如何支撑企业快速构建数字孪生体

摘要：详解华为云IoTA服务如何助力IoT数据开发者快速实现IoT数据价值变现，带你动手实践完成一整套工业物联网方案的开发。

本文分享自华为云社区《【云驻共创】孪生？数字孪生？欢迎进入极客的世界》，作者：启明。

在文章开始前，我们先对标题中的名词做一个解释：

华为云IoT数据分析：也叫华为云IoTA（Analyst）华为云IoTA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，降低开发门槛，缩短开发周期，帮助IoT数据开发者快速实现IoT数据价值变现。通过动手实操，让智能制造领域开发者体验如何基于华为云IoT边缘计算、设备接入、数据分析能力，从设备接入到产线孪生，完成一整套工业物联网方案的开发。
数字孪生体：数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。

通过上面的解释，相信大家对标题和我们今天要介绍的内容有了一定的了解，接下来，我们进入正题。

工业4.0时代，工厂数字化“危机重重”

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。

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

1）应用多独立构建，缺乏统一标准，应用间无法有效进行数据共享和信息互通，形成数据和信息孤岛；

2）企业数字资产零担分布，维护成本高，使用效率低下；

2、应用上线慢，耗时耗力

1）重复造轮子，每个应用上线都有大量重复工作，浪费人力物力，耗时长；

2）其中数据的处理量为复杂，缺乏统一的建模，导致各应用都面临原始数据的重复处理；

3、数据分析门槛高

1）数据利用率低，大量数据限制，未充分利用，价值挖掘仅冰山一角；

2）关键原因：业务场景不明确，数据开发技术门槛高，缺乏好的数据平台；

而可能导致上面几个关键问题的原因之一，我们认为可能和软件开发分层解耦没有做到位有关。

软件开发未做到足够的分层解耦

为什么说“软件开发未做到足够的分层解耦”呢？

我们来对比一下传统的软件开发过程和华为云IoTA的模式。传统软件开发过程有两种模式：

模式一：应用独立构建。

1）一半缺乏整体规划，各应用独立部署，数据各自基于业务需要进行采集和使用

2）效率低下，比如重复采集数据，对生产影响大

模式二：基于数采平台构建

1）开始考虑统一的数采平台，由专业数采团队完成尽可能多的数据采集，并集中统一开放；

2）整体上效率有所提升，但是数据的使用仍然是独立的，未实现真正的融合，应用间对数据的处理仍存在大量重复工作。

那么华为云是如何解决这其中的问题的呢？这个时候就是数字孪生体该出场的时候了。

通过上图这样一个模型，可以带来：

更全面的场景化认知能力：

1）统一数字建模语言，语义层互通

2）图形化/模板化建模开发环境，效率提升40%

3）强大模型计算引擎，支持最大亿级模型节点，无缝衔接AI，智能化扩展

更广泛的物理感知能力

1）10+主流原生协议，60+标准协议

2）云边协同，协议插件自定义扩展

3）模组预集成SDK，上电即上云

通过把物理对象一一进行数字化处理，将应用和物理设备的交互，转变成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。

IoT数据分析孪生建模概念分析

接下来，我们将介绍一些“孪生建模”相关概念。

数字孪生：广义上是由物理对象、数字镜像及互动系统构成的一个体系，狭义上是物理对象的数字镜像。

数字孪生体成熟度模型可以分为数化、互动、先知、先觉、共智5个阶段，已经超越了现有的数字化、物联网、仿真、大数据、人工智能、云计算等等的任何一个概念。

1）数化：物理世界中的物通过数字化建模得到一个数字模型；

2）互动：数字对象和物理对象之间，实时相互传递信息和数据来产生互动的效果，比如说可以对设备下发一些控制命令（打开路灯）；

先知：基于完整的信息和明确的机制可以预测未来。比如说平常生活中的天气预报，可以预测未来的天气；
先觉：基于不完整的信息和不太明确的机制去推测未来；

5）共治：多个数字孪生体之间可以共享智慧、共同进化，是更高级的一种表现。

IoT领域的数字孪生：物理世界的物在数字世界中的实时准确映射，通过定义模型和汇聚相关数据构建出数字孪生载体。

IoT数字孪生应用场景

基于上述的概念，我们介绍一下数字孪生应用场景。数字孪生是一项通用的技术，正在成为国家数字化转型新抓手，支撑社会各行业数字化转型的使能技术。下表为数字孪生核心应用场景及价值：

以“智能工厂”行业为例，行业内的龙头企业，已经在开发数字孪生体。其在开发设备过程中直接就把数字孪生也同步开发交付了，从而实现了整个设备在生命周期的全数字化管理的能力。同时，依托现场采集数据，结合其孪生体的分析，可以提供产品的故障分析、故障预测、远程管理等等增值服务，最终可以有效提升用户体验，降低整体的运维成本，同时可以强化企业的竞争力。

