本文分享自華為雲社群【【雲駐共創】Huawei Mate 40產線直擊之華為雲IoT智慧制造助力工廠數位化轉型】，原文作者：啟明。
Part 1：智慧化工業4.0時代的數位孿生
一、工業0，智慧化時代已來
回顧人類歷史，我們共同順利經歷了三次工業革命：
第一次是蒸汽機時代，開創了以機器代替手工勞動的時代；第二次是電氣時代，自然科學的發展和工業緊密結合，科學在推動生產力方面發揮了更為重要的作用；第三次是資訊化時代，科學技術轉化為直接生產力的速度急速加快。
而今，我們迎來了第四次革命，即，工業4.0：智慧化時代。「工業4.0的本質，就是透過數據流動自動化技術，從規模經濟轉向範圍經濟，以同質化規模化的成本，構建出異質化客製化的產業。對於產業結構改革，這是至關重要的作用。」
作為新一輪的工業革命，工業4.0的核心特征是互聯。 工業4.0代表了「互聯網+制造業」的智慧生產，孕育大量的新型商業模式，真正能夠助力實作「C2B2C」的商業模式。
二、當前工廠數位化轉型痛難點
當前，大家都還在「工業4.0」的摸索階段。大量的工廠已經開始自己的智慧化轉型之路，比如透過構建套用來講采集的數據視覺化，講數據價值最大化。但是，在這個實踐過程中，問題不斷湧現，諸如：
1. 數據/資訊孤島，煙囪林立
一家工廠，在不同的階段，因為計畫的不同，有可能找不同的供應商去承接。分段式的計畫供應商，導致的是不同的系統套用。形象點說，多系統不互通，就是像獨立的「煙囪」，每個「煙囪」都有「煙」，但是卻不互通。在工業4.0階段， 不互通，意味著資訊孤島，也就意味著企業的數位資產分布零散，維護成本高，使用效率低下 ；
2. 套用上線慢，耗時耗力
正如第一點所說，不同系統之間的不互通，導致的是新的套用上線會「重復造輪子」：每個套用上線，都有大量的重復工作，浪費人力物力，且耗時長。更重要的是，新的套用帶來的數據處理問題：由於缺乏統一的建模，每個套用在處理原始數據時，都需要重復處理。兩個「重復」讓本就高昂的成本，更加「雪上加霜」；
3.數據分析門檻高
工廠，或者企業，有著一顆想要降本增效的心，比如想要透過分析現有的數據找到規律，從而最佳化流程，但卻因為數據分析的門檻高，望而卻步。這其中最關鍵的原因，是其業務場景不明確，沒有找到一個好的數據平台。
三、找對平台，是成功的一半
以上痛點難點，是大部份工業領域的廠家在「工業4.0」摸索過程中都會遇到的，而貫穿其中的是「套用」。也就是說， 軟體開發者未做到足夠的分層解耦是造成上述問題的重要原因之一 。以「套用」為基礎，工廠經歷了三個時期的三種模式：
1. 模式一：「煙囪式」套用
在工業4.0之前，由於缺乏套用和實踐，大部份廠家的套用，如上所述，都是「煙囪式」的：
這樣便導致，一是缺乏整體規劃，各套用獨立部署，數據各自基於業務需要單獨進行采集和使用；二是效率低下，比如重復采集數據，對生產有較大影響。
2. 模式二：平台解耦——統一數采平台
在「平台」概念提出之後，工廠管理者們逐漸意識到，或許，在生產線和套用之間，需要有一個「平台」，這樣的解耦，能讓套用和生產線，套用和套用之間互聯互通。而這，就是工業4.0的一個基礎模型。
模式二的產生，讓專業的數據采集團隊完成盡可能多的數據采集，聯集中統一開放，讓整體效率有所提升。但是我們可以發現，即便是這樣， 數據的使用仍然是獨立的，沒有實作真正的融合。 在產線或者生產裝置取得的數據，仍然是後設資料，套用在取得數據之後，仍然需要單獨對數據進行二次加工處理使用，進而導致套用間對數據的處理仍然存在大量重復工作。
3. 模式三：數據處理——統一孿生模型
如何同步解決「套用解耦」和「數據統一處理」問題，華為IoT有自己的方法。
在物聯網領域，有「孿生體」這樣一個概念。透過「孿生體」把裝置的感知和裝置的認知，進行統一的處理。同樣以工廠為例，工廠裏面是有非常多的生產裝備、生產產線以及其他各式各樣的物理裝置的，那我們能不能幫助工廠把所有的這些物理裝置，透過統一的建模，對這些裝置一一進行處理，抽象為數位化的形象呢？
