Part 1：智能化工业4.0时代的数字孪生

一、工业0，智能化时代已来

回顾人类历史，我们共同顺利经历了三次工业革命：

第一次是蒸汽机时代，开创了以机器代替手工劳动的时代；第二次是电气时代，自然科学的发展和工业紧密结合，科学在推动生产力方面发挥了更为重要的作用；第三次是信息化时代，科学技术转化为直接生产力的速度急速加快。

而今，我们迎来了第四次革命，即，工业4.0：智能化时代。“工业4.0的本质，就是通过数据流动自动化技术，从规模经济转向范围经济，以同质化规模化的成本，构建出异质化定制化的产业。对于产业结构改革，这是至关重要的作用。”

作为新一轮的工业革命，工业4.0的核心特征是互联。工业4.0代表了“互联网+制造业”的智能生产，孕育大量的新型商业模式，真正能够助力实现“C2B2C”的商业模式。

二、当前工厂数字化转型痛难点

当前，大家都还在“工业4.0”的摸索阶段。大量的工厂已经开始自己的智能化转型之路，比如通过构建应用来讲采集的数据可视化，讲数据价值最大化。但是，在这个实践过程中，问题不断涌现，诸如：

1. 数据/信息孤岛，烟囱林立

一家工厂，在不同的阶段，因为项目的不同，有可能找不同的供应商去承接。分段式的项目供应商，导致的是不同的系统应用。形象点说，多系统不互通，就是像独立的“烟囱”，每个“烟囱”都有“烟”，但是却不互通。在工业4.0阶段，不互通，意味着信息孤岛，也就意味着企业的数字资产分布零散，维护成本高，使用效率低下；

2. 应用上线慢，耗时耗力

正如第一点所说，不同系统之间的不互通，导致的是新的应用上线会“重复造轮子”：每个应用上线，都有大量的重复工作，浪费人力物力，且耗时长。更重要的是，新的应用带来的数据处理问题：由于缺乏统一的建模，每个应用在处理原始数据时，都需要重复处理。两个“重复”让本就高昂的成本，更加“雪上加霜”；

3.数据分析门槛高

工厂，或者企业，有着一颗想要降本增效的心，比如想要通过分析现有的数据找到规律，从而优化流程，但却因为数据分析的门槛高，望而却步。这其中最关键的原因，是其业务场景不明确，没有找到一个好的数据平台。

三、找对平台，是成功的一半

以上痛点难点，是大部分工业领域的厂家在“工业4.0”摸索过程中都会遇到的，而贯穿其中的是“应用”。也就是说，软件开发者未做到足够的分层解耦是造成上述问题的重要原因之一。以“应用”为基础，工厂经历了三个时期的三种模式：

1. 模式一：“烟囱式”应用

在工业4.0之前，由于缺乏应用和实践，大部分厂家的应用，如上所述，都是“烟囱式”的：

这样便导致，一是缺乏整体规划，各应用独立部署，数据各自基于业务需要单独进行采集和使用；二是效率低下，比如重复采集数据，对生产有较大影响。

2. 模式二：平台解耦——统一数采平台

在“平台”概念提出之后，工厂管理者们逐渐意识到，或许，在生产线和应用之间，需要有一个“平台”，这样的解耦，能让应用和生产线，应用和应用之间互联互通。而这，就是工业4.0的一个基础模型。

模式二的产生，让专业的数据采集团队完成尽可能多的数据采集，并集中统一开放，让整体效率有所提升。但是我们可以发现，即便是这样，数据的使用仍然是独立的，没有实现真正的融合。在产线或者生产设备取得的数据，仍然是元数据，应用在取得数据之后，仍然需要单独对数据进行二次加工处理使用，进而导致应用间对数据的处理仍然存在大量重复工作。

