导语：第一类工业应用，因为涉及到较多的企业差异化特征，需要很强的本地交付和定制能力，所以基本以国内的软件开发厂商为主，集中在一些高度定制化的领域，也正是由于国外厂商很难保证本地快速交付和定制，才有了国内厂商的生存空间。
【中国传动网技术前沿】1什么是工业应用？
对工业企业来说，应用通常分为两类：
第一类工业应用，因为涉及到较多的企业差异化特征，需要很强的本地交付和定制能力，所以基本以国内的软件开发厂商为主，集中在一些高度定制化的领域，也正是由于国外厂商很难保证本地快速交付和定制，才有了国内厂商的生存空间。但这些软件都很难实现标准化，所以国内工业软件厂商普遍生存状况都很艰难。
第二类工业应用，也即OT应用，是直接同工业设备打交道的，因此需要具备更多的专业知识，包括机械原理、电子电路、数据分析和数学建模、材料科学等，因此对开发人员也提出了相当高的要求，要求软件开发人员具备比较全面的跨专业能力，才能完成软件的开发。可想而知，这一类别的OT软件人才是多么难得。
长期以来，国内的企业软件人才都普遍集中在IT应用领域，OT领域的软件人才极其匮乏，这也造成了OT应用也是我国软件产业最薄弱的一环，长期被国外设备厂商（GE、西门子、Rockwell、ABB、IBM等）所垄断。
观点
2现有OT应用的痛点
现有的OT应用，已经无法满足日益增长的效率提升的需求，主要体现在如下几个方面：
1.无法适应工业的“大数据”
随着逐步推进的数字化过程，工业数据已经逐渐呈现“大数据”的4个V的特质：
>>数据量(Volume)
工业，特别是3.0阶段的工业，数据量之大是惊人的。每个大型复杂的设备都有数千个需要测量的信号，每个复杂的生产环节里面有数万个数字化的参数，而且很多工业信号（电流、电压、震动）的采集频率已经达到了Gbps级别，因此对应的工业应用系统都必须具备实时的流式和批量处理能力、海量的存储能力以及相应强大的分析能力，而这些在传统的工业应用里面是不具备的。
>>多样性(Variety)
从工业数据源、数据采集、存储和处理、分析方法等不同角度来看工业上的数据，都具备多样性特征，而且远远超出其他行业数据的多样性。
>>实时性(Velocity)
同许多其他行业数据分析很大程度上只是为了实现人的决策支持不同，工业行业中很多数据都有着很高的实时性处理要求，这不仅体现在基于规则的异常检测、告警到自动反馈的过程，还包括需要在设备或者制造的连续过程中不断采集实时数据、重新训练和修正模型的精度并重新发布的过程。
>>价值(Value)
通过数据分析创造的价值，在工业里面就更毋庸置疑。GE前任CEOImmelt曾经提出过一个概念叫“1%的威力”，说的是在一些重点行业（油气、电力、轨交、航空等）通过数字化的手段实现1%的资产效能和生产效率的提升，就能够创造万亿级的利润。
大数据给传统工业带来的挑战，恰恰是传统工业应用无法应对的。
举一个例子，自动化生产都会伴随着产生大量的设备和生产数据，通过对数据的精细化的分析，可以找到在生产过程中各种不确定现象（产能和良率抖动、设备无计划停机）产生的原因，从而能够创造出非常高的价值。并且越自动化的生产过程，数据量、维度和实时性的要求也就越高。
但是，正是由于缺少对大数据在采集、存储和分析上的支持，传统应用仅仅能够实现有限维度的实时监控，无法从海量的传感器指标中分析出对异常有贡献的因素，更无法对各种关键指标的发展趋势进行预测。
2.无法实现对未知的探索
相对于工业2.0，工业3.0最大的进步就是引入了PLC（ProgrammableLogicController），运用数字化的手段实现对设备运行情况、外部环境、产品数据的测量，通过实现对设备运行和操作的反馈，来保证制造和设备运行的准确性和稳定性。因此，原本在工业2.0阶段完全靠操作人员听、看、闻、摸等模糊化的测量和手动的控制手段，在3.0阶段通过部分的数字化实现了精准的测量，并根据设定的机理制定相应的控制逻辑，实现稳定的输出控制。
工业行业内流传一句经典的话：“如果能够测量，就一定能够改善”，也就是说一个工业过程，如果所有的输入以及影响要素都是可以测量的，那工业过程的输出一定是可控的。
