胡典钢《工业物联网：平台架构、关键技术与应用实践》是一本从平台架构、关键技术、应用实践3个维度讲解工业物联网如何在生产实践中落地的著作,写的不错,不过章节内容有些重复！本文为该书的读书笔记。
从工业物联网整个技术支撑体系来看，它涉及传感器感知、泛在网络连接、边缘计算、云计算、工业数据建模、大数据分析、人工智能等众多前沿技术领域，并且与工业自动化密切相关，本质上还是“采集-分析-可视化-决策”，只是每个环节的内容都发生了巨大变化。
首先，数据采集的范围显著扩大，从设备扩展到人及一切生产要素，并强调打通信息孤岛，通过接口和系统集成的方式实现业务系统的数据采集，将强物联网属性的数据与其他业务数据联动。其次，数据分析处理的手段更加丰富，处理能力增强，大数据和云计算的普及，加速了数据驱动、数据应用的步伐，以前在单机上做的数据分析与可视化，现在搬到了云上，数据存储能力和算力大幅提升，很多限制已消除。再次，决策依据和手段变多，数据采集维度和分析方法增加，运营技术（OT）与信息技术（IT）融合，使得决策更加准确，同时人工智能（AI）数据模型在特定场景取得的成效也帮助化解了复杂系统的不确定性。
相对于各种炫酷的算法和创新技术，工业更加关心稳定、可靠、成熟的落地案例，获得的收益，持续的高效率和低成本以及高质量。
工业物联网是运营技术（Operation Technology，OT）与信息技术（Information Technology，IT）融合的具体实现。
对工业物联网而言，成功没有捷径，虽然某些业务场景从原理上可能一句话足以概括，但背后的影响因素，技术的、组织的、市场的、地域的、法规的、人性的，任何一个细节都有可能左右项目的结果。
第1章 工业物联网：未来已来
工业物联网的发展背景
工业物联网的发展和智能制造、工业4.0、OT与IT融合以及企业数字化转型密切相关。
制造业从传统模式向数字化、网络化、智能化转变，从粗放型向质量效益型转变，从高污染、高能耗向绿色制造转变，从生产型向“生产+服务”型转变。在此转变过程中，智能制造是重要手段。
智能制造较为普适的定义是：“面向产品的全生命周期，以新一代信息技术为基础，以制造系统为载体，在其关键环节或过程，具有一定自主感知、学习、分析、决策、通信与协调控制能力，能动态适应制造环境的变化，从而实现某些优化目标。”
工业4.0是利用信息技术促进产业变革的时代，也就是智能化时代。
OT人员偏好PLC、DCS、SCADA、HMI、RTU、数据采集以及嵌入式计算技术，而IT人员擅长互联网技术，非常熟悉快速扩展网络规模、云计算基础架构、基于Web的部署和诸如SQL、Java、大数据等技术。OT技术发展相对缓慢，更强调稳定性与可靠性，对于运行中的系统，OT人员倾向于系统保持更长时间不做变更。而IT专注于数字环境，主要考虑数据处理速度、系统可靠性和安全性等问题，IT必须接受快速创新和变革，以跟上技术的不断发展。OT常用现场总线和工业以太网（也在尝试标准以太网），对数据实时性（毫秒级或微秒级）和传输确定性要求很高，网络传输低抖动，而IT通常是非实时的，秒级响应就足够了，网络主要采用标准以太网，OT与IT融合首先要解决网络互联、数据互通的问题。而不同供应商的自动化水平、软硬件平台以及通信协议均不同，导致数据的收集、整合以及场景标准化非常困难，除了差异性之外，出于工艺保密性以及安全隔离性方面的考虑，很多OT系统在设计时并未考虑对数据开放，有些制造现场在没有IT系统参与时也运营得很好，迫切性并非想象的那么高，此时需要综合考虑经济性和企业长远战略，只有对数据驱动的价值有了充分认识，才能下决心推动OT与IT融合。
数字化转型是指利用现代技术和通信手段，改变企业为客户创造价值的方式。数字化转型至少有3个层次。一是信息的数字化，二是数字化提升流程效率或流程数字化，三是数字化转型，着力于实现“业务的数字化”，使公司获得新的商业模式和核心竞争力。
工业物联网的内涵与本质
旧的数据经过重新包装，在新的信息系统里呈现，这是很多数字化项目的通病，需要注意。工业物联网能够帮助企业获取和分析数据，将从中提取的洞见转化为行动来解决问题，加速决策制定流程。
工业物联网有两层含义：一是在企业内部实现工业设备（生产设备、物流装备、质量检验、能源计量、车辆等）、业务流程、信息系统、企业的产品和服务、人员之间的互联，实现企业OT与IT互联，实现从车间到决策层的纵向互联；二是实现企业上下游（供应商、经销商、客户、合作伙伴）之间的横向互联，从产品全生命周期的维度，实现产品从设计、生产制造、服役，到报废、回收、再利用整个生命周期的互联。
当回归业务本质并按需驱动时，可将企业的诉求归属于5个维度：降本增效、质量与安全（风险控制）、运营常态化需求、企业战略以及提高收入，对于企业内部，工业物联网通常不直接创造收入，它主要在其他4个维度发挥作用，只有当企业走出去，将工业物联网解决方案对外输出，提供数字化服务时，它才会为企业带来营收。
工业物联网产业现状
工业物联网体系架构大致分为感知层、网络连接、平台层和应用层。
对于业务方，需要先定义需求内容及其边界。对于长期复杂项目，应该有策略地划分多个阶段。通过需求引导到价值，从业务痛点出发，对需求优先级进行排序。
内部方案团队常犯的一个错误是追求大而全，甚至自己“创造”需求，在工业物联网项目或其他数字化转型项目中经常发生这种情况。
想着总体架构要设计好，将来的功能得好好规划，将来功能的每个业务指标也应该仔细理一理，兼容性怎么办，得琢磨琢磨，然后技术方案得有先进性，要不然不好宣传，于是越做越复杂。
工业物联网面临的挑战
在很多应用场景中，工业物联网深陷试点困境，无法规模化应用。陷入试点困境的原因有很多，例如试点的商业价值难以证明，导致规模化成本居高不下；工业物联网涉及的技术范畴非常广，对于资源有限和能力欠缺的企业，显得过于复杂和技术难度大，难以实施；企业管理层目前只关注到短期降本增效等商业价值，缺少长远的数字化战略；缺少业务部门牵头的项目决策；缺乏生态圈内的合作伙伴等。
明确公司定位，未来在产业链的地位，与客户、合作伙伴、渠道、竞争对手的关系，厘清价值目标，梳理业务痛点，是首要关注的问题。
无论是业务方、外部解决方案商，还是内部方案团队，要避免只谈投资不谈回报、只谈技术不谈业务、只谈软硬件不谈组织支撑。
无论是研发设计、生产制造、运营管理或者运维服务的各个环节，应该努力给对应角色输出决策建议，并不断提高决策建议的准确性。