3. 模式三：数据处理——统一孪生模型

如何同步解决“应用解耦”和“数据统一处理”问题，华为IoT有自己的方法。

在物联网领域，有“孪生体”这样一个概念。通过“孪生体”把设备的感知和设备的认知，进行统一的处理。同样以工厂为例，工厂里面是有非常多的生产装备、生产产线以及其他各式各样的物理设备的，那我们能不能帮助工厂把所有的这些物理设备，通过统一的建模，对这些设备一一进行处理，抽象为数字化的形象呢？

答案是，可以。通过把物理对象一一进行数字化处理，那么应用和物理设备的交互，就转变成了应用和数字孪生体的交互。相对于前两种模式，这种模式的开发方式有了一个非常大的变化：我们可以无视最底层的物理设备，或者物理接口，将数据建模部分的工作，交由IoT的“统一孪生模型层”完成。

“孪生”这一概念，意味着我们在建模的时候，首先需要对模型有清晰的认知，也即广泛的数采能力，毕竟在工厂里面，会有各式各样的设备，这些设备同时又有各式各样的一些协议；其次，需要有非常高的抽象能力，你需要将物理世界的设备，抽象成数字世界里的模型，并且能进行交互。

数采能力和抽象能力，是目前开发物联网应用过程中，非常关键的两个能力。

基于华为云IoT带来新的开发模式，帮助用户快速构建数字化转型的基础平台。

接下来以华为自己的工厂为例，来简单说明华为云IoT是如何使用新的开发模式，助力工厂数字化转型的。

正如大家所知道的，华为本身也是一个制造型的工厂，华为云IoT的能力首先是在自己的工厂进行实践。我们以南方工厂，也就是Huawei Mate 40 生产工厂为例，把工厂的手机贴片过程通过数采、建模在数字世界中构建出一个数字化的产线的孪生体。

基于华为云IoT的能力，在南向完成一个统一的孪生体，并在上层构建可视化、智能化的应用，具体架构图见下：

        在南方工厂实际数字化进程中，有以下几个挑战：

• 产线设备厂家/种类/型号多种多样，涉及超过30+不同应用层协议需要对接，采集难度大；
• 一条产线上超过上千条测点数据，缺乏数据建模手段，导致数据处理低下。

        那么，如何站在开发者的角度，去省时省力地完成数字化呢？华为云IoT正式登场。

四、以多维模型为核心，构建数字孪生

在一个数字孪生体的实际应用背后，是有很多的模型的，比如产线的模型，设备的模型，质量缺陷的模型等等。而在建模过程中，从看待一个工厂物理世界当中的物理对象的角度，可以把工厂的孪生体分为两类：制造的数字孪生和产品的数字孪生。

制造数字孪生：

• 定位：将工厂的制作环节进行数字化的镜像，能够实时反映工厂的制造过程；经过对制造过程的统一抽象，不同应用可以基于同样的语义进行交互；
• 建模内容：生产装备、产线、生产工艺流程、质量缺陷、物理结构等等；

产品数字孪生：

• 定位：从工厂在制产品维度，组织生产过程中产生的各种数据，并预留通过与数字主线对接能力打通产品设计阶段、产品维护阶段的数据；
• 建模内容：产品的各种属性，生产过程数据，质量数据等。

以上，就是工厂数字孪生的两个非常重要的数字抽象维度。通过将产线生产过程透明化，实现生产有序可控，让应用上线时间从原来的6-9个月，缩减至3个月；同时，孪生建模+智能分析，用数据去驱动智能生产，让数据的开发效率能提升70%。通过华为云IoT，我们可以快速实现工厂的全要素联结，并通过构建工厂数字孪生模型，大幅度提升数据利用效率。

Part 2：基于南方工厂的数字孪生实践

        回到我们的主题。南方工厂，即是生产Huawei Mate 40的产线。手机产量的暴增，让产线的数字化需求迫在眉睫。通过整个产线的数字化，可以提升生产过程、优化制造工程厂商的管理，以及质量控制的管理，让产线的效率得到大大的提高，同时能够降低运营的成本。

        上图是一个工厂孪生体的多维模型。我们可以看到在产品模型中，包括了设备模型和产线模型，更上层还有制程能力模型、质量缺陷模型以及设备物理/结构模型和设备故障预测模型。

