工业互联网作为新一代信息技术与制造业深度融合的产物，不仅能为制造业乃至整个实体经济数字化、网络化、智能化升级提供新型网络基础设施支撑，还不断催生新模式、新业态和新产业。工业互联网平台作为工业互联网实施落地与生态构建的关键载体，正成为全球主要国家和产业界布局的关键方向。工业PaaS平台，对应工业互联网的平台层，其本质是在现有成熟的IaaS平台上构建一个可扩展的操作系统，为工业应用软件开发提供一个基础平台。
工业PaaS是工业互联网平台的核心。那么工业PaaS平台的核心又是什么呢？
一、 智慧制造是基于模型的制造
上世纪60年代到70年代，建模仿真主要是用FORTRAN语言编写的数字算法，用于计算特定的物理现象，解决设计问题，如机械设计的有限元分析。到了80年代和90年代，随着工作站以及计算能力的提高，仿真技术的应用逐渐遍及各个学科和不同层面。今天，仿真不仅是各种产品或过程的设计决策、评价和试验的基本工具，并且用于复杂工程系统的分析。毫无疑问，这个趋势将会延续下去，仿真的应用不会停留在设计阶段，如今正在向产品和系统的全生命周期扩展，构成与实体形影不离的“数字双胞胎”。
由于仿真能够在产品全生命周期提供无缝协助和优化，将来必然成为制造系统的核心功能之一，未来智能工厂是基于模型的系统工程(Model Based System Engineering—MBSE)或基于模型的制造(Model Based Manufacturing--MBM)，软件定义产品、决定企业盛衰，仿真技术成为制造系统关键组成部分的黄金时代才刚刚开始。
二、 数字化模型是工业PaaS平台的核心
数字双胞胎(Digital Twin)是指可用于各种物理资产的计算机化“伴侣”，借助安装在物理对象上的传感器数据来映射产品实时状态、工作条件或位置。换句话说，数字双胞胎意味着物理对象的属性及状态的最新和准确的镜像，包括形状、位置、状态和运动。此外，数字双胞胎也可用于监测、诊断和预测，借助数据挖掘建立模型，通过物理资产使用中不断产生的和归档的历史信息，在不同地理分布的机器群之间进行比较，以帮助改善预后的结果。
因此，复杂的预测和智能维护系统平台可以利用数字双胞胎寻找运行中问题的根本原因，使人们可以管理和优化个别资产或整个网络，从嵌入物理对象中的传感器获取数据，建立其运行的数字模型，在损坏或发生故障以前加以修复，大大减少因停机所造成的损失。
如果说工业PaaS是工业互联网平台的核心，那工业PaaS的核心又是什么呢？就是数字化模型。工业互联网平台要想将人、流程、数据和事物都结合在一起，必须有足够的工业知识和经验，并且把这些以数字化模型的形式沉淀到平台之上。即把工业的技术原理、行业知识、基础工艺、模型工具规则化、软件化、模块化，并封装为可重复使用的组件。
三、什么是数字化模型？
所谓的“数字化模型”是将大量工业技术原理、行业知识、基础工艺、模型工具等规则化、软件化、模块化，并封装为可重复使用的组件。具体包括通用类业务功能组件、工具类业务功能组件、面向工业场景类业务功能组件。
1、 数字化模型来源
数字化模型既然在工业PaaS平台中如此重要，那么这些数字化模型从哪里来的呢？一部分来源于物理设备，包括制造过程的零件模板，设备故障诊断、性能优化和远程运维等背后的原理、知识、经验及方法；一部分来源于业务流程逻辑，包括ERP、MES、SCM、CRM、生产效能优化等这些业务系统中蕴含着的流程逻辑框架；此外还来源于研发工具，包括CAD、CAE、MBD等设计、仿真工具中的三维数字化模型、仿真环境模型等；以及生产工艺中的工艺配方、工艺流程、工艺参数等模型。
2、 数字化模型分类
数字化模型一种是机理模型，亦称白箱模型。根据对象、生产过程的内部机制或者物质流的传递机理建立起来的精确数学模型。其优点是参数具有非常明确的物理意义，模型参数易于调整，所得的模型具有很强的适应性。机理模型往往需要大量的参数，这些参数如果不能很好地获取，也会影响到模型的模拟效果。机理包括基础理论模型（如制造过程涉及到的流体力学、热力学、空气动力学方程等模型）；流程逻辑模型（如ERP、SCM供应链管理等业务流程中蕴含的逻辑关系）、部件模型（如零部件三维模型）、工艺模型（如生产过程中涉及到的多种工艺、配方、参数模型）、故障模型（如设备故障关联、故障诊断模型等）、仿真模型（如风洞、温度场模型等）。机理模型本质上是各种经验知识和方法的固化，它更多是从业务逻辑原理出发，强调的是因果关系。
