导读：工业互联网是制造业与信息技术融合形成的应用结构，通过大数据分析、互联网技术与生产现场设备机器的全面结合，完成制造业和互联网融合的升级发展。因此，主要从国内外工业互联网的发展状况、工业互联网典型的应用场景、框架结构进行分析，概括涵盖的关键技术主要包括工业数据采集、存取和利用技术、工业产品的智能化技术、异构网络的融合技术和工控安全的防护技术，然后通过技术和行业的实施分析说明工业互联网平台在行业中产生的效果。工业互联网（Industrial Internet）是互联网和新一代信息技术在工业领域、全产业链、全价值链中的融合集成应用，是实现工业智能化的综合信息基础设施。它的核心是通过自动化、网络化、数字化、智能化等新技术手段激发企业生产力，从而实现企业资源的优化配置，最终重构工业产业格局。工业互联网建设已被列为上国家重点战略工作，具有巨大的经济价值，且随之产生了智能制造、M2M、信息物理系统（Cyber-physical system，CPS）、物联网、工业4.0等热门概念。加速推动工业互联网核心技术创新突破，围绕工业互联网设备、控制、平台、数据，从网络、数据和安全3个方面有效地给企业赋能智慧制造，加强相关核心技术和产品的研发突破，加快技术成果转化和产品服务创新，通过物联网、互联网技术实现工业系统的互联互通，通过构建工业互联网安全框架和防护体系实现工业企业的安全防护，利用数据感知、采集与集成应用等技术，实现生产过程中运营管理优化、生产协同和资源的有效利用。工业互联网（Industrial Internet）是通用电气（General Electric，GE）提出的概念，由机器、设备和网络组成，能够在更深层面和连接能力、大数据、数字分析结合。国外企业在工业互联网的技术概念、商业模式领域投入了大量人力、物力和财力，并且利用自身的优势搭建了工业互联网平台，其中最具有代表性的是GE的工业互联网操作系统Predix和西门子Siemens基于云的开放式物联网操作系统MindSphere。其中，GE强调工业领域硬件层、信息层打通以及跨领域的集成，打造工业设备+工业平台+工业APP的生态体系。通过通信接入技术发展实现更多终端联网，驱动设备管理、设备预测性维护等应用场景落地。西门子则结合自身在工业设备和工业软件领域的优势，对外输出智能工厂改造、规划方案，从终端简单联网出发，通过垂直云平台、大数据与人工智的建设，最后依靠标准架构体系实现各垂直生态之间的对接。相较于国外的大而全的解决方案，国内制造业力求在一些特定的差异化能力上打造一些独特的竞争力，走自己的特色之路。国内消费品制造业厂商富士康、海尔、美的的工业互联网推进策略是两条腿走路，一方面在企业内部建设较完备的智能制造体系，另一方面探索以自身用户和业务流为中心聚合供应链资源，逐步走向横向、纵向和端到端集成，帮助企业构建全要素互联互通的能力，实现用户、企业和资源的交互来满足用户体验。
国内的装备制造业厂商三一重工的工业互联网推进策略主要做金融领域和商业模式的创新。例如，通过远程控制确保工程设备融资租赁商业模式的可控性，其树根互联不过多触及传统工业过程，而是成为商业模式创新的基础平台。
徐州重工则致力于面向个人、中小企业搭建综合工业云平台，并配套提供端到端咨询服务，提供的两化融合和ERP咨询服务谋求帮助其他企业进行产业转型和升级的业务发展。
航天云网INDICS平台则通过针对哑设备、哑岗位、哑企业的“三哑”改造，实现基于云平台的智能工厂改造升级，并通过对“双创”团队进行全程辅导和孵化，引导社会资源向战略性新兴产业集中，推动社会性“双创”发展。
