工业云平台，想说爱你不容易

一、序言

近几年，在“工业4.0”，“中国制造2025”的汹涌浪潮中，工业领域的创新概念层出不穷，工业云平台可能是众多概念中比较引人关注的一个。不仅国外知名厂商，如GE、西门子等纷纷加大力度推广自己的工业云平台，国内的很多企业也快速跟进，希望建立更加适合中国制造业的云平台产品。

不难看出，工业云平台能够大受推崇，与制造业中细分领域众多、需求差异过大有很大关系。目前阶段，大部分的厂商一般都只是在某个或某几个制造业细分领域深耕细作、做大做强，很难成为整体行业的独角兽，因此，各家厂商都希望寻找制造业的共同痛点，推出具有普适性的产品——工业云平台无疑是当前阶段的共性选择。

简单来说，工业云平台主要为工业现场数据采集、传输以及在云端的数据存储、处理及分析等各个环节提供基础技术支持，降低制造业企业实现信息化、智能化的技术门槛，加快相关智能制造项目的建设实施速度。

但是，工业云平台是否能在实际应用当中完成“工业领域的互联网操作系统”的角色定位？是否能够达成创立之初的预期目标？是否能够实现大范围的推广应用？笔者对此持怀疑态度。

笔者认为，短期内工业云平台很难实现广泛的应用，从目前的应用方式来看，制造业企业要想拥抱工业云平台至少需要处理好两个重要环节：

• 数据采集：包括与设备建立通讯，获取现场的生产运行数据
• 数据分析：把来自生产现场的海量数据进行分析处理，形成具有可行性的生产运营改进建议

下文将以GE的Predix、西门子的MindSphere平台为例，从数据采集与数据分析两个方面探讨工业云平台目前存在的问题。

二、数据采集

众所周知，工业现场的数据采集一直是推进工业信息化进程中的一个难点。现场设备种类繁多，通讯协议纷繁复杂，而且一些年代久远的设备缺乏进行网络通讯的软硬件条件，这些都为现场设备层的数据获取增加了很大的困难。

当初，在乍一听说工业云平台的概念时，笔者就非常好奇像GE、西门子这样的工业巨头是如何解决这一棘手的难题的，由于这方面的中文资料实在少的可怜，而且大部分资料在数据采集方面的描述也非常笼统，为此，笔者翻阅了GE与西门子发布的官方资料，总结如下：

predix的数据采集实现手段

对于predix，笔者重点查阅了包括“platform brief”以及“technical whitepaper”在内的资料。

predix平台为工业现场的数据采集以及向云端的数据传输专门设计了一个功能模块，即Predix Machine。注意，别被这个名字误导了，Predix Machine是纯粹的软件组件。

按照GE的说法，根据现场设备的不同情况，Predix Machine在工业现场有三种部署应用模式：

• 部署在网关（gateway）。对于支持通用工业通讯协议（如modbus，opc等）或TCP/IP等IT通讯协议的设备，Predix Machine可以通过设备自身所支持的协议直接与设备进行通讯，在这种应用场景中，Predix Machine往往部署在网关上，而网关起到设备与云之间的通讯连接作用；

• 部署在控制器（controller）。predix machine直接部署在设备的控制单元中，这样做能够削弱机器软件与硬件之间的联系，实现连接、可升级性、兼容性、远程访问等，使独立运行或在单独网络中运行的工业设备能够直接连接到云端，完成数据采集与实时分析；

• 部署在传感器（sensor）节点。在这一应用场景中，传感器部署在生产现场，完成数据采集，直接将数据上传至云端，在云端完成其他的数据处理操作。

mindsphere的数据采集实现手段

西门子的MindSphere推出时间较晚，今年三月才有了第一个beta版本，笔者重点翻阅了产品的宣传册资料（Brochure）、MindSphere Getting Started、IOT 2000 Operating Instructions。

这些资料看下来，总体感觉是MindShpere资料中关于数据采集的描述相对模糊，体系也不是很清晰，笔者自行总结一下，MindShpere的数据采集主要依托nano这一网关型硬件产品，向上与MindSphere的云端进行连接，向下与西门子的众多具有以太网通讯能力的硬件产品、以及支持通用协议的其他品牌产品进行通讯，完成数据采集与传输。如果设备的通讯协议比较特殊，用户可以基于nano中的开源软件自行开发设备通讯与数据采集程序。

从西门子的宣传资料上看，主要通过以下几种方式实现设备与MindSphere的通讯与数据传输：

• MindConnect Nano
• MindConnect IOT 2040
• MindConnect Software
• Integration in SIMATIC and other Siemens products