答案是，可以。透過把物理物件一一進行數位化處理，那麽套用和物理裝置的互動，就轉變成了套用和數位孿生體的互動。相對於前兩種模式，這種模式的開發方式有了一個非常大的變化：我們可以無視最底層的物理裝置，或者物理介面，將數據建模部份的工作，交由IoT的「統一孿生模型層」完成。
「孿生」這一概念，意味著我們在建模的時候，首先需要對模型有清晰的認知，也即廣泛的數采能力，畢竟在工廠裏面，會有各式各樣的裝置，這些裝置同時又有各式各樣的一些協定；其次，需要有非常高的抽象能力，你需要將物理世界的裝置，抽象成數位世界裏的模型，並且能進行互動。
數采能力和抽象能力，是目前開發物聯網套用過程中，非常關鍵的兩個能力。
基於華為雲IoT帶來新的開發模式，幫助使用者快速構建數位化轉型的基礎平台。
接下來以華為自己的工廠為例，來簡單說明華為雲IoT是如何使用新的開發模式，助力工廠數位化轉型的。
正如大家所知道的，華為本身也是一個制造型的工廠，華為雲IoT的能力首先是在自己的工廠進行實踐。我們以南方工廠，也就是Huawei Mate 40 生產工廠為例，把工廠的手機貼片過程透過數采、建模在數位世界中構建出一個數位化的產線的孿生體。
基於華為雲IoT的能力，在南向完成一個統一的孿生體，並在上層構建視覺化、智慧化的套用，具體架構圖見下：
在南方工廠實際數位化行程中，有以下幾個挑戰：
那麽，如何站在開發者的角度，去省時省力地完成數位化呢？華為雲IoT正式登場。
四、以多維模型為核心，構建數位孿生
在一個數位孿生體的實際套用背後，是有很多的模型的，比如產線的模型，裝置的模型，品質缺陷的模型等等。而在建模過程中，從看待一個工廠物理世界當中的物理物件的角度，可以把工廠的孿生體分為兩類：制造的數位孿生和產品的數位孿生。
制造數位孿生 ：
產品數位孿生：
以上，就是工廠數位孿生的兩個非常重要的數位抽象維度。透過將產線生產過程透明化，實作生產有序可控，讓套用上線時間從原來的6-9個月，縮減至3個月；同時，孿生建模+智慧分析，用數據去驅動智慧生產，讓數據的開發效率能提升70%。透過華為雲IoT，我們可以 快速實作工廠的全要素聯結，並透過構建工廠數位孿生模型，大振幅提升數據利用效率 。
Part 2：基於南方工廠的數位孿生實踐
回到我們的主題。南方工廠，即是生產Huawei Mate 40的產線。手機產量的暴增，讓產線的數位化需求迫在眉睫。透過整個產線的數位化，可以提升生產過程、最佳化制造工程廠商的管理，以及品質控制的管理，讓產線的效率得到大大的提高，同時能夠降低營運的成本。
上圖是一個工廠孿生體的多維模型。我們可以看到在產品模型中，包括了裝置模型和產線模型，更上層還有制程能力模型、品質缺陷模型以及裝置物理/結構模型和裝置故障預測模型。
透過套用華為雲IoT數據分析服務建模和分析能力，可以快速構建的電子工程產線和裝置孿生體。那麽本文我們就來介紹一下如何構建一個數據分析服務建模。
一、基礎概念介紹
（一）OEE概念簡介
在進行建模講解之前，我們先普及一個基礎的概念。OEE，即裝置綜合效率（Overall Equipment Effectiveness）。一般來說，每一個生產裝置都有自己的理論產能，要實作這一理論產能必須保障沒有任何幹擾和品質損耗。OEE就是用來表現裝置是的生產能力相對於理論產能的比率。
在計算OEE的時候，會涉及到以3個維度：
那麽最終的計算公式就是，OEE=[時間利用率]*[效能利用率]*[合格率]*100%，這就是衡量裝置綜合營運效率的一個關鍵指標，也是很多電子制造工廠以及其他類似廠房裏的一個關鍵性指標。
一般來說，國內廠家OEE的數值都不會太高，一般只有70%，或者80%，少的甚至只有40%左右。
（二）工廠孿生體產線和裝置建模分析效果圖
工廠孿生體產線和裝置建模分析，可以透過一些視覺化的管理後台進行檢視。以下分別三個不同功能的效果圖。
Picture 1：圖上共有3條產線，可以進行適當地拖放。圖裏可以看到每個裝置的OEE數值。透過資產建模和分析能力可即時計算出產線和裝置的OEE，各裝置關鍵指標即時監控，同時可檢視歷史數據。
