本次我们将重点介绍Predix和应用的关系。
    1什么是工业应用？
    对工业企业来说，应用通常分为两类：
    IT类应用：跟管理相关，包括办公协同、人力资源管理、ERP、CRM，以及财务管理等应用，主要围绕人为主体的工作流。
    OT类应用：跟设备和流程相关，包括MES、DCS、SCADA、TPM、TQM相关的应用。
    第一类工业应用，因为涉及到较多的企业差异化特征，需要很强的本地交付和定制能力，所以基本以国内的软件开发厂商为主，集中在一些高度定制化的领域，也正是由于国外厂商很难保证本地快速交付和定制，才有了国内厂商的生存空间。但这些软件都很难实现标准化，所以国内工业软件厂商普遍生存状况都很艰难。
    第二类工业应用，也即OT应用，是直接同工业设备打交道的，因此需要具备更多的专业知识，包括机械原理、电子电路、数据分析和数学建模、材料科学等，因此对开发人员也提出了相当高的要求，要求软件开发人员具备比较全面的跨专业能力，才能完成软件的开发。可想而知，这一类别的OT软件人才是多么难得。
    长期以来，国内的企业软件人才都普遍集中在IT应用领域，OT领域的软件人才极其匮乏，这也造成了OT应用也是我国软件产业最薄弱的一环，长期被国外设备厂商（GE、西门子、Rockwell、ABB、IBM等）所垄断。
    观点：Predix上面开发的应用是从OT应用开始，逐步延伸到IT应用。同时，Predix的OT应用，也主要是针对GE销售的各种高端设备在运行阶段的各种优化，如设备健康管理、生产过程效率提升和质量提升等。这一点，跟国内很多工业互联网厂商的出发点是非常不一样的。为什么Predix要从OT应用开始？很简单，在工业里面，所有的IT应用都要最终服务于OT，而OT应用直接跟工业的产出相关，因此OT应用的提升空间远比IT应用更大，创造的价值也更大。
    2现有OT应用的痛点
    现有的OT应用，已经无法满足日益增长的效率提升的需求，主要体现在如下几个方面：
    无法适应工业的“大数据”
    随着逐步推进的数字化过程，工业数据已经逐渐呈现“大数据”的4个V的特质：
    >>数据量(Volume)
    工业，特别是3.0阶段的工业，数据量之大是惊人的。每个大型复杂的设备都有数千个需要测量的信号，每个复杂的生产环节里面有数万个数字化的参数，而且很多工业信号（电流、电压、震动）的采集频率已经达到了Gbps级别，因此对应的工业应用系统都必须具备实时的流式和批量处理能力、海量的存储能力以及相应强大的分析能力，而这些在传统的工业应用里面是不具备的。
    >>多样性(Variety)
    从工业数据源、数据采集、存储和处理、分析方法等不同角度来看工业上的数据，都具备多样性特征，而且远远超出其他行业数据的多样性。
    >>实时性(Velocity)
    同许多其他行业数据分析很大程度上只是为了实现人的决策支持不同，工业行业中很多数据都有着很高的实时性处理要求，这不仅体现在基于规则的异常检测、告警到自动反馈的过程，还包括需要在设备或者制造的连续过程中不断采集实时数据、重新训练和修正模型的精度并重新发布的过程。
    >>价值(Value)
通过数据分析创造的价值，在工业里面就更毋庸置疑。GE前任CEO Immelt曾经提出过一个概念叫“1%的威力”，说的是在一些重点行业（油气、电力、轨交、航空等）通过数字化的手段实现1%的资产效能和生产效率的提升，就能够创造万亿级的利润。

图1

    大数据给传统工业带来的挑战，恰恰是传统工业应用无法应对的。
    举一个例子，自动化生产都会伴随着产生大量的设备和生产数据，通过对数据的精细化的分析，可以找到在生产过程中各种不确定现象（产能和良率抖动、设备无计划停机）产生的原因，从而能够创造出非常高的价值。并且越自动化的生产过程，数据量、维度和实时性的要求也就越高。
但是，正是由于缺少对大数据在采集、存储和分析上的支持，传统应用仅仅能够实现有限维度的实时监控，无法从海量的传感器指标中分析出对异常有贡献的因素，更无法对各种关键指标的发展趋势进行预测。
    无法实现对未知的探索
    相对于工业2.0，工业3.0最大的进步就是引入了PLC（Programmable Logic Controller），运用数字化的手段实现对设备运行情况、外部环境、产品数据的测量，通过实现对设备运行和操作的反馈，来保证制造和设备运行的准确性和稳定性。因此，原本在工业2.0阶段完全靠操作人员听、看、闻、摸等模糊化的测量和手动的控制手段，在3.0阶段通过部分的数字化实现了精准的测量，并根据设定的机理制定相应的控制逻辑，实现稳定的输出控制。
    工业行业内流传一句经典的话：“如果能够测量，就一定能够改善”，也就是说一个工业过程，如果所有的输入以及影响要素都是可以测量的，那工业过程的输出一定是可控的。
    但是，真实的工业却远远没有那么简单。
    首先，在生产过程中存在太多的影响因子，并且由于工业数据量巨大并且传统的保存分析手段有限，导致很多贡献异常的要素都无法在事先规划好并且有效地保存下来，因此也容易产生很多无法解释的问题。
    其次，工业生产和运营过程里面，很多工业的因素是无法直接测量的，比如设备的健康度、螺丝的松紧程度、轴承的不平衡情况等。因此，只能依靠其他可测信号的数据，通过机理模型的方式来实现间接测量。但是由于很多变量不可测，造成工业有很多明知其然却不知其所以然的现象，故而也无法用准确的机理模型来解释。
    第三，对海量历史数据的实时分析和预测能力的缺失，造成无法从海量历史数据中寻找到相应的规律（相关性、因果性等），更不用说对未来的预测。
这些原因，都造成了很多工业的未知现象无法依靠传统的应用来解决的问题。

