1 引言

近几年，随着智能制造的推广深入，汽车行业主机厂作为离散工业领域中自动化、信息化程度相对最为成熟的行业，陆续都开始接触及引进IIoT工业物联网等技术理念来打造互联工厂，并通过部分场景进行了试点落地。

但当前试点状态通常是各车间分别规划，由不同供应商基于不同的平台开发应用，或是各类设备厂家自带的物联网应用。长远来看，又会带来数据不互通，平台重复建设，不利于后期拓展维护等一系列问题。

所以作为主机厂，接下来需要面对的迫切问题是，如何从整体层面构建全域、互通和开放的互联工厂架构。具体而言，构建一个统一的架构规范，从而在新工厂建设之初就预留好相应的硬件条件，并平衡好近期和远期的发展规划。

本文是吉利汽车针对上述问题，在应用IIoT技术打造互联工厂方面的一些思考与探索过程。

2 思路综述

从IIoT的实施深度上来讲，可以分为：数据→信息→知识→智慧，IIoT的实施深度层级如图1所示。

第一层“数据”，首先需要解决的是数据的采集获取问题，没有这一基础，后续的工作都将成为无源之水，同时，这一工作也是各大制造企业面临的第一个难题和门槛；第二层“信息”，需要将原始数据经过清洗加工后，借助于图表统计等形式转换为人所能快速理解的信息；第三层“知识”，需要在信息的基础上更进一步，结合资深业务人员对该领域的设备机理知识、工艺流程经验等，构建特定场景的知识沉淀，如配套参数的阈值区间，特定问题的分析流程等；第四层“智慧”，针对一些无法用文字公式清晰得显性化的经验知识，借助于大数据和AI算法，形成一个个智慧模型，常见于复杂因素的预测调优等场景。

实际过程中，在实现数据采集并通过一些基本可视化的手段达到信息这一层级后，重点方向是充分融合IT技术与OT的专业的know-how实现到部分场景的知识这一层级，并可以尝试性的在个别场景做出智慧层级的应用。

从推进思路上来讲，遵循总体规划、迭代实施的理念。具体来讲，有以下几点：不涉及费用的规范性工作需要一步到位；平台架构需要统一确定；数据的采集优先考虑不增加额外费用的现有数据；应用优先实现基本功能，并采用逐步迭代的方式进行敏捷开发。

在横向上，对IIoT工业物联网的可以按照实现环节的角度进行拆解，可以分为：端-边-管-云-用，IIoT的分解逻辑示意图如图2 所示。

下文也将按照这几个拆解环节的角度进行展开。

3 端：设备接口的梳理

互联工厂的基础是硬件设备，所以第一步是清点工厂已有或规划的设备资产清单，并对于其接口和可获取数据情况进行梳理，包括通信接口协议、涉及费用情况等。

虽然主机厂通常在车间现场已经通过工业总线实现了对设备的连接，但这类连接通常是以控制信号为主，设备底层的详细数据在以往通常未做连接和采集。其中涉及到的设备种类和品牌纷繁多样，且由于多数是国外的设备厂家，关于接口的信息获取通常又非常有限。类似的挑战和难题还有不少，相信同样也广泛存在于其他车企。

通过调用跨专业部门的资源，对近几年以落成工厂及将要建设工厂中所用到的主要设备进行了统计调研，梳理出了将近100种的不同品牌设备类型的接口情况，为后续环节的工作打下了一个基础。当然针对每一个设备，还有待进一步的深入研究，如其他可能存在的多种采集接口方式，数据字段的具体对应解析，数据之间的关联匹配等等。各大车间设备接口数采情况梳理过程中的部分记录见表1。

表1?各大车间设备接口数采情况梳理过程中的部分记录

3.1 调研的考虑角度

除了搞清楚设备现状接口的家底情况，需要考虑的角度其实还不止几个标准化的属性就可以研究透彻。针对不同的分类，至少还需要从以下几个角度进行调研分析：

（1）单体设备直连类

设备类型品牌、设备在具体项目的分布及数量、实际数据样例的获取、采集频率的限制、硬件接口情况、支持的通讯协议及分别能获取哪些数据、有否其他采集方式的可能性、是否免费开放或接口收费、是否要配套专用软件、收费模式、在以往项目中的数据通讯采集现状、是否涉及软硬件的版本差异、是否在技术要求中已要求开放接口；

