面向數字孿生的工業互聯網平臺構建技術研究

張倫彥

（中國航空工業集團公司信息技術中心，北京 100007）

1 數字孿生應用對工業互聯網平臺的需求

數字孿生已經從科學研究走進了工程應用，尤其在智慧醫療、智慧城市、智能制造和軍事應用等領域，數字孿生已經取得了很大的發展，其中工業互聯網更是成為數字孿生擴展應用場景的孵化床，智能制造領域的數字孿生正向更廣闊的工業互聯網空間延伸[1]。

按照生命周期維度，基于工業互聯網的數字孿生應用主要有四類：產品設計、工藝優化、虛擬工廠和遠程維護。

在產品設計領域，傳統仿真技術自上世紀末就開始向硬件在環、軟件在環、人員在環等方向快速發展，早在工業互聯網概念提出之前，物聯網技術就已經成為仿真的底層支撐技術，仿真技術和數字孿生技術的界限已經模糊化，工業互聯網平臺對于產品設計的數字孿生支撐作用也并不很明顯，對產品設計的數字孿生起到核心支撐作用的是基于模型的系統工程（Model-Based Systems Engineering，MBSE）。

在工藝優化領域，計算機輔助工程（Computer Aided Engineering，CAE）軟件自上世紀60年代誕生開始，已經在電子、造船、航空、航天、機械、建筑及汽車等各個領域中得到了廣泛的應用，成為最具有生產潛力的工具。但是傳統CAE也遇到了兩類典型問題，一是所需的數據量大，數據模擬工作量大，而且隨著條件的改變需要多次模擬數據，計算效率和計算時間都很難令人滿意；二是很多專有領域沒有適合的CAE軟件，工藝優化能力還處于較低水平。工業互聯網平臺可以很好的彌補這兩方面的不足：通過物聯網和人工智能技術，可以大幅提升仿真參數數據庫的構建效率；通過大數據和人工智能技術，可以找出工藝參數和結果之間的機理關系，彌補CAE在某些專有領域能力不足的問題。

在虛擬工廠領域，數字孿生應用的發展非常迅猛，對工業互聯網平臺的需求迫切度也很高。設備級的數字孿生關注設備的預測性維護和制造執行的穩定性；單元級或產線級的數字孿生關注生產作業過程優化；車間級或工廠級的數字孿生關注構建中樞大腦來管控整體運行；供應鏈級或產業鏈級的數字孿生關注廣域資源的優化配置、上下游的生產協同。與產品設計、工藝優化領域不同，虛擬工廠領域的三維模型很少做定量的幾何分析，三維模型更多起到承載指標的作用，指標也成為數字孿生的核心所在。工業互聯網平臺對于數字孿生的指標能夠起到三個方面的關鍵作用：第一是融合IT和OT數據構建指標的能力，第二是提供實時、智能分析指標的能力，第三是基于指標驅動創新業務流程的能力。

在遠程維護領域，數字孿生應用的發展同樣迅猛，從技術角度看，有兩大類技術路線，第一種技術路線和虛擬工廠的設備級數字孿生基本相似，已經有很多企業使用工業互聯網平臺構建健康類指標進行預測性維護，在提供時空和經濟綜合最優的維護服務的同時，還提升了維護的遠程化水平、少人化水平；第二種技術路線則是將維護工作提前到產品設計乃至需求階段，重新定義維護的方法和流程，其背后的使能技術是基于模型的系統工程。

綜合來看數字孿生對于工業互聯網平臺的需求迫切度在虛擬工廠和遠程維護領域最高；在工藝優化領域，需求迫切度次之；在產品設計領域，需求迫切度最低。

2 工業互聯網平臺支撐數字孿生應用開發的必要性

數字孿生有兩大關鍵點：一是物理實體和虛擬模型之間的雙向連接；二是雙向連接必須基于實時數據[2]，物聯網技術被認為是數字孿生必不可缺的使能技術[3]。早期的數字孿生普遍是單體的數字孿生，需要的僅僅是物聯網技術，對于工業互聯網平臺并非強需求。當前的數字孿生應用已經呈現出網絡化的特征，應用對象從單個系統演變為系統之系統，在網絡化的背景下，工業互聯網平臺的作用開始被逐漸放大，以下四個方面的能力成為構建數字孿生的必備能力。

