本篇文章系[MVP时间]系列课程《工业互联网行业落地实施解决方案5讲》第一节的讲义整理（3），直播课程回看请戳【链接】
工业互联网平台体系架构核心和本质
工业互联网平台分成了四个层级。
最下面这个层是数据采集层，主要是做生产车间以及生产过程的数据采集，然后第二层是IAAS层，IAAS在我们当前互联网环境下非常成熟，主要指的是一些服务器的基础设施包括存储包括网络，包括虚拟化。然后在IAAS层上面是工业的PAAS层。在整个工业互联网体系下面，工业PAAS层是核心，而工业PAAS层又分成了上半部分和下半部分，下半部分是工业PAAS层的通用部分，包含了数据存储、数据转发、数据服务、数据清洗，而上半部分是工业PAAS层核心中的核心。我们可以分成两个维度来理解，第一个维度就是在这个工业PaaS层要做微服务，第二个是模型，要将大量技术原理，基础工艺经验形成算法和模型。基于微服务架构的数字化，微服务结构其实目前在互联网行业已经推的比较多了，对于工业领域来说不是一个特别核心的技术，而对于工业PAAS层来说最为核心的就是模型和算法。
最上面一层是工业APP，就是未来工业互联网平台发展的后面阶段，我们会发现有成千上万的APP来解决不同大型企业不同细分行业各种问题，包括可能某条生产线某道工艺一个APP单独会出现。所以工业APP未来会有很多。
我们来看最重要的一个，就是工业PAAS层的核心，模型和算法是怎么来的。我们先来看中间部分，就是模型和算法在工业领域里面分成两种，第一种是机理模型，第二种叫数据模型。
机理模型就是上世纪80、90年代开始针对原理的数学建模，用数学公式来进行原理的描述，叫机理模型。这个变化不大，变化最大的是数据驱动的模型，叫数据模型。为什么数据驱动的模型会有这么大的变化呢？是因为现在计算力不是一个问题了，海量的数据不是一个问题了，由海量的数据和计算力提升所带来数据模型在工业领域里面，慢慢开始萌芽，但是这个事情如果撇开工业领域不谈，比如说在金融领域、消费类领域，数据驱动模型其实很早之前就有了，但是为什么在工业领域里面用机器学习的算法，用深度学习的算法有神经网络的算法来做了一些建模会看起来很新，而且看很来好像非常牛的技术。那是因为到目前为止，真正能够将工业工艺相关的东西，能够跟机器学习或者是深度学习模型去结合，目前还处在一个起步的阶段。
以离散性工业为例，每个行业里不同公司的生产工艺，生产流程各方面或多或少会有差异，我们不可能像新零售、新金融领域一样能够用模型或者算法适配所有的场景，这就是为什么工业发展比较慢的一个原因，因为太离散化了，它的可复制性没有那么强。这就需要我们在技术层面能够更加好的进行提炼，更加好的进行抽象化，来满足工业领域数字化的需求。这是模型。今天主要讲数据驱动的模型。
数据驱动的模型最核心的，我认为不是算法，最核心的是数据。数据是有哪些维度数据构成呢？这些数据是怎么来的？
第一，从物理设备上来。比如，加工中心，在加工的过程中有电量、电压，刀具有转速，刀具在切削的过程当中会遇到一个阻力，我们叫载荷数据等等。这些数据其实是非常核心的设备运行参数。
举个例子，载荷数据意味着加工中心在切削金属的过程当中所遇到的阻力，用这个数据就可以实现在线的工艺预测。因为它在切削同一个产品的过程当中，同一个产品不同的工件选择上应该遵循同样的曲线，但是实际上由于不同的工件不同的压铸机这边出来的一些工件有一些材料上的变化，批次上些变化以及模具上的变化，实际在切削过程中载荷曲线是不一致的。那么针对载荷数据我们有实时的数据，有历史的数据，我们有集群的数据。我可能加工中心有100台，我这100台都在做这个产品，那我第一台有加工产品的数据，第一台也有，第二台也好，第三台也有，第一百台也有，就有了集群的数据，利用这几个维度的数据该可以做在线的工艺预测。
第二，流程逻辑，这个比较好理解。生产工艺也很好理解。这些生产工艺都由设备那边去执行，设备的运行参数和实际的生产工艺这边会有一些偏差，这是很重要的一个数据。
最难理解的是研发工具。我举一个例子，我有一个做汽车零部件的客户，他的年产值50个亿，他们做的是热交换系统，比如说给大的汽车品牌提供散热器。可以想象，在做产品设计的过程当中，会有大量的仿真，这些仿真数据有没有很好的进行关联性的分析，能不能让这些数据更好的来进行产品迭代，来提升产品设计的效率。这个数据量不会比生产过程中的数据量少，所以研发工具所产生的数据也非常有价值。
