工业互联 操作系统技术趋势

1.对工业机理的深入理解是工业数据分析的重要前提在长期的工业发展过程中，工业企业面向不同行业、不同场景、不同学科积累了大量经验与知识。这些工业机理的解释和提炼能够对生产现象进行精准描述和有效分析，对传统工业生产和管理的优化起到重要作用。随着新型数据科学的兴起，这些工业机理又能够有效地指导数据分析过程中的参数选择和算法选择，使其更加贴合工业生产特点。因此，GE、西门子、博世等工业巨头均将自身工业经验和知识进行提炼和封装，作为其工业互联 操作系统的核心能力与竞争优势。例如，GE公司把以往由工程师智囊团完成的飞行数据分析工作“搬上”Predix平台，专家在Predix平台的帮助下，构建一个检测程序，使之能根据航程的长短自动对比飞机起飞前后的发动机润滑油量，实现润滑油消耗的提前告警和运维，从而将其在航空发动机领域的专业知识和经验转化为平台上面向用户特殊应用需求的专业服务能力。

2.信息模型规范统一成为平台提升工业要素管理水平的关键

为了更好地满足工业用户的实时性、可靠性要求，越来越多的平台运营企业开始将计算能力下放到更为靠近物或数据源头的 络边缘侧。

为对各类工业设备、系统进行更加有效的识别和交互，工业互联 操作系统正将信息模型的集成与统一构建作为支撑自身应用拓展的一项关键能力，并遵循两类思路推进。一是自上而下：平台企业提供开放的信息模型构建工具，统一工业资产的语义描述。例如，PTCThingWorx构建了一套复杂的模型体系 ThingModel来描述工业资产和流程，既可以定义工业资产的具体特征和属性、界定资产之间的层次和关系，还可以实现信息模型在类似领域的快速复用。AWSIoT的Thing Registry、Waston IoT 的 Device Model、Azure IoT 的 Device Twin、Atomiton的TQL语言都采用类似方法支持工业建模。二是自下而上：设备企业基于统一协议构建信息模型，与平台进行集成。OPC-UA有望为工业设备提供统一的信息模型构建标准，西门子、罗克韦尔、ABB、贝福、博世、施耐德等自动化企业的专有协议，以及MTConnect（机床）、Euromap77（注塑机）、PLCopen（控制）等行业或领域的相关协议都加速与OPC-UA进行整合，实现信息模型间的映射与互通。同时，绝大部分平台都具备将OPC-UA信息模型转化为自有信息模型的能力，从而有效地整合各类工业设备的信息模型。微软Azure IoI更是直接将OPC-UA信息模型推送上云，支持可视化展示设备效率（OEE）和关键绩效指标（KPI）等平台应用。

3.大数据、机器学习技术驱动工业数据分析能力跨越式提升

工业互联 带来工业数据的爆发式增长，而传统数学统计与拟合方法难以满足海量数据的深度挖掘，大数据与机器学习方法正在成为众多工业互联 平台的标准配置。Spark、Hadoop、Storm等大数据框架被广泛应用于海量数据的批处理和流处理，决策树、贝叶斯、支持向量机等各类机器学习算法，尤其是以深度学习、迁移学习、强化学习为代表的人工智能算法，正成为工业互联 平台解决各领域故障诊断、预测与优化问题的得力工具。例如，IBM公司将人工智能系统Watson引入Bluemix中，打造出了具备“AI+IoT”特色的Watson IoTPlatform，借助物联 强大的数据连接和汇聚能力为智能系统Watson