但是，真实的工业却远远没有那么简单。
首先，在生产过程中存在太多的影响因子，并且由于工业数据量巨大并且传统的保存分析手段有限，导致很多贡献异常的要素都无法在事先规划好并且有效地保存下来，因此也容易产生很多无法解释的问题。
其次，工业生产和运营过程里面，很多工业的因素是无法直接测量的，比如设备的健康度、螺丝的松紧程度、轴承的不平衡情况等。因此，只能依靠其他可测信号的数据，通过机理模型的方式来实现间接测量。但是由于很多变量不可测，造成工业有很多明知其然却不知其所以然的现象，故而也无法用准确的机理模型来解释。
这些原因，都造成了很多工业的未知现象无法依靠传统的应用来解决的问题。
举一个例子，在故障维修模式上，由于缺少有效的数据分析和寿命预测手段，传统的工业应用只停留在了预防性维护阶段，通过定期的保养实现早期的故障预防。这种维护成本是非常高的，企业不得不去安排更多的人力、预留更多的备品备件来实现早期的预警，因此往往无法在过度维修(定期巡检)和被动维修（故障停机之后的维修）之间取得有效的统一。
3.无法实现专家经验的沉淀
工业领域中最具宝贵的价值无疑是专家的知识和经验。但是，工业领域却一直缺少对专家知识和经验的有效保存、复制和转移的手段。这种专家的知识和经验，不仅包括在特定情况下的异常判决和处理方式，更包括优化的策略。
而传统的工业应用，一方面由于缺少数字化的手段（数据采集、数据存储、模型开发等）而造成专家知识难以形成量化的结果，另一方面也缺少有效的知识经验开发工具，帮助专家提升知识经验积累的能力。
举一个众所周知的例子，高端装备供应商都会针对设备的特定故障提供FMEA(FailureModeEffectAnalysis)的表格，根据实验数据给出不同的故障模式，并且给出在特定的故障发生情况下，需要按照既定的方式采取特定的动作。但是FMEA一直以来都是一些模糊的表述方法，一方面缺少数字化的手段来保存实验数据给出的故障特征（电流、电压等传感器指标在故障上的“指纹”），也没有有效手段在实际应用过程中基于对这些“指纹”的比对来实现故障判决，更无法将实际运行中出现的新故障的数字化特征反馈到FMEA里面来减少未来的异常判决。
4.无法实现敏捷的应用交付
工业领域本身就是环节众多、异常离散和复杂的多应用场景，很难用一套固化的应用来解决诸多突发和异常事件。因为传统的工业应用开发和迭代是一个非常冗长的过程，开发和迭代周期动辄数年，无法有效地应对突发情况。
同时，工业应用领域需要具备跨领域的专业知识，例如数据采集、数据处理、数据分析和建模等等，往往是非常专业的人、依靠不同领域的专业工具来产生各自领域的半成品结果，并最终由应用开发人员实现整合。但是传统的应用开发模式，缺少类似API、微服务、容器化的整合方案，无法实现跨领域的有效整合，只能依赖各方面都精通的跨领域人才实现有效整合，这无疑加大了开发的难度，限制了应用的扩展和灵活性。
3为什么Predix能解决这些问题？
一句话，技术发展了，可以在现阶段用新的技术来解决老问题。
这里主要包括如下几个方面：
1.物联网技术的发展
工业状态监测的各种传感器（包括环境监测、震动、声敏传感器），随着使用的普及和技术的改进，开始变得更廉价，用户可以在更广泛的应用场景中采集更全面的工作状态；而NB-IOT、5G网络的商用，不仅解决了传输距离、传输带宽问题，更提高了传输的实时性，这样，海量的数据得以回到云端实现更实时的判决，反馈到现场端实现更准确的控制。
2.大数据技术的发展
随着大数据技术在互联网、金融、电信等行业的普及，让工业对海量数据的处理门槛变得很低。一方面，针对工业海量传感器（流式）和操作记录（批量）数据的实时处理和分析手段，可以采用现有的大数据处理工具；另一方面，在上述各个行业培养起来的各种大数据人才，在数量、质量和成本几方面都已经可以满足传统工业企业的需求。
3.人工智能技术的发展