Picture 2：裝置建模圖。透過裝置上報故障訊息和裝置模型相結合，即時監控裝置執行狀態。
Picture 3：資產分析圖。透過資產模型分析能力，可實分時析和監控上報的裝置數據是否存在異常。比如說，濕度正常情況下是到45%~63%，如果上報的數據不在這個範圍內，則屬於不正常數據。界面就會顯示一個黃色的點，表示這裏的裝置上報的數據有異常。可以看出，數據分析是可以即時計算，即時監控的，如果有些嚴重異常的話，甚至可以推播到運維人員。
（三）工廠數位孿生Demo數據處理和分析流程
要實作上述的效果圖，我們需要經過如下幾個步驟（因為不是真實工廠，所以采取的是模擬裝置）：
（四）IoT數據分析內的分析過程
接下來，我們來重點講解一下「IoT數據分析服務」內部的流轉過程。
第一步，數據管道。我們透過數據管道把數據接進來，同時本地也會進行備份；
第二步，對裝置進行建模；
第三步，建立裝置資產；
第四步，把模型例項化之後的裝置，及灌進來的數據，透過裝置資產分析這個計算引擎，完成即時計算相關的分析任務；
第五步，把數據儲存到IoT內部；
第六步，把這個數據透過API開放給第三方使用。
具體見下圖：
在這個過程中，我們需要詳細講解一下第二步以及第三步是如何操作的，也就是，我們如何建立模型和資產呢？
（五）IoT數位孿生的基本概念介紹
在進行建立模型和資產講解之前，我們先介紹一下「IoT數位孿生」的基本概念。
我們認為，物理世界的物，在數位世界中是有一個即時的、準確的一個對映的，它可以把實際的裝置數據和一些其他的數據組織起來，組成jason模型，成為一個載體。
上圖是我們數位孿生的一個概念圖。
首先數據孿生體，可以分為模型和資產兩部份。其中模型相當於開發過程中，Java的類，表示一個類的一個樣版。在例項化之後生成一個資產，就相當於new class，那麽也就生成了一個物件。一個物件對應一個資產。
同時，模型又分為兩種，第一種是內容，內容還可以往下分還要分三種：
第一種是 靜態配置內容 ，此類內容不需要裝置上報，也不怎麽會有變化，比如產品型號，裝置型別等等；
第二種是 測量數據內容 ，測量數據內容是需要裝置上報的。通俗一點說，就是，數據分析自己是沒法得到的，需要別人給系統的數據。包括裝置上報的內容，也有可能包括從第三方的業務系統讀到的內容，系統都認為是一種測量內容；
第三種是 分析任務內容 ，此類內容在數據上報之後，是需要去進一步計算的。
針對最後一種任務分析內容，有相應的任務去配置，去計算。在這個過程中，相當於演算法的載入及配置：先去分析這個數據，然後後台的計算引擎就去載入配置的業務邏輯。分析任務內容目前有分三種：
第一種是轉換計算： 舉個簡單例子，假設建立的時候包含了兩個內容，a和b，而我們要求在這個過程中，a+b=c，那麽這就是一個轉化計算。轉化內容要求是即時的，且ab兩個值的數據時間戳是相同的；
第二種是聚合運算： 聚合是一個時間維度的計算，假設要求過去五分鐘的一個平均溫度，如果裝置每五秒鐘上報一次數據，那麽就需要對五分鐘內的所有上報的數據做一個平均，相當於在時間維度下，做聚合運算；
第三種是流計算： 流計算主要是用在比較復雜的場景，邏輯不能用簡單的一個if /else表達出來的時候，就需要使用到流計算。舉例來說，當資產將很多參數上報之後，系統需要透過這幾個參數計算出一個結果，再返回資產，那麽流計算在其中的作用就相當於一個小算盤。流計算的功能非常強大，在工廠數位化模型中，大部份的場景都能實作，比如滑動視窗、數據過濾、加內容等等，是比較通用的一個能力。
以上就是一個整體的建模的概念，基於上述的這些概念，我們能更好地理解後面的內容。
二、資產建模實操
（一）裝置建模：SMT產線印刷機裝置
對物理世界事物構建數位資產模型時，必須先定義好資產模型，然後再建立資產。一般來說，一個產線有7種裝置，我們以其中的印刷機為例，來講解一下裝置是如何建模的。