随着新技术的快速发展和应用，全球工业正在从传统的供给驱动型、资源消耗型、机器主导型、批量规模型向需求引导型、资源集约型、人机互联型、个性定制型转变。由于制造行业的生产流程和产业链都很复杂，工业互联网在制造领域的应用场景很多。目前，制造领域资产密集，资产性能优化空间大，数据利用率低，缺少科学决策能力。以下重点分析需求管理、研发设计、工艺工程、生产制造、运维过程这5大传统工业过程面临的诸多挑战和应用升级需求。需求管理是对客户的需求进行识别并确保主生产计划反映这些需求的功能。传统模式下，需求管理的缺失主要表现为：需求缺乏严格的需求管理过程，需求缺乏层层的传递和保证，导致最终的产品在设计中就已经迷失；需求管理基于文档没有进行结构化管理，产品开发过程中缺乏追踪的手段和对象划分；在协同研制模式下，不同主体间缺乏规范化的需求传递手段。研发设计是根据需求对产品进行设计与研发。传统模式下的研发设计建模手段缺失，基于文档的设计模式效率低下；几乎不进行仿真，纯粹实物进行验证，导致不断地进行修改迭代，拉长了设计周期，增加了设计成本；缺乏在线协同的手段，分头设计后经常遇到接口问题导致无法合拢；设计要素间缺乏关联，局部改动无法进行影响范围分析。工艺工程是指对产品生产制造工艺进行设计与管理。传统模式下的工艺工程基于工艺卡片进行工艺过程设计，对设计数模缺乏有效传承，难以保证数据的一致性；无法进行加工、装配或检验过程的仿真，往往到做时才发现存在问题，从而产生不断的变更；由于相关工艺数据缺乏关联，变更过程无法进行影响范围分析，从而导致数据的不一致，从而使得产品的技术状态管理失控。生产制造是指对产品进行实际加工生产并对相关过程进行管理。传统模式下的生产制造中，机加工设备精度不足以保证加工质量，无法加工复杂的曲面，且根据不同的加工人员质量波动，加工效率低下；缺乏实时的检验手段，检验是事后检查，往往质量超差已经形成；装配过程缺乏有效指引，装配效率低下，极易出错，返工造成的重复工作量巨大。运维服务是指为客户提供后期运营维护与其他相关服务。传统模式下的运维服务产品制造方缺乏对产品后续运营过程的介入，往往销售结束后，产品的运营状态只能依赖简单的售后服务，无法采集运营数据针对性地改进产品设计，也没有充分介入产品的增值运营；产品缺乏内置的传感器或传感器的采集，只有实时的监控作用，实时监控完成后数据即丢弃，无法形成基于模型的产品运营历史数据库；缺乏大数据分析手段，无法从海量数据中挖掘产品的运营策略，以提高产品的运营效能。
基于以上5个场景面临的问题，可以通过工业互联网赋能，即工艺研发设计、资产性能管理、运营效率提升、能源管理优化，提高资产运营的效率和利用效率，降低生产过程中的风险影响，提高安全生产效率，构建产业生态。
工业互联网框图如图1所示，根据框图按照技术体系，大致可以分成边缘数据处理、使能支持、智能化应用3个部分。
（1）边缘处理是利用物联网设备相关技术，解决部署新型智能设备以及嵌入式软件的联网升级的相关问题，涉及开发嵌入式系统、智能连接模组（安全/连接性定制）等功能，主要解决数据集成过程中协议接口、数据转换、过滤以及一些高交互、高实时性要求的边缘分析问题。（2）使能支持包括：通用Iaas平台技术，提供物理层面的计算机、网络、机房等资源；安全、生产等各种工业标准规范，以及产品、工艺、运维、供应等工业领域的知识模型和仿真算法。（3）智能化应用包括物联网设备管理技术，解决连接性、安全、设备部署和生命周期管理等问题和相关技术；最核心的部分是物联网应用管理技术，解决通用的可视化和事件管理，以及数据管理和分析、应用开发、应用集成等问题，主要涉及仪表、工业软件Apps、人工智能、集成开发平台以及智能制造等多种专业技术。
边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。一方面解决了实时要求与云通信延迟的矛盾，另一方面解决了各种异构数字信号的转置通信问题。它可以作为联接物理和数字世界的桥梁，使能智能资产、智能网关、智能系统和智能服务。边缘计算处于物理实体和工业连接之间或处于物理实体的顶端，基于边缘的大量设备生成的数据在本地进行分析，同时利用云对这些数据进行安全、压缩、配置、部署和管理。当前，越来越多的公司希望进行本地数据分析，同时启用这些流程将设备连接至云端，整体架构如图2所示。