工厂数字孪生由制造数字孪生和产品数字孪生组成，背后的多模型是核心

工厂数字孪生由两部分组成：制造数字孪生和产品数字孪生。

制造数字孪生：

定位：将工厂的制造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，不同应用可以基于统一的语义进行交互；

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；

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的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。

整个工厂的数字孪生背后是有多种模型支撑的：

从下往上总结，可以看到：设备模型、产线模型，制程能力模型、质量缺陷模型等，再往上是设备故障预测模型及设备物理/结构模型等等。多种模型，对应着不同的使用场景。

那么，这样一个模型，是如何设计和落地的呢？

我们需要熟记一句话：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。

IoT领域的数字孪生包括两部分，一部分是模型，第二部分是资产。怎么理解这两个概念呢？模型就相当于是面向对象中的class，即，类。类是静态的，对一些抽象的东西进行定义。

而资产实例相当于面向对象中的实例对象object，即把类实例化创建一个对象出来，并使用它。

把模型打开来看，里面又分属性和分析任务。属性可以类比于我们class里面的成员变量；分析任务类比于class的成员方法，定义了属性的一些分析技术的逻辑。

具体到属性，又可以分成静态属性，测量数据属性和分析任务属性三种。同时，分析任务也可以分为转换计算、聚合计算以及流计算三种。

工厂数字孪生生产线与设备建模效果介绍

说这么多，华为云IoTA服务究竟有什么样的效果呢？

以一个SMT生产的建模场景为demo：

上图是SMT贴片产线。SMT其实一个PCB板的贴片的生产工艺，所有的电子产品包括iPad、手机等等电子类的相关产品，都离不开此工艺流程。

从 demo可以看出，中间有三条产线，左侧可以看到每一条产线当前实时的设备和产线OEE的指标。

中间部分是产线设备，可以操作的动作有：

可以通过放大的方式可以把它打开看；
可以点击某个设备，也可以看到当前此设备在当前周期的实时的OEE；
可以监控设备关键的参数属性，比如可以对一些关键的属性的值做异常值的监控；
可以看到如果设备出现异常：整个系统会显示红色或者黄色的点来表示设备出现异常；

右侧则可以看到设备的过去几天或几个小时的列数据。

或者大家会对前面提到的OEE感到疑惑，那么什么是OEE呢？

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。

工厂数字孪生产线与设备建模详解

对于整个IoT数据分析服务，其一般是如何进行数据处理分析的呢？

参考上图：

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。

接下来以实际的SMT产线的印刷机为例，结合前面概念讲一下如何去配置和设计模型。

整张图可以分为两个部分，左侧是整个数据完成相关模型概念大纲介绍的几个维度，右侧的是一个生产印刷机设备的实际信息。

前面我们有大概介绍属性分为3类，但是没有具体讲解三类的相关信息，在此我们补充介绍一下：

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；

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；

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。

同时，分析任务也分为3种：

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；

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；

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。

下图是OEE相关指标的配置情况，大家如果感兴趣，可以到demo里去实际查看：

在此，我们重点介绍一下合格率。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。

有了资产和设备之后，我们即可构建产线模型。

产线模型跟设备模型构建的思路一致的，只不过有些特殊点，比如说产线有产线名称，但是产线不是一个实际的实体物理设备，它只是一个虚拟的概念，因此产线可能不存在测量数据属性。但是它可以去有定义对应的分析任务，比如说可以计算产线的时间利用率、性能利用率、合格率和OEE等等。

上述属性可以通过分析计算得到，但是取得的数据都是来自于产线下面各个设备的数据，所以说，对应的分析任务定义过程跟设备是一模一样的，只不过计算唯一的值的时候，取的是设备下面的子设备数据进行求和之后，做一个累计计算得出来的结果。

以上就是一个产线的一个建模过程。有了产线模型之后，同样道理可以再建一个工厂模型，工厂模型可能相对会更简单一些，填一些需要配置的属性参数即可。

有了设备、产线和工厂这3个模型之后，就可以去构建整个数字化的工厂。

构建产线资产：数字化SMT工厂

从上图可以看出，构建一个数字化的工厂其实非常简单：

首先，基于工厂模型构建父资产-- SMT工厂；其次，它的下面可以再加一个子资产，比如说第一条产线，我们可以叫SMT产线1，然后再构成第二条产线。这两个产线的资产就是基于产线模型来实例化构建出来的；最后，在子资产下可以继续添加资产（设备），比如说雷雕机、印刷机、贴片机等等子设备，整个流程下来之后，我们就可以把整个工厂的数字化模型构建出来。

请注意：资产数如何构建，是取决于公司自身业务需求的，没有一个具体的原则框定。

结合实际产线设备实时上报数据，通过数字孪生模型及背后的资产数据计算引擎，即可构建出SMT工厂中产线、设备在数字世界孪生体，通过数字孪生体便可实时反映实际物理设备的动态变化。

整个数字工厂构建出来，在console面里面呈现如下情况：