        通过应用华为云IoT数据分析服务建模和分析能力，可以快速构建的电子工程产线和设备孪生体。那么本文我们就来介绍一下如何构建一个数据分析服务建模。

一、基础概念介绍

（一）OEE概念简介

        在进行建模讲解之前，我们先普及一个基础的概念。OEE，即设备综合效率（Overall Equipment Effectiveness）。一般来说，每一个生产设备都有自己的理论产能，要实现这一理论产能必须保障没有任何干扰和质量损耗。OEE就是用来表现设备是的生产能力相对于理论产能的比率。

        在计算OEE的时候，会涉及到以3个维度：

• 时间利用率：时间利用率=Σ实际运行时间/Σ计划开机时间*100%。用来评价停工所带来的损失，包括引起计划生产发生停工的任何事件，例如设备故障，原材料短缺以及生产方法的改变等等；
• 性能利用率：性能利用率=Σ[产出数量*一个产品在设备应有状态下加工的周期时间]/Σ实际运行时间*100%。用来评价生产速度上的损失。包括任何导致生产不能以最大速度运行的因素，例如设备的磨损，材料的不合格以及操作人员的失误等；
• 合格率：合格率=[合格产出数量]/[产出数量]*100%。用来评价质量的损失，它用来反映没有满足质量要求的产品（包括返工的产品）；

那么最终的计算公式就是，OEE=[时间利用率]*[性能利用率]*[合格率]*100%，这就是衡量设备综合运营效率的一个关键指标，也是很多电子制造工厂以及其他类似厂房里的一个关键性指标。

一般来说，国内厂家OEE的数值都不会太高，一般只有70%，或者80%，少的甚至只有40%左右。

（二）工厂孪生体产线和设备建模分析效果图

工厂孪生体产线和设备建模分析，可以通过一些可视化的管理后台进行查看。以下分别三个不同功能的效果图。

Picture 1：图上共有3条产线，可以进行适当地拖放。图里可以看到每个设备的OEE数值。通过资产建模和分析能力可实时计算出产线和设备的OEE，各设备关键指标实时监控，同时可查看历史数据。

Picture 2：设备建模图。通过设备上报故障消息和设备模型相结合，实时监控设备运行状态。

Picture 3：资产分析图。通过资产模型分析能力，可实时分析和监控上报的设备数据是否存在异常。比如说，湿度正常情况下是到45%~63%，如果上报的数据不在这个范围内，则属于不正常数据。界面就会显示一个黄色的点，表示这里的设备上报的数据有异常。可以看出，数据分析是可以实时计算，实时监控的，如果有些严重异常的话，甚至可以推送到运维人员。

（三）工厂数字孪生Demo数据处理和分析流程

        要实现上述的效果图，我们需要经过如下几个步骤（因为不是真实工厂，所以采取的是模拟设备）：

• 设备模拟器：基于标准物模型，模拟器定时5秒通过MQTT协议自动上报设备属性数据，可模拟手动出发上报消息，比如设备告罄消息。
• IoT设备接入服务：通过配置设备数据转发规则将设备属性数据和设备消息到IoTA（数据分析）服务。
• IoT数据分析服务：基于数据管道接收设备数据，并通过资产建模和计算分析能力，实时计算生成产线和设备OEE相关数据，判断数据是否存在异常信息。
• 3D应用：通过调用IoTA的API获取数据，以3D的形式展示产线和设备，可查看产线和设备OEE，设备关键指标，告罄等故障信息，同时可查到相关历史数据。这也就是第二部分的效果图。

