1 引言
近幾年，隨著智能制造的推廣深入，汽車行業主機廠作為離散工業領域中自動化、信息化程度相對最為成熟的行業，陸續都開始接觸及引進IIoT工業物聯網等技術理念來打造互聯工廠，并通過部分場景進行了試點落地。
但當前試點狀態通常是各車間分別規劃，由不同供應商基于不同的平臺開發應用，或是各類設備廠家自帶的物聯網應用。長遠來看，又會帶來數據不互通，平臺重復建設，不利于后期拓展維護等一系列問題。
所以作為主機廠，接下來需要面對的迫切問題是，如何從整體層面構建全域、互通和開放的互聯工廠架構。具體而言，構建一個統一的架構規范，從而在新工廠建設之初就預留好相應的硬件條件，并平衡好近期和遠期的發展規劃。
本文是吉利汽車針對上述問題，在應用IIoT技術打造互聯工廠方面的一些思考與探索過程。
2 思路綜述
從IIoT的實施深度上來講，可以分為：數據→信息→知識→智慧，IIoT的實施深度層級如圖1所示。
圖 1 IIoT的實施深度層級
第一層“數據”，首先需要解決的是數據的采集獲取問題，沒有這一基礎，后續的工作都將成為無源之水，同時，這一工作也是各大制造企業面臨的第一個難題和門檻;第二層“信息”，需要將原始數據經過清洗加工后，借助于圖表統計等形式轉換為人所能快速理解的信息;第三層“知識”，需要在信息的基礎上更進一步，結合資深業務人員對該領域的設備機理知識、工藝流程經驗等，構建特定場景的知識沉淀，如配套參數的閾值區間，特定問題的分析流程等;第四層“智慧”，針對一些無法用文字公式清晰得顯性化的經驗知識，借助于大數據和AI算法，形成一個個智慧模型，常見于復雜因素的預測調優等場景。
實際過程中，在實現數據采集并通過一些基本可視化的手段達到信息這一層級后，重點方向是充分融合IT技術與OT的專業的know-how實現到部分場景的知識這一層級，并可以嘗試性的在個別場景做出智慧層級的應用。
從推進思路上來講，遵循總體規劃、迭代實施的理念。具體來講，有以下幾點：不涉及費用的規范性工作需要一步到位;平臺架構需要統一確定;數據的采集優先考慮不增加額外費用的現有數據;應用優先實現基本功能，并采用逐步迭代的方式進行敏捷開發。
在橫向上，對IIoT工業物聯網的可以按照實現環節的角度進行拆解，可以分為：端-邊-管-云-用，IIoT的分解邏輯示意圖如圖2 所示。
圖 2 IIoT的分解邏輯示意圖
下文也將按照這幾個拆解環節的角度進行展開。
3 端：設備接口的梳理
互聯工廠的基礎是硬件設備，所以第一步是清點工廠已有或規劃的設備資產清單，并對于其接口和可獲取數據情況進行梳理，包括通信接口協議、涉及費用情況等。
雖然主機廠通常在車間現場已經通過工業總線實現了對設備的連接，但這類連接通常是以控制信號為主，設備底層的詳細數據在以往通常未做連接和采集。其中涉及到的設備種類和品牌紛繁多樣，且由于多數是國外的設備廠家，關于接口的信息獲取通常又非常有限。類似的挑戰和難題還有不少，相信同樣也廣泛存在于其他車企。
通過調用跨專業部門的資源，對近幾年以落成工廠及將要建設工廠中所用到的主要設備進行了統計調研，梳理出了將近100種的不同品牌設備類型的接口情況，為后續環節的工作打下了一個基礎。當然針對每一個設備，還有待進一步的深入研究，如其他可能存在的多種采集接口方式，數據字段的具體對應解析，數據之間的關聯匹配等等。各大車間設備接口數采情況梳理過程中的部分記錄見表1。
表1?各大車間設備接口數采情況梳理過程中的部分記錄
3.1 調研的考慮角度
除了搞清楚設備現狀接口的家底情況，需要考慮的角度其實還不止幾個標準化的屬性就可以研究透徹。針對不同的分類，至少還需要從以下幾個角度進行調研分析：
(1)單體設備直連類
設備類型品牌、設備在具體項目的分布及數量、實際數據樣例的獲取、采集頻率的限制、硬件接口情況、支持的通訊協議及分別能獲取哪些數據、有否其他采集方式的可能性、是否免費開放或接口收費、是否要配套專用軟件、收費模式、在以往項目中的數據通訊采集現狀、是否涉及軟硬件的版本差異、是否在技術要求中已要求開放接口;
(2)PLC/機器人中轉類
可以采到的數據、字段的定義和采集位置、特定程序塊已有或需要額外編寫、實際數據樣例的獲取、采集的制約因素;