图2

    举一个例子，在故障维修模式上，由于缺少有效的数据分析和寿命预测手段，传统的工业应用只停留在了预防性维护阶段，通过定期的保养实现早期的故障预防。这种维护成本是非常高的，企业不得不去安排更多的人力、预留更多的备品备件来实现早期的预警，因此往往无法在过度维修(定期巡检)和被动维修（故障停机之后的维修）之间取得有效的统一。
    无法实现专家经验的沉淀
    工业领域中最具宝贵的价值无疑是专家的知识和经验。但是，工业领域却一直缺少对专家知识和经验的有效保存、复制和转移的手段。这种专家的知识和经验，不仅包括在特定情况下的异常判决和处理方式，更包括优化的策略。
    但是，众所周知，人的认知都是模糊而不是精确的，如果没有数字化的手段，就没有办法实现精准的判决。同时，人的认知仅仅只能够停留在有限的时间和有限维度的判决上，无法扩展，更无法实现对复杂问题的精准分析。
    而传统的工业应用，一方面由于缺少数字化的手段（数据采集、数据存储、模型开发等）而造成专家知识难以形成量化的结果，另一方面也缺少有效的知识经验开发工具，帮助专家提升知识经验积累的能力。
    举一个众所周知的例子，高端装备供应商都会针对设备的特定故障提供FMEA(Failure Mode Effect Analysis)的表格，根据实验数据给出不同的故障模式，并且给出在特定的故障发生情况下，需要按照既定的方式采取特定的动作。但是FMEA一直以来都是一些模糊的表述方法，一方面缺少数字化的手段来保存实验数据给出的故障特征（电流、电压等传感器指标在故障上的“指纹”），也没有有效手段在实际应用过程中基于对这些“指纹”的比对来实现故障判决，更无法将实际运行中出现的新故障的数字化特征反馈到FMEA里面来减少未来的异常判决。
     无法实现敏捷的应用交付
    工业领域本身就是环节众多、异常离散和复杂的多应用场景，很难用一套固化的应用来解决诸多突发和异常事件。因为传统的工业应用开发和迭代是一个非常冗长的过程，开发和迭代周期动辄数年，无法有效地应对突发情况。
    同时，工业应用领域需要具备跨领域的专业知识，例如数据采集、数据处理、数据分析和建模等等，往往是非常专业的人、依靠不同领域的专业工具来产生各自领域的半成品结果，并最终由应用开发人员实现整合。但是传统的应用开发模式，缺少类似API、微服务、容器化的整合方案，无法实现跨领域的有效整合，只能依赖各方面都精通的跨领域人才实现有效整合，这无疑加大了开发的难度，限制了应用的扩展和灵活性。
    3为什么Predix能解决这些问题？
    一句话，技术发展了，可以在现阶段用新的技术来解决老问题。
    这里主要包括如下几个方面：
    物联网技术的发展
    工业状态监测的各种传感器（包括环境监测、震动、声敏传感器），随着使用的普及和技术的改进，开始变得更廉价，用户可以在更广泛的应用场景中采集更全面的工作状态；而NB-IOT、5G网络的商用，不仅解决了传输距离、传输带宽问题，更提高了传输的实时性，这样，海量的数据得以回到云端实现更实时的判决，反馈到现场端实现更准确的控制。
    大数据技术的发展
    随着大数据技术在互联网、金融、电信等行业的普及，让工业对海量数据的处理门槛变得很低。一方面，针对工业海量传感器（流式）和操作记录（批量）数据的实时处理和分析手段，可以采用现有的大数据处理工具；另一方面，在上述各个行业培养起来的各种大数据人才，在数量、质量和成本几方面都已经可以满足传统工业企业的需求。
    人工智能技术的发展
    随着最近几年深度学习技术的发展，人工智能技术在图像和语音识别等固定场景已经超越了人的能力限制，并逐步发展到可以实现对未来很多未知的判决和预测。在工业领域，充分利用这些研究成果，不仅可以实现产线机器视觉这种简单的应用，更能实现对多维度设备健康、产能、质量以及能耗等维度的判决和预测。
    云计算技术的发展
    随着云计算的加速发展，计算、存储和网络资源层面的基础需求和灵活性需求已经不再是问题，而PaaS技术的逐步成熟，更将应用开发、大数据分析等过程，通过微服务和微应用的方式实现了有效的整合，极大提高了应用开发和数据分析的效率和完整性。
    4GE为何用Predix平台开发OT应用？
    本文分析这里面有几个原因：
    无法整合和集成
    GED (GE Digital的简称)本身在多年的发展过程中，无论是给客户定制开发还是购买的公司，都提供了数量（种类）众多、数据标准不统一、架构不一致的软件，不同的软件之间很少有集成的接口、相同的数据定义，无法保证相互之间的互操作和集成，给客户造成了很多的烟囱应用和数据孤岛。
    无法满足高效交付的要求
    GED不断面临新的应用开发需求，而客户要求的交付周期越来越短，原有动辄数年、冗长而笨重的产品开发周期和更新周期已经越来越跟不上节奏，大家不约而同地将开发模式转向了互联网应用的敏捷开发、功能重用、组件是交付的模式。
    无法实现跨专业的整合
    工业应用不仅涉及到应用开发，还包括了细致的数据分析，甚至专业的机理模型开发，而这些专业能力还要针对不断变化的需求进行针对性的调整。如果按照传统的软件开发思路，一定避免不了需要开发人员充分理解业务场景、机理模型才能开始设计，但这种软件开发一定是非常低效的。
    因此，GE推出Predix平台，并且将持续基于Predix进行新的应用开发，并不是早先就设计好的，而是其发展过程中理所当然会走的一条路线。
    从应用的角度来说，随着应用类型的增多和功能的复杂化，为了实现快速和稳定的交付，应用开发最终都会走到集约化、平台化开发的路线上来。
    观点：下面是本文理解的关于（工业互联网）平台和应用之间的关系。