提供数据支撑，Watson系统则凭借优势明显的认知、推理和学习功能寻找数据与结果之间的内在关联，并形成新的洞察力以帮助企业进行最优决策。

4.机理模型、数据模型、业务模型加速沉淀，工业服务能力不断强化

为提供适用于工业场景需求的数据分析和应用开发服务，平台不断深化对机理模型和数据模型的积累，不断提升分析结果的准确度。

Ambyint专注于石油液压升降系统的优化和维护，不仅沉淀了人工举升采油法中的大量现代物理学知识，而且积累了45TB、1亿小时的油井运行数据，在此基础上不断训练分析模型，更好地诊断井下和地表的异常，并优化油井运行参数。博华科技专注于旋转机械、往复机械的振动监测，积累了大量燃气轮机、轴流风机、挤压造粒机、汽轮机等设备的历史运行数据和领域知识，强化设备预测性维护的性能。Uptake积累了800多种工业设备、55000种故障模式和维护策略的工业知识库，并收集了大量工业天气、交通模式、卫星图像和地理空间系统等数据集，更好地支持分析模型的构建。天泽智云与中车青岛四方、东方电气等垂直领域的企业合作，积累轴箱轴承、空压机、机床、风力发电机、高炉等设备的运行数据，以及大量故障模式识别模型，支撑重点设备的预测性维护。同时，平台积极探索业务模型的沉淀，支撑并形成贴合业务需求的综合性工业应用。西门子推动Atos、埃森哲、Infosys、德勤、凯捷和普华永道等传统系统集成合作伙伴的业务模型和行业经验与MindSphere集成，形成平台应用。例如，Atos在MindSphere平台上为航空航天、汽车和食品饮料等行业开发了缺陷检

测、质量管理、绩效优化、预测性维护、能耗管理、eBoM检查等14个即用型应用。IBM Waston IOT平台加速与资产管理软件 IBMMaximo整合，平台基于Maximo中的电力、石油、核能、运输、航空等行业模型，开发生产、绩效、质量、能源、资产和供应链等领域的优化应用。ThingWorx、Predix、博世IoT等也通过类似方法积累了大量业务模型。

5.数据科学与工业机理结合有效支撑复杂数据分析，多类模型融合集成，共同驱动数字李生发展

基于工业互联 操作系统，数据分析方法与工业机理正在加速融合，从而实现对复杂工业数据的深度挖掘，形成优化决策。例如，上海隧道工程股份有限公司通过与寄云合作，借助平台采集工业检测设备中的各类图像、距离、位置、转速、倾角、压力、流量、扭矩、功率等全部数据，基于岩土知识、功率曲线、扭矩曲线、屈服强度等工业知识和机理标记（或提取）异常信息，对历史数据进行特征提取与模型训练，再接入实时数据进行异常预警，从而解决盾构硬岩掘进机TBM在施工过程中的难题，突破传统解决方案的极限。随着融合的不断深化，基于精确建模、高效分析、实时优化的数字孪生快速发展，能够实现对工业对象和工业流程的全面洞察。东方国信基于非稳态、多相、多物理场的数值模拟仿真技术、热力学和动力学模型及工业大数据分析技术等，建立虚实映射、实时监控、智能诊断、协同优化的数字孪生，实现对工业实体设计和工艺流程的仿真及优化，在炼铁、工业锅炉、水电、空压机、能源等多个行业或领域得到应用。

数据李生的探索刚刚起步，逐步成为大部分平台建模和模型管理的核心理念。大部分平台的数字孪生主要集中于对设备的实时状态描述，微软Azure IoT、亚马逊AWS IoT等平台构建描述设备状态的数字李生模型，根据实时数据调整设备状态，为平台的上层应用提供准确信息。部分平台扩展定义数字孪生模型间的相关关系，更好地体现真实世界的复杂性。博世IoT平台集成Things组件，在实时描述设备状态的同时，还可以描述模型间的关联和层次关系，有效地支撑设备监控、预测性维护、质量和流程优化等分析应用。少数平台进一步将机理模型整合到数字李生模型，支撑复杂数据的分析。Predix将数字孪生定义为“设备状态数据+分析”，基于ANSYSCAE仿真模型，构建风力涡轮机的数字孪生分析系统，融合机理公式和设备信息模型，支撑运营优化和预测性维护服务。ThingWorx集成Creo ProductInsight功能，用工业现场数据驱动CAD模型，实现更精确的运动仿真。未来，面向工厂业务的数字孪生应用将成为平台创新热点，支撑整体优化。西门子与Bentley Systems合作发布PlantSight数字孪生云服务，为工厂建立全面、完整、实时同步的数字孪生模型，所有业务功能和分析工具可以获得统一的实时数据，支撑全厂系统优化。目前MindSphere 正在与PlantSight 进行整合，支撑资产性能管理应用。

6.操作系统聚焦工业特色需求，强化工业数据管控能力

开源工具无法完全满足工业数据处理需求，操作系统普遍开展定制化开发以提升数据处理效率，数据质量控制成平台核心竞争力。寄云整合Kafka、Flume等开源技术，自研数据转换、背压、回补等工具，