(3)IoT專用設備
接口協議說明文件、接口通訊的示例程序。
3.2 數據采集面臨的挑戰
面對如此多種設備數據采集的情況和難題，對應的挑戰也是遠超原先預計的，大致從這幾個方面可以體現：
1)數據不開放：由于技術保密以及廠家商業利益等原因，一些設備的關鍵參數并不對外開放;
2)標準不統一：工業設備樣式繁多，接口各異，通訊與傳輸協議各不相同，針對各種非標設備和協議，需要 進行相應的開發，消耗大量的時間和人力;
3)設備無數據：一些設備和儀器儀表本身并不記錄自身數據，需要進行智能化改造，增加通信能力;
4)任務不明確：面向具體分析任務，應采集哪些數據需要經驗，有時并不明確。同時，僅僅明確采集的數據字段也還不夠，還需要考慮采集頻率、存儲時長等一系列因素，而這些因素本身對于采集的方案和費用成本都會帶來較大的差異，對于初期任務不明確情況下的制定方案有很大挑戰;
5)限制條件多：工業現場可能有電磁干擾、振動、位置等多種數據采集限制，對布置傳感器完成所需數據采集提出了更高的要求。
4 邊：邊緣設備的選型
在互聯工廠的整個環節中，邊緣設備細分有2種類型或兼而有之，分別為：
1)數采網關類型：承擔轉化通信協議的功能，打通原來各類不具備數據上傳能力的設備。在IIoT概念流行前，數采網關其實就已廣泛存在，可針對設備元器件的IO信號以及各類低等級的工業總線，甚至針對是特定的專業設備，將數據進行采集與協議轉換。其中，除了網關實體硬件外，也可利用現場已有的工控機工作站等 ，通過安裝數采軟件，低成本實現部分場景的數據采集。
2)計算處理類型:承擔數據緩存處理，甚至模型計算的功能，實現部分應用功能在邊緣側的實現，尤其針對需要實時響應的場景。本質上，該類型的邊緣盒子已接近于一臺完整的PC機，隨著AI計算的興起，部分場景下的硬件性能也需要響應提升。
綜上，邊緣設備的選型需要針對不同的設備場景，進行不同種類的選型，尚不存在一種大一統又低成本的方式實現邊緣能力。
5 管：網絡通信的貫通
在萬物互聯、數字化轉型和大數據的發展趨勢下，要求打破原有生產現場與上層IT網絡之間的隔離，實現從云端到設備端的互聯互通。因此需要一整套的網絡架構方案，整合OT和IT跨領域資源和規范，共同推動一網到底的架構變革，為智能制造的未來需求構建網絡連接基礎。
5.1 網絡架構規范
雖然整車廠普遍已經實現規范化的工業總線控制網絡，以及架設了車間匯聚層的環網等，但對于包括吉利在內的大多數自主品牌車企而言，依然還存在大量網絡不規范的問題。具體而言，包括有：
1)IT和OT網絡各自規劃，無法互聯互通;
2)辦公和生產核心網絡混用，存在嚴重安全風險;
3)存在信息孤島，制造大數據采集等需求無法在現有網絡架構下滿足;
4)存在重復建設，缺乏統籌規劃，沒有充分利用現有網絡資源，例如：擰緊系統和Andon系統的CP卡;
5)各基地網絡架構不統一，沖焊涂總各車間結構不統一，IT和OT分工界面不清;
6)IP地址分配無統籌，網絡風暴時常發生;
7)交換機光纖等網絡設備的等級技術要求不統一。以上的種種問題，究其原因，最主要還是由于該領域處于OT與IT的接口交叉地帶。OT工程師往往缺乏IT網絡知識，IT工程師同樣對于OT設備及控制網絡了解甚少。
在吉利的這次網絡架構規范梳理過程中，就充分體現了OT與IT的沖突與融合。雙方在過程中就業務知識及責任分工甚至部門立場等進行了充分大量的交鋒，包括一網到底的意義作用、技術上的可行性風險、設備選型帶來的投資費用變化、接口重新定義后的分工責任等。
同時因為網絡作為連接基礎，涉及到方方面面的影響，也牽扯到雙方多個專業部門和外部相關方，過程也是曲折漫長的。但也是需要借助這樣的討論交鋒，有機會能讓各相關方了解互相的領域知識，并通過行業案例對標、第三方技術專家的介入等，真正達成OT/IT之間的了解和共識。
最終，全新的網絡架構規范實現的關鍵變化點有：
1)通過將設備層向上層的接口統一從PLC轉接口改為交換機網口，實現從集團可以訪問到各工廠任意單體設備的一網到底;
2)從公司整體層面全面梳理網絡資產后，形成了辦公網絡、工控網絡和生產網絡的清晰界定;
3)網絡層級上，劃分了L0設備層、L1控制層、L2車間監控層、L3工廠執行層、L4企業管理層和L5互聯網DMZ層，各個網絡節點都有明確的層級歸屬。網絡架構示意圖如圖3、圖4所示。