目前的连接平台机制层出不穷且自我封闭，很容易形成数据孤岛。OPC UA是一个平台无关的标准，使用该标准可以在不同类型网络上的客户端和服务器间发送消息，以实现不同类型系统和设备间的通信。OPC UA可用于现场设备、控制系统、各种软件（MES、ERP）等，在工业过程领域交互信息、使用指令和执行控制。OPC UA定义了通用架构模型来实现这种信息交互，提供了统一的、标准的数据互联接口。工业互联网的设备和基础设施连接在一起后，形成了一个智能系统群，会产生庞大的数据。这些大模拟数据将通过分析和处理来驱动正确的业务决策，最终提高安全性、正常运行时间和运行效率。框架结构如图3所示。
企业智能制造的实现很大程度上需要借助人工智能技术，而深度学习是科学界高度关注的一种人工智能方法，且深度学习为工业互联网体提供数据的学习机制。随着学习的样本数据不断增大和工业互联网技术的发展，必须适应深度学习，具备基础技术领域基础算法库、基础训练测试数据集、重点行业领域专用算法库、重点行业领域专项任务数据集、专用模型库、应用场景案例库，提供对图像识别、语音识别、语义理解等基础技术进行检验检测，从整体解决方案上检验检测方向，提供对人工智能等系统的管理和计算的要求，以提供更好的服务。工业互联网应用软件的开发平台应能同时满足云上和云下的应用设计和运行管理要求。目前，云下的设备主要依靠各个工业自动化设备厂商的技术来满足智能制造基本的控制要求，但是在云上的应用开发环境上还没有成熟的软件工具和技术环境的支撑，都在努力设计一种既能够在功能上满足当前业务需求又能够适应用户需求发生变化或者能够在可预见的将来适应环境变化的应用。尤其是在互联网领域，架构师都在努力让自己设计的应用具有较强的扩展能力，跟得上用户不断增长或者出现突发请求的情况。随着工业互联网发展迈向实践深耕阶段，安全问题也日益凸显。网络信息安全风险威胁正在从外部的安全向企业内部工业系统和设备延伸，因此工业互联网的安全核心技术的研发需要适应当前复杂多变的外部环境攻击。在工业互联网环境中，为了确保整个网络系统的安全，信息安全研究技术是目前非常重要的研究课题。随着工业生产信息系统与互联网走向深度协同与融合，釆取完全物理隔离的方法不仅不能解决工业控制系统的信息安全问题，反而限制了工业互联网技术的发展。因此，需要在安全控制算法上创新安全架构，建立具有一定防御特性的安全环境，且需要研制能够实时监测工业互联网各项数据的系统，实时感知预测工业互联网的安全态势。它的技术框架结构如图4所示。
工业互联网测试床为工业互联网的各种创新提供空间，为进入市场前的新技术、新应用、新产品、新服务和新过程等的有效性和可行性进行严格试验与检测。测试床是利用科学理论、计算工具和新技术进行严格、透明和可复制测试的平台，一般用来描述实验研究和新产品开发平台和环境。国内测试床案例如图5所示。目前，测试床的发展体现多元化的发展特色与趋势。根据工业互联网产业联盟和边缘计算产业联盟的统计，目前在制造业垂直行业测试床数量最多，涌现出智能服务测试床、云制造服务平台、生产管理质量试验平台等项目。与此同时，在产业互联网如能源与公共事业、基础共性技术、医疗等方面也有一些实践。
图5 国内测试床案例
4.1 技术应用实施分析