确保实时数据的摄入质量。Thingswise 数据处理引擎可以基于元数据、既定规则和场景信息进行数据质量处理，用户可以根据工业知识指导更精准的数据筛选。Predix 整合Elasticsearch 等开源技术和Top DataScience等第三方企业服务，提供快速搜索、二进制解码、动态时间规整等十余种数据管理工具。面向工业时序数据特点，平台普遍集成时序数据库，大幅提升工业数据的读/写性能。微软、亚马逊、谷歌、阿里等大型公有云普遍推出时序数据存储服务，为工业互联 平台提供时序数据的低成本长期存储。Predix 和 MindSphere 均以API的形式对用户开放时序数据存储服务。为更好地满足工业数据实时和并发处理需求，清华大学开发了时间序列数据库IoTDB，与通用时序数据库相比，大幅提升了数据的写/存/读性能，未来有望与多个平台集成。批处理与流处理融合（简称批流融合处理）能够更好地支撑生产数据和业务数据的综合分析，成为平台探索的热点。ThingWorx与Hortonworks 数据管理平台集成，整合了HDFS、Yarn 等开源框架，支持时序数据、资产数据、过程数据、工单数据等海量多源异构工业数据的统一存储与分析，为机器学习和实时流分析构建共性基础。未来，Spark、Flink等开源框架将继续向工业领域渗透，推动更多平台应用批流融合处理架构。

7.实时分析与人工智能成为操作系统数据分析技术的创新热点

工业现场的实时性业务需求驱动操作系统大力发展实时流分析能力。Thingswise开发了面向流数据的模式识别技术，基于简单规则、复杂规则、算法模型，综合识别事件原因并触发相关操作，更好地支撑设备状态检测、故障 警等应用。博世IoT与Software AG合作，基于APAMA实时分析决策引擎，监控工业设备的地理位置和运动特征，分析异常情况并即时处理。Predix集成SAS事件流分析工具，支持并行、串行和递归等流数据分析算法，为列车运行优化、车队运行优化、产品质量分析等提供毫秒级决策建议。人工智能技术进一步扩大了平台处理工业问题的深度和广度，部分平台聚焦专业领域，整合Spark、TensorFlow等开源工具提供成熟的工业智能分析商业方案。Uptake聚焦预测性维护领域，开发了机器学习引擎，提供故障预测、噪声过滤、图像分析、异常检测、动态规划等功能，提高石油钻井平台、风力涡轮机、工程机械等资产运行效能。Maana聚焦石油和天然气领域，

梳理领域知识打造知识图谱，与机器学习模型相结合，为GE、壳牌、阿美等石油巨头提供决策和流程优化建议。

8.操作系统贴近工业实际，完善工具不断提高工业数据易用性

操作系统加快集成工业组态和可视化监控服务，提供更加直观且高效的工业数据展示。阿里云将数据可视化技术与传统SCADA（数据采集与监视控制系统）组态技术结合，支持全企业信息汇聚与统一监控运维，实现对远程设备状态的监控和控制指令下达。Predix集成Tableau数据可视化工具，直观地展示飞机引擎、机身、襟翼、起落架的运行数据和地面操作、维护、人员的状态数据。数据建模与分析工具向组件化和图形化发展，大幅降低数据科学应用门槛。天泽智云将快速傅里叶变换、小波分析、主成分分析等特征提取算法，分类、聚类、回归、插值与拟合等建模工具，以及风电、旋转机械、电池等行业建模经验封装为平台组件，支持拖曳式建模，降低用户建模门槛。平台强化对AR/VR工具的集成，使数据分析的结果由“抽象”到“具象”。西门子MindSphere将VR（虚拟技术）及AI（人工智能）技术

引入汽车设计与生产过程，实现实时模拟与调整。博世IoT交互式投影模块通过检测用户手势实现虚拟交互。达索3DEXPERIENCE平台3D设计与工程应用套件支持用AR/VR方式查看项目，在设计或工程中实现沉浸式的互动体验。SAP、PTC ThingWorx、AWS IoT也在平台中集成AR/VR技术，增强用户体验，提升产品设计、制造和服务等方面业务能力。从长期看，数据管理、分析、展示工具功能向平台不断沉淀，可能催生工业数据中台，有望大幅降低数据分析门槛，提升数据分析效率。