随着最近几年深度学习技术的发展，人工智能技术在图像和语音识别等固定场景已经超越了人的能力限制，并逐步发展到可以实现对未来很多未知的判决和预测。在工业领域，充分利用这些研究成果，不仅可以实现产线机器视觉这种简单的应用，更能实现对多维度设备健康、产能、质量以及能耗等维度的判决和预测。
4.云计算技术的发展
随着云计算的加速发展，计算、存储和网络资源层面的基础需求和灵活性需求已经不再是问题，而PaaS技术的逐步成熟，更将应用开发、大数据分析等过程，通过微服务和微应用的方式实现了有效的整合，极大提高了应用开发和数据分析的效率和完整性。
4GE为何用Predix平台开发OT应用？
我分析这里面有几个原因：
1.无法整合和集成
GED(GEDigital的简称)本身在多年的发展过程中，无论是给客户定制开发还是购买的公司，都提供了数量（种类）众多、数据标准不统一、架构不一致的软件，不同的软件之间很少有集成的接口、相同的数据定义，无法保证相互之间的互操作和集成，给客户造成了很多的烟囱应用和数据孤岛。
2.无法满足高效交付的要求
GED不断面临新的应用开发需求，而客户要求的交付周期越来越短，原有动辄数年、冗长而笨重的产品开发周期和更新周期已经越来越跟不上节奏，大家不约而同地将开发模式转向了互联网应用的敏捷开发、功能重用、组件是交付的模式。
3.无法实现跨专业的整合
工业应用不仅涉及到应用开发，还包括了细致的数据分析，甚至专业的机理模型开发，而这些专业能力还要针对不断变化的需求进行针对性的调整。如果按照传统的软件开发思路，一定避免不了需要开发人员充分理解业务场景、机理模型才能开始设计，但这种软件开发一定是非常低效的。
因此，GE推出Predix平台，并且将持续基于Predix进行新的应用开发，并不是早先就设计好的，而是其发展过程中理所当然会走的一条路线。
从应用的角度来说，随着应用类型的增多和功能的复杂化，为了实现快速和稳定的交付，应用开发最终都会走到集约化、平台化开发的路线上来。
下面是我理解的关于（工业互联网）平台和应用之间的关系。
Predix也是这个设计思路，它从本质上来说是一个面向工业的PaaS平台，因此，Predix提供的各种能力，都是需要满足上层工业应用开发需求的。虽然Predix最早是构建在CloudFoundry（上图的平台下面两层）之上，但是从一开始，就并没有满足于Heroku、Force.com、Beanstalk等通用PaaS，而是在CloudFoundry的基础上又增加了非常多针对工业应用的能力，这里不仅包括工业设备的接入和边缘计算、工业数据清洗和存储，还包括了工业数据分析和建模、以及快速应用开发的能力。
5Predix平台和Predix应用
Predix上的应用，与传统意义上的工业设计（PLM）、工业生产（MES、ERP）、工业营销（CRM、e-Commerce)以及仓储物流管理（WMS）等有很大的差别。Predix上的应用包括了三个级别的应用：设备级别、过程级别和业务级别的应用。而Predix重点强调的，是前两个级别的应用。
同传统的竖井式应用相比，Predix这三个级别的应用是层层迭代、一环扣一环的：
设备级别：这部分以追求可靠性为目标，主要针对设备本身，即工业的原子单元。通过物联网接入设备来采集设备的原始数据和参数，不仅能够现对工业设备一些关键参数当前状态的提取，还能够通过各种分析模型实现对设备过去和未来状态的判决，并且可以将这种判决同采集的实时数据进行关联，实现实时诊断和预测。而传统的控制系统仅仅能够实现当前状态的监控和有限的历史数据分析。
过程级别：这部分以追求效率为目标，针对的主要是生产过程。需要依赖于设备级别的各种分析结果和KPI指标，将其映射到不同上下文的生产环节中，结合在不同生产过程上的操作要求，实现整个连续生产的关键指标分析和控制。
除此之外，Predix平台还开放了很多能力，支持客户和合作伙伴在平台上，利用现成的模块，开发不同行业领域的应用。
Predix平台的设计理念
Predix上面开发的各种应用，从一开始就具备了很多鲜明的特点，包括DigitalTwin、数据驱动、微服务。
1DigitalTwin
