺，能夠起到加速整個價值傳遞過程的作用，一方面能夠匯聚來自不同設備和業務系統的數據，構建數據中臺，對數據進行規范和治理，以及針對離散化、場景化的數據分析；另一方面，它也提供了大量的跨應用系統的能力重用模塊，讓應用的交付、數據的分析變得更便捷和更簡單。

相對于傳統的PLC、DCS、MES或ERP這些傳統的IT和OT系統，工業互聯網應用著眼點放在了新技術解決老問題上，它通過運用物聯網、大數據、云計算和人工智能等先進的IT技術，去解決原先由于數據量、數據處理能力、實時性等限制而不能得到很好解決的設備可靠性、工藝質量以及企業經營決策等方面問題，可以說是原有IT和OT系統的升級和重構。

高端制造的工業互聯網應用非常離散化，應用場景主要是三類，設備資產管理、運營性能管理和生產經營決策。資產性能管理的目標是提高資產（也就是設備）的可靠性，避免非計劃停機；只有保證了設備的可靠性，才能保證運營過程中的產能、質量、成本的有效提升，才能優化運營指標；而只有保證了運營效率的提升，才能實現企業經營利潤的提升和經營風險的規避，所以這三層是通過數據的價值環環相扣的。

應用場景1：資產性能管理。大型高端制造都有關鍵的大型設備，這些設備在連續生產過程中的停機風險，會造成很大影響。普遍來說，進行有效設備維護的策略有：一是被動式維護，就是壞了再修，這種維護成本最高；二是預防性維修，為了避免被動維修引起的設備停機停產，現階段采用較多的是預防性維修，也就是定期保養；三是視情況維修或基于狀態維修，因為前兩種的成本相對比較高，因此采用振動分析、紅外、超聲等檢測儀器，對關鍵設備進行相應的判決和檢測，基于檢測的結果決定是否要維修，提前修還是推后修；四是預測維修，基于海量數據分析對設備的實時狀態做評估，再決定是否要維修；第五，RCM或基于風險評估，結合實時數據對設備保養策略的一系列計算，得到基于風險管控的維護策略，實現更精準的維護。目前GE和Uptake已經做到了基于可靠性的維修或基于風險維護的完整策略。

現在的問題是：一，無法實現實時的判決和診斷，無法根據動態的工況進行調整；二，無法實現精確的故障定位，無法實現精確的指標計算；三，無法實現精確的壽命預測，無法實現預測性維護；四，無法積累、優化和復制專家經驗，無法實現知識的自我學習和進化。

資產性能管理系統主要涉及三方面：一是數據，即機器的實時數據、歷史維護記錄、失效記錄、產品手冊等；二是機理，像FMEA、控制理論等基本的工業模型；三是數據分析，變點檢測、時序預測、聚類回歸、機器學習、神經網絡等結合在一起，才能產生一個相對完整的設備資產管理系統，實現實時監測、故障診斷預測、可靠性管理等一系列功能，最終目標是降低停機概率、降低運營風險、實現更快的響應能力。

怎么利用數據分析實現資產的高效性能分析呢？主要還是利用機器的數據?；跈C器的歷史數據可以構建不同狀態下的歷史數據樣本，開發各類故障的特征模型，與當前傳感器數據進行對比，從而對當前的設備進行實時的健康評估。基于歷史數據也可以構建性能預測指標，通過對比指標就可以知道設備未來在什么時間可能會出問題，可以計算剩余壽命以優化維護策略。

應用場景2：運營性能管理。在工業生產過程中有很多設備都產生數據，像工藝數據、質量數據、維護數據等，都可以通過工業互聯網平臺采集出來，做工藝參數優化、良率優化、虛擬量測、關鍵指標建模、燃燒環保優化、能源管理等一系列分析。通過實時采集生產過程中設備、工藝、質檢、環保、環節數據，結合數據挖掘和人工智能分析，可以實現生產工藝、品質還有運營效率全方面的優化。

舉幾個簡單例子：

一，工作模式自動識別。在運營中對設備的工作狀態進行識別，只有識別了不同的工作狀態才能區別出在不同工作狀態下的工作效率和關鍵KPI指標，這種識別原來全是手動識別或是專家經驗識別，現在完全可以通過機器學習再結合專家經驗的方式提取規則，創造自動識別的過程。

二，異常檢測。由于能夠區分不同的工作狀態，才能對不同的工作狀態設一個穩定值，這叫SPEC值。一個設備可能工作在不同的SPEC和不同的工藝過程下，所以每個工藝過程要區分不同的工作狀態，才能知道應該改進哪些關鍵工藝參數。

三，根因分析。根因分析就是有多少種原因會導致最終的不良或排放、燃燒等關鍵指標低下。這種根因分析往往是在不同時間維度上產生的，可能幾個小時之前的一個工藝參數會導致最后生產結果的質量、品質或關鍵指標的劣化。數據分析需要把不同時間維度的海量數據結合在一起，通過相關性分析、相似度搜索等數據分析的方式，匹配到最有可能產生問題的一個匹配關系上。

