内容简介
5G、物联网等信息技术演进发展正在推动传统制造业快速数字化升级，拥有超连接、超感知、数字化和物联网数字生态系统的制造业企业将在未来竞争中占据绝对优势，而以信息技术 (IT) 与运营技术 (OT)云端融合为基础的工业数据云平台将成为制造业数字化转型升级的关键支撑。本文围绕工业物联网平台建设核心数据采集、融合存储、分析问题，介绍了阿里云Lindorm与Intel、OSIsoft面向工业物联网信息经济（Infonomics）的IT & OT超融合工业数据云解决方案，旨在为制造业企业提供可落地的云端存储分析离散、流程工业泛数据源的能力的实践参考。方案通过云端打通阿里云、Intel的IT技术积累和OSIsoft的OT经验能力，实现对传统技术供需关系的超越，打造数据链和价值链混搭方式连接企业和供应商的开放、安全、共享的制造业数据云社区生态。
信息时代背景下的制造业数字化市场机遇
5G + 工业物联网/互联网浪潮推动的制造业数字化转型，无疑是企业升级生产效能，提升企业整体竞争力的难得机遇。Mckinsey预测，全球工业物联网市场规模在2025年可能达到3.7万亿美元，全球物联网市场将从 2016 年的 1570 亿美元增长到 2020 年的 4570 亿美元，复合年增长率 （CAGR） 为 28.5%。到2020年，离散的制造、运输和物流以及公用事业将引领所有行业在物联网支出方面的发展，平均每个行业为 400 亿美元。
国内，国家在政策层面积极支持我国工业互联网发展，2019 、2020年相继出台了《“5G+ 工业互联网”512 工程推进方案》和《关于推动工业互联网加快发展的通知》，明确了我国要由工业大国发展迈向工业强国的战略目标，加快推进“互联网 + 制造业”、“5G+ 工业互联网” 的融合创新。2018、2019 年工业互联网融合带动的经济影响增加值规模分别为 9808 亿元、15953 亿元。预计 2020 年，我国工业互联网融合带动的经济影响增加值规模将达 24850 亿元。5G+ 工业物联网融合发展将迎来加速发展期根据工信部数据测算，我国工业互联自动化(包含工业控制、工业传感器等)产业存量规模由2017 年的 829 亿元增长到 2019 年的 1152 亿元，年复合增长率达到17.8%;2019 年工业互联自动化产业占工业互联网核心产业增加值比重为 21.5%，是支撑工业互联网发展的关键产业之一，而围绕工业互联网数据采集、存储、分析的云端融合IT信息技术和OT运营技术的系统建设，是实现数据驱动的工业互联自动化关键。
在过去数十年间，OT 团队部署了自动化、流程控制和分布式控制软件系统，为工厂人员提供了可监控、控制和优化工业流程的计算资源。这些系统积累了关于过去和目前流程与资产的海量工业信息。同时，IT 团队实施了大量的业务系统、信息架构和先进的分析工具。今天，云计算和大数据技术逐渐成熟带来了一个前所未有的机遇 - 通过整合 IT 和 OT 的人员、数据、软件工具和战略，可以为企业创造新的数字化价值，提高业务灵活度，提升运营效率和企业整体竞争力。
企业数字化转型最直接的考量标准，就是IT和OT的融合程度，是否能够为企业提供最大程度的业务灵活性，以及在整个的业务流程中，提供足够的业务规划能力、过程管理能力、即时优化能力以及执行监控能力。工业制造企业中，信息技术（IT）部门和运营技术（OT）部门可以相互独立，平行运作。运营部门负责维持工厂平稳运行，IT 部门则负责管理前台的业务应用。
然而，制造业固有的流程复杂性、环境多变性，以及缺少新技术和新平台技术积累、实践经验等问题严重阻碍了数字化业务落地，企业IT和OT无法有打通，数据孤岛化严重利用率低，价值发挥不出来。统计数据显示，只有不到30%的企业通过数字化业务转型提升了盈利能力，而大多数企业都陷入了技术陷阱之中。
新技术落地的问题与挑战
新技术在创造新机遇带动产业升级的同时，也为制造企业践行数字化转型带来了新的问题与挑战，更加复杂的系统架构和更高的性能、稳定性要求制约了IT与OT融合，阻碍了工业物联网系统实施落地。总的来说，当前企业面临的主要问题有以下几点：
- 工业物联网IT技术栈复杂，建设实施风险高：要实现工业设备全链接入网络，打通新旧不同IT技术栈打造的信息系统，实现跨地域遍在数据共享，需要IT 部门掌握更全面的IT技术，因此需要巨大投入和专家支持，而且，云计算、工业互联网技术迭代更新速度快，IT基础设施建设难度大，使得自建TCO成本高，这对制造业企业带来很大的成本负担。