这些物理设备、流程逻辑、研发工具、生产工艺数据是数据驱动模型很重要的数据来源。有了模型，有了大量的数据我们进行运算，那可以很好去提升良品率，降低库存水平等等。有了模型之后我们可以利用现场大量的传感器数据来进行实时的分析和科学的决策，通过自动去精准执行或者是通过人工干预介入来进行精准的执行，最终能够使得我们的企业做到降本、增效和提质。
刚刚其实有讲到其实整个工业互联网平台最重要的一个层其实是PAAS层，在PAAS层里面最重要的就是模型，这就是工业互联网平台的核心。工业互联网平台发展到最后阶段，我们会发现有成千上万面向不同行业，不同细分领域的APP。可能这个APP是针对生产过程管理，可能这个APP是针对企业调度管理，可能这个APP小到只管理一台设备，只管理一道工序，这样的APP会有很多很多，最终发展到最后一个阶段，这些APP可能是一个模块，可能是多个模块的组合，通过微服务化进行数据的互联互通。
supET提供的全新的数字化的解决方案
这张图虽不是目前最新的部署模式图，但可以作为参考来看。
类似supET工业互联网平台也是分成四个级别，刚看到按消费市场这边所公布出来的工业互联网平台也分成四层，第一层数据采集层，第二层IAAS层，第三层工业PaaS，第四层叫APP层。我们来对标一下，supET工业互联网平台这四层有什么不一样，在最下面这一层是边缘计算层，第二层是IOT的PAAS层，第三层是工业PAAS层，包括工业大脑，包括中间件。然后最上面一层是各种SaaS 的运用，各种托管的应用，各种APP，各种微服务化的一些模块。
我们来看最下面一层，边缘计算层除了能够支持海量设备连接，海量协议之外，还能够把设备的数据或者其他类型的数据能够直接跟IOT的PaaS层做连接，可以加密的。还有重要的一点，边缘计算还有一个很重要的功能就是，边缘计算层目前是可以运行一个容器接口的。大家做互联网行业的对docker会比较熟悉，在工业领域里面，现在在讲docker的概念，其实会非常非常新，甚至完全都没有落地。但是想象一下如果我们这个边缘计算终端能够运行docker这样一个容器，我们的软件可以轻松下载到docker里面进行镜像的更新，然后来运行，将会发生什么样的现象。工业现场一个车间可能需要100台带触控屏的一个采集盒，这些软件如果没有一个很好的更新机制，那么这些软件两到三年之后会变的很难操作，有很多工业现场的一些配置各方面都很难调整，而边缘计算终端如果可以运行docker那可以很好解决软件更新的问题。
当我们要面对一个企业要连接超过3万台设备的时候，我们怎么办？如果3万台设备是类似加工中心这样的设备，每个加工中心每秒会产生大量的数据，这样3万台的设备要连接到我们一个SaaS 平台上，那我们数据采集的部分，设备管理的部分能不能撑的住。一般的创业公司，比如做设备连接到了万台以上的时候都会发现我们需要一个很有经验很有能力的团队去优化数据连接层或者是叫PaaS层，但是现在supET工业互联网平台一开始就提供了海量设备连接能力，可以让我们在几天之内就可以构建出这个能力，如果我们不用工业互联网平台，不用IOT的PaaS层，自己慢慢去构建去不断优化我们的PAAS层的时候，我们会发现花了大量的时间、精力，可能花了上百万的费用，我们做出来的架构依然是不稳定。所以IOT PaaS层能够将海量的设备连接和海量数据连接这一块成本降得很低，这是第二层的作用。
第三层最为核心的是大脑和中间件。中间件特指数据中台，ET的工业大脑更多的是算法平台。在工业层的PaaS层是由数据所形成的算法和模型。而工业大脑就类似这样一个算法和模型的平台，能够很好的支撑行业。
最后一层是SaaS 应用，面向一些不同细分行业的应用。
中小型企业用工业互联网平台可以解决什么问题？微服务和APP能够为中小型企业提供一站式的生产制造协同解决方案。在博拉科技，我们在开发博拉云协时总结出来一个28原则，就是大型企业可能管ERP还是MES系统，可能是用了80%到90%的模块功能，但是小型企业用ERP的时候他就用三个模块，经销层仓库管理的模块，采购的模块，大量的模块根本没有使用。
工业互联网平台，一方面为中小型企业提供一站式的解决方案；另外一方面在工业互联网平台上的SaaS 产品和APP价格会低很多。我们传统做MES一个车间，可能是100万，但实际上当MES进行SaaS 化之后，为同样的企业所提供的服务价格每年只有7万块钱。100万决策和7万块钱的决策，周期是完全不一样的。7万块钱的决策可能一天就可以做出来，100万的决策我们可能要花6个月到1年才可以决策出来。所以SaaS 化的产品应用，轻量化产品应用对未来中小型企业信息化和数据化会有很大的改变。
