直擊Huawei Mate 40產線背後的華為雲IoT智慧製造

華為雲開發者社群發表於2021-06-03

摘要：數字孿生？在數字世界找到物理世界的裝置！

本文分享自華為雲社群《【雲駐共創】Huawei Mate 40產線直擊之華為雲IoT智慧製造助力工廠數字化轉型》，原文作者：啟明。

Part 1：智慧化工業4.0時代的數字孿生

一、工業4.0，智慧化時代已來

回顧人類歷史，我們共同順利經歷了三次工業革命：

第一次是蒸汽機時代，開創了以機器代替手工勞動的時代；第二次是電氣時代，自然科學的發展和工業緊密結合，科學在推動生產力方面發揮了更為重要的作用；第三次是資訊化時代，科學技術轉化為直接生產力的速度急速加快。

而今，我們迎來了第四次革命，即，工業4.0：智慧化時代。“工業4.0的本質，就是通過資料流動自動化技術，從規模經濟轉向範圍經濟，以同質化規模化的成本，構建出異質化定製化的產業。對於產業結構改革，這是至關重要的作用。”

作為新一輪的工業革命，工業4.0的核心特徵是互聯。工業4.0代表了“網際網路+製造業”的智慧生產，孕育大量的新型商業模式，真正能夠助力實現“C2B2C”的商業模式。

二、當前工廠數字化轉型痛難點

當前，大家都還在“工業4.0”的摸索階段。大量的工廠已經開始自己的智慧化轉型之路，比如通過構建應用來講採集的資料視覺化，講資料價值最大化。但是，在這個實踐過程中，問題不斷湧現，諸如：

2.1 資料/資訊孤島，煙囪林立

一家工廠，在不同的階段，因為專案的不同，有可能找不同的供應商去承接。分段式的專案供應商，導致的是不同的系統應用。形象點說，多系統不互通，就是像獨立的“煙囪”，每個“煙囪”都有“煙”，但是卻不互通。在工業4.0階段，不互通，意味著資訊孤島，也就意味著企業的數字資產分佈零散，維護成本高，使用效率低下；

2.2 應用上線慢，耗時耗力

正如第一點所說，不同系統之間的不互通，導致的是新的應用上線會“重複造輪子”：每個應用上線，都有大量的重複工作，浪費人力物力，且耗時長。更重要的是，新的應用帶來的資料處理問題：由於缺乏統一的建模，每個應用在處理原始資料時，都需要重複處理。兩個“重複”讓本就高昂的成本，更加“雪上加霜”；

2.3 資料分析門檻高

工廠，或者企業，有著一顆想要降本增效的心，比如想要通過分析現有的資料找到規律，從而優化流程，但卻因為資料分析的門檻高，望而卻步。這其中最關鍵的原因，是其業務場景不明確，沒有找到一個好的資料平臺。

三、找對平臺，是成功的一半

以上痛點難點，是大部分工業領域的廠家在“工業4.0”摸索過程中都會遇到的，而貫穿其中的是“應用”。也就是說，軟體開發者未做到足夠的分層解耦是造成上述問題的重要原因之一。以“應用”為基礎，工廠經歷了三個時期的三種模式：

3.1 模式一：“煙囪式”應用

在工業4.0之前，由於缺乏應用和實踐，大部分廠家的應用，如上所述，都是“煙囪式”的：

這樣便導致，一是缺乏整體規劃，各應用獨立部署，資料各自基於業務需要單獨進行採集和使用；二是效率低下，比如重複採集資料，對生產有較大影響。

3.2 模式二：平臺解耦——統一數採平臺

在“平臺”概念提出之後，工廠管理者們逐漸意識到，或許，在生產線和應用之間，需要有一個“平臺”，這樣的解耦，能讓應用和生產線，應用和應用之間互聯互通。而這，就是工業4.0的一個基礎模型。