第一是協議兼容性問題。工業互聯網平臺提供了統一數據采集與處理的接口，可以降低解決協議兼容性問題的成本。

第二是建模難度問題。工業互聯網平臺不僅內嵌了大量的機理模型，而且提供了層次化、配置化的建模方法，能夠適應海量、變化的網絡數據。

第三是實時性問題，工業互聯網平臺提供適應不同網絡應用場景的數據處理機制，提供流批一體的數據計算引擎，幫助工程技術人員快速建立物理實體和虛擬模型的雙向通道，能夠按需配置數據計算服務，可以大幅降低實時計算服務構建成本和使用成本。

第四是計算規模問題。數字孿生的采集、存儲、模型的設計和應用都會變得更加復雜，對系統的軟硬件要求也會越來越高，工業互聯網平臺基于云的部署模式可以有效地解決這類問題。

3 面向數字孿生的工業互聯網平臺架構方法

2016年，工業互聯網產業聯盟提出了《工業互聯網體系架構1.0》，后續又發布了2.0版本[4]。許多工業互聯網平臺廠商也對外公開了自己的工業互聯網平臺技術架構，劃分方式基本相似，有的劃分為邊緣層、平臺層、應用層；有的劃分為邊緣層、IAAS層、PAAS層、SAAS層。

在網絡化背景下，針對數字孿生呈現出的系統之系統（System of System，SoS）架構特征，尚未有過哪家工業互聯網平臺提出過快速、高效實現SoS架構的研究或報道。本文將提出工業互聯網平臺面向SoS的部署架構方法，通過多種典型的數字孿生應用場景驗證部署架構方法的正確性，基于部署架構的要求論述工業互聯網平臺技術架構的升級方向及其必要性。

傳統認為工業互聯網平臺部署架構分為端、邊、云三級，本文提出的工業互聯網平臺部署架構如圖1所示，將端側繼續細分為設備側、硬網關側、軟網關側。這套部署架構具有靈活配置的特點，即可以根據應用需求短路其中的任意個層級，但短路后至少應當保留圖1中的兩個層級。比如：某大型集團型制造企業的工業互聯網平臺可以完整覆蓋圖1中的所有層級；某型飛機運營保障平臺直接從設備側聯通云側，短路了中間所有的層級；某中型制造企業的工業互聯網平臺在試點階段只涉及設備側、硬網關側和邊緣側，推廣階段對邊緣側做了水平擴展，最終將邊緣側自然演進為云側。

圖1 工業互聯網平臺部署架構圖

3.1 端側架構分析

端側被細分為設備側、硬網關側、軟網關側。設備側是被認為不具備獨立采集和通信能力的層級，但是隨著微控制單元（Microcontroller Unit，MCU）技術的日趨成熟，越來越多的硬件具備了MCU，以設備出廠為時間切分點又可以細分前裝和后裝，后裝MCU還需要搭配安裝傳感器或流量計，看起來就是一個更廉價的定制版通信盒子，后裝MCU的存在會弱化或取消硬網關。

硬網關是最傳統的端側技術，一般認為軟網關能夠在功能上替代硬網關且經濟性更好，因為兩者的區別只是將采集轉發程序的部署從盒子改到了局域網服務器上。這種替代關系并不能絕對化，在實際工程應用中，硬網關和軟網關有時候是并行使用的，因為有時候兩者處理對象的層級是不同的，某等離子切割機的采集拓撲圖如圖2所示，這個生產單元有10臺等離子切割機，總共配置了兩個硬網關和一個軟網關，第一個硬網關是解決10臺電源的數據采集問題，第二個硬網關是解決10塊氧氣流量計的數據采集問題，軟網關解決的是切割機內存單元的數據采集問題，以及按時間戳合并兩臺硬網關數據并做轉發的問題。軟網關不僅要扮演直接采集的角色，還要發揮作為高階物模型的復合作用，如計算每次作業的引弧時間，因為硬網關直接采集的引弧時間是累加值，需要在軟網關里根據作業狀態計算每次作業開始到結束的引弧時間。因此，傳統認為軟網關只是把采集轉發功能的部署從盒子改到局域網服務器是非常狹隘的，軟網關本質是云平臺接入與建模組件在局域網服務器的一種部署形態，而硬網關未來的發展趨勢也是云平臺按需將指令下發到盒子，端側的技術棧與平臺的技術棧正在一體化發展，即同一套組件可以進行簡化或拆分后做各類不同形態的部署。

