工业大数据架构分析（3）

工业大数据架构分析（三）

（2019年2月17日）

1.1 工业大数据系统技术架构介绍

本文中描述的工业大数据架构体系，参考了2016年工业互联网产业联盟[1]发布的《工业互联网体系架构(1.0)》中对工业互联网数据体系架构的描述，见图1。工业互联网产业联盟(Alliance of Industrial Internet，AII)是在工业和信息化部指导下，于2016年2月1日由国内外工业互联网产业相关的企、事业单位、社团组织、高等院校、科研院所等自愿结成的跨行业、开放性、非营利性的社会组织。

图1

其架构可以总结为数据采集与交换、数据集成与处理、数据建模与分析和数据驱动下的决策与控制应用四个层次[4]，对应到具体的技术架构实现见图2。

图2

采集交换层：主要完成数据从传感器、SCADA、MES、ERP等内部系统，以及企业外部据源获取数据的功能，并实现在不同系统之间数据的交互。这一层涉及到采集工具、数据预处理工具、以及数据交换工具的选型建设。

集成处理层：从功能上，这一层主要是将物理系统实体进行抽象和虚拟化，建立产品、产线、供应链等各种主题数据库，建立合理的数据模型，将清洗转换后的数据与虚拟制造中的产品、设备、产线等实体相互关联起来。从技术上，实现原始数据的抽取转换和存储管理，提供计算引擎服务，完成海量数据的交互查询、批量计算、流式计算等任务，并对上层建模工具提供数据访问和计算接口。这一层主要涉及数据的抽取转换加载、数据的存储与管理、数据计算与查询，以及数据服务接口的提供。

建模分析层：功能上主要是在虚拟化的实体之上构建仿真测试、流程分析、运营分析等分析模型，用于在原始数据中提取特定的模式和知识，为各类决策的产生提供支持。从技术上，主要提供数据报表、可视化、知识库、机器学习、统计分析和规则引擎等数据分析工具。

决策控制层：基于数据分析结果，生成描述、诊断、预测、决策、控制等不同应用，形成优化决策建议或产生直接控制指令，从而对工业系统施加影响，实现个性化定制、智能化生产、协同化组织和服务化制造等创新模式，最终构成从数据采集到设备、生产现场及企业运营管理优化的闭环。

（未完待续）

（摘编自 微信公众号 信息通信技术 联通智汇）