图3

    从图中可以看到，工业互联网平台虽然也被称为工业PaaS平台，但跟通用的PaaS（下面两层，包括PaaS和服务框架，以及包括数据库、用户管理等在内的通用服务）相比，增加了工业部分的内容，这部分内容一方面包括跨行业的各种通用服务，比如设备管理和接入、工业数据处理和时序数据库、工业大数据建模工具等，还包括了跟每一个具体行业紧密相关的应用开发框架、模型、特征库等功能。
    Predix也是这个设计思路，它从本质上来说是一个面向工业的PaaS平台，因此，Predix提供的各种能力，都是需要满足上层工业应用开发需求的。虽然Predix最早是构建在Cloud Foundry（上图的平台下面两层）之上，但是从一开始，就并没有满足于Heroku、Force.com、Beanstalk等通用PaaS，而是在Cloud Foundry的基础上又增加了非常多针对工业应用的能力，这里不仅包括工业设备的接入和边缘计算、工业数据清洗和存储，还包括了工业数据分析和建模、以及快速应用开发的能力。
    5Predix平台和Predix应用
    Predix上的应用，与传统意义上的工业设计（PLM）、工业生产（MES、ERP）、工业营销（CRM、e-Commerce)以及仓储物流管理（WMS）等有很大的差别。Predix上的应用包括了三个级别的应用：设备级别、过程级别和业务级别的应用。而Predix重点强调的，是前两个级别的应用。

图4

    同传统的竖井式应用相比，Predix这三个级别的应用是层层迭代、一环扣一环的：
    • 设备级别：这部分以追求可靠性为目标，主要针对设备本身，即工业的原子单元。通过物联网接入设备来采集设备的原始数据和参数，不仅能够现对工业设备一些关键参数当前状态的提取，还能够通过各种分析模型实现对设备过去和未来状态的判决，并且可以将这种判决同采集的实时数据进行关联，实现实时诊断和预测。而传统的控制系统仅仅能够实现当前状态的监控和有限的历史数据分析。
    • 过程级别：这部分以追求效率为目标，针对的主要是生产过程。需要依赖于设备级别的各种分析结果和KPI指标，将其映射到不同上下文的生产环节中，结合在不同生产过程上的操作要求，实现整个连续生产的关键指标分析和控制。
    • 业务级别：这部分以追求利润为指标，针对的对象主要是管理流程。基于生产过程中的各种分析数据和关键指标，企业各种IT类的经营管理类业务系统（ERP、CRM、WMS），实现更大范围（时间维度、空间维度、数据维度）的精准决策支持。
    除此之外，Predix平台还开放了很多能力，支持客户和合作伙伴在平台上，利用现成的模块，开发不同行业领域的应用。