网络、平台、安全构建了工业互联网核心功能体系。网络是基础，平台是核心，安全是保障。工业企业要进行智能化升级改造，首先要做到网络层的互联互通，实现各个设备的互联互通，消除信息孤岛。其次，利用工业互联网平台的多种服务能力，配置工业资源，使智能制造体系能够运转。最后，从设备安全、网络安全、平台和数据安全等对系统进行安全配置。网络层主要围绕线下设备互联互通，实现现场级、车间级、企业级设备和系统之间的横向互联和纵向互通。对于设备实现互联互通，最重要是打通不同平台、协议之间的数据。一般实施方法包括对现有的控制器、机床和产线的通信方式进行改造，部署新的传感器、检测设备等。或者考虑设备对OPC-UA的支持，解决底层设备和系统层直接的信息交互和集成。此外，通过在设备边缘部署边缘节点，对采集的现场生产数据进行边缘计算和存储。标识解析体系是下一步工业互联网网络建设的重点。它赋予生产过程中的每一个产品、零部件、机器一个唯一的身份信息，用来完成数据的互通和身份认证，以打通产品、机器、车间、工厂之间的数据采集与集成，实现系统之间的数据共享、数据挖掘和数据分析应用。工业互联网平台作为向下连接设备层，向上连接工业优化应用，自身承载工业经验与知识的模型，是工业全要素连接的枢纽。从实施角度看，由于工业企业行业的复杂特性，建设跨行业平台具有一定难度，因此可以引入云平台和大数据存储、分析技术，促进企业中各类生产设备、信息系统向云平台迁移，通过云平台实现生产设备、系统、产品和用户之间的信息交互，以及跨企业、跨领域和跨产业各类主体之间的互联。基于PaaS层的微服务架构数字化模型能够将大量的工业技术原理、行业知识、工业模型等组件封装成知识库，实现工业知识的显性化、数字化和系统化。工业互联网平台的主要功能是数据建模和分析，利用边缘侧和网络层收集数据，加上PaaS层形成的数字化模型，然后形成面向工业企业、消费者开发海量工业APP，提供实时监控、生产管理、能效监控、物流管理等工业互联网应用和服务。基于工业互联网平台的工业模型和微服务组件是平台层的核心组成单元，解决了以往工业知识无法提取、工业经验不能沉淀以及对人才过度依赖的难题。工业互联网安全保障在工业互联网发展过程中具有非常重要的作用。随着计算机和网络技术的发展，特别是信息化与工业化深度融合以及物联网的快速发展，工业控制系统产品越来越多地采用通用协议、通用硬件和通用软件，以各种方式与互联网等公共网络连接，导致暴露在外网的工业设备和工业漏洞越来越多。从实施角度看，工业互联网安全注意分为设备安全、网络安全、平台安全和数据安全等部分。为了加强工业互联网安全建设，首先自主可控是保障工业互联网安全的关键切入点。加快攻击防护、漏洞挖掘、态势感知、入侵发现、可信芯片等安全产品的研发和技术成果的转化，把技术成果充分应用于工业互联网安全，带动整个网络安全产业的发展。其次，建立健全安全管理制度机制，引导企业建设安全防护能力，形成国家、行业、企业三方协调联动的工业互联网安全格局，建设全生命周期的安全保障体系。最后，建立基于设备边界、策略、特征的安全防护和统一的安全运营平台，通过规则分析、机器学习、智能分析、可视化等技术，为企业的安全运营分析平台提供技术与数据保障。工业互联网以面向业务应用的工业APP（工业应用软件）的开发与应用为实现路径，以基于工业大数据分析的智能系统为发展方向，主要利用数据+模型为企业提供服务，满足企业的管理和需要。目前，国内工业互联网发展面临的很多问题，如开发工具不足、行业算法和模型库缺失、模块化组件化能力较弱、工业微服务与工业APP研发质量不高等。现有通用基础平台尚不能完全满足工业级应用需要，因此要实现工业经济全要素、全产业链、全价值链的全面连接，支撑服务制造业数字化、网络化、智能化转型，实现工业经济高质量发展，一定要加强基础研究部署，加快5G工业应用、边缘计算、人工智能等关键技术攻关，大力发展新型工业软件和工业APP等应用技术。工业互联网对提升制造业生产率尤其是降本和增效方面有切实利益。目前，电力行业、电子行业属于技术密集型行业，是现阶段工业互联网普及程度最高的行业。此外，石油石化、钢铁、交通设备制造行业对提高企业运行效率和精益管理也有较高的意愿，工业互联网的发展在这些行业领域也有较好的应用。由于流程行业生产过程流水化程度高，行业的自动化、信息化水平高，MES、ERP和PLC等管理信息系统都已经应用于该行业。此外，行业特征和工艺特点的限制，故障停机给企业带来的成本较高，因此流程行业的工业互联网发展水平明显高于离散型制造企业。以钢铁行业为例，钢铁行业面临生产过程中高耗能、高排放，对环保限产等压力。此外，人员流动性较高，工艺原理复杂，很难将管理方法和行业知识沉淀下来。因此，基于企业实际需求，构建工业互联网平台，应用系统架构图如图6所示。对炼铁高炉等设备开展实时运行监测、工艺优化、质量管理、资产管理、能源管控，提升产线运行效率，降低能耗和排放。此外，通过将经验和知识模块化，大幅减少停机故障和安全事故。