既懂业务又懂技术。这不是说要把责任集中于一个人身上，而是对整个团队提出的要求。如果团队拥有跨领域知识的综合性人才，这是非常难得的，意味着这个人对自动化、互联网、企业信息化管理和大数据分析等方面有着深厚的积累和深刻的见解。
工业物联网的另一个挑战在于技术范畴非常广，由于同时涉及OT和IT，因此需要组织有效的人才支撑。
第2章 工业物联网体系架构
从业务视角到体系架构
从战略到目标价值，再到组织能力，最后落实到需要什么数据和信息，体系架构应该如何设计。从业务视角到体系架构是一个连续的过程。
工业物联网体系架构图
工业数据采集利用泛在感知技术对多源异构设备和系统、环境、人员等一切要素信息进行采集，并通过一定的接口与协议对采集的数据进行解析。
工业数据采集的广泛性，使得它具有一些鲜明的特征，例如多种工业协议并存，大多数时候数据带有时间戳信息，并具有较强的实时性。
物联网的特点在于实时性和真实性，且不依赖于人的主观能动性。
网络连接分两个层次——网络互联（Interconnectable）和数据互通（Interworkable）。网络互联指实体间通过网络连接，实现数据传递，重点在于物理上的连通（物理层）和数据分发（链路层和网络层）。数据互通指建立标准的数据结构和规范，使得传递的数据能被有效地理解和应用，数据在系统间无缝传递，各种异构系统在数据层面能够相互理解。
边缘计算主要为了解决实时性、网络可靠性、安全性等问题。边缘计算是相对云计算而言的，二者为互补关系，如果要让边缘计算发挥更大的威力，则需要将两者结合，即边云协同，边云协同涉及边缘计算架构设计。人工智能物联网融合了AI技术和IoT技术，而轻量级边缘智能恰恰是物联网在边缘端结合人工智能技术的AIoT应用，它在系统级芯片的基础上，加强了数据运算能力。AIoT应用并非一定涉及AI芯片，有些只是采用了常规的微处理器甚至是单片机，在内存充足的情况下，它们也能运行一些基本算法，实现轻量级边缘智能。
平台本身通常不直接面向业务问题，不创造业务价值，价值变现依赖于具体的应用，这导致客户或决策层有时很难理解平台的价值。建设平台应该坚持以目标价值为导向，尊重产业规律和行业特征，避免求大求全、大而不精或堆砌各种软肋功能。
从功能上，工业物联网平台将包含感知层数据接入、大数据系统、工业数据建模、工业APP模板/微服务组件以及应用开发5个部分。
无论是进行工厂车间数字化、生产运营过程管理，还是设备智能维护，当回归业务本质并按需驱动时，我们都应将企业的诉求归属到具体的价值维度，然后利用平台支撑，更快、更简单、更容易地部署应用。
关于工业物联网体系构建的思考
并非架构千篇一律，而是未抓住架构背后要支持的业务本质。本质清楚了，自然知道体系架构的重点在哪里，才会有所侧重。
不用等平台建好了再做工业物联网应用，可以有很多种方式去验证想法，例如开发简易测试程序、使用第三方的平台做前期测试等。
在条件允许时，尽量按顶层统筹规划，有计划有步骤地推行，这样是最合理的，如果实际条件有限制，应直面客观现实，以最快的方式论证设想，得出结论。
工业物联网需要具备什么样能力的团队，要结合企业的定位和目标而定。
工业物联网技术趋势
工业物联网通过自主感知数据采集、学习、分析和决策闭环，支撑工业资源泛在连接、弹性供给和高效配置，其中数据采集和泛在连接是基础。大数据和云计算的普及，加快了人们追逐数据驱动、数据应用的步伐。
一直以来，工业领域强调机理模型、行业Know-How以及行业知识图谱。我们既不应该夸大AI的效果，大量AI项目在工业场景无法规模化落地时便已经指出了这个问题，也无须一味排斥AI，而是应该保持开放的心态，仔细对AI在业务场景落地的可行性加以甄别和研究。
平台的重心，一方面在于不断提升通用能力，夯实基础，使平台复制性变强；另一方面则是不断丰富平台上的用例，实现用例沉淀，能力复用，从做项目变为做产品，继而建立平台优势。
架构只是思想，指导我们养成较完整的框架意识，真正落地，依赖于工业物联网方案下沉，以解决问题、创造价值为导向。
第3章 工业物联网感知
工业物联网感知层的内涵
广义上，工业数据采集分为工业现场数据采集和工厂外智能产品/移动装备的数据采集（工业数据采集并不局限于工厂，工厂之外的智慧楼宇、城市管理、物流运输、智能仓储、桥梁隧道和公共交通等都是工业数据采集的应用场景），以及对ERP、MES、APS等传统信息系统的数据采集。如果按传输介质划分，工业数据采集可分为有线网络数据采集和无线网络数据采集。
1) 多种工业协议并存
工业领域使用的通信协议有很多，如PROFIBUS、Modbus、CAN、HART、EtherCAT、EthernetIP、Modbus/TCP、PROFINET、OPC UA，以及大量的厂商私有协议。
2) 时间序列数据
工业数据采集大多数时候带有时间戳，即数据在什么时刻采集。
3) 实时性
包括数据采集的实时性以及数据处理的实时性。
工业数据采集体系包括设备接入、协议转换、边缘计算。
根据硬件载体不同，将设备接入产品分为以下3类，分类并非绝对，不同类别之间的差异，在于其侧重点不同。
1) 通用控制器
来自工业装备大脑主控，例如可编程逻辑控制器（Programmable Logic Controller，PLC）、微控制单位（MicroController Unit，MCU）等，工业自动化领域存在很多控制和数据采集系统，如分布式控制系统（Distributed Control System，DCS）和数据采集与监视控制系统（Supervisory Control and Data Acquisition，SCADA），它们在承担本职功能的同时，可以作为接入设备使用。
2) 专用数据采集模块
专用数据采集模块，采集现场对象的物理信号，传感器将物理信号变换为电信号后，专用数据采集模块通过模拟电路的A/D模数转换器或数字电路将电信号转换为可读的数字量。
专用数据采集模块的形式可能是数据采集板卡、嵌入式数据采集系统等。
3) 智能产品和终端
智能产品和终端，强调远程无线接入和移动属性。
工业数据采集关键指标
传感器电信号可分为模拟信号和数字信号。模拟信号反应物理世界连续变化的现象，数字信号则对应开关状态，非0即1。模数转换器（Analog to Digital Converter，ADC）是数据采集设备的关键组件。
电信号中的模拟信号采集关键指标：
1）分辨率
分辨率（Resolution）指ADC位数，ADC位数越高，越能够准确地还原真实信号。
2）量程
量程（Range）是数据采集设备能测量的信号范围，高级数据采集设备具有可变量程，量程可设置，通过内部可编程增益放大器实现。