圖 3?集團整體網絡架構關系圖
圖 4?車間級網絡架構關系圖
5.2?工控網絡安全
工業控制系統由單機走向互聯、從封閉走向開放、從自動化走向智能化進程的加快，使得工控信息安全面臨更加嚴峻的風險和挑戰。尤其是近幾年的勒索病毒流行，工業領域也成為重點影響領域。工控網絡安全問題更加需要引起重視。
當前車間現場最為常見的工控網絡安全漏洞有：車間網絡節點的訪問權限缺乏管理限制，供應商的電腦和USB設備隨意連接后容易傳播病毒;也存在私接網絡與外網連接，使整個車間網絡甚至公司的網絡暴露在巨大隱患的外網環境中;此外，車間網絡節點也缺乏最為基本的安全保護，如安裝殺毒軟件、對Windows關鍵漏洞進行升級補丁和關閉不必要的端口等。
對應措施而言，低成本的方案包括：基本的網絡安全設置，相應的網絡安全管理規范，以及需要普及宣貫工控網絡安全的風險意識等。對于重點行業，還應該設置專門的團隊人員，并增加網絡安全的專用軟硬件設施，包括：網絡探針、工業防火墻、工控信息資產掃描及備份、縱深防御、深度包檢測和態勢感知等。
6 云：平臺工具的選型
近幾年，IIoT工業互聯網平臺層出不窮，成為發展的熱點。作為跨界融合領域，出現了各類背景的參與者。包括有工業裝備背景的，如西門子Mindshpere、ABB Ablity、KUKA CONNECT、和利時Hia Cloud;有工業軟件背景的，如PTC Thingworx;有IT技術企業背景的，如阿里ET工業大腦;也有生產制造企業背景的，如海爾COSMOPlat、富士康BEACON和三一樹根等。
跨界涌現的這么多平臺，一方面拓展了認知邊界與跨領域的啟發;另一方面，也讓選擇成為一個困難的決策。畢竟這樣一個平臺，涉及OT/IT，需要在橫向上兼顧多個專業領域的需求，縱向上也要經得起時間的考驗?；谄脚_開發的APP越多，意味著后續的調整代價就會越大。
6.1?關鍵考慮因素
從技術上而言，IIoT平臺通常包含設備接入能力，物模型管理能力、應用開發能力等，其中涉及協議解析、邊緣計算、機器學習、數據可視化、大數據處理和微服務架構等多種技術細節。但從實際用戶場景出發，實際在決策中核心關注的幾個要點可大致歸納如下：
(1)應用案例與平臺生態
判斷一個平臺是否適用，最簡單直接的方式還是看同行業中有多少可參考的應用案例。由于工業領域相對具有很強的行業差異性，IIoT平臺的普適性很難達到消費互聯網的程度。簡單舉個例子，可能某個平臺號稱支持上千種設備接口協議，但在整車廠未必能覆蓋到多少種設備類型。
另一方面，所謂平臺是需要生態匹配的?；诖说牡谌浇鉀Q方案供應商有多少數量和實力，也是一個非常重要的考量依據。
(2)低代碼開發與易用性
傳統IT系統的開發模式，需要有清晰的業務需求，并交由專業的IT技術團隊，通過較長周期的瀑布式開發過程才得以實現。而IIoT的APP應用通常難以在最初就能說明白，需要在過程中迭代完善。所以，平臺的理想模式，需要具備低代碼等技術手段，讓一線的業務人員自身能夠從想法原型到落地驗證快速試錯，敏捷開發，從而實現平臺對業務模式的真正變革。這樣才是真正做到了賦能到業務，讓用戶可以關注于業務而非技術。
雖然僅僅通過快速拖拉拽就能完成APP應用開發的愿景尚為理想化，但平臺在降低開發門檻，實現對業務人員更為友好易用的方向上，依然可以有更大的推進。
(3)平臺技術架構的靈活性
另一方面，平臺技術架構同樣需要考慮兩個最為重要的方面。
其一，是需要兼顧支持私有化部署方式。雖然公有云技術代表著發展方向，但現實情況下，傳統制造行業，尤其是規模大的公司，依然對數據的保密性安全性相對保守。對于生產過程中的數據，短時間內還無法切換到外網環境。
其二，是需要兼顧輕量化部署模式。如果平臺一味從技術上考慮大而全，勢必會造成系統架構龐大，也意味著光平臺本身的基礎資源就要耗費大量的投資。在初期IIoT的APP應用數量還不多，價值收益也尚不明顯確定的情況下，平臺本身的高成本就會導致最終決策門檻的大幅提高。針對初期小規模情況下，簡化裁剪、甚至可以單機部署試用的架構，就會顯得尤為重要。
7 用：應用場景的挖掘