（四）IoT数据分析内的分析过程

接下来，我们来重点讲解一下“IoT数据分析服务”内部的流转过程。

第一步，数据管道。我们通过数据管道把数据接进来，同时本地也会进行备份；

第二步，对设备进行建模；

第三步，建立设备资产；

第四步，把模型实例化之后的设备，及灌进来的数据，通过设备资产分析这个计算引擎，完成实时计算相关的分析任务；

第五步，把数据存储到IoT内部；

第六步，把这个数据通过API开放给第三方使用。

具体见下图：

在这个过程中，我们需要详细讲解一下第二步以及第三步是如何操作的，也就是，我们如何创建模型和资产呢？

（五）IoT数字孪生的基本概念介绍

在进行创建模型和资产讲解之前，我们先介绍一下“IoT数字孪生”的基本概念。

我们认为，物理世界的物，在数字世界中是有一个实时的、准确的一个映射的，它可以把实际的设备数据和一些其他的数据组织起来，组成jason模型，成为一个载体。

上图是我们数字孪生的一个概念图。

首先数据孪生体，可以分为模型和资产两部分。其中模型相当于开发过程中，Java的类，表示一个类的一个模板。在实例化之后生成一个资产，就相当于new class，那么也就生成了一个对象。一个对象对应一个资产。

同时，模型又分为两种，第一种是属性，属性还可以往下分还要分三种：

第一种是静态配置属性，此类属性不需要设备上报，也不怎么会有变化，比如产品型号，设备类型等等；

第二种是测量数据属性，测量数据属性是需要设备上报的。通俗一点说，就是，数据分析自己是没法得到的，需要别人给系统的数据。包括设备上报的属性，也有可能包括从第三方的业务系统读到的属性，系统都认为是一种测量属性；

第三种是分析任务属性，此类属性在数据上报之后，是需要去进一步计算的。

针对最后一种任务分析属性，有相应的任务去配置，去计算。在这个过程中，相当于算法的加载及配置：先去分析这个数据，然后后台的计算引擎就去加载配置的业务逻辑。分析任务属性目前有分三种：

第一种是转换计算：举个简单例子，假设创建的时候包含了两个属性，a和b，而我们要求在这个过程中，a+b=c，那么这就是一个转化计算。转化属性要求是实时的，且ab两个值的数据时间戳是相同的；

第二种是聚合运算：聚合是一个时间维度的计算，假设要求过去五分钟的一个平均温度，如果设备每五秒钟上报一次数据，那么就需要对五分钟内的所有上报的数据做一个平均，相当于在时间维度下，做聚合运算；

第三种是流计算：流计算主要是用在比较复杂的场景，逻辑不能用简单的一个if /else表达出来的时候，就需要使用到流计算。举例来说，当资产将很多参数上报之后，系统需要通过这几个参数计算出一个结果，再返回资产，那么流计算在其中的作用就相当于一个计算器。流计算的功能非常强大，在工厂数字化模型中，大部分的场景都能实现，比如滑动窗口、数据过滤、加属性等等，是比较通用的一个能力。

以上就是一个整体的建模的概念，基于上述的这些概念，我们能更好地理解后面的内容。

二、资产建模实操

（一）设备建模：SMT产线印刷机设备

对物理世界事物构建数字资产模型时，必须先定义好资产模型，然后再创建资产。一般来说，一个产线有7种设备，我们以其中的印刷机为例，来讲解一下设备是如何建模的。

首先，是属性的配置。针对于印刷机，我们三种属性分别为：

静态配置属性：产品理想印刷时长、设备型号

测量数据属性：印刷速度、脱模速度、印刷高度

分析任务属性：时间利用率、性能利用率、合格率、OEE

而分析任务属性同时又有以下计算配置：

转换计算：计算时间利用率、计算性能利用率、计算OEE以及判断温度状态

聚合计算：计算实际工作时长、计算实际工作时间、计算合格率

流计算：SMT场景暂未使用

下图为属性编辑的页面，包括静态配置、测量数据以及分析任务，可供参考。

下图为所有参数都配备完成之后的完整样例。在这里面可以看到大概有70个左右的属性，这些属性都是模拟了真实产业的一些属性。下图所有的数据，包括样本和格式都是来自于南方工厂实际的生产数据，所以是相对比较真实的。