在ACMMM2017大会上，GED（GEDigital）对DigitalTwin给出了更明确的解释，而且宣称，GED已经基于Predix开发和部署了接近一百万个DigitalTwin。
1.何为DigitalTwin
DigitalTwin这个概念已经快被各大咨询机构和厂商用烂了，很多人把它简单的理解成了在设计和仿真阶段，用3D手段来呈现和仿真模拟物理设备运行状态的功能。
Gartner关于DigitalTwin的定义如下，即DigitalTwin指的是基于物理设备的传感器数据，通过动态的模型来改进运营和增加价值。
而GED官方对DigitalTwin的有着更清晰的定义：
字面意思是“用软件的方式来表征物理设备”，并且可以“让企业更好的理解、预测和优化每一个设备的性能”。同时，DigitalTwin，可以是“一个独立的设别”，也可以是“一个集成的系统”，也可以是“一群设备”。
2.Predix如何定义DigitalTwin？
GE将DigitalTwin分成了三部分，包括AssetModel、AnalyticModel以及KnowledgeBase。
AssetModel
AssetModel:可以理解为设备的生命周期管理能力，可以为设备设定相应的属性、设置特定的工作状态，以及在不同工作状态下的数据和模型。
AssetModel是把物理的设别用数字化手段来表现和定义的方式，它包括了很多方面：
>设备的层次关系、位置、标签、管理人员的定义
>动态和静态的属性的定义
>关键指标的定义
>2D/3D的模型映射
AnalyticModel
AnalyticModel:为虚拟空间中需要构建的关键指标提供包括统计分析、诊断分析、预测分析和决策优化等能力。
设备运行会定义很多虚拟的性能指标，如设备健康度、剩余寿命等，而这些无法通过传感器直接测量的计算指标，就需要通过AnalyticsModel的建模分析能力，基于对设备原始数据的存储和特定的算法模型来计算这些虚拟的性能参数，进而形成一个又一个在平台上运行的实时模型。当设备上特定的实时数据送达这些模型之后，系统会实时地计算出相应的虚拟性能指标。当虚拟指标超出一定设定的门限，系统就会产生相应的动作。
AnalyticModel是DigitalTwin的大脑，是指基于设备产生的原始数据、通过各种建模方法（机理+数据）和建模工具（语言+机器学习）来构建各种对设备的判决。通过精细化的分析，AnalyticModel不仅可以让运营人员充分理解基于历史数据构建的设备上下文（Context），还能够基于历史数据构建的模型对当前的状态进行评估，并且对未来的状态进行预测。
空间维度是指基于其他同类型设备（过程）的历史数据，开发或者训练相应的模型，对当前设备进行状态评估和性能预测。这种分析适合样本数量众多，但历史数据保存不完整的分析场景。
KnowledgeBase
KnowledgeBase:则将行业的知识和经验以数字化的方式进行保存，形成可以复制、转移的依据。
这部分在ACMMM2017大会上并没有太多提及，更多是一些模糊的概念。我个人理解这里主要指的是数据科学家与领域专家交流、得到某个设备的领域知识和数据、用于构建digitaltwin的一个过程。
一方面，对于数据科学家来说，每一个设备的性能分析，都需要具备一定的领域知识。而这里提到的领域知识，不仅指的是根据机理模型了解设备的工作原理，还需要具备一定的关联性，通过关联性来降低分析的维度和复杂度，增加分析的确定性。
3.如何构建DigitalTwin
基于上面提到的三个要素，Predix在平台上提供了一系列的开发工具，包括：
AssetModelWorkbench：提供资产模型的开发环境，来定义设备的资产模型，包括各种参数、属性、指标和2D/3D模型的映射。
AnalyticWorkbench：提供模型的快速建模开发环境，包括基于设备资产模型构建的机理和机器学习模型。
DigitalTwinWorkbench：提供DigitalTwin的开发和部署环境，实现快速、批量生成和部署部件级以及全系统的各种DigitalTwin。