下面逐一介绍各种连接方式的具体实现：

1.MindConnect Nano

Namo这款硬件产品可以说是专为MindSphere量身打造的。从名字上看也是非常时尚，有点消费电子产品的感觉。

Nano的实质是一款嵌入式工控机，通过预先进行配置的方式与MindSphere进行连接通讯。在硬件上支持的接口主要包括USB、PCIe插槽、串口以及以太网口。支持的通讯协议包括西门子S7系列的以太网通讯协议以及OPC UA。nano能够通过安全的网络连接向MindSphere传输加密数据，保证数据安全。Nano只能与MindSphere共同使用。

从Nano的产品介绍中可以看出，它扮演的角色类似于位于云平台和现场设备之间的工业网关，既完成数据采集（包括建立通讯），又完成数据向云端的加密传输。而且Nano这一工业网关只能用于MindSphere体系中。

2.MindConnect IOT 2040

MindShpere的宣传资料上给出的名字叫“MindConnect IOT 2040”，但是在网站上查到的IOT 2040所归属的产品系列是Simatic，也就是说归类到西门子自动化产品系列，而且从产品样本手册的图片上看，其外观样式也秉承了西门子自动化产品的一贯风格。所以，笔者搞不清楚究竟是MindShpere资料的编写者的笔误，还是另有其他的产品。以下都按Simatic IOT 2040进行介绍。

这个产品在接口方面包括RS232/RS422/RS485, Ethernet和USB，并且内部提供扩展Arduino和Mini PCIe的扩展接口。

从接口上以及产品的名字IOT上来看，这款产品的定位还是作为工控设备与物联网的连接器，因为这款产品本身秉承了SIMATIC系列产品的工艺设计，保证了在工业现场恶劣环境下的可靠性，这一点能够弥补Arduino等物联网开源硬件在工业强度等级上的不足，相当于给性能强大的物联网硬件穿上一身安全服。

至于在连接性上承担的作用，笔者认为，IOT2000所处的位置应该是位于nano与设备之间，承担类似于协议及接口转换的作用。直观的感觉是，把这样一款产品放在MindSphere体系中有点牵强，既然属于SIMATIC系列，那么和第四点就有些重复，也可能西门子是为了突出在物联网领域的扩展应用吧。

3.MindConnect Software

这个软件目前没有查到资料，但是根据nano的产品推断一下，可能指的就是nano中提供的免费开源软件。通过这个开源的软件，用户可以自行开发所需要的通讯协议，与设备建立连接，采集数据。

4.Integration in SIMATIC and other Siemens products

西门子的自动化产品中有很多通讯模块，比如以太网通讯模块，甚至有些CPU模块中就带有以太网通讯的功能，因此，MindSphere可以通过Nano直接与西门子的这类产品进行集成，实现通讯与数据采集。

存在的问题

对于predix平台的数据采集实现手段，第一种部署在网关上和第三种与传感器结合的部署应用方式是我们比较熟悉的，第一种方式中的网关可以理解成现场经常用到的SCADA服务器的功能——连接设备、上传数据。第三种方式也比较好理解，对于一些不支持通讯协议的设备，加一些传感器进行数据采集。

问题主要出在第二种方式上，即部署在控制器中的方式。这一方式从技术实现角度上看不具有普适性，即，对设备的要求较高，主要体现在两个方面：

• 开放性要求。只有开放性比较好的设备，Predix machine才能直接部署在控制单元上，而且考虑到兼容性，控制单元内部的软件运行环境应该是比较通用的平台，如Windows、Linux等。但是，工业现场的设备来自于多家厂商，大家出于对自身设备运行安全性、可靠性以及商业利益方面的考虑，怎么会愿意在自己的设备上运行其他公司的软件，这就导致了大部分设备的开放性无法满足predix machine的要求。
• 高性能要求。首先声明，这一点是笔者的猜测，并没有官方说法支持。Predix Machine应该是功能强大、但同时对硬件资源（包括CPU、内存等）要求也较高的软件组件，因此，能够部署predix machine的设备，其核心的控制单元需要硬件配置较高，一些单片机、嵌入式系统恐怕难以胜任。

与GE的Predix相比，MindSpere提出了更加完整的数据采集解决方案，即提供了完善的网关产品nano，应该说这样的设计更加贴近工业现场的实际情况，因此，笔者更加看好MindSphere，但是MindSphere也存在如下两方面问题

• 成本问题。由于MindSphere与nano的深度绑定，因此，要想使用MindSphere，就必须购买nano硬件，nano的作用无可替代，这无疑增加了采购成本；
• 兼容性问题。西门子在设计MindSphere与现场设备的连接通讯功能时，充分利用了其在工业自动化领域的优势，更多支持的是西门子自己的工控产品，对于其他品牌的产品，如果采用的是非通用协议，就会出现兼容性的问题，当然，这一问题一直都是工业现场数据采集的难题，我们也不能对西门子求全责备。而且MindSphere也提供了方便用户自行开发通讯协议的软件基础，只不过这样回提高用户的应用要求，延长项目的实施周期。