模式二的產生，讓專業的資料採集團隊完成儘可能多的資料採集，並集中統一開放，讓整體效率有所提升。但是我們可以發現，即便是這樣，資料的使用仍然是獨立的，沒有實現真正的融合。在產線或者生產裝置取得的資料，仍然是後設資料，應用在取得資料之後，仍然需要單獨對資料進行二次加工處理使用，進而導致應用間對資料的處理仍然存在大量重複工作。

3.3 模式三：資料處理——統一孿生模型

如何同步解決“應用解耦”和“資料統一處理”問題，華為IoT有自己的方法。

在物聯網領域，有“孿生體”這樣一個概念。通過“孿生體”把裝置的感知和裝置的認知，進行統一的處理。同樣以工廠為例，工廠裡面是有非常多的生產裝備、生產產線以及其他各式各樣的物理裝置的，那我們能不能幫助工廠把所有的這些物理裝置，通過統一的建模，對這些裝置一一進行處理，抽象為數字化的形象呢？

答案是，可以。通過把物理物件一一進行數字化處理，那麼應用和物理裝置的互動，就轉變成了應用和數字孿生體的互動。相對於前兩種模式，這種模式的開發方式有了一個非常大的變化：我們可以無視最底層的物理裝置，或者物理介面，將資料建模部分的工作，交由IoT的“統一孿生模型層”完成。

“孿生”這一概念，意味著我們在建模的時候，首先需要對模型有清晰的認知，也即廣泛的數採能力，畢竟在工廠裡面，會有各式各樣的裝置，這些裝置同時又有各式各樣的一些協議；其次，需要有非常高的抽象能力，你需要將物理世界的裝置，抽象成數字世界裡的模型，並且能進行互動。

數採能力和抽象能力，是目前開發物聯網應用過程中，非常關鍵的兩個能力。

基於華為雲IoT帶來新的開發模式，幫助使用者快速構建數字化轉型的基礎平臺。

接下來以華為自己的工廠為例，來簡單說明華為雲IoT是如何使用新的開發模式，助力工廠數字化轉型的。

正如大家所知道的，華為本身也是一個製造型的工廠，華為雲IoT的能力首先是在自己的工廠進行實踐。我們以南方工廠，也就是Huawei Mate 40 生產工廠為例，把工廠的手機貼片過程通過數採、建模在數字世界中構建出一個數字化的產線的孿生體。

基於華為雲IoT的能力，在南向完成一個統一的孿生體，並在上層構建視覺化、智慧化的應用，具體架構圖見下：

在南方工廠實際數字化程式中，有以下幾個挑戰：

產線裝置廠家/種類/型號多種多樣，涉及超過30+不同應用層協議需要對接，採集難度大；
一條產線上超過上千條測點資料，缺乏資料建模手段，導致資料處理低下。

那麼，如何站在開發者的角度，去省時省力地完成數字化呢？華為雲IoT正式登場。

四、以多維模型為核心，構建數字孿生

在一個數字孿生體的實際應用背後，是有很多的模型的，比如產線的模型，裝置的模型，質量缺陷的模型等等。而在建模過程中，從看待一個工廠物理世界當中的物理物件的角度，可以把工廠的孿生體分為兩類：製造的數字孿生和產品的數字孿生。

製造數字孿生：

定位：將工廠的製作環節進行數字化的映象，能夠實時反映工廠的製造過程；經過對製造過程的統一抽象，不同應用可以基於同樣的語義進行互動；
建模內容：生產裝備、產線、生產工藝流程、質量缺陷、物理結構等等；

產品數字孿生：

定位：從工廠在制產品維度，組織生產過程中產生的各種資料，並預留通過與數字主線對接能力打通產品設計階段、產品維護階段的資料；
建模內容：產品的各種屬性，生產過程資料，質量資料等。