3）采样率采样率fs（Sample Rate）指每秒钟采集的信号样本数量。
4）绝对精度
实际测量时，测量值与真实输入值之间总会存在一定偏差。虽然每次测量时，这种不确定程度是不固定的，但它有一个范围，此不确定范围为数据采集设备标称的最大误差，即绝对精度（Absolute Accuracy）。
5）校准
应定期校准硬件，以保证精度。
工业通信基础
电信号变为可读的数字量后，在信道中传输时存在多种方式，如并行传输与串行传输、同步传输与异步传输、单工传输与双工传输。通常在设备内部有高速数据传输要求时使用并行传输，而在设备之间的线路上采用串行传输，相应地在发送端使用并/串转换接口模块，在接收端使用串/并转换接口模块。
串行传输分异步传输和同步传输两种情况，异步传输指收发端拥有各自独立的时钟，同步传输指收发双方采用同一时钟信号完成数据传输。
数据传输具有方向性。单工通信模式的硬件最简单，发送方只有发送链路，而接收方只需接收链路。半双工通信允许数据双向传输，虽然通信双方都可以发送数据或接收数据，但不能同时发送和接收，同一时刻只能有一方作为发送方。
全双工模式允许数据双向传输，且任一方可以同时发送数据和接收数据，全双工模式下，传输线路具有两条独立的数据通道，全双工模式通信效率最高，相应硬件成本也高。
网络拓扑由节点和链路组成，节点可以是各种设备或服务器对象，而链路负责节点之间的连接。
常见的网络拓扑有星形拓扑、总线拓扑、环形拓扑、树形拓扑，以及衍生出的更复杂的拓扑。
有线设备接入
现场总线的几个关键词：数字化、总线、高度分散、实时性、协议开放。
Modbus是一种串行通信协议，由Modicon公司（现在的施耐德电气）于1979年提出，已成为工业领域通信协议的业界标准之一，是工业电子设备之间常用的通信方式，广泛应用于工厂车间级通用性通信任务。Modbus使用比较广泛的原因有两个：1）公开发表并且无版权要求；2）相对易于部署和维护。
工业以太网，一般指技术上与标准以太网兼容，同时采取改进措施使其更加适合工业应用场景，常见的工业以太网协议有Modbus/TCP、Ethernet/IP、PROFINET、EtherCAT等。
工业以太网有两个大的发展方向，一是不断提高实时性，二是更好地兼容标准以太网和IP。
无线设备接入
无线网络连接按通信距离可粗略分为短距离通信和长距离通信，短距离无线通信如Wi-Fi、BLE、RFID和ZigBee等，它们通过一定的拓扑构成一个网络，可以是星形拓扑、树形拓扑，甚至网状拓扑。在短距离通信中，网关扮演着重要角色。蜂窝网络、低功耗广域网和卫星通信属于中长距离无线通信的例子。
协议转换
协议解析目的在于对不同工业协议进行统一解析、转换以及地址空间重映射，以转换成统一协议，实现设备之间、设备和系统之间、系统和系统之间的互联互通。
第4章 工业物联网网络连接
OSI参考模型
（Open System Inter-connection Reference Model，OSI参考模型）将整个网络分为7层，从底层往上分别是物理层、数据链路层、网络层、传输层、会话层、表示层和应用层，现场总线涉及OSI参考模型的第1层（物理层）、第2层（数据链路层）及第7层（应用层）。
网络为什么要分层呢？分层的目的在于利用层次结构把开放系统的信息交换问题分解到一系列可以控制的软硬件模块中，把大问题分割成多个小问题，每一层可根据需要独立修改或者进行功能扩充，易于实现标准化。如果某一层发生了变化，只要其接口不变，就不会对其他层造成影响，这有利于不同制造厂家的设备互连。
网络互联和数据互通
网络互联指实体间通过网络连接，实现数据传递，重点在于物理连通（物理层）和数据分发（链路层和网络层）。
数据互通强调的是语义，即用计算机、控制器和设备等都能听懂的语言，这样就能够轻松交互。数据互通对应OSI参考模型的传输层和应用层，深刻了解这两个层次的拆分对于理解网络连接有着重要意义。
当前工厂内的典型网络呈现“两层三级”的结构，层指工厂OT网络（OT层）和IT网络（IT层），OT层为自动化控制和监测系统提供支持，以确保生产正常进行，强调稳定性与可靠性。
对于运行中的系统，OT人员更倾向于保持系统长时间不做变更。IT层的职责包括支持业务和企业管理职能，提供网络访问和连接。
三级指现场级、车间级和工厂级，是根据工厂管理层级来划分的，每层的网络配置和管理策略相对独立。
协议接口层面的约定是数据互通的简单层次。关于横向互通，一种方法是使用行规（Profile），行规是特殊设备或针对特别应用而事先定义的函数及特性组态。关于纵向互通，标准以太网和工业以太网都在往这个方向努力。
集线器、交换机和路由器分别工作在物理层、数据链路层和网络层。中继器的作用是将已经衰减得不完整的信号经过整理，重新产生完整的信号再继续传送。中继器和放大器类似，都起到信号放大作用，区别在于放大器对模拟信号放大，而中继器放大的是数字信号。中继器是普通集线器的前身，集线器实际上就是多端口的中继器。交换机工作在数据链路层，也叫交换式集线器。通过对报文重新生成并处理后再转发至指定端口，交换机具备自动寻址和交换能力。
路由器工作在网络层，简单地说，路由器把数据从一个子网发送到另一个子网，实现主机间的跨网段通信。网关（Gateway）的主要作用是通过协议转换实现两个高层协议之间的网络互联。网关不特指某一类产品，它是一个逻辑上的概念，防火墙、三层交换机、服务器和工控机等也可以承担网关角色。网关的主要转换项目包括信息格式转换、地址转换和协议转换。
有线网络互联
时间敏感网络（TSN）是工作于数据链路层的协议标准，相对于工业以太网，TSN在不断提高网络实时性，并在兼容以太网和IP的路上走得更远。虽然TSN完全兼容标准以太网，但并不意味着采用标准以太网就可以获得高实时性，TSN的高精度时钟同步和微秒级实时性，需要专用芯片来实现，只不过专用芯片向下兼容以太网，可降级在以太网链路上传输非实时数据，而工业以太网之前的硬实时方案与标准以太网不兼容，这是最大的差别。
交换机分三层，分别为接入层、汇聚层与核心层。通常将网络中直接面向用户连接或提供网络访问的部分称为接入层，接入层交换机负责连接主机到网络，具有低成本和高端口密度特性。汇聚层介于接入层与核心层之间，汇聚层交换机作为多台接入层交换机的汇聚点，处理来自接入层的所有数据流量，并提供到核心层交换机的上行链路。汇聚层是可选项，很多小型网络没有汇聚层。网络主干部分则称之为核心层，由于核心层交换机通过高速转发，提供优化可靠的骨干传输结构，因此核心层交换机具有最高的可靠性、性能和吞吐量。
