工业互联网的核心技术有四个：

一，边缘计算是有强刚需的工业应用场景，通过边缘端的实时数据采集、云端的数据分析和应用开发以实现高效协同，是云端应用对边缘端实时数据采集的响应和控制过程；

二，大数据平台也非常关键，以前的工业数据都是小数据，很多数据处理都在边缘完成，并没有汇总起来进行相关性分析和统一趋势分析，因此实现应用和数据解耦的大数据平台也很关键；

三，数字孪生，即通过数据化方式为工业设备定义数据结构，结合数据分析对设备的过去、当前和未来进行深入的洞悉，完成设备从物理向虚拟环境映射的最关键描述；

四，通过专家经验+人工智能的方式，基于专家经验指导的大数据样本标注，通过人工智能算法训练开发相应的故障诊断和预测模型，实现精准判决。

工业互联网三大高端制造应用场景

什么是高端制造？高端制造与中高端制造、中低端制造不一样之处在于：

一，生产过程基本上都是连续的，比如流程制造；

二，需要众多不同大型设备的高效协同，属于复杂工艺。像石油、电力、石化、光电、半导体等高端制造的可能有几百个不同的子生产过程,需要保证每个生产过程都得到严格的管控，才能完成最终预期的产出；

三，高度自动化的生产过程，可以根据实时采集的各种工况参数，对控制过程进行自动化的实时响应；

四，对质量、产能、风险、成本等的精细化管理要求极高，需要非常精准的过程控制和结果检验机制。

工业互联网在高端制造里应用场景很多，而当前的高端制造普遍呈现资产密集、资产性能优化空间大，数字化程度高但数据利用率低，经验驱动、缺少科学决策能力的局面。

通过结合工业互联网的赋能，即资产性能管理、运营效率提升、能源管理优化、安全生产环保、工业控制安全，可达到：

一，提高资产运营的效率，降低非计划停机带来的风险影响；

二，提高资产利用的效率，降低排放、降低能耗、提高安全生产、实现环保，构建产业生态。

正是因为高端制造普遍的体量都比较大，所以哪怕提高1%，都能创造巨大的价值。

高端制造的工业互联网的核心不是数据采集，而是一层一层传递的数据的价值。

工业互联网平台，能够起到加速整个价值传递过程的作用，一方面能够汇聚来自不同设备和业务系统的数据，构建数据中台，对数据进行规范和治理，以及针对离散化、场景化的数据分析；另一方面，它也提供了大量的跨应用系统的能力重用模块，让应用的交付、数据的分析变得更便捷和更简单。

相对于传统的PLC、DCS、MES或ERP这些传统的IT和OT系统，工业互联网应用着眼点放在了新技术解决老问题上，它通过运用物联网、大数据、云计算和人工智能等先进的IT技术，去解决原先由于数据量、数据处理能力、实时性等限制而不能得到很好解决的设备可靠性、工艺质量以及企业经营决策等方面问题，可以说是原有IT和OT系统的升级和重构。

高端制造的工业互联网应用非常离散化，应用场景主要是三类，设备资产管理、运营性能管理和生产经营决策。

资产性能管理的目标是提高资产（也就是设备）的可靠性，避免非计划停机；只有保证了设备的可靠性，才能保证运营过程中的产能、质量、成本的有效提升，才能优化运营指标；而只有保证了运营效率的提升，才能实现企业经营利润的提升和经营风险的规避，所以这三层是通过数据的价值环环相扣的。

应用场景1：资产性能管理。

大型高端制造都有关键的大型设备，这些设备在连续生产过程中的停机风险，会造成很大影响。普遍来说，进行有效设备维护的策略有：

一是被动式维护，就是坏了再修，这种维护成本最高；

二是预防性维修，为了避免被动维修引起的设备停机停产，现阶段采用较多的是预防性维修，也就是定期保养；

三是视情况维修或基于状态维修，因为前两种的成本相对比较高，因此采用振动分析、红外、超声等检测仪器，对关键设备进行相应的判决和检测，基于检测的结果决定是否要维修，提前修还是推后修；

四是预测维修，基于海量数据分析对设备的实时状态做评估，再决定是否要维修；第五，RCM或基于风险评估，结合实时数据对设备保养策略的一系列计算，得到基于风险管控的维护策略，实现更精准的维护。目前GE和Uptake已经做到了基于可靠性的维修或基于风险维护的完整策略。

现在的问题是：一，无法实现实时的判决和诊断，无法根据动态的工况进行调整；二，无法实现精确的故障定位，无法实现精确的指标计算；三，无法实现精确的寿命预测，无法实现预测性维护；四，无法积累、优化和复制专家经验，无法实现知识的自我学习和进化。

资产性能管理系统主要涉及三方面：

一是数据，即机器的实时数据、历史维护记录、失效记录、产品手册等；

二是机理，像FMEA、控制理论等基本的工业模型；

三是数据分析，变点检测、时序预测、聚类回归、机器学习、神经网络等结合在一起，才能产生一个相对完整的设备资产管理系统，实现实时监测、故障诊断预测、可靠性管理等一系列功能，最终目标是降低停机概率、降低运营风险、实现更快的响应能力。

怎么利用数据分析实现资产的高效性能分析呢？主要还是利用机器的数据。

基于机器的历史数据可以构建不同状态下的历史数据样本，开发各类故障的特征模型，与当前传感器数据进行对比，从而对当前的设备进行实时的健康评估。

基于历史数据也可以构建性能预测指标，通过对比指标就可以知道设备未来在什么时间可能会出问题，可以计算剩余寿命以优化维护策略。

应用场景2：运营性能管理。

在工业生产过程中有很多设备都产生数据，像工艺数据、质量数据、维护数据等，都可以通过工业互联网平台采集出来，做工艺参数优化、良率优化、虚拟量测、关键指标建模、燃烧环保优化、能源管理等一系列分析。

通过实时采集生产过程中设备、工艺、质检、环保、环节数据，结合数据挖掘和人工智能分析，可以实现生产工艺、品质还有运营效率全方面的优化。