进一步思考

GE在做产品功能设计的时候为什么对predix应用的硬件环境有这么高的要求呢？笔者认为，这与GE公司的背景、predix的产品定位有很大的关系。

• 美国人强大的IT技术背景。GE是一家美国公司，而美国是全世界IT技术最为先进的国家，相应的设备信息化、智能化程度也较高，甚至对于一些老旧设备，也可以利用其先进的IT技术进行改造，提升通讯和数据处理能力，比如，intel推出的专为物联网打造的Edison平台，就完全可以嵌入到其他设备当中，而且价格低廉、体积小巧、性能强大；

• predix的“工业互联网”平台的产品定位。德国人的概念是“工业4.0”，从设备层向信息系统、云端扩展，自下而上构建未来工业发展体系；而美国人刚好相反，提出“工业互联网”，强调的是从信息系统向设备层渗透，这也是充分发挥IT技术优势的必然选择，这一选择也就导致了对工业现场设备在开放性及性能方面的要求。

而西门子本质上还是工业硬件产品厂商，它的控制器等产品在市场上占据很大的份额，即使推出工业云平台，也与自己的硬件产品nano紧密地绑定在一起，其目的还是要兜售自己从硬件到软件、从自动化到信息化智能化的一体化解决方案。这家德国公司是绝对不会放弃自己在硬件设备方面的优势的，正如前文讲到的，西门子的思路与GE刚好相反，西门子一直是立足工业设备，逐步向信息系统延伸。

三、数据分析

正如GE宣传的那样，数据分析是真正能产生价值的功能，数据分析实现了从数据到信息，再由信息到具有可操作性的设备运维改进措施的过程。当然，这是理想中的情况。

数据分析这部分之所以引人关注，也与现状有关。大部分的工业软件打着分析的旗号，其实做的是统计的功能，采用一些酷炫的图表作为结果输出，根本无法给出具体的有价值的改进建议，还美其名曰辅助决策。

笔者翻阅了GE和西门子的资料，将两家巨头在数据分析方面的做法总结如下：

predix的数据分析实现手段

在数据分析方面，predix提供了包括Asset Services（设备服务）、Data Services（数据服务）、Analytics Services（分析服务）在内的一系列服务。

分析过程是，predix先通过设备服务为设备建模，再通过数据服务将采集的设备运行数据与来自其他的数据源的数据（包括设备模型、ERP数据）相结合，并根据数据的特点存储到不同类型的数据库中，最后采用分析服务对数据进行分析，输出分析结果。

predix的分析服务提供两种类型的数据分析，Operational analytics（操作数据分析）以及Historical analytics（历史数据分析）。操作数据分析，实质是实时数据分析，对设备的状态变化进行实时分析与响应。历史数据分析，是对海量历史数据进行分析，进而建立设备预防性维护模型。

对于分析来说，最重要的还是分析的算法与模型。而predix分析服务提供的是一个框架，这个框架用于开发及嵌入高级分析算法到程序运行中，这个框架通过配置、抽象以及扩展模型，用于管理分析算法的执行。当然，在predix这个框架内已经具备了一些分析的算法与模型，根据资料中列举的例子，笔者推断，这些算法应该主要来自于GE在某些领域，如医疗，航空发动机等，积累的一些经验。

mindsphere的数据分析实现手段

关于MindSphere的数据分析功能，没有查到特别详尽的资料，只知道融合了西门子之前推出Sinalytics分析平台的功能。笔者推测，MindSphere的数据分析功能的实现应该与predix大同小异，即搭建完整的大数据预处理、存储及分析的技术框架，也融合了西门子以前在若干个领域积累的分析模型与算法，也提供开放的接口，便于用户嵌入满足个性化需求的分析算法模型。

存在的问题

分析算法与模型的缺失。在这一点上predix与MindSphere的问题是类似的，两者都是开放的平台，在分析服务功能中，支持第三方开发的分析算法的嵌入。这主要是由于制造业的细分领域太多，任何平台都难以做到大而全，因此，GE和西门子把这部分功能开放出来，让用户根据自身的实际需求，将自己的经验转化成分析算法与模型，加入到平台的分析功能中。但是在实际应用中，制造业的广大用户是很难自行设计分析模型的，要完成这一工作，需要用户具备计算机、设备、生产工艺等多个领域的知识，甚至还要具备比较高的数理知识水平，绝大部分制造业从业人员的技术水平恐怕还难以达到这样的高度。因此，目前阶段，用户在使用predix或者MindSphere的分析功能时，恐怕只能停留在输出一些统计结果与简单的对比分析阶段。

四、结语

工业云平台在数据采集及数据分析两个方面存在的问题，归根结底还是由制造业领域生产设备及业务需求的巨大差异性造成的。尽管笔者不看好工业云平台在短期内的发展，但长期来看，随着制造业整体信息化水平的提高，包括生产设备通讯能力的加强，以及制造业从业人员综合能力的不断提升，提供基础技术支持的工业云平台必将拥有更加广阔的应用空间。