- 制造业生产环境复杂多变，现有OT系统灵活性不足：一座中等规模工厂通常拥有上百台独立设备，且有可能是分别购买于不同时期的不同供应商。每个供应商的自动化水平、软硬件平台以及通信协议均不相同，导致数据的收集、整合和场景化非常困难。不仅如此，一些设备制造商甚至将数据分析洞见作为需购买的增值服务，进一步阻碍了数据的可获得性。此外，OT的工业自动化层的软硬件本身极其复杂，包括了从制造执行系统（MES）、维修保养软件、生产计划软件、分布式控制系统（DCS）等从企业资源规划到产品生命周期管理的各个方面，数字化改造升级需要有丰富OT经验厂商支撑。
- 缺乏规模化的OT最后一公里接入能力：制造业企业要落地工业互联网，须具备从独立工作的离散系统中提取、解读和协调数据的能力。无论是在企业内部还是与第三方搭建工业物联网平台，企业都必须找到具备相应能力的OT服务提供商既能支持不同地点的多个工厂，又能协调从工厂可编程逻辑控制器（PLC）、传感器和历史数据库中获得的数据（和连接能力）。如果没有这一步，再完善的分析模型和用户界面也会因缺乏相应数据而无法交付预期的价值洞见。
- IT和OT之间缺乏协作，能力无法互联互通：制造业企业IT和OT活动历来就缺少联系，特别是现场制造流程工程师所实施的活动。OT通常关注当前业绩、正常经营的可预测性以及如何避免正常工作的系统不被干扰。IT则更多地倾向于安全性以及如何获取可信赖的技术提供商通常这些技术已被广泛应用。在用户管理和机器管理上的不同侧重通常会导致十分不同的问题解决方案。因此， IT和OT工作人员必须从一开始就相互协作。
- IT与OT底层计算基础架构和通信之间的异构性：由于业务目标不同IT与OT底层计算和通信支撑基础架构存在较大差异。实现数据互联互通，IT能够安全地访问 OT 数据，来自 OT 系统的时序数据能够以 IT 系统可使用的格式呈现，企业通过高级的IT 业务智能和分析工具让整个企业能够自助访问和使用 OT 数据，而没有影响关键运营的风险并不容易。
阿里云Lindorm、Intel与OSIsoft整合IT & OT超融合工业数据云解决方案
解决制造业企业当前面临的数字化转型问题，靠企业自身能力和积累远远不够，因此需要既有完整、丰富IT技术堆栈能力积累，又有丰富OT实践经验支撑的科技公司提供支撑。如愿景图1所示，方案通过云端打通阿里云、Intel的IT技术积累和OSIsoft的OT经验能力，实现对传统技术供需关系的超越，打造数据链和价值链混搭方式连接企业和供应商的开放、安全、共享的制造业数据云社区生态。阿里云、Intel与OSIsoft在工业数据云方案层面的结合，为制造业融合IT与OT能力，屏蔽较高技术复杂度规避事件风险，一站解决工业数据采集、传输、存储、分析及可视化全链数据处理系统建设难点提供了切实可行的解决方案。
在信息技术（IT）方面，阿里云原生多模数据库Lindorm和Intel Analytics Zoo大数据分析平台具备行业领先的技术积累和完整的软、硬件工业数据存储分析能力，能够为制造业企业提供云计算、多模数据库、ML/AI、流数据计算等为代表的经营管理业务系统支撑能力；运营技术（OT）方面，OSIsoft PI System具备丰富的对接可编程逻辑控制器（PLC）、远程终端单元（RTU），数据采集与监视控制系统（SCADA）及嵌入式计算系统经验，能够提供过程监控管理系统支撑经验与技术。
图1 阿里云Lindorm、Intel Analytics Zoo与OSIsoft PI System方案愿景
阿里云原生多模数据库Lindorm
云原生多模数据库 Lindorm 在公有云和本地专有云端，面向工业互联网场景提供了开箱即用的IIoT海量、异构监控数据（时序指标、文本、网络报文、文件、视频等）一站存储能力。面向IT侧系统对接，Lindorm兼容HBase/Cassandra、OpenTSDB、Solr、SQL、HDFS等多种开源标准接口，打通与企业ERP、CRM、数字运营 & 运维IT系统数据通道，整合数据；面向OT侧，Lindorm利用PI Core产品提供的450多个本机接口，和跨越垂直细分领域的20多个智能连接器，我们可以从各种复杂的工业系统中获取实时数据。这些数据来源覆盖工控场景下核心系统，如可编程逻辑控制器（PLC）、分布式控制系统（DCS）、SCADA、仪器仪表、实验室信息管理系统（LIMS）等等，并支持设备利旧。阿里云原生多模数据库Lindorm不仅具备多样性的数据整合处理能力，同时其云原生的存储能力为物联网海量存储场景提供了低成本的数据存储方案，让数据“存得起，看得见”。
图2 超融合工业数据云体系结构