首先，是內容的配置。 針對於印刷機，我們三種內容分別為：
靜態配置內容：產品理想印刷時長、裝置型號
測量數據內容：印刷速度、脫模速度、印刷高度
分析任務內容：時間利用率、效能利用率、合格率、OEE
而分析任務內容同時又有以下計算配置：
轉換計算：計算時間利用率、計算效能利用率、計算OEE以及判斷溫度狀態
聚合計算：計算實際工作時長、計算實際工作時間、計算合格率
流計算：SMT場景暫未使用
下圖為內容編輯的頁面，包括靜態配置、測量數據以及分析任務，可供參考。
下圖為所有參數都配備完成之後的完整樣例。在這裏面可以看到大概有70個左右的內容，這些內容都是模擬了真實產業的一些內容。下圖所有的數據，包括樣本和格式都是來自於南方工廠實際的生產數據，所以是相對比較真實的。
透過下面的截圖，我們希望能夠說明印刷機的 分析任務是怎麽配置的 。以「轉換計算」為例，只需要讀取上報的溫度值，並做一個運算式判斷，比如說溫度大於25，小於35，那麽就認為是正常溫度。把判斷的結果復制給套用，套用就能直接使用這個結果。
下圖為配置好的分析任務。可以看到，我們目前配置好了11個分析任務，包括計算資金利率、效能利用率、合格率、OEE、以及各種狀態的判斷等等前面所說過的種類。
（二）產線建模：SMT產線
前面說完了「裝置建模」，接下來我們講解一下「產線建模」。
產線建模實際上也和裝置建模的概念相同，模型類似。但是靜態內容和測量數據內容暫時沒有配置，因為產線相對簡單一些，主要是求OEE的值，也就是分析任務內容，包括OEE相關的四個指標，以及轉換計算、聚合計算和流計算。
分析任務內容的配置和裝置產線是一致的，就不再重復講解。
下圖為印刷機的裝置資產配置圖範例：
接下來，我們來看看產線資產是如何構建的。如下圖，產線資產一共分三層：
第一層是工廠（父資產）；
第二層是產線（子資產）；
第三層是裝置（子資產）。
產線和裝置同樣有模型，三層模型構成了一個「父子關系」的資產數。資產來自於模型，由模型例項化而來，同時，模型例項化為資產時可以根據業務場景來指定層級關系，且資產之間相互獨立。
下圖是構建好的資產樹。相比於上一張圖的邏輯圖，這是一個範例圖。圖中表明一個電子工廠有三條SMT產線，每條產線有7個SMT裝置。
（三）、OEE相關指標配置（裝置&產線）
我們再來看看裝置的每個指標是如何計算的，如下圖。我們以「產品合格率」（下圖灰色部份）為例。
如前文所述，合格率=[合格產出數量]/[產出數量]*100%。表格中「TS_Sum」表示時序求和，即可以把產量在一個時間範圍內求和，比如，對五分鐘內的產量進行求和。其他指標的計算方式和合格率類似，就不一一贅述。
產線和裝置的指標計算過程相似，差別在於數據的來源。產線的數據來源於子資產，而非產線自己產生的。因為資產「父子之間」的數據是可以相互參照的，而產線本身是不上報任何數據的。
（四）資產執行監控
所有的產品建立、內容配置都完成之後，即可點選「釋出」，將模型釋出並執行。模型在定義的時候，本身是一個靜態的過程，一旦釋出，就會啟用。根據前序定義的任務分析邏輯，系統將會自動計算，並得出即時結果，進行上報。所有的數據都可以在下圖中觀察看到。
除了上述的數據展現模式，還可以根據業務的需要，將數據展示成折線圖、熱力圖、曲線圖等等，更易進行分析的圖形展示方式，得出你想要的結果。範例圖如下。
想要體驗一個產線模型建立的過程，可以前往華為雲IoT數據分析服務（https://www. huaweicloud.com/product /iotanalytics-platform.html ）深度體驗。根據「總覽」頁的指導一步步進行操作。
三、小結
從上述的講解和介紹，我們可以得出以下結論：
華為雲IoT數據分析服務基於物聯網資產模型，整合IoT數據整合、清洗、儲存、分析、視覺化，為IoT數據開發者提供一站式服務，降低開發門檻，縮短開發周期，快速實作IoT數據價值變現，讓工廠數位化轉型升級「觸手可及」。
來一起體驗一下吧~
點選關註，第一時間了解華為雲新鮮技術~
