盤點工業物聯網 3 大技術趨勢

　　導讀：工業物聯網近些年發展迅猛，無論是操作運營技術（Operation Technology，OT）還是資訊科技（Information Technology，IT），都在積極探索和實踐，一方面在於落地場景的價值論證，另一方面在於技術創新，以更好地應對場景挑戰。

　 　01 加速泛在連線

　　工業物聯網透過自主感知資料採集、學習、分析和決策閉環，支撐工業資源泛在連線、彈性供給和高效配置，其中資料採集和泛在連線是基礎。這既包括工廠內裝置、人員、環境等各要素的資料採集、工廠外智慧裝備及智慧產品的資料採集，也包括各種應用系統透過介面整合資料。

　　推進工業物聯網實施面臨的第一道門檻就是多源異構的資料採集，如何將工廠內外各種OT和IT資料採集進來，其中存量設施涉及物聯網數字化改造，增量建設則涉及標準制定。標準亦非常重要，否則一直疲於專案制交付，無法形成產品，更無法沉澱於平臺。

　　OT和IT要融合，必須打破多年以來形成的資訊孤島。例如工業乙太網的發展，一方面在不斷提高實時性，另一方面則要更好地相容標準乙太網和TCP/IP，以消除連線障礙。時間敏感網路既支援高速率大頻寬資料傳輸，又兼顧實時控制資訊傳輸，向下相容標準乙太網，從概念和設計理念上來說，它比以往的工業乙太網更先進，因此成為業界研究熱點。

　　對於移動場景，5G技術、低功耗廣域網技術、4G Cat-1以及短距離無線通訊技術等，正在加速泛在連線的發展，支援海量物聯。從長距離到中等距離，再到短距離，透過無線通訊有效解決連線問題，不同技術各有優劣勢及適用場景，有些速率高，有些速度低但功耗極低，有些訊號穿透性強，能夠在複雜環境下穩定通訊。

　　工業物聯網應用場景的差異化，對感測器體積、功耗提出了新的要求，小型化低功耗並且與晶片高度整合的感測器在一些工業場景得到廣泛的應用，使得感測器具備資料處理、自校準、自補償和自診斷功能，物聯網終端更加的小型化、輕量化，續航能力更強，成本降低，使得大規模商業化應用成為可能。

　　 02 工業大資料

　　不可否認，大資料和雲端計算的普及，加快了人們追逐資料驅動、資料應用的步伐。資料儲存能力和算力的大幅提升，使得很多限制都已經消除了。例如傳統的抽樣分析轉變為全量分析，透過全量資料分析大幅提升結論的準確性；某些領域從不可預測變為可預測，預測是基於歷史規律對未來進行推斷，大量的資料基礎讓分析從面向已經發生的過去轉為面向即將發生的未來。

　　一直以來，工業領域強調機理模型、行業Know-How以及行業知識圖譜。在具備一定行業認知及知識儲備的基礎上，將機理模型數字化之後，灌入物聯網裝置採集的大量資料，分析並得出結果。從因果關係出發，提出假設並驗證。這些做法顯著區別於消費網際網路領域的大資料分析——在大量無序的資料中尋找某種相關性，而不在乎相關性背後的原因。

　　對於工業物聯網，可以將因果關係和相關關係相結合，如圖2-2所示，例如資料模型對機理模型進行校正、資料模型對機理模型結果進行後處理、將機理模型的部分結果作為資料模型特徵等。

　　▲圖2-2 機理模型與資料模型

　　舉個例子，對生產製造或運營管理的某個環節，當利用傳統分析方法從雜亂無序的海量資料中無法找出問題時，可以試著利用AI無監督學習演算法，對大量樣本進行分析，得出基於某特徵值的判斷閾值，篩選出異常分支，再利用機理模型研究異常分支資料，依據理論和經驗弄清楚它背後的原因，AI幫助快速找出異常的資料集，找到初步分析方向。

　　除此之外，AI在一些傳統領域也在嘗試漸進式的改進和最佳化，例如視覺質檢、影像識別、預測分析與診斷、巡檢、公共安全等領域逐步應用AI。AI並非顛覆式的，在沒有AI之前，這些事情每天都在發生，但不可否認的是，在某些場景中，AI讓事情變得更有效率、準確率更高。我們既不應該誇大AI的效果，大量AI專案在工業場景無法規模化落地時便已經指出了這個問題，也無須一味排斥AI，而是應該保持開放的心態，仔細對AI在業務場景落地的可行性加以甄別和研究。

　　 03 沉澱用例，能力複用

　　在工業物聯網賽道，很多解決方案商希望向使用者推廣自己的平臺，透過平臺將硬體、雲、演算法及用例連線起來。平臺的重心，一方面在於不斷提升通用能力，夯實基礎，使平臺複製性變強；另一方面則是不斷豐富平臺上的用例，實現用例沉澱，能力複用，從做專案變為做產品，繼而建立平臺優勢。

　　工業物聯網平臺賽道的企業，在歷經平臺的建設期、迭代期和推廣期之後，逐漸意識到用例的重要性，最終都需要透過應用服務於業務場景，得到閉環，平臺大部分時候不直接面向業務問題，價值變現需要依賴於具體的應用落地。如何將企業可複用的數字化能力沉澱下來，如何對相似業務邏輯的場景及物件進行抽象，形成一套可遷移、可擴充套件的用例，如何沉澱足夠多的行業Know-How知識並開發為工業APP模板，已成為區分工業物聯網平臺能力的核心。

　　除了上面列舉的幾點，還有一些趨勢如邊緣智慧、雲原生工業物聯網平臺等，不逐一列舉。出於資料處理實時性、網路可靠性、安全性方面的考慮，人們越來越重視在資料來源頭現場對資料進行即時處理。雲端訓練的模型執行在邊緣節點上，實現邊緣智慧，雲端能力下沉，雲端訓練邊緣推理將變得越來越普遍。

　　近幾年，雲原生工業物聯網平臺概念逐步普及。雲原生（Cloud Native）是一個組合詞，雲（Cloud）+原生（Native）。雲表示應用程式位於雲上，而非傳統的資料中心；原生表示應用程式從設計之初即考慮到雲的環境，原生為雲而設計，充分利用和發揮雲端計算的彈性和分散式優勢。

　　不同的人和組織對於雲原生有不同的理解，總體而言，符合雲原生架構的應用程式應該是採用開源棧（Kubernetes+Docker）進行容器化，基於微服務架構提高靈活性和可維護性，DevOps支援持續迭代和運維自動化，利用雲端計算設施實現彈性伸縮、動態排程，最佳化資源利用。工業物聯網平臺同樣朝著雲原生的方向進行架構迭代，以更好地支援功能標準化，易於生態合作，並且利於應用在公有云、私有云或混合雲等不同基礎設施上快速部署。