炼铁工序是钢铁企业工艺中的重要环节，其成本和能耗占整个钢铁生产的70%左右。由于炼铁高炉具有高温、高压、密闭、连续生产的“黑箱”特性，气体、固态、液体多相流以及复杂的物理化学反应数字化难以解析，导致炼铁生产过程仍主要靠操作人员的主观经验，其核心技术仅仅掌握在少数专家手中，大量的专家知识经验无法实现快速固化和复用。因此，急需通过工业互联网平台对企业进行赋能，形成面向设计仿真、安全预警、工况诊断、工艺优化等应用场景的炼铁工业APP，实现炼铁生产与管理的数字化、科学化及智能化。基于炼铁的设计仿真，首先设计人员借助平台上传设备的初步设计图纸。其次，通过仿真建模软件模拟设备在设定参数下的热面温度场分布。一方面对设备冷却能力、加热特性合理性进行模拟计算，另一方面对设备设计“盲区”进行模拟。通过大量的试验数据模拟迭代优化，更好地指导冷却设备生产和优化。研究人员通过对炼铁过程中的冷却设备进行热态和冷态试验，找出影响挂渣能力的各个因素。然后，通过工业互联网平台PaaS层微服务框架组件、可视化建模等工具，封装产生的研究结果、技术经验，利用平台具有的APP开发工具组件构建冷却设备安全预警监测APP，以实现冷却设备生产状态在线可视化管理。最后，通过对冷却设备破损实体调研，分析验证冷却设备的运行效果，进一步指导冷却设备设计的升级优化，从而实现冷却设备全生命周期的管理优化，如图7所示。
通过对炼铁工艺中冷却设备的全生命周期管理，实现冷却设备实时在线监测，建立设备的安全预警监测APP。一方面能够延长冷却设备使用寿命，保障高炉操作炉型的合理稳定，减少设备的损耗；另一方面能够有效避免炉况波动，降低高炉消耗，估计降低吨铁燃料消耗5 kg/t铁。如果进一步在全国范围内的炼铁工艺中大力推广，可实现增收100亿元/年。对炼铁过程中的高炉进行工况诊断，通过工业互联网平台数据治理和存储计算，进一步对炼铁高炉生产过程中流量、压力、温度等重要的生产数据源进行过滤、清洗等标准化处理。利用工业互联网平台微服务资源池中已经封装的PCA算法模型，对采集的数据进行特征选择、特征抽取和降维处理，调用SPE统计量和三维凸包等算法分析炼铁高炉的生产状态，并调用封装的贡献图算法推算在异常炉况下各个特征变量对产生的后果所占的比重。基于工业互联网平台中的容器管理工具，能够集成多个微服务，满足操作者在微服务资源池中进行调用。通过平台中的APP开发工具和组件构建高炉工况诊断APP，实现高炉生产状态的诊断，如图8所示。经过多座高炉现场的实际使用，工业互联网平台能够根据高炉生产的重要参数准确及时地预测故障的发生，误报率低，准确性高。
图8 基于PCA、三维凸包算法的高炉工况诊断
随着信息技术的快速发展，工业互联网的功能与技术性能会产生新的变化，并且在企业转型升级过程中起着重要作用。未来，企业不仅要利用工业互联网资源进行资产的性能管理，而且要利用工业互联网实现智能制造的云端控制和远程运维管理，建立制造企业的产业链、上下游厂商的供应链和价值链的协同机制，并且建立先进控制技术资源的公共服务体系，最终构成从数据采集到设备、生产现场及企业运营管理优化的闭环，实现工厂从底层到上层的信息贯通，打通自动化孤岛，实现全流程的自动化生产，加强工业软件与行业需求的结合，促进软件技术与工业技术的深度融合，提升企业的智能制造生产水平。