我们再来看部署方式，我非常赞同目前supET所带来的全新的部署模式。
第一，专有云的部署模式。这个模式业务场景是什么，就是当我们SaaS软件或者是SaaS应用在工业互联网平台上完成业务托管之后，接下来我要交付某个区域的工业互联网平台，我们可以将托管应用绑定5台或者是10台ECS服务器，整个交付给整个区域的运营商就完成了一个工业互联网平台的建设，包括硬件包括软件打包的解决方案。这是我们认为比较好的方式。
第二个，公有云。公有云的解决方案非常适合应用于SaaS的应用。比如说我们开发一个生产制作协同的SaaS ，第一，海量数据连接的时候我们可以直接用IoT的PaaS层帮我们去解决架构稳定的问题；第二我们可以利用docker集群可以做一键更新，就是我们软件版本每次发布可以很好的进行远程更新。
最左边，我认为非常有价值的一点，如果大家熟悉MES系统的话，目前当前行业里面MES行业部署，以本地部署为主，如果我们花了6个月的时间完成了一个MES的项目开发和部署，我们会发现一年两年之后本地化的MES系统会变的越来越难用。边缘端docker解决方案能够很好解决更新的问题。
比如说我们在生产线上面我们有10个带显示屏的工控屏，在这个工控屏上面部署了10套软件，这10套软件其实是一套软件，只是因为采集的对象不一样，采集的数据不一样，所以所呈现管理不一样。如果我们要对这个软件进行升级和维护，以前是怎么做的呢？以前我们工程师要派到现场去，把好的版本，经过测试的版本到现场去部署。用边缘端docker的方式就是我们可以在远程一键把它更新掉。所以未来可以想象到当一个工厂，有成千上万终端在那边运行的时候，我们有一个软件版本的升级之后可以一键对这成千上万的终端进行一键更新，极大的缩短我们运营周期。
接下来我有两张PPT也是最后环节的PPT，是我们博拉两个解决方案。首先我们来看一下基于supET工业互联网平台构建的算法平台，我们叫博拉视界。
这个算法平台是面向离散性行业瑕疵检测的深度学习算法平台。我们可以用这个算法平台对图象数据进行快速训练。比如说我们有100张瑕疵图片，我们有200张正常图片，针对汽车零部件板块，我们就可以在这个平台上来完成算法训练，而且训练速度可以做的很快。训练完成的模型，深度学习的模型，可能8层网络就够了，也有可能是19层的网络，在这样一个情况把训练好的模型下载到右下角的边缘计算终端，就可以执行。边缘计算终端可能是中控机，可能是服务器，也有可能未来这边可能是基于比如说AI芯片一个模组，那可以直接下载到边缘端运行。
我们最近期一个方案是我们基于多台工控机，我们每一条线都有4台工控机，每一台工控机都是一个分布式计算平台，有一台总的工控机来做整体的调度，来完成整条线特种布料瑕疵检测，跑的是深度学习。因为它要做到每分钟20米的检测速度，所以用多台工控机来进行分解。
第二个是我们物联网平台，这是基于工业互联网平台上的典型SaaS产品。我们叫博拉云协——一站式生产制作协同SaaS系统。有三种解决方案，就是同样一个系统里面我们有三个路径。第一个路径就是我们把每一个SaaS 做成一个docker的镜像，这个镜像可以整个去下载，比如说对于制作性的客户A，他可以把整个镜像下载下来，这个镜像下面可能关联是一台ECS，也有可能是关联是三台到五台的ECS，整个镜像可以买过去放在云端，但是是属于这个A客户的。这是第一种落地的路径。
第二种落地的路径是，大量的中小型客户不需要去独立购买这些镜像，而是我们在SaaS 上面帮他们开好一个账号，我们用一些边缘计算终端去连接他现场设备并且关联账号，这就是SaaS 的一个应用，这样的客户我们可能有100多个。我们同样是基于阿里云的supET上，不一样的是我们底层用的是IOT的PaaS层，可以解决海量设备连接的问题。100个客户，每个客户如果100台设备的话就有可能是1万设备，所以这1万台设备可以直接通过IOT的PaaS来进行数据路由，来路由到不同的企业去。这是第二种路径。
第三个路径，本地部署的解决方案。因为有一些企业，不管是大型企业，中小型企业还是需要本地化部署，所以我们第三个是提供了一个本地部署的解决方案。