通常，处于同一个局域网中各个子网间的互联由三层交换机代替路由器，而局域网与公网或外网之间如果要实现跨地域的网络访问，则通过路由器完成。
从接入层、汇聚层到核心层，越往上数据越集中，如果交换机出现故障，越往上产生的影响越大，核心层交换机通常设计有主备，以保障网络正常工作。
无线网络互联
低功耗广域网（Low-Power Wide-Area Network，LPWAN）如NB-IoT、LoRa和ZETA。NB-IoT和LTE-M是3GPP为物联网应用开发的两种LPWAN技术，基于低带宽蜂窝通信协议，专为少量数据传输的物联网设备而设计，具有较低成本和较长电池续航的特点。
3GPP按终端能力等级划分了多个类别（Category，Cat），不同等级代表终端所支持的数据处理能力（下行、上行速率）和调制编码能力。这些类别的划分有助于满足不同用户对网络速度、功耗和成本等方面的不同需求，同时也为网络设备制造商提供了明确的技术标准和指导。
2020年4月，工业和信息化部办公厅发布《工业和信息化部办公厅关于深入推进移动物联网全面发展的通知》，推动2G/3G物联网业务迁移转网，建立NB-IoT（窄带物联网）、4G（含LTE Cat-1）和5G协同发展的移动物联网综合生态体系，在深化4G网络覆盖、加快5G网络建设的基础上，以NB-IoT满足大部分低速率场景需求，以LTE Cat-1满足中等速率物联需求和话音需求，以5G技术满足更高速率、低时延联网需求。
可以简单地把Cat-1理解为限速版4G，基站也不用升级，4G基站铺到哪，Cat-1就覆盖到哪。
NB-IoT是基于蜂窝的LPWAN技术，其他非蜂窝LPWAN技术包括LoRa、Sigfox和ZETA，它们大多数工作在Sub-GHz频段（<1 GHz），网络信号穿透力强，非蜂窝LPWAN技术为物联网规模化应用部署提供了新的选择，它们通常体现以下特点。距离远、覆盖范围广，可达数十公里。低功耗，电池寿命长达10年。通信频次低、传输数据量少、数据速率低、占用带宽小。传输时延不敏感，对数据传输实时性要求不高。满足规模大部署要求的低成本。
物联卡帮助智能终端设备实现联网和身份认证，由运营商统一提供，仅面向企业用户进行批量销售，需要企业用户实名认证，不面向个人用户。物联卡广泛用于智能表计、车载智能终端、共享单车智能锁、移动支付、智能摄像头、自动售卖机和智能摄像头等场景。
嵌入式SIM卡（Embedded-SIM，eSIM）将传统SIM卡直接嵌入设备芯片，而不是作为独立的可移除零部件加入设备，由于用户无须插入物理SIM卡，因此具备抗震、稳定性更强的优点。因为其可编程特性，支持通过OTA方式进行远程配置，更新运营商配置文件，实现网络切换，所以从技术角度，用户将不必来回插拔，频繁更换SIM卡，而是可以通过应用或网页直接访问远程服务，即可在全球范围内将智能终端设备连接到选定的当地网络，并且能动态切换，使设备始终处于优质网络中。
出于对eSIM空中写入配置文件过程的安全性担忧以及对运营商利益带来的冲突，国内eSIM并不支持运营商切换。
为保证无线链路正常通信，须考虑无线信号的有效覆盖范围和传播距离，而穿透性、绕射性以及传播损耗（自由空间传播损耗，波长越长，损耗越小）与信号覆盖和传播距离密切相关。频率高的信号穿透力强，衰减也快。整体上看，高频率电磁波的波长短，绕射能力弱，穿透力强，衰减快，传输距离短。我们家里的路由器分2.4 GHz和5 GHz两个工作频段，2.4 GHz频段穿墙能力比5 GHz强，指的是2.4 GHz信号的绕射能力强，并非指穿透力。因为低频段信号绕射能力强，覆盖广，所以低频段是黄金频段，频谱资源宝贵。
除了频段资源有限这个重要因素，信号功率、接收灵敏度及天线增益，对于信号的传输距离和网络覆盖范围均有重要的影响。
信号发射功率越强，传播距离越远。接收灵敏度指接收机（射频接收链路）能够正确识别出有用信号时的最小功率。接收灵敏度受三方面因素影响，分别是带宽范围内的热噪声、系统的噪声系数及解调所需信噪比（Signal Noise Ratio，SNR)。天线增益用于衡量天线朝特定方向收发信号的能力，相同条件下，天线增益越高，电磁波传播距离越远。
按照NB-IoT空口设计规范，它的覆盖能力应该比4G更强，适用于厂区、地下车库、井盖这类对深度覆盖有要求的场景。
数据互通：OPC UA
开放平台通信统一架构（OPC Unified Architecture，OPC UA）是目前备受业界关注的技术，OPC UA被认为是有前途的、能实现持续信息交换的标准。由于OPC UA纳入很多技术，包括多种通信机制、信息模型等，因此它不仅是一种应用层协议。其核心在于统一，而实现在于各种“集成”。
OPC UA包含3个集成：1）通信集成，把通信的客户端/服务器（Client/Server）、发布/订阅（Pub/Sub）机制予以集成，确保连接性；2）基础信息模型、垂直行业信息模型集成，信息模型定义标准的数据结构和规范，这样可以降低在具体项目中的工程成本，避免编写大量的程序和各种驱动接口；3）信息安全机制集成，确保信息被安全地发送出去。
OPC UA在工业4.0中的重要性在于通过面向对象的技术，将物理设备、传感器、电机等描述成一个个对象，形成数字化模型，让不同的软件可以像调用对象那样来访问和控制设备。
OPC UA定义了两类安全协议——UA-SecureConve-rsation和WS-SecureConversation，两者都是基于证书建立连接，OPC UA采用内嵌安全机制来保障数据互通的安全。关于OPC UA安全机制的介绍，可参考Wolfgang Mahnke编写的《OPC统一架构》第7章内容。
信息模型则解决语义的问题，让不同对象之间相互理解。在OPC UA模型框架中可以看到，它采用了信息模型分级，并划分了3个层级，分别是基础信息模型、行业信息模型及特定厂商扩展模型，越往上针对性越强，普适性越弱。这种层级差别，不同层级信息的详细程度不同，其实也体现在类的层次结构以及继承关系上。
在平台无关、开发语言无关的前提下，如果OPC UA能沿着设想的路径向前推进，将实现工业物联网网络架构简化、工程实施成本降低（减少了大量接口开发和适配工作）、厂商依赖风险降低并消除信息孤岛。技术是好的，也有人提出担心，觉得OPC UA要做的是一统的东西，大一统可能导致整个协议栈变得很重，无法轻量化，并且性能无法做到最优，这些都是OPC UA要考虑的问题。