（2）PLC/机器人中转类

可以采到的数据、字段的定义和采集位置、特定程序块已有或需要额外编写、实际数据样例的获取、采集的制约因素；

（3）IoT专用设备

接口协议说明文件、接口通讯的示例程序。

3.2 数据采集面临的挑战

面对如此多种设备数据采集的情况和难题，对应的挑战也是远超原先预计的，大致从这几个方面可以体现：

1）数据不开放：由于技术保密以及厂家商业利益等原因，一些设备的关键参数并不对外开放；

2）标准不统一：工业设备样式繁多，接口各异，通讯与传输协议各不相同，针对各种非标设备和协议，需要 进行相应的开发，消耗大量的时间和人力；

3）设备无数据：一些设备和仪器仪表本身并不记录自身数据，需要进行智能化改造，增加通信能力；

4）任务不明确：面向具体分析任务，应采集哪些数据需要经验，有时并不明确。同时，仅仅明确采集的数据字段也还不够，还需要考虑采集频率、存储时长等一系列因素，而这些因素本身对于采集的方案和费用成本都会带来较大的差异，对于初期任务不明确情况下的制定方案有很大挑战；

5）限制条件多：工业现场可能有电磁干扰、振动、位置等多种数据采集限制，对布置传感器完成所需数据采集提出了更高的要求。

4 边：边缘设备的选型

在互联工厂的整个环节中，边缘设备细分有2种类型或兼而有之，分别为：

1）数采网关类型：承担转化通信协议的功能，打通原来各类不具备数据上传能力的设备。在IIoT概念流行前，数采网关其实就已广泛存在，可针对设备元器件的IO信号以及各类低等级的工业总线，甚至针对是特定的专业设备，将数据进行采集与协议转换。其中，除了网关实体硬件外，也可利用现场已有的工控机工作站等 ，通过安装数采软件，低成本实现部分场景的数据采集。

2）计算处理类型:承担数据缓存处理，甚至模型计算的功能，实现部分应用功能在边缘侧的实现，尤其针对需要实时响应的场景。本质上，该类型的边缘盒子已接近于一台完整的PC机，随着AI计算的兴起，部分场景下的硬件性能也需要响应提升。

综上，边缘设备的选型需要针对不同的设备场景，进行不同种类的选型，尚不存在一种大一统又低成本的方式实现边缘能力。

5 管：网络通信的贯通

在万物互联、数字化转型和大数据的发展趋势下，要求打破原有生产现场与上层IT网络之间的隔离，实现从云端到设备端的互联互通。因此需要一整套的网络架构方案，整合OT和IT跨领域资源和规范，共同推动一网到底的架构变革，为智能制造的未来需求构建网络连接基础。

5.1 网络架构规范

虽然整车厂普遍已经实现规范化的工业总线控制网络，以及架设了车间汇聚层的环网等，但对于包括吉利在内的大多数自主品牌车企而言，依然还存在大量网络不规范的问题。具体而言，包括有：

1）IT和OT网络各自规划，无法互联互通；

2）办公和生产核心网络混用，存在严重安全风险；

3）存在信息孤岛，制造大数据采集等需求无法在现有网络架构下满足；

4）存在重复建设，缺乏统筹规划，没有充分利用现有网络资源，例如：拧紧系统和Andon系统的CP卡；

5）各基地网络架构不统一，冲焊涂总各车间结构不统一，IT和OT分工界面不清；

6）IP地址分配无统筹，网络风暴时常发生；

7）交换机光纤等网络设备的等级技术要求不统一。以上的种种问题，究其原因，最主要还是由于该领域处于OT与IT的接口交叉地带。OT工程师往往缺乏IT网络知识，IT工程师同样对于OT设备及控制网络了解甚少。

在吉利的这次网络架构规范梳理过程中，就充分体现了OT与IT的冲突与融合。双方在过程中就业务知识及责任分工甚至部门立场等进行了充分大量的交锋，包括一网到底的意义作用、技术上的可行性风险、设备选型带来的投资费用变化、接口重新定义后的分工责任等。

同时因为网络作为连接基础，涉及到方方面面的影响，也牵扯到双方多个专业部门和外部相关方，过程也是曲折漫长的。但也是需要借助这样的讨论交锋，有机会能让各相关方了解互相的领域知识，并通过行业案例对标、第三方技术专家的介入等，真正达成OT/IT之间的了解和共识。