圖2 某切割機的采集拓撲圖

3.2 邊側架構分析

在智能制造場景下，邊側更多指的是園區側，針對大型集團型企業，往往需要在園區級部署工業互聯網平臺；在后市場服務場景下，邊側更多指的是某個細分領域的工業互聯網平臺，比如在某地市工業互聯網平臺部署到當地云商提供的云服務器上。

邊側的存在不一定是必須的，邊緣側的厚?。雌脚_組件配置的多少）也是要根據應用場景需要來設定的。在智能制造的背景下，制造運行管理（Manufacturing Operation Management，MOM）軟件與工業互聯網平臺是強交互關系，MOM的指令需要依靠工業互聯網平臺下達，MOM一般都部署在園區級，在異地網絡條件不足以保障高可用的情況下，將與MOM交互頻繁的組件部署到園區級是一個明智選擇。對于集團級的設備互聯來說，有一項重要的功能是從組織架構和工藝維度來統計設備的利用率，厚的邊緣側會將指標計算服務從云側（集團側）下沉到邊緣側（園區側），集團級的指標通過跑批任務來計算，計算的實時性和準確性會下降、計算資源的利用率也會下降，這時候采用薄的邊緣側方案將只在園區側保持異常數據處理和消息隊列的功能，將指標計算服務上浮到集團側，計算的實時性和準確性會上升、計算資源的利用率也會上升。

3.3 云側架構分析

某個領域的服務商或某個大型集團型企業會存在多套工業互聯網平臺，就如同使用了多個廠家的MOM一樣，如何將它們互聯互通也是一個不容忽視的問題，這就是云側需要解決的核心問題。

從部署形態上看，云側平臺既可以單獨部署在集團側，也可以部署在距離本部最近的園區側，讓其扮演“聯邦首都”的角色。從架構上看，集團側需要建立完備的資產臺賬，所有的物模型要在集團側建立鏡像，根據業務需要選擇接收全量數據或者只接收指標結果數據，必要時可以按需調度原始數據入湖做指標分析；集團側需要建立人員和賬號的訪問權限控制，并與各園區側做訪問集成控制。

4 面向數字孿生的工業互聯網平臺關鍵技術

4.1 連接生命周期管理技術

工業互聯網平臺的物聯能力是一項基礎能力，僅僅有豐富的協議庫只能解決能不能連得上的問題，還遠不足以解決連接管理是否最優的問題。一方面數字孿生體處于持續的演進或變化中，連接也處于持續的變化中；另一方面連接會遇到很多異常狀況，如何識別異常和修復連接、如何剔除異常數據。因此如何解決持續、穩定和準確的連接是保證數字孿生高可用的關鍵所在。

在設計思路上，主要有兩個設計要點，第一是要建立物模型和連接模型的松耦合關系，以解決連接對象不變但連接手段變化的問題；第二是要具有復合物模型的建模環境，即通過引用物模型用以搭建更高階的物模型，以解決在工業互聯網平臺上快速復刻數字孿生體的SoS架構。

在建模工具方面，物模型和連接模型之間不僅要有便捷的屬性映射能力，還要有派生屬性的零代碼或低代碼構建能力，從而幫忙數字孿生體建立更加完備的信息集合，比如某些PLC并不能直接采集到設備狀態是否作業的信息，而是需要采集2~3個點位做與、或、非的組合邏輯計算才能判斷設備狀態，這就是一種典型的派生屬性應用場景。

在技術手段上，需要采用事件-條件-動作（Event-Condition-Action，ECA）機制，ECA機制不僅能夠實現派生屬性的快速構建，還能夠設置報警規則用以捕獲異常數據，診斷連接中的各類問題。

在模型范圍上，不僅僅是連接模型和物模型的管理，所有的資產及其拓撲結構都要被模型化管理，即建立泛在連接環境的數字孿生體，而且建立了時間拉鏈的概念，所有的變更記錄都可以被追蹤和被管理，所有的變更都能夠自適應地完成連接適配，比如某個網關發生更換，連接模型將重新綁定其對應的連接對象，連接指令（包括協議和驅動）能夠自動下發至網關，物模型和連接模型能夠自動重新關聯，物模型的數據按時間點正確合并了舊的連接模型和新的連接模型。