第5章 边缘计算
边缘计算：新瓶装旧酒？
边缘计算是相对于云计算而言的，它将云计算的计算、存储和网络能力下沉到靠近数据源头的地方。
Gartner 2019年新兴技术成熟度报告指出，边缘分析（Edge Analysis）和边缘人工智能（Edge AI）处于期望增长阶段，边缘分析和边缘人工智能将越来越多地被用于对时延敏感（例如自动驾驶）、易受到网络中断影响（例如远程监测、面部识别、自然语言处理）或数据密集型（例如视频分析）的应用中。
边缘计算主要是为了解决实时性、网络可靠性、数据安全性等问题，近年来，物联网安全攻击事件频发，防范数据灾难的一个必要措施是采取隔离手段，边缘计算从根源上在本地保障数据安全。除了企业自身对数据安全的要求之外，有时出于国家政策层面的原因，要求数据脱敏后才能上传到云端，而边缘计算就承担了数据脱敏预处理的工作。
担任边缘计算的角色。概括起来主要分为三类：工业网关、工控机和服务器。
通俗地讲，工控机是专为工业现场而设计的计算机，而工业现场环境振动大、灰尘多、电磁干扰强，经常要求连续不间断作业。与普通计算机相比，工控机应具备更高的可靠性和更好的扩展性。与工业网关或其他小型微控制器相比，工控机具有更高的数据处理性能。
边缘计算和边云协同
对于边缘计算和云计算协同，云计算聚焦于非实时、长时间跨度的数据分析，能够在周期性维护、业务决策等领域发挥特长；边缘计算则聚焦于实时、短时间跨度的数据分析，支持本地快速决策。边缘节点能将处理后的特征信息输出给云端，支撑云端更精准的数据分析。反之，云端通过数据分析，对业务规则进行调整和优化，并下发给边缘，于是边缘能基于新的业务规则处理数据。
边缘计算框架通常都提供数据预处理和数据脱敏、消息转发、协议转换等服务，并支持容器化部署，将云端服务扩展到边缘。
AIoT：带边缘处理能力的节点
AIoT=AI+IoT，即人工智能物联网，这是从2018年开始兴起的概念，它融合了AI技术与IoT技术，通过物联网在终端和边缘端产生并收集数据，利用AI技术和大数据分析手段，实现数据化基础上的智能决策，AI增强了物联网决策能力，而物联网为AI提供训练算法的数据。广义上，AIoT指AI与物联网在实际应用中的落地融合，它并非一个全新的技术，二者的结合既可以发生在终端和边缘端，也可以发生在云端。
智能传感器反映的是单个芯片上集成了一个完整的电子系统，这便是系统级芯片（System on Chip，SoC），有时也称为片上系统。在集成电路领域，SoC的定义是“由多个具有特定功能的集成电路组合在一个芯片上形成的系统或产品，其中包含完整的硬件系统及其承载的嵌入式软件。”
SoC是对处理器、数字信号处理器（Digital Signal Processing，DSP）、存储器、通信接口模块、电源管理模块、射频前端模块（针对无线SoC）、ADC/DAC模拟前端模块以及嵌入式软件的集成。
AI分为训练（Training）、测试（Test）和推理（Inference）三部分，AI芯片主要有3种——图形处理单元（Graphics Processing Unit，GPU）、现场可编程逻辑门阵列（Field Programmable Gate Array，FPGA）以及定制集成电路（Application Specific Integrated Circuit，ASIC）。云端训练和推理以GPU为主，也有ASIC和FPGA的方案，边缘端则主要采用ASIC和FPGA加速器方案。
边缘端AIoT可理解为增强了数据运算能力的SoC，边缘端AI芯片基本上是SoC形式，通过SoC整体设计来优化硬件效率。
预测性维护
预测性维护是一种现代化的工业设备维护及运营策略，由于涉及现场数据采集和分析，因此需要边缘计算的支持。
设备的维护大致分为3种策略——修复性维护（Reactive Maintenance）、预防性维护（Preventive Maintenance）和预测性维护（Predictive Maintenance）。
除了降低成本和提升效率之外，预测性维护还将带来商业上的潜在增长，为企业增加经济效益。预测性维护通过实时了解设备的工作状态，突破了传统的点检定修模式，降低了对过往经验的依赖程度，将周期性维护变为有针对性地维修保养，降低了维护成本，变被动维修为主动维修。虽然听起来不错，但预测性维护策略并非适用于所有场景。
美国智能维护中心建议从两个维度对故障进行分类：故障发生频率，故障发生后产生的影响程度，预测性维护适合发生频率不高，影响却很大的故障。如果故障频繁且影响大，说明系统设计有问题，须改进设计。对于发生频率高、影响小的故障，准备更多备件就可以很好地解决。而对于频率低、影响小的故障，传统的维护方法足以应对。
除了故障分类，还需考虑一个重要的前提条件，那就是故障可预测性，设备从潜在故障到性能失效，存在可被检测和发现的潜伏期。
对于预测性维护的适用场景，通常认为设备和设施的失效存在一个过程——从潜在故障（Potential）到功能丧失（Failure），在这一段区间内，虽然故障已经发生，但设备仍可运行，且不致产生更大的影响，这段区间称为“P-F间隔。值得注意的是，P-F间隔并非固定不变，即使对同一设备，使用的监测手段越精密，就有可能越早发现潜在故障，留给预测性维护的P-F间隔就越长。
在实施预测性维护之前，需要做详细的可行性分析和方案评审。须明确列出以下内容：筛选出预测性维护的对象。实施预测性维护的目标结果。设备失效所带来的损失及影响的量化估算。调研设备须实现的功能及可能导致该功能失效的原因。分析关键部件的失效模式并找到可以监控出部件潜在失效点的方法。工厂现有系统的数据采集情况与数据质量摸底。预测性维护整体技术架构和解决方案设计以及预计投入。关联组织的人员和流程沟通。确定实施阶段和时间周期。
预测性维护的规模化应用，离不开将专家知识转换为工业数据建模并形成具有行业特征的知识库和知识模板。
预测性维护方案实施分5个步骤——数据采集、特征提取和降维、模型训练、模型验证、模型部署。
通常将模型分为三类，分别是健康基准模型、故障诊断模型和寿命预测模型，
在项目中使用哪种类型的模型，取决于有多少数据。
如果非计划停机允许在5%～10%范围内，预测性维护可能变为一个可选项，而且是不那么经济的选项。在评估预测性维护项目时，应该将非计划停机因素纳入进来。
追溯：工业自动化