最终，全新的网络架构规范实现的关键变化点有：

1）通过将设备层向上层的接口统一从PLC转接口改为交换机网口，实现从集团可以访问到各工厂任意单体设备的一网到底；

2）从公司整体层面全面梳理网络资产后，形成了办公网络、工控网络和生产网络的清晰界定；

3）网络层级上，划分了L0设备层、L1控制层、L2车间监控层、L3工厂执行层、L4企业管理层和L5互联网DMZ层，各个网络节点都有明确的层级归属。网络架构示意图如图3、图4所示。

5.2?工控网络安全

工业控制系统由单机走向互联、从封闭走向开放、从自动化走向智能化进程的加快，使得工控信息安全面临更加严峻的风险和挑战。尤其是近几年的勒索病毒流行，工业领域也成为重点影响领域。工控网络安全问题更加需要引起重视。

当前车间现场最为常见的工控网络安全漏洞有：车间网络节点的访问权限缺乏管理限制，供应商的电脑和USB设备随意连接后容易传播病毒；也存在私接网络与外网连接，使整个车间网络甚至公司的网络暴露在巨大隐患的外网环境中；此外，车间网络节点也缺乏最为基本的安全保护，如安装杀毒软件、对Windows关键漏洞进行升级补丁和关闭不必要的端口等。

对应措施而言，低成本的方案包括：基本的网络安全设置，相应的网络安全管理规范，以及需要普及宣贯工控网络安全的风险意识等。对于重点行业，还应该设置专门的团队人员，并增加网络安全的专用软硬件设施，包括：网络探针、工业防火墙、工控信息资产扫描及备份、纵深防御、深度包检测和态势感知等。

6 云：平台工具的选型

近几年，IIoT工业互联网平台层出不穷，成为发展的热点。作为跨界融合领域，出现了各类背景的参与者。包括有工业装备背景的，如西门子Mindshpere、ABB Ablity、KUKA CONNECT、和利时Hia Cloud；有工业软件背景的，如PTC Thingworx；有IT技术企业背景的，如阿里ET工业大脑；也有生产制造企业背景的，如海尔COSMOPlat、富士康BEACON和三一树根等。

跨界涌现的这么多平台，一方面拓展了认知边界与跨领域的启发；另一方面，也让选择成为一个困难的决策。毕竟这样一个平台，涉及OT/IT，需要在横向上兼顾多个专业领域的需求，纵向上也要经得起时间的考验。基于平台开发的APP越多，意味着后续的调整代价就会越大。

6.1?关键考虑因素

从技术上而言，IIoT平台通常包含设备接入能力，物模型管理能力、应用开发能力等，其中涉及协议解析、边缘计算、机器学习、数据可视化、大数据处理和微服务架构等多种技术细节。但从实际用户场景出发，实际在决策中核心关注的几个要点可大致归纳如下：

（1）应用案例与平台生态

判断一个平台是否适用，最简单直接的方式还是看同行业中有多少可参考的应用案例。由于工业领域相对具有很强的行业差异性，IIoT平台的普适性很难达到消费互联网的程度。简单举个例子，可能某个平台号称支持上千种设备接口协议，但在整车厂未必能覆盖到多少种设备类型。

另一方面，所谓平台是需要生态匹配的。基于此的第三方解决方案供应商有多少数量和实力，也是一个非常重要的考量依据。

（2）低代码开发与易用性

传统IT系统的开发模式，需要有清晰的业务需求，并交由专业的IT技术团队，通过较长周期的瀑布式开发过程才得以实现。而IIoT的APP应用通常难以在最初就能说明白，需要在过程中迭代完善。所以，平台的理想模式，需要具备低代码等技术手段，让一线的业务人员自身能够从想法原型到落地验证快速试错，敏捷开发，从而实现平台对业务模式的真正变革。这样才是真正做到了赋能到业务，让用户可以关注于业务而非技术。

虽然仅仅通过快速拖拉拽就能完成APP应用开发的愿景尚为理想化，但平台在降低开发门槛，实现对业务人员更为友好易用的方向上，依然可以有更大的推进。

（3）平台技术架构的灵活性

另一方面，平台技术架构同样需要考虑两个最为重要的方面。

其一，是需要兼顾支持私有化部署方式。虽然公有云技术代表着发展方向，但现实情况下，传统制造行业，尤其是规模大的公司，依然对数据的保密性安全性相对保守。对于生产过程中的数据，短时间内还无法切换到外网环境。

其二，是需要兼顾轻量化部署模式。如果平台一味从技术上考虑大而全，势必会造成系统架构庞大，也意味着光平台本身的基础资源就要耗费大量的投资。在初期IIoT的APP应用数量还不多，价值收益也尚不明显确定的情况下，平台本身的高成本就会导致最终决策门槛的大幅提高。针对初期小规模情况下，简化裁剪、甚至可以单机部署试用的架构，就会显得尤为重要。