随着大数据技术发展，一些大数据分析模型也被广泛使用，包括基本的数据分析模型（如对数据做回归、聚类、分类、降维等基本处理的算法模型）、机器学习模型（如利用神经网络等模型对数据进行进一步辨识、预测等）以及智能控制结构模型，大数据分析模型更多的是从数据本身出发，不过分考虑机理原理，更加强调相关关系。
3、 数字化模型开发工具
所有的这些技术、知识、经验、方法、工艺都将通过不同的编程语言、编程方式固化形成一个个数字化模型。建模工具如：Python数据抓取、MYSQL数据整理统计、EXCLE图表制作、SPSS.R数据建模可视化等等，这些模型一部分是由具备一定开发能力的编程人员，通过代码化、参数化的编程方式直接将数字化模型以源代码的形式表示出来，但对模型背后所蕴含的知识、经验了解相对较少；另一部分是由具有深厚工业知识沉淀但不具备直接编程能力的行业专家，将长期积累的知识、经验、方法通过“拖拉拽”等形象、低门槛的图形化编程方式，简易、便捷、高效的固化成一个个数字化模型。
大数据建模的步骤一般包括：选择模型、训练模型、评估模型、应用模型和优化模型五个阶段。正如数据挖掘标准流程一样，构建模型的这五个步骤，并不是单向的，而是一个循环的过程。当发现模型不佳时，就需要优化，就有可能回到最开始的地方重新开始思考。即使模型可用了，也需要定期对模型进行维护和优化，以便让模型能够继续适用新的业务场景。
4、 数字化模型技术架构
当把这些技术、知识、经验、方法等固化成一个个数字化模型沉淀在工业PaaS平台上时，主要以两种方式存在：一种是整体式架构，即把一个复杂大型的软件系统直接迁移至平台上；另一种是微服务架构，传统的软件架构不断碎片化成一个个功能单元，并以微服务架构形式呈现在工业PaaS平台上，构成一个微服务池。目前两种架构并存于平台之上，但随着时间的推移，整体式架构会不断地向微服务架构迁移。
采用工业微服务的方式将上述软件拆解成独立的功能模块，实现对原有生产体系的解构，随后在平台中构建起富含各类功能与服务的微服务组件池，并按照实际需求来调用相应的微服务组件，进行高效率和个性化的面向用户的工业App研发，整个软件研发的技术门槛和投入成本大大降低。原来需要专业团队和雄厚资金支持的精英化软件研发开始向大众化研发转变。
工业微服务创造全新平台开放价值生态。随着工业互联网平台中微服务组件池的构建和行业经验知识的持续积累，整个平台既能够为广大第三方开发者提供众多低门槛、易操作、高效率的开发支持手段，形成以工业App开发为核心的平台创新生态，也能够为制造业用户提供以工业微服务为基础的定制化、高可靠、可扩展工业App或解决方案，形成以价值挖掘提升为核心的平台应用生态。
5、 数字化模型的价值
一旦所有的数据都汇聚到工业PaaS平台之上，所有的工业技术、知识、经验和方法也都以数字化模型的形式沉淀在PaaS平台上，当把海量数据加入到数字化模型中，进行反复迭代、学习、分析、计算之后，可以解决物理世界四个基本问题：首先是描述物理世界发生了什么；其次是诊断为什么会发生；第三是预测下一步会发生什么；第四是决策该怎么办，决策完成之后就可以驱动物理世界执行。概括起来讲，就是状态感知、实时分析、科学决策、精准执行。
四、 数字化模型是快速开发部署工业APP的关键
通过采集息管理系统数据、机器设备数据和外部数据并把数据输送到云端，再通过云端模型处理提供产品全生命周期、协同研发、生产设备优化、质量监测等各式各样的服务。“数据+模型=服务”是工业互联网平台的本质特征，通过‘数据+模型’优化资源配置效率，提供更为优质的服务，并最终把正确的数据以正确的方式，在正确的时间传递给正确的人和机器，以优化制造资源配置效率。
然而，我国在数字化模型领域还存在问题：
一是工业机理模型不足。平台功能丰富性取决于积累沉积的各类工业知识完整性，实现工业技术、经验、知识的模型化、标准化、软件化、复用化，以优化研发设计、生产制造、运营管理等资源配置效率。工业机理、工艺流程、模型方法经验和知识积累不足。
二是数据分析能力不足。当前工业研发、生产、采购、配送、设备管理等都需要高水平的数据模型和大数据分析能力，目前国内许多平台类企业面临的共同挑战就是工业大数据分析技术、人才严重不足，供给能力远远满足不了市场需求。
五、结语
工业PaaS平台目的是为企业提供云服务所必需的各种中间件、分层的动态扩展机制、开发和运维等支撑能力，帮助企业快速构建面向工业行业的社会级服务，同时与开发者、合作伙伴一起打造良性生态圈。当工业PaaS平台上拥有大量蕴含着工业技术、知识、经验和方法的微服务架构的数字化模型时，应用层的工业APP可以快速、灵活的调用多种碎片化的微服务，实现工业APP快速开发部署和应用。