四，SPEC的快速確定。在不同工藝上，比方說85%、70%、65%的良率情況下對應不同的工藝參數范圍，很多時候都需要從歷史數據中找出相應特定條件下相關信號的工作范圍，進而確定相應的SPEC值，這有助于幫助一個企業快速投產、快速從小批量生產進入到大批量生產的加速過程。

五，穩定性控制和評估。在關鍵的生產過程中，有一些海量產出關鍵指標，比如半導體生產過程中的CD值，即關鍵的線寬要保證在一定的范圍內抖動。利用數據分析，通過SPC進行穩定性控制，實現相應的過程控制，以保證關鍵過程產出的穩定性。

六，工藝仿真。在確定了輸入和輸出之間的關系后，能否通過回歸或者神經網絡找到一個線性、非線性的模型，當最終檢驗結果的良率從85%掉到70%時，調整輸入到某個關鍵值就能把良率從70%再拉回到85%？這些都可以通過海量的工業數據分析實現。

以上這些都是圍繞著實時工藝的數據采集、分析、建模的過程。通過運營效率的提升、數據分析、高效的運營規劃，盡最大可能的提高工廠的產能和利潤，包括結合財務指標、價格曲線、降成本等都能實現完整的分析。只要利用好數據分析，就可以產生極大的提升，很多時候創造的效能遠遠不止1%。

應用場景3：安全生產管控。這部分主要針對能源化工等高端流程制造企業，通過采集設備端DCS的實時數據，結合檢測系統、業務系統和外部數據，通過大數據、人工智能、機器學習等先進的信息技術，實現包括危險源在線監測、工藝參數實時告警、危險場景態勢感知、重大風險預警預測在內的全面的安全生產管控，達到企業經營風險和經營利潤的最優平衡。

對于一個大型的發電廠或者大型化工企業，實時數據可以達到每秒鐘幾萬到幾百萬萬數據點。一方面，很多關鍵設備的關鍵工藝參數、環境參數以及外部的危險源，僅靠人工巡檢、實時監控和專家經驗判斷，是根本無法全面、實時的企業級別的安全管控要求。通過大數據的方式，進行采集海量的實時數據并匯總、分析，基于歷史數據構建起預測和風險模型，不僅能構建起全面的防范體系，還能對關鍵的監控參數以及風險事件進行預測。

另一方面，通過將不同發電廠、化工企業的實時數據匯總到集團的工業互聯網平臺，不僅能實現對關鍵工藝參數、關鍵風險源、風險事件的管控和指揮，也有助于集團層面實現跨企業的對標分析和優化，并實現對下屬單位生產、耗能、排放等數據的實時采集，降低數據失真帶來的經營風險，從行政管控轉向數據驅動的智能決策。

總的來說，高端制造行業工業互聯網的核心，在于工業數據的分析，而不在于工業數據的采集。雖然國內有很多的工業互聯網廠商，但大多都在做基礎數據采集和展示。數據采集固然很重要，但在面對不同類型的企業時，優先級有很大區分。中小企業可能要看關鍵的幾個指標做一些告警就夠了，但高端制造客戶還要實現對設備狀態的可靠性分析、運營效率的分析、性能和良率預測等復雜的數據分析。

工業互聯網領域將出現新的“BAT”，但這將是一個長期的過程而不會一蹴而就。眾所周知，工業是一個高度復雜和碎片化的產業，每一個細分領域都需要專門的工業知識與實踐積累。長期以來，BAT雖然一直想進入工業互聯網領域，但由于難以形成一個大而全覆蓋的平臺，因此很難像主導消費互聯網那樣主導工業互聯網的發展。

而在另一方面，工業是中國的立國之本，是實體經濟的主戰場?，F在的中國工業大而不強，自主創新能力不強，產品還處在中低端，供給能力明顯不足。我國工業還存在著被空心化、邊緣化等問題，亟待轉型升級。而中國工業門類齊全，有41個大類、191個中類、525個小類；體量巨大，年增加值30萬億元，世界第一。無疑，中國工業的數字化轉型是一個巨大的ICT市場，存在著巨大的機會。

工業數字化轉型包括智能制造和工業互聯網兩大戰場。其中，智能制造主要是為制造設備和工廠等實現智能化、數字化和自動化，主要是將信息技術（IT）、數字技術（DT）與生產制造操作技術（OT）相結合。由于不同工業領域的特殊性，智能制造更多是面向細分工業領域的技術和解決方案，難以形成較大的創業機會。而工業互聯網則是一個巨大的平臺性機遇。不過需要注意的是工業互聯網是互聯網與物聯網相結合的產物，同時融入了云平臺、大數據分析和人工智能等新興科技，是工業環境下人、機、物、企業、生態等的全面互聯，而不是簡單的互聯網模式，也缺乏相關的標準。