7 用：应用场景的挖掘

从最终用户来讲，前面的几个环节其实都只是铺垫，最终的价值实现其实都是承载在应用之上的。所以，如何基于互联工厂中所获取的数据挖掘出对于用户有价值的点，是最为需要重点考虑的环节。

从价值场景上分类，包括有：工艺质量分析、工艺参数管控、能耗优化、耗材优化、设备预测维护和设备效率优化等。部分IIoT的应用场景方向如图5所示。并逐步在上述场景中开始构建出一些APP应用的开发。部分实施的IIoT APP页面如图6所示。

7.1?考虑的角度

IIoT应用于整车厂，目前整体上行业普遍还在探索阶段，有少量的一些案例，但还尚未形成成熟的完整应用场景体系，还需要相关人员结合着经验进行创造性的挖掘。以下是在过程中归纳出的部分可以挖掘思考的角度：

（1）具体案例收集参考

设备厂家的方案、第三方公司的案例、同行业的案例、跨行业的案例、对应的功能/界面/逻辑和介绍资料需要基于哪些数据实现；

（2）现状问题需求

设备/工艺的问题清单的收集、哪些问题的需求迫切、哪些可以被改善以及哪些属于高价值的改善点；

（3）价值分析

成本、收益和案例的效果评价；

（4）数据普通应用

可视化需要哪些表现形式、如何实现诊断分析、具体场景有哪些功能点和是否可以结合其他数据来源联动分析；

（5）数据算法分析

数据的维度如何多样化、低频数据如何匹配数据量要求、数据的结果标签、项目过程中的数据训练量、需要打通其他哪些数据、机理模型方面能否说明现有分析因素与结果之间的相关性以及相应的图表资料。

7.2?应用的功能场景

相对于笼统得呈现出数据图表，对于用户而言，更能有直观感受的是他所熟悉的业务场景和功能需求。从如何开发APP应用才能够让用户感知和认可其价值出发，可以归纳总结出一些功能场景的可行方向。包括：

1）设备状态管理：当前状态查看、历史状态分析、维护建议指导、运行效率分析和耗材用量分析；

2）工艺参数/结果管理：工艺结果统计趋势、工艺参数的经验库、质量相关性分析、工艺一致性对比和设定参数的版本历史；

3）数据的多维度查看：按VIN号/一车一档、多层级统计汇总（按时间/产线/设备/类别等）、TOP统计报表以及同类项跨基地/跨设备对比；

4）一般性功能：程序的备份管理、报警信息和资产清单/状态信息统计；

5）其他价值点：原厂上位软件的替代、多品牌上位软件的统一、跨系统数据的结合分析以及经验规则的转化逻辑。

8 结束语

总体而言，基于IIoT系统化地打造互联工厂是一件非常具有挑战性的任务。需要涉及到OT/IT，业务/技术等全方面的能力和资源的跨界整合。

单从技术角度而言，整个开发链条上需要涵盖非常广泛的技术领域，包括：

PLC/ROB编程技术；工业总线技术：如modbus、Profinet、Ethernet/IP和TSN；北向通信协议：MQTT、OPC DA/UA；数据接口技术：如Webservice、restful和ESB；物联网通信技术：如NB-IoT、Lora；移动网络通信技术：4G/5G；数据库通信技术：ODBC、SQL和时序数据库；特殊格式的解析：如TXT、EXCEL、CSV、JSON和XML；IoT专用采集技术：SDK；数据抓包分析技术：wireshark；网管软件技术：HiVision；一般IT开发技术：Javascrip、web调试、前端DIV/CSS以及HTML5；数据分析技术：BI、统计；算法模型：SPC、机器学习、深度学习和工业专用算法等。

从端边管云用的环节而言，也需要各环节之间的统筹协调，比如：端与用的相互拉动：一方面，考虑在不增加额外资源投入情况下，对现有数据通信渠道和数据字段内容充分得识别和挖掘；另一方面，也需要从最终的应用场景反向拉动对数据的需求，包括数据的采集频率、数据质量和内容等。

综上，对吉利汽车在基于IIoT技术打造互联工厂过程实践中的一些探索。当前已经构建整体架构体系的基础上，还需要进一步推进实际应用成果的持续落地与价值实现。也希望过程一些思考能给到同行一些借鉴，并共同推进智能制造的进展。