Intel Analytics Zoo大数据分析平台
工业互联网数据分析是提取数据价值，驱动业务升级的关键。Intel Analytics Zoo（AZ）是英特尔开源的统一的大数据和AI平台，围绕工业互联网设备故障诊断、异常检测等智能化数据分析场景需求，AZ可以无缝的将TensorFlow, Keras，PyTorch等AI程序扩展到分布式的Spark, Flink, Ray等大数据平台上运行。Analytics Zoo提供了如下先进特性：
图3 Intel Analytics Zoo 逻辑架构
- 为基于TensorFlow, PyTorch, OpenVINO等的AI模型提供运行在大数据平台之上的端到端的流水线。例如，开发者可以在Spark代码中嵌入TensorFlow或者PyTorch代码，进行分布式的训练和推理，开发者可以在Spark ML流水线中使用原生的深度学习支持如TensorFlow, Keras, PyTorch, BigDL等。
- 为自动化的机器学习任务提供了高级ML工作流支持，例如自动的TensorFlow, PyTorch, OpenVINO等模型的分布式推理Cluster Serving，以及可扩展的时序数据预测的AutoML功能。
- 内置提供了Recommendation, Time Series，CV, NLP等应用常用的模型。
OSIsoft PI System工业运营数据管理平台
OSIsoft公司开发的PI System是一款工业数据运营管理系统，通过 PI Core、PI Edge 和 PI Cloud 这三个集成产品来实时收集、存储和管理传感器和时序操作数据。无缝集成的混合数据架构使您能够从任何位置收集运营环境中的关键数据，并将这些数据按需提供给相应的人员，从而将运营数据转化为宝贵的洞察力。PI Core 在本地运行，为日常运行和核心操作优化提供实时数据。PI Edge 通过设备中的传感器，可以远程收集和访问数据。而 PI Cloud 则采用部署在云端的运营数据管理服务来扩展数据存储，实现更广泛的数据访问。它们一起构成了PI System，可以确保大型分布式企业中数据的完整性和可用性。
如部署架构图4所示，三款产品整合为基础的工业数据云方案能够为制造业企业提供从边缘到云端的数据管理系统化能力，为分布式企业中的数据驱动型决策和数字转换提供可信的运营数据。系统支持从在场总线（FiledBus）连接的传感器、PLC、DCS对接操作地点、 资产和带有传感器的设备中广泛地收集数据，适配控制总线（ControlBus）接入SCADA、OPC系统采集控制指令及操作，连接以太网MES、ERP和Edge边缘端软硬件系统接口和各种工控协议，同时，它还为数据提供了有用的上下文信息，对数据进行了增强。而且系统对数据进行清理并规范数据的格式，然后把数据交付给分析工具、数据科学家和相关的 Intel Analytics Zoo AI/ML(人工智能和机 器学习)平台和应用。工业数据云在运营核心、边缘和云端对数据进行无缝集成，可确保数据的完整性，可以在工业控制网络之外安全地共享数据。工业数据云平台使企业内外的员工能够即时访问丰富的运营数据，以可视化方式呈现趋势、解释事件之间的关联、发现潜在异常或性能瓶颈。
图4 超融合工业数据云部署结构
从数据全链采集层面看，工业互联网产业链参与企业多，上游通过智能设备实现工业大数据的收集，再通过中游工业互联网平台进行数据处理，面向下游不同行业企业应用。产业链上中下游的利益相关方通过阿里云Lindorm数据云平台将各方在生产、传输等流程中产生的数据进行交互汇总，打破“信息孤岛”的现象，实现高效的信息传递和资源配置。
从数据互通整合层面看，IT系统中结构化、半结构化数据占比较高，需要较高的数据一致性保障能力，主要服务于企业决策支持、实时监控，数据分析和报表统计等应用，在数字信息系统和技术方面有大量积累，但缺少面向特定场景的故障处理等运营、运维经验；OT系统数据相对结构化程度弱，通常面向生产流程在场部署，数据孤岛较多，对数据关联性和一致性保障较弱，要求系统可靠性高、故障恢复时间短，关注MTTR（平均系统恢复时间）、MTBF（平均故障间隔时间）等维稳指标，在系统运维、运营方面有大量积累。阿里云Lindorm数据云平台提供的多模数据融合存储能力支持IT和OT数据集中存储联动，兼顾了异构数据存储检索对成本、性能、可靠性等方面的特殊需要。
