大规模的数据应用和平台架构在政府、金融、电信等行业已经经历了充分的验证，所以在工业智能领域大致会有类似的演进路线，但具体到细节里又处处不同，值得细细品味。

首先，数据在哪里？

一类是管理数据：结构化的SQL数据为主，如产品属性、工艺、生产、采购、订单、服务等数据，这类数据一般来自企业的ERP、SCM、PLM甚至MES等系统，数据量本身不大，却具有很大的挖掘价值；

另一类则是机器运行和IoT的数据：以非结构化、流式数据居多，如设备工况（压力、温度、振动、应力等）、音视频、日志文本等数据，这类数据一般采集自设备PLC、SCADA以及部分外装传感器（装什么？怎么装？），数据量很大，采集频率高（一般在ms级），需要结合边缘计算在本地做一些预处理；

总的来讲，由于场景的割裂和分散，工业数据本身具有量大、多源、异构、实时性要求高等特点，而且随着未来280亿设备逐步接入，这些特性将会进一步加强，这是做工业大数据服务的核心难点之一，和互联网大数据不仅量级不同，结构不同，应用也完全不同。举个简单的例子，互联网场景中我们常用的是推荐算法，相关性分析等等，但是到了工业场景，很多机器数据需要做频谱分析、归因分析，这是完全不同的两个方向。

其次，基于这些工业数据，平台层应该提供哪些服务？

完整的协议解析：数据采集首先要完成工业协议的打通，这部分工作不算太难，但需要花费人力和时间，是真正的苦活、累活，往往是不想做但又不能不做，当然，反过来讲，各种协议的打通和支持本身也是服务客户的壁垒之一。以应用层协议为例，EtherNet/IP和PROFINET的市场占有率最大，其中PROFINET主要市场在欧洲，EtherNet/IP主要在美国。其次是EtherCAT、Modbus-TCP和EtherNetPOWERLINK这些。

标准化的数据整合：采集上来的数据要做统一的主数据管理，第一步是建立标准。一般来讲，我们先要用ISO或其他业内标准，制定统一的编码、结构、流转方式和属性，确保数据的一致性，这一点非常重要。其次，要在项目实施的历程中，逐步积累行业知识库、合适的算法组件以及相关机理模型，这一点也很重要，这是从数据标准进化到业务标准化的关键一步，是为实现真正的产品层面的微服务化打下基础。

强大的PaaS支持：工业数据本身的特殊性导致平台必须要有强大的中层支撑能力。我们以时序数据库为例，最近，阿里云发布了商用版本的高性能时间序列数据库 (High-Performance Time Series Database) 。所谓时序数据，是带有时间戳的一系列数值，时序数据是工业数据，尤其是设备工况和传感器数据的典型品种。这类数据频率高、量大，用传统关系型数据库处理，需要每次把所有值拉出来计算，吞吐量极大，性能很差。所以，一个高压缩、高性能的时序数据库，就是平台层必备的能力之一。

最后，我们应该做哪些应用？

设备级：质量控制。为了避免产线宕机，工厂的传统做法是对设备或核心零部件做定期的更换或检修，这种做法往往不能解决问题，而且会造成浪费。在工业智能时代，如果我们能够采集到合适的实时数据，结合该设备所适用的机理模型，就有可能用机器学习的方法挖掘出产品质量与关键数据之间的关联或因果关系，也就有可能实现实时在线的质量控制和故障预警，如果数据频率能对工艺流程形成完美包络，我们还有可能实现最大限度的效率提升。

厂级：计划排产。工业智能的最终目的是要实现大规模的个性化定制，即C2M。从工厂计划排产的角度来看，这其实是一个数学问题。这一问题的目标是实现当时当地的产能最优，约束条件来自企业的产线设备、人员、产品属性、供应链数据等等，通过历史数据的学习和训练，不难形成一个较好的预测模型。这一模型能根据产线和工厂的实时数据动态分析，动态调整，以帮助企业实现准确把控，最大化经济效益。

在可以预见的未来，随着数据的完整性和可靠性越来越高，场景越来越丰富，数据应用层面会诞生相当多的优先企业，他们帮助工业用户降低成本，提高效率，能解决实实在在的业务问题。目前来看，无论是阿里云所谓的ET工业大脑、三一的根云，海尔的COSMOPlat，甚至富士康的BEACON，等在往这一方向努力，数据能驱动的，绝不只是信息的加速流通，未来一定是业务全流程的重构，让我们拭目以待。