分布式控制系统（Distributed Control System，DCS）属于典型的OT系统，工作于现场级和车间级，DCS自带边缘计算基因。分布式控制系统，也叫集散控制系统，核心思想是将控制功能分散，以此降低风险。
现场总线是全数字化、双向、多站点的串行通信网络，基于现场总线的控制系统也被称作现场总线控制系统（Fieldbus Control System，FCS），属于新一代DCS。
DCS体系结构包含3个层级，分别是现场控制级、操作监控级和信息管理级。
为保证系统可用性和可靠性，DCS会针对重要设备和网络链路做冗余设计和处理。冗余意味着增加投资，需要在投资增加和系统故障造成的损失之间做权衡。
在DCS系统中，网络连接非常重要，不同层级对网络的速率、实时性、可靠性以及网络隔离的要求是不一样的。
在DCS典型体系结构中，数据采集与监视控制系统（Supervisory Controland Data Acquisition，SCADA），位于操作监控级，重点在于数据采集和监视控制。
边缘节点续航陷阱
尤其体现在可移动、户外、无源监测对象、后装物联改造等场景。续航时长与电池容量以及节点功耗直接相关。
电池容量受环境温度、工作电流、自放电等因素影响，而节点平均功耗与它的硬件功能单元以及应用场景业务要求密切相关，需要综合评估。对于物联网设备，尤其是SoC嵌入式硬件架构，它的功耗主要来自处理器、外设和射频收发器。
电池容量是指在一定的放电条件下可以从电池获得的电量，单位为A·h或mA·h，比容量是指单位质量或单位体积的电池容量，比容量对于动力电池而言是最重要的参数，电池能量等于电池容量乘以工作电压，单位为W·h（也就是焦耳），它表示电池在一定条件下对外做功所能输出的电能。
比能量即单位质量或单位体积电池能量。关于电池续航能力的对比，需要注意不同类型的电池切勿直接比较电池容量，应该比较电池能量。比功率也称作功率密度，指单位质量或单位体积电池输出功率，单位为W/kg或W/L。比功率反映了电池承受的工作电流。倍率指电池充放电时，充放电电流与额定容量的比值，倍率通常用C表示。
倍率越大，电池以越大的电流进行快速充电或快速放电。
一次电池即原电池（primary cell、primary battery），是指放电后不能再充电的电池。
二次电池又称为充电电池或蓄电池，是指放电后可通过充电的方式激活活性物质从而继续使用的电池，例如镍氢电池、铅酸电池和锂离子电池。
在实际使用过程中，电池的安全性非常重要，要求不爆炸、不起火、不漏液，万一发生事故时不能对人造成伤害。可靠性测试主要模拟电池使用不当和极端情况下的表现，常见的测试项如下：过放电，过充电，短路，热冲击，跌落，振动，挤压，重物冲击，针刺。电池可靠性测试安全标准，主要依据国家强制标准GB 31241-2014，国际标准IEC 62133。
第6章 云计算
工业知识体系强调的是可靠性、稳定性、延续性以及充分意识到现场资源的有限性，技术的发展是渐进式的。
- 云计算为何兴起
云计算拥有5个特征——网络接入、弹性、资源池化、可计量的服务以及按需自服务，它基于网络接入提供用户所需的弹性资源，而弹性建立在资源虚拟化和池化上。 - 云计算服务模式
云计算有3种服务模式，分别是基础设施即服务（Infrastructure as a Service，IaaS）、平台即服务（Platform as a Service，PaaS）以及软件即服务（Software as a Service，SaaS）。每种云计算服务模式，都通过一定程度的资源抽象，降低了用户构建和部署应用的复杂性。 - 云计算部署模式
云计算主要有3种部署模式——公有云、私有云以及混合云。 - 上云的挑战：错误预期
有人把云计算奉为解决问题的灵丹妙药，上云包治企业百病，而忽视了自身的经营问题、生产问题、研发问题。有人认为云计算是绝对安全可靠的，只要上了云，应用系统安全性与可靠性问题就都解决了。有人认为应该做大做全，一次性完成企业上云，而不是循序渐进，否则何时才能见到规模化效应。有人认为企业上云将大大降低成本，把可见的账算一下，效益很容易出来了，而忽视了企业应用程序有可能需要重写，需要使用云厂商提供的新工具，才能部署到云中。还有些人认为企业上云就完成了数字化转型。
大众热捧一项技术，就很容易神化它，导致走向极端——认为技术是万能的。
技术不是万能的，别人的成功，到你这里并非照搬就能成功。 - 虚拟化技术
虚拟化技术是云计算的基础，没有虚拟化，就无从谈起资源池化和快速弹性。虚拟化技术从数据中心时代开始。虚拟化技术的实现是在系统中加入一个虚拟化层，将下层的资源抽象成一种软件可编程的逻辑资源，供上层使用。虚拟化层又称作虚拟机监控器（Virtual Machine Monitor，VMM），而它更耳熟能详的名字是Hypervisor。 - 服务化
服务是一种经过抽象的理念，在计算机编程世界里，服务有两个重要特征——自治和管制。自治代表服务不能被外部牵制，服务是受管制的，为了保持服务自治，在涉及系统之间调用协调时，经常采用异步机制。
机器之间远程调用的标准即RPC，通过RPC，客户端可以像调用本地接口一样调用远程服务。一个RPC框架需要包括协议约定、网络传输和服务发现三部分。协议约定定义了远程过程调用的语法，包括如何传参。网络传输指网络发生错误、丢包或者出现性能问题时如何处理，应对机制是什么。服务发现指客户端如何知晓服务器有哪些服务可调用，从哪个端口访问。有了RPC框架，调用一台远程机器上的接口代码和利用本地方法调用代码看起来没什么区别，从而降低了分布式系统开发的难度。
面向服务架构是一种思想，一种架构理念。它的提出是将耦合的系统划分为松耦合的粗粒度的无状态服务，服务发布出来供其他服务调用，一系列服务构成了SOA架构下的系统。
SOA架构理念将应用程序的不同功能单元（称为服务）进行拆分，并通过这些服务之间定义良好的接口和协议联系起来。接口采用中立的方式定义，即独立于实现服务的硬件平台、操作系统和编程语言。
所谓服务就是精确定义、封装完善并独立于其他服务所处环境和状态的函数。
SOA的关键特性是粗粒度、松耦合、服务之间通过简单和精确的定义接口进行通信、不涉及底层编程接口。使用RPC样式架构构建的基于简单对象访问协议（Simple Object Access Protocal，SOAP）的Web服务（Web Service）以及HTTP REST，是实现SOA的常用方法。
微服务架构是一种方法，它提倡将单一应用程序划分成一组小的服务，服务之间互相协调、互相配合。每个服务运行在独立的进程中，服务与服务之间采用轻量级的通信机制互相协作（通常是基于HTTP的RESTful API）。每个服务都围绕着具体业务进行构建，并且能够被独立部署到生产环境中。