阿里云Lindorm数据云平台由数据和价值链混搭方式连接企业和供应商的社区生态，超越传统技术供需关系，打造信息经济（Infonomics）。生态重心以云原声多模数据库存储为核心，提供云端融合存储分析离散、流程行业泛数据源的能力，并最大化数据价值，提供对数据合规合法使用监管。阿里云Lindorm、Intel和OSIsoft工业数据云联合方案数据架构如图5所示，其中关键组件和子系统有：
图5 工业数据云数据架构
- OSIsoft PI Edge/Core ：PI Core 从各种、复杂的工业系统中获取实时数据，PI Edge支持从智能物联网设备、移动设备资产中获取数据。这些数据来源有可编程逻辑控制器(PLC)、分布式控制系统(DCS)、SCADA、仪器仪表、实验室信息管理系统(LIMS)等等。
- 雾端阿里云Lindorm数据缓存：基于分布在边缘端设备和胶囊数据中心的计算、数据库存储能力，对接OSIsoft PI Edge/Core采集的多种监视、控制数据，以应对即席的数据处理任务，这是存储从传感器获取的事件和数据点的数据库缓存。
- 注册资产库：部署在雾端阿里云Lindorm数据缓存之上的业务模块，支持资产属性、关系等主数据信息管理，例如被监视计算机的模型和操作属性，可以包括使用的燃油、遵循的流程步骤或机器的状态等。
- 云原生Lindorm数据云：基于云端云原生能力构建工业数据集中存储数据云平台，用于支持全量监控状况数据、控制数据、以及指标、图像、日志文件存储、检索，同时能够用于为事件和度量值（时间序列）提供存储支持。在Lindorm数据云中，我们通常以宽表、时序、检索等多模引擎存储清洗、融合后的全量数据。
- Intel数据分析平台：充分利用Intel硬件平台提供的强悍计算能力，基于Analytics Zoo内置算法库提取异常、机器运行状况、效率或通用关键性能指标 （KPI）。分析可以在流模式下或在微批处理模式下工作。支持使用基于流的简单分析来评估简单的规则，而机器学习分析或基于物理的分析，用于在批处理模式下工作的更复杂的海量数据分析。
- IoT 网关：设备采集数据调度程序和设备管理器，负责将数据调度到正确的数据处理器（存储、分析或队列），通常它通过多协议网关（如 AMQP、HTTPS 或 MQTT）和消息代理实现。
以工业数据云平台为基础的超融合数据云能够面向能源电力、钢铁、工程机械、工厂智慧生产具体数字化转型升级场景，融入产品化解决方案能力，实现数字驱动的生产过程减能提效，装备与工具的智能化运营运维、人与环境智能防护和材料与工艺的高效智能匹配。
方案价值总结
资产风险集中监控，提升成本效益：由数据驱动实现资产状态全链路实时监控管理，风险及时发现、及时维修，这个策略能够为企业带来重大的成本效益，该策略会使用运营数据(OT 数据)了解一项资产可能在何时发生故障或受到不利影响，然后使用业务数据(IT 数据)了解不同维修计划在经济方面的优缺点，实现生产资产全景实时监控，以及自动的跟踪和监测参数域优化，如质量、性能、潜在损坏或故障、瓶颈定位等。生产监控数据可用于监控服务质量和服务质量，并增强此聚合数据的结果。
设备预防性维护，降低突发故障带来的损失：系统提供的基于状态的维护 （CBM）方案利用实时状态监控来触发企业资产管理系统 （EAM）中的工作流，而这在传统上是由 IT 部门维护的。使用CBM，企业可以避免不必要的维修成本、 减少停工期和延长资产生命周期，从而减少总体资本成本。使用更严密的统计模型确定故障概率以优化决策支持。
IT & OT多源数据接入，云端业务导向异构数据融合：跨地域服务管理能力能够支撑企业打造超连接、超感知、数字化和物联网支持制造的数字生态系统，整合MES（Manufacturing Execution System）、SCADA（Supervisory Control And Data Acquisition）等系统孤岛数据，升级端到端全景化监控管理能力，提供计划规划、生产优化和集中供应商管理能力。OT运营部门可以通过从 PLC、设备和传感器收集关键 数据来履行其职责，IT 部门则能够提供数据分析以及为数据赋予含义的其他工具。通过采用全数字化的维护过程，IT/OT 团队可以预测任何特定设备可能发生故障的时间，并相应地采取行动。
全景资产风险管理，降低资本支出：覆盖全域工厂、生产线资产集中管理，其中包括生产资产监控、追踪,质量、性能及潜在风险损耗相关参数监视优化。数字化转型能够实现企业资产风险集中、有效，洞察影响生产效率的潜在因素将帮助企业降低资本支出（CapEx）50%，节省运营成本（OpEx）30%；面向日常设备运维的实时监测、预防性维护来规避设备突发风险，从而降低突发故障带来的损失且，并将故障发生率减少60%左右。