以上，就是工廠數字孿生的兩個非常重要的數字抽象維度。通過將產線生產過程透明化，實現生產有序可控，讓應用上線時間從原來的6-9個月，縮減至3個月；同時，孿生建模+智慧分析，用資料去驅動智慧生產，讓資料的開發效率能提升70%。通過華為雲IoT，我們可以快速實現工廠的全要素聯結，並通過構建工廠數字孿生模型，大幅度提升資料利用效率。

Part 2：基於南方工廠的數字孿生實踐

回到我們的主題。南方工廠，即是生產Huawei Mate 40的產線。手機產量的暴增，讓產線的數字化需求迫在眉睫。通過整個產線的數字化，可以提升生產過程、優化製造工程廠商的管理，以及質量控制的管理，讓產線的效率得到大大的提高，同時能夠降低運營的成本。

上圖是一個工廠孿生體的多維模型。我們可以看到在產品模型中，包括了裝置模型和產線模型，更上層還有製程能力模型、質量缺陷模型以及裝置物理/結構模型和裝置故障預測模型。

通過應用華為雲IoT資料分析服務建模和分析能力，可以快速構建的電子工程產線和裝置孿生體。那麼本文我們就來介紹一下如何構建一個資料分析服務建模。

一、基礎概念介紹

（一）OEE概念簡介

在進行建模講解之前，我們先普及一個基礎的概念。OEE，即裝置綜合效率（Overall Equipment Effectiveness）。一般來說，每一個生產裝置都有自己的理論產能，要實現這一理論產能必須保障沒有任何干擾和質量損耗。OEE就是用來表現裝置是的生產能力相對於理論產能的比率。

在計算OEE的時候，會涉及到以3個維度：

時間利用率：時間利用率=Σ實際執行時間/Σ計劃開機時間*100%。用來評價停工所帶來的損失，包括引起計劃生產發生停工的任何事件，例如裝置故障，原材料短缺以及生產方法的改變等等；
效能利用率：效能利用率=Σ[產出數量*一個產品在裝置應有狀態下加工的週期時間]/Σ實際執行時間*100%。用來評價生產速度上的損失。包括任何導致生產不能以最大速度執行的因素，例如裝置的磨損，材料的不合格以及操作人員的失誤等；
合格率：合格率=[合格產出數量]/[產出數量]*100%。用來評價質量的損失，它用來反映沒有滿足質量要求的產品（包括返工的產品）；

那麼最終的計算公式就是，OEE=[時間利用率]*[效能利用率]*[合格率]*100%，這就是衡量裝置綜合運營效率的一個關鍵指標，也是很多電子製造工廠以及其他類似廠房裡的一個關鍵性指標。

一般來說，國內廠家OEE的數值都不會太高，一般只有70%，或者80%，少的甚至只有40%左右。

（二）工廠孿生體產線和裝置建模分析效果圖

工廠孿生體產線和裝置建模分析，可以通過一些視覺化的管理後臺進行檢視。以下分別三個不同功能的效果圖。

Picture 1：圖上共有3條產線，可以進行適當地拖放。圖裡可以看到每個裝置的OEE數值。通過資產建模和分析能力可實時計算出產線和裝置的OEE，各裝置關鍵指標實時監控，同時可檢視歷史資料。

Picture 2：裝置建模圖。通過裝置上報故障訊息和裝置模型相結合，實時監控裝置執行狀態。

Picture 3：資產分析圖。通過資產模型分析能力，可實時分析和監控上報的裝置資料是否存在異常。比如說，溼度正常情況下是到45%~63%，如果上報的資料不在這個範圍內，則屬於不正常資料。介面就會顯示一個黃色的點，表示這裡的裝置上報的資料有異常。可以看出，資料分析是可以實時計算，實時監控的，如果有些嚴重異常的話，甚至可以推送到運維人員。