微服务拥有独立部署和灵活扩展的优势。微服务架构将单个应用组件化、服务化，并且具有以下特点。围绕业务拆分功能。去中心化的管理，每个微服务可用不同的语言开发，而不受限于某个框架。纵使设计千变万化，重要的是了解每种架构设计背后的原因及其适用场景，没有一招通吃，不应盲从，任何一种架构的设计都代表某种折中（All design is about tradeoff）。
基于SOAP的Web服务采用比较冗余的XML数据格式，而REST样式的Web服务使用JSON（也可以用XML），格式更加简洁易懂。REST是一组架构约束条件和原则，满足这些约束条件和原则的应用程序或设计就是RESTful，HTTP是采用RESTful风格的典型代表。REST最重要的原则是客户端与服务器之间的交互在请求之间是无状态的。应用的状态由客户端维护，服务器不存储任何状态。 - Docker容器技术
虚拟机是操作系统级别的资源隔离，而容器本质上是进程级的资源隔离。
容器技术是一种轻量级的虚拟化技术，通过共享宿主操作系统内核创建多个虚拟的操作系统实例，来隔离不同的进程。不同实例相互隔离，彼此无感知。相比于虚拟机，容器没有自己的操作系统，而是通过容器引擎共享宿主机操作系统内核，从而减少运行多个操作系统的开销。
Docker镜像提供了除内核外完整的运行时环境，确保了应用的运行环境一致性，迁移应用更加容易。容器真正实现了构建一次，到处运行（Build once，Run anywhere）。
容器的启动时间在秒级甚至毫秒级，它通过容器引擎共享宿主机操作系统内核，从而减少系统开销，更高效地利用系统资源，而虚拟机启动通常需要数分钟。
容器技术的缺点是安全性不如虚拟机高，毕竟当前软件层面的隔离比起硬件层面要弱很多。 - Kubernetes资源管理
业界目前主流的容器资源管理与应用编排工具是Kubernetes，简称K8s。
使用Docker对应用程序打包、实例化并运行；Kubernetes则以集群的方式管理跨机器的容器、资源调度，并解决跨机器容器之间的通信问题，Kubernetes的容灾和自愈机制使得容器总是运行在用户期望的状态。
Kubernetes集群包含两部分，Master Server与Node。Master Server作为主节点，负责调度、管理与控制；Node则是工作负载节点，承载创建容器集的特定物理机或虚拟机，并负责执行用户程序。第7章 工业物联网平台
工业物联网平台应包含什么
工业PaaS服务包含感知层数据接入、大数据系统、工业数据建模、工业APP模板/微服务组件及应用开发五部分。
工业物联网广泛应用于研发设计、生产制造、运营管理和服务运维环节。
工业物联网不是“万金油”，它的任何应用最终都应该落到降本、增效、提质、战略以及管理风险控制维度，并融入企业的日常生产与经营活动。设备接入
设备接入功能，即IoT Hub，负责将感知层数据接入平台，它是设备数据的统一入口，各种传感器的数据、边缘节点的数据通过标准物联网协议上传到平台层。
同理，上层应用系统的命令通过IoT Hub下发到设备，实现反向控制。设备与IoT Hub之间常采用异步消息模式。接入并发能力是IoT Hub的核心能力，例如亿级设备长连接、百万级消息并发能力，并且支持架构水平扩展。设备管理
设备管理既包括设备的注册和删除、上线和下线、禁用和启用，，还涉及物模型的创建与管理、OTA空中升级、物影子等。
产品模型即物模型，物模型用于描述设备具备的能力和特性，是设备的抽象。有些平台称物影子为设备影子，用于存储设备最近一次上报的属性值和应用层期望下发的值。
物影子适合以下场景。资源受限的低功耗设备，设备长期处于休眠状态的场景。网络不稳定、需要频繁上下线设备的场景。对于网络稳定、设备长期在线的场景，无须使用物影子，它并非必选功能。物联网协议
物联网协议有很多，如MQTT、HTTP、LwM2M/CoAP、私有协议等，其中最常用的还是MQTT和HTTP，尤以MQTT居多。
物联网协议的选择主要基于三方面因素：一是消息模式（同步或异步）；二是设备资源；三是通信连接（长连接或短连接）。
MQTT（Message Queuing Telemetry Transport，消息队列遥测传输）是IBM开发的即时通信协议，是一种轻量级的以“发布/订阅”异步模式工作的架构协议。
HTTP适合非复杂交互，以数据上报为主的物联网场景，如某个应用系统将数据上报给物联网平台，即平台对平台的形式。边云协同
边缘节点向下通过多种协议支持各种设备接入，并提供边缘数据处理、子设备管理功能以及运行边缘应用，而且在与云端通信中断的时候，能够继续正常工作，实现边缘自治；向上接受云端对边缘节点的集中管理，即边缘节点注册、边缘节点应用软件部署以及对部署的相关服务（如容器镜像服务、应用运维管理服务和日志服务）的支撑。同时，云端可定义边缘节点的数据清洗规则，边缘节点下终端设备的注册与绑定，通过边缘节点实现终端设备管理。
边缘计算框架，
KubeEdge和K3s，它们都是Kubernetes和边缘计算结合的路线。KubeEdge是华为云于2018年11月开源的边云协同框架，K3s是Rancher公司发布的经CNCF认证的Kubernetes裁减版本，于2019年开源，K3s的名字来源于K8s-5（less than K8s），它是为了在资源有限的环境（如x86/ARM64）上运行小型Kubernetes集群而设计的。
AI模型开发应用流程大体上包含如下几个步骤：数据收集、数据处理、算法开发、模型训练与验证、模型管理（如封装打包与评估）、模型部署，如果模型部署下去效果不理想，则收集数据重新训练，不断优化。
云边协同应该在模型的部署和再训练之间形成完整的工作流和数据流，使模型的优化迭代得以闭环。
终端设备通过边缘节点而非直连的方式接入物联网平台，主要适用于以下两种情况。未实现TCP/IP协议栈的终端设备，例如串口、并口和各种无线通信接口设备，不具备与物联网平台直接通信的能力，须通过边缘节点进行协议转换，边缘节点提供网关协议解析功能。Modbus属于此种情况。
终端设备虽然支持TCP/IP协议栈，但它不直连物联网平台，而是就近接入网关或其他边缘硬件。Wi-Fi网关、OPC UA设备等属于此类情况。