通过下面的截图，我们希望能够说明印刷机的分析任务是怎么配置的。以“转换计算”为例，只需要读取上报的温度值，并做一个表达式判断，比如说温度大于25，小于35，那么就认为是正常温度。把判断的结果复制给应用，应用就能直接使用这个结果。

下图为配置好的分析任务。可以看到，我们目前配置好了11个分析任务，包括计算资金利率、性能利用率、合格率、OEE、以及各种状态的判断等等前面所说过的种类。

（二）产线建模：SMT产线

前面说完了“设备建模”，接下来我们讲解一下“产线建模”。

产线建模实际上也和设备建模的概念相同，模型类似。但是静态属性和测量数据属性暂时没有配置，因为产线相对简单一些，主要是求OEE的值，也就是分析任务属性，包括OEE相关的四个指标，以及转换计算、聚合计算和流计算。

分析任务属性的配置和设备产线是一致的，就不再重复讲解。

下图为印刷机的设备资产配置图示例：

接下来，我们来看看产线资产是如何构建的。如下图，产线资产一共分三层：

第一层是工厂（父资产）；

第二层是产线（子资产）；

第三层是设备（子资产）。

产线和设备同样有模型，三层模型构成了一个“父子关系”的资产数。资产来自于模型，由模型实例化而来，同时，模型实例化为资产时可以根据业务场景来指定层级关系，且资产之间相互独立。

下图是构建好的资产树。相比于上一张图的逻辑图，这是一个示例图。图中表明一个电子工厂有三条SMT产线，每条产线有7个SMT设备。

（三）、OEE相关指标配置（设备&产线）

我们再来看看设备的每个指标是如何计算的，如下图。我们以“产品合格率”（下图灰色部分）为例。

如前文所述，合格率=[合格产出数量]/[产出数量]*100%。表格中“TS_Sum”表示时序求和，即可以把产量在一个时间范围内求和，比如，对五分钟内的产量进行求和。其他指标的计算方式和合格率类似，就不一一赘述。

产线和设备的指标计算过程相似，差别在于数据的来源。产线的数据来源于子资产，而非产线自己产生的。因为资产“父子之间”的数据是可以相互引用的，而产线本身是不上报任何数据的。

（四）资产运行监控

所有的产品创建、属性配置都完成之后，即可点击“发布”，将模型发布并运行。模型在定义的时候，本身是一个静态的过程，一旦发布，就会激活。根据前序定义的任务分析逻辑，系统将会自动计算，并得出实时结果，进行上报。所有的数据都可以在下图中观察看到。

除了上述的数据展现模式，还可以根据业务的需要，将数据展示成折线图、热力图、曲线图等等，更易进行分析的图形展示方式，得出你想要的结果。示例图如下。

想要体验一个产线模型建立的过程，可以前往华为云IoT数据分析服务（https://www.huaweicloud.cn/product/iotanalytics-platform.html）深度体验。根据“总览”页的指导一步步进行操作。

三、小结

从上述的讲解和介绍，我们可以得出以下结论：

• 物理世界的物在数字世界中的实时准确映射，组织数据&模型的载体，是IoT领域的数字孪生；
• 围绕一个具体的物理对象，组织数据&模型，定义一个数字化的模型，即是IoT领域的数字建模过程；
• 设备数字孪生模型由属性和任务分析两部分组成；
• 对物理世界事物构建资产模型时，须先定义模型，再创建资产
• 面向对象建模思想带来的好处：封装、继承、组合，提升复用效率和可扩展性。

华为云IoT数据分析服务基于物联网资产模型，整合IoT数据集成、清洗、存储、分析、可视化，为IoT数据开发者提供一站式服务，降低开发门槛，缩短开发周期，快速实现IoT数据价值变现，让工厂数字化转型升级“触手可及”。

来一起体验一下吧~

本文整理自【华为云社区内容共创者火热招募中】第四弹：耕耘五月，步履不停！

查看活动详情：https://bbs.huaweicloud.cn/blogs/266530