從最終用戶來講，前面的幾個環節其實都只是鋪墊，最終的價值實現其實都是承載在應用之上的。所以，如何基于互聯工廠中所獲取的數據挖掘出對于用戶有價值的點，是最為需要重點考慮的環節。
從價值場景上分類，包括有：工藝質量分析、工藝參數管控、能耗優化、耗材優化、設備預測維護和設備效率優化等。部分IIoT的應用場景方向如圖5所示。并逐步在上述場景中開始構建出一些APP應用的開發。部分實施的IIoT APP頁面如圖6所示。
圖 5?部分IIoT的應用場景方向
圖 6?部分實施的IIoT APP頁面
7.1?考慮的角度
IIoT應用于整車廠，目前整體上行業普遍還在探索階段，有少量的一些案例，但還尚未形成成熟的完整應用場景體系，還需要相關人員結合著經驗進行創造性的挖掘。以下是在過程中歸納出的部分可以挖掘思考的角度：
(1)具體案例收集參考
設備廠家的方案、第三方公司的案例、同行業的案例、跨行業的案例、對應的功能/界面/邏輯和介紹資料需要基于哪些數據實現;
(2)現狀問題需求
設備/工藝的問題清單的收集、哪些問題的需求迫切、哪些可以被改善以及哪些屬于高價值的改善點;
(3)價值分析
成本、收益和案例的效果評價;
(4)數據普通應用
可視化需要哪些表現形式、如何實現診斷分析、具體場景有哪些功能點和是否可以結合其他數據來源聯動分析;
(5)數據算法分析
數據的維度如何多樣化、低頻數據如何匹配數據量要求、數據的結果標簽、項目過程中的數據訓練量、需要打通其他哪些數據、機理模型方面能否說明現有分析因素與結果之間的相關性以及相應的圖表資料。
7.2?應用的功能場景
相對于籠統得呈現出數據圖表，對于用戶而言，更能有直觀感受的是他所熟悉的業務場景和功能需求。從如何開發APP應用才能夠讓用戶感知和認可其價值出發，可以歸納總結出一些功能場景的可行方向。包括：
1)設備狀態管理：當前狀態查看、歷史狀態分析、維護建議指導、運行效率分析和耗材用量分析;
2)工藝參數/結果管理：工藝結果統計趨勢、工藝參數的經驗庫、質量相關性分析、工藝一致性對比和設定參數的版本歷史;
3)數據的多維度查看：按VIN號/一車一檔、多層級統計匯總(按時間/產線/設備/類別等)、TOP統計報表以及同類項跨基地/跨設備對比;
4)一般性功能：程序的備份管理、報警信息和資產清單/狀態信息統計;
5)其他價值點：原廠上位軟件的替代、多品牌上位軟件的統一、跨系統數據的結合分析以及經驗規則的轉化邏輯。
8 結束語
總體而言，基于IIoT系統化地打造互聯工廠是一件非常具有挑戰性的任務。需要涉及到OT/IT，業務/技術等全方面的能力和資源的跨界整合。
單從技術角度而言，整個開發鏈條上需要涵蓋非常廣泛的技術領域，包括：
PLC/ROB編程技術;工業總線技術：如modbus、Profinet、Ethernet/IP和TSN;北向通信協議：MQTT、OPC DA/UA;數據接口技術：如Webservice、restful和ESB;物聯網通信技術：如NB-IoT、Lora;移動網絡通信技術：4G/5G;數據庫通信技術：ODBC、SQL和時序數據庫;特殊格式的解析：如TXT、EXCEL、CSV、JSON和XML;IoT專用采集技術：SDK;數據抓包分析技術：wireshark;網管軟件技術：HiVision;一般IT開發技術：Javascrip、web調試、前端DIV/CSS以及HTML5;數據分析技術：BI、統計;算法模型：SPC、機器學習、深度學習和工業專用算法等。
從端邊管云用的環節而言，也需要各環節之間的統籌協調，比如：端與用的相互拉動：一方面，考慮在不增加額外資源投入情況下，對現有數據通信渠道和數據字段內容充分得識別和挖掘;另一方面，也需要從最終的應用場景反向拉動對數據的需求，包括數據的采集頻率、數據質量和內容等。
綜上，對吉利汽車在基于IIoT技術打造互聯工廠過程實踐中的一些探索。當前已經構建整體架構體系的基礎上，還需要進一步推進實際應用成果的持續落地與價值實現。也希望過程一些思考能給到同行一些借鑒，并共同推進智能制造的進展。
原文刊載于《智能制造》2021年第5期 作者：吉利汽車集團有限公司 ME中心智能制造部 胡曉峰，鄧海軍，王春喜，趙堅，周軍
（轉載）