下面是Predix上开发DigitalTwin的完整过程。
基于设备采集的数据，构建AssetModel，建立物理设备与虚拟实体之间的映射关系，并且通过提炼设备的领域知识，结合历史数据的分析，构建模型并发布到模型的运行环境中。
4.Predix应用如何使用DigitalTwin？
对于Predix的应用来说，Predix构建的DigitalTwin可以用在下面三个方面：
物理系统的早期预警
对当前操作和使用的长期预测
对操作的动态优化
Predix应用的核心是围绕着DigitalTwin开展的，把DigitalTwin作为构建Predix应用的单元级别的能力。
下面是基于Predix的工业应用例子。
可以看到，Predix可以为不同的物理设备构建独立的DigitalTwin，并基于DigitalTwin，首先构建设备级别的应用(APM)，然后再在设备级别应用加工的数据基础上，构建运营级别的应用(OPM)。
设备级别的应用，主要是指APM（AssetPerformanceManagement），包括：
实时监控、健康管理以及故障诊断
维护策略的优化
可靠性的管理
性能的优化
操作的合规性
APM完全是基于DigitalTwin构建的，是DigitalTwin的使用者，也就是说，一个APM可能会为每一个设备、部件或者过程构建一个DigitalTwin，而DigitalTwin能实时接收设备采集的各种数据、实时通过模型计算相应的指标，并最终将实施的计算结果送到APM应用上，因此APM上面的各种关键指标都是来自于Predix实时采集的数据和构建的模型。
运营级别的应用，主要指的是OPM（OperationPerformanceManagement）。OPM并不是直接构建在DigitalTwin之上的，而是基于APM应用各种加工后的数据构建的，它包括：
操作的优化
资产的策略
业务的优化
基于上下文的What-If的模拟仿真
新的商业模式和服务创新
后面有专门的介绍APM和OPM的章节，这里就不详述了。
2数据驱动
1.工业烟囱和孤岛现象严重
不同于其他如金融、电信等高度依赖数字化的行业，工业企业直到今天还只是在部分环节（主要是在研发设计上，而生产、运维和服务上则缺少数字化支撑手段）实现了数字化，这就造成了工业很多场景无法通过数据来进行精确的决策。这种矛盾不仅表现在无法对生产过程中的各种参数实现有效的稳定性控制，进而稳定和提高产品质量，更无法对设备的运行状态和维修策略做出精确的评估和预测来避免非计划停机。
正是由于工业在设计、生产和运维上的专业性、复杂性和离散的特点，造成了工业应用在建设时的“烟囱式”业务特点。
这种烟囱式业务系统，在本质上是一种数据的割裂，不仅体现在设计、生产和运维等横向环节的应用缺少有效的数据互通和集成的手段，即使在每个环节的内部纵向环节（如ERP和MES之间），都无法形成统一的数据集成和判决依据。
在自动化、连续生产的要求不高的时候，不同系统之间壁垒的消除主要依靠人的灵活性来弥补，然而在现代生产越来越依赖自动化的前提下，已经很难使用人的智慧和灵活性来取代基于数据的判决。在这种前提下，数据的统一标准、数据的互通，以及快速的决策能力，就成为工业企业不可缺少的能力。
2.Predix旨在解决工业的烟囱和孤岛问题
GED在多年来收购、开发的软件不计其数，深谙数据不一致、无法集成给工业企业造成的痛苦和低效，因此，在规划针对工业应用开发的Predix这个PaaS平台的时候，解决数据的一致性和互联互通就成为了Predix架构设计的一个重要输入。
相对于传统竖井式应用极易造成各种数据孤岛来说，Predix这些应用从数据角度是一脉相承的。异构的数据源（机器和仪表产生的实时数据、人操作产生的日志数据、加工过程产生的产品和状态数据，以及不同IT业务系统的数据等）都在同一个平台上按照既定的数据标准得以存储，而应用完全可以按照对应的权限来访问同一份数据。因此，基于数据构建的应用，天生是可以实现互联互通的，这不仅能够保证信息在不同应用之间