在數據鏈路上，工業互聯網客觀存在多級數據處理問題，在端、邊、云側可能部署著多套數據抽取-轉換-加載（Extract-Transform-Load，ETL）工具，造成問題數據排查分析極為困難和消耗人力。首先，避免的是多套異構數據ETL工具的部署，要使用工業互聯網平臺統一的ETL工具做按需部署，即使用同一套ETL工具做多級部署。其次，需要建立監控與診斷系統（Monitor and Diagnosis System，MDS），監控計算資源和計算服務的異常狀態，并在端、邊、云側差異化的采取四種容錯機制：Fail-Over、Fail-Fast、Fail-Back、Fail-Safe，比如在邊緣側為了應對網絡風暴問題會較多地使用Fail-Back機制，較少地使用Fail-Over機制。

4.2 從數據采集到指標呈現的一體化計算技術

數字孿生對于實時數據計算的能力要求很高，工業互聯網平臺本質上就是面向物聯網數據的大數據平臺，有別于其他大數據平臺，工業互聯網平臺的數據計算主要有兩大類需求。第一類需求是純粹的工況數據聚合，對于簡單數據累計聚合，通過Historian API實現；對于短時間內的Tubling/Sliding Window聚合，通過Flink的Window機制，將聚合結果輸出到指定的數據源。第二類需求是面向業務對象的工況數據聚合，在計算模型數據時，首先要將工況數據和業務對象進行Join，然后進行模型計算，計算結果輸出到對應的數據集存儲，并提供API訪問接口。

從上述這兩類需求可以分析得出工業互聯網平臺的大數據計算引擎重點要突破三大技術難點：第一是基于滑動時間窗口的計算性能優化，即算法優化；第二是流批一體的計算任務的編排，按需配置流式計算，提升計算資源的使用效率；第三是異常數據的處理，如后序數據先到、斷點續傳等物聯網特有的情況，如果處理不當則會導致滑動時間窗口的水平線產生錯誤，這往往需要計算引擎配合ECA共同解決。

大數據技術經過了十多年的發展后，市面上的大數據計算引擎已經比較成熟，但是市面上此類組件的最大問題是計算實時性依然不足，很多都是偏IT的應用組件，沒有從根本上解決上面提到的三大技術難點。

為了快速開發數字孿生應用，除了要有大數據計算引擎，市面上還出現了兩類與之配套的技術組件：第一是AI數據分析工具，能夠尋找邊界條件、過程參數和最終指標直接的機理關系，從根本上優化指標，目前市面上的開源工具和商業化工具繁多，工藝優化、設備效能提升等方面的工程應用也在大量出現；第二是高度配置的可視化工具，基于WebGL技術使用漫游圖、爆炸圖等豐富的三維手段（如圖3所示）對指標做個性化呈現，圖撲、優锘、捷碼等公司都提供了針對可視化的零代碼或低代碼開發平臺，部分公司還提供面向物聯網數據驅動的可視化技術，顯示出較強的競爭力。對于上述兩種技術組件，我們需要看到的是，雖然AI確實能夠幫助優化指標，但是還是要鼓勵發揮人的主觀能動性，在很多場景中使用可視化工具幫助人做對比對照，就能很大程度上規避錯誤和改進生產，同樣也能起到優化指標的作用。

圖3 基于WebGL的三維可視化技術

5 工程驗證和結束語

金航數碼SuperLink平臺基于云、邊、端協同架構開發，是具有自主知識產權的工業互聯網平臺，在某工程機械龍頭企業完成了邊側和端側的部署和應用驗證，在燈塔工廠改造過程中，保證持續、穩定和準確的連接，驗證工業網關和連接生命周期管理的能力，支撐燈塔工廠數字孿生的運行；在某航空發動機龍頭企業成功實施了面向工藝過程優化的數字孿生應用，驗證大數據計算引擎和基于AI的工藝參數優化工具，有效提升了設備健康管理水平、提升產品質量和降低設備能耗水平。

數字孿生在制造業的應用越來越深入，工業互聯網平臺對數字孿生的賦能作用也在不斷加強，工業互聯網平臺架構的方法和關鍵技術的研究勢必會引起學術界和工程界科研工作者越來越多的關注。