在规划和设计物联网平台时，如未明确哪些功能有用，不应贸然堆叠功能，这样会降低用户体验。目前子设备管理主要呈现三部分信息：一是设备基础信息，如设备名称、设备ID、设备协议（如Modbus/OPC UA/MQTT）、设备类型（直连/非直连）等；二是设备拓扑关系、子设备列表，这些信息维护在数据库表中；三是设备动态信息，如上下线状态、最近一次更新时间、最近上报数据（也可以保存消息日志，将子设备最近的属性和命令都打印出来，方便调试）。大数据系统
数据存储通常指物联网数据的持久化，即数据落表。物联网应用中有一种特殊类型的NoSQL数据库——时序数据库（Time Series DataBase，TSDB)。时序数据是随时间不断产生的一系列数据，简单来说就是带时间戳的数据，并且数据按时间顺序产生，是相对结构化的。时序数据的主要特点是数据量大，写多读少。
数据分析将根据实际业务需要对数据进行加工处理，涉及实时计算或离线分析。实时计算基于大数据流计算引擎，提供实时分析能力，对物联网设备数据进行高效加工与分析。离线分析先收集大量数据，然后将数据存储在数据库中，需要的时候再从数据库批量读取历史数据并进行深度加工分析，离线分析使用大数据高可用、可水平扩展框架，例如MapReduce、Spark微批处理引擎。
数据可视化部分须与各种数据源打通，减少数据搬运时间和资源成本。工业数据建模
工业大数据分析更多的是从因果关系出发，提出假设并验证，这显著区别于消费互联网领域的大数据分析——在大量无序的数据中寻找某种相关性，而不在乎相关性背后的原因。
信息模型是用一组简化的信息按一定规则对事物所做的抽象描述。
信息模型是对象外在的表达，是看得见的，而机理模型则是内在的，具体的算法和数学模型隐藏于内部。
机理模型的优点是具有非常明确的物理意义，模型参数易于调整，具有很强的适应性；局限性在于，对于某些对象难以写出数学表达式并确定表达式系数以形成最终机理模型。机理模型往往需要大量的参数，如果不能很好地获取参数，会影响模型的精度和效果。
数字孪生强调的是虚实同步映射，数字孪生更重要的价值是分析推理及其之后对物理实体的干预，分析推理依赖于机理模型，促成物理实体与数字虚体之间的内在相似。这种虚向实的优化干预仍有很长的路要走。
自动化技术提升了工业大规模批量生产的效率。6S的整理（SEIRI）、整顿（SEITON）、清扫（SEISO）、清洁（SETKETSU）、素养（SHITSUKE）和安全（SAFETY）是现场管理的基础，通过标准化、规范化提升现场效率和作业质量。
精益生产最早是日本丰田公司用于生产组织和管理的一种现代化生产方式，目标是降低生产成本，提高生产过程的协调度，杜绝企业中的一切浪费，从而提升生产效率。
精益生产的两大特征是准时生产和全员持续改善。平台赋能开发者：低代码化
借助低代码或零代码，使用者无须编写复杂代码，即可完成企业系统的开发、维护和扩展。
平台的目标是希望开发人员聚焦于业务逻辑，而不必从零实现底层逻辑，赋能开发者更加高效地响应业务需求。平台核心：数据的自动流动
通过良好的架构设计，构建数据底盘，平台为数据的无障碍流动创造条件，使得平台组件之间的数据相互流通，形成多源数据联动。
信息孤岛指信息不共享，业务流程和应用脱节，即俗称的烟囱式信息化建设，每个应用系统拥有独立的数据库和数据应用体系，彼此无关联。
在消除信息孤岛的过程中，利用数据的流动挖掘业务价值。
数据之间的关联大体分为因果关系和相关关系。过分强调相关关系，尝试各种AI算法，通过黑盒方式暴力计算，试图寻找问题，在工业场景很多时候是不可取的，更理性的做法是在对场景进行调研，并对既有分析手段有了充分理解之后，通过大数据+AI技术手段优化原有的机理模型，或者通过新的路径输出不同维度的数据，与原有的数据相结合，从而获得新的洞察。而这正是构建数据底盘，促成数据流动，形成联动机制的最终目标和价值所在。第8章 工业物联网应用
- 应用：回归业务本质
当回归业务本质并按需驱动时，应将企业的诉求归属到降本增效、质量与安全（风险控制）、运营常态化需求、企业战略能力以及提高收入5个价值维度，然后看当前要解决哪个维度的问题，找到工业物联网项目的价值落脚点，并评估是否有能力解决该问题。 - 关于工业APP
工业软件是工业技术/知识、流程的程序化封装与复用。
工业APP属于新形态的工业软件，它与工业软件是从属关系。工业APP的最大特点在于依托平台，工业APP的开发、部署和应用基本都是基于平台开展的。每个工业APP解决特定的业务场景问题，虽然是专门开发的，但其依赖的计算存储资源、数据库和工业PaaS组件，由平台提供，避免了基础模块重复建设，这便是“新形态”的体现。 - 应用案例概览
ROI =收益/投资×100%，投入部分相对好计算一些，而难点主要体现在收益部分。
在工业物联网的开展与布局过程中，经常遇到“说不清、算不明”的问题。算不明，在于价值难以计算，工业物联网项目通常回报周期比较长，空间和时间跨度范围大，而且需要数据积累，通过数据驱动发现问题、解决问题。决策层应该全面地看待收益，评估直接收益、间接收益、刚性收益和转换收益。 - 当代工厂车间数字化应用
以前谈论企业信息化整体规划，现在讲企业数字化转型、智能化生产运营，OT与IT融合，本质上都是在探索企业经营全流程中，如何在各个环节获取数据，如何打通各个环节形成数据的流动，如何通过数据发现产品设计、排产交付、成本、质量和供应链等方面的异常，继而在战略层面分析市场经营、财务运营、产品研发、生产执行和设备能力，形成决策。
工业物联网比任何时候都更加强调数据驱动，它通过传感器或协议适配采集实时数据以及对接来自其他系统的数据。
工业物联网面向跨部门、跨层级、跨地域，且对数据实时性有要求的场景。在更大范围，打通OT和IT，以大量基础数据汇聚为支撑，以企业全流程为视角，再聚焦到特定的环节加以改善和优化。
重构并不意味着工业物联网要去做MES、APS或SCADA本来该做的事情，重构的目的是整合数据，而且这种整合，更多是松耦合的，专业功能仍交由专业系统完成。
围绕价值维度写几点心得体会：
- 不要忽视“运营常态化需求”
- 提高设备生产能力，提高员工生产力
- 不要总紧盯着省人力成本
- 输出诊断建议更实用
对比图表单纯的呈现信息或作为简单的传声筒，有针对性的诊断意见更实用。信息不在多，而在于是否能发现问题并辅助决策，是否能转换为下一步可执行的动作。 - 应用层不追求归一整合
- 建立统一编码体系
- 强有力的业务方（甲方）
此处针对企业内部项目，业务方类似于内部甲方。强有力有两方面含义，一是业务方认同项目价值，二是业务方具有很强的推动力。