（三）工廠數字孿生Demo資料處理和分析流程

要實現上述的效果圖，我們需要經過如下幾個步驟（因為不是真實工廠，所以採取的是模擬裝置）：

裝置模擬器：基於標準物模型，模擬器定時5秒通過MQTT協議自動上報裝置屬性資料，可模擬手動出發上報訊息，比如裝置告罄訊息。
IoT裝置接入服務：通過配置裝置資料轉發規則將裝置屬性資料和裝置訊息到IoTA（資料分析）服務。
IoT資料分析服務：基於資料管道接收裝置資料，並通過資產建模和計算分析能力，實時計算生成產線和裝置OEE相關資料，判斷資料是否存在異常資訊。
3D應用：通過呼叫Io他的API獲取資料，以3D的形式展示產線和裝置，可檢視產線和裝置OEE，裝置關鍵指標，告罄等故障資訊，同時可查到相關歷史資料。這也就是第二部分的效果圖。

（四）IoT資料分析內的分析過程

接下來，我們來重點講解一下“IoT資料分析服務”內部的流轉過程。

第一步，資料管道。我們通過資料管道把資料接進來，同時本地也會進行備份；

第二步，對裝置進行建模；

第三步，建立裝置資產；

第四步，把模型例項化之後的裝置，及灌進來的資料，通過裝置資產分析這個計算引擎，完成實時計算相關的分析任務；

第五步，把資料儲存到IoT內部；

第六步，把這個資料通過API開放給第三方使用。

具體見下圖：

在這個過程中，我們需要詳細講解一下第二步以及第三步是如何操作的，也就是，我們如何建立模型和資產呢？

（五）IoT數字孿生的基本概念介紹

在進行建立模型和資產講解之前，我們先介紹一下“IoT數字孿生”的基本概念。

我們認為，物理世界的物，在數字世界中是有一個實時的、準確的一個對映的，它可以把實際的裝置資料和一些其他的資料組織起來，組成jason模型，成為一個載體。

上圖是我們數字孿生的一個概念圖。

首先資料孿生體，可以分為模型和資產兩部分。其中模型相當於開發過程中，Java的類，表示一個類的一個模板。在例項化之後生成一個資產，就相當於new class，那麼也就生成了一個物件。一個物件對應一個資產。

同時，模型又分為兩種，第一種是屬性，屬性還可以往下分還要分三種：

第一種是靜態配置屬性，此類屬性不需要裝置上報，也不怎麼會有變化，比如產品型號，裝置型別等等；

第二種是測量資料屬性，測量資料屬性是需要裝置上報的。通俗一點說，就是，資料分析自己是沒法得到的，需要別人給系統的資料。包括裝置上報的屬性，也有可能包括從第三方的業務系統讀到的屬性，系統都認為是一種測量屬性；

第三種是分析任務屬性，此類屬性在資料上報之後，是需要去進一步計算的。

針對最後一種任務分析屬性，有相應的任務去配置，去計算。在這個過程中，相當於演算法的載入及配置：先去分析這個資料，然後後臺的計算引擎就去載入配置的業務邏輯。分析任務屬性目前有分三種：

第一種是轉換計算：舉個簡單例子，假設建立的時候包含了兩個屬性，a和b，而我們要求在這個過程中，a+b=c，那麼這就是一個轉化計算。轉化屬性要求是實時的，且ab兩個值的資料時間戳是相同的；

第二種是聚合運算：聚合是一個時間維度的計算，假設要求過去五分鐘的一個平均溫度，如果裝置每五秒鐘上報一次資料，那麼就需要對五分鐘內的所有上報的資料做一個平均，相當於在時間維度下，做聚合運算；

第三種是流計算：流計算主要是用在比較複雜的場景，邏輯不能用簡單的一個if /else表達出來的時候，就需要使用到流計算。舉例來說，當資產將很多引數上報之後，系統需要通過這幾個引數計算出一個結果，再返回資產，那麼流計算在其中的作用就相當於一個計算器。流計算的功能非常強大，在工廠數字化模型中，大部分的場景都能實現，比如滑動視窗、資料過濾、加屬性等等，是比較通用的一個能力。

以上就是一個整體的建模的概念，基於上述的這些概念，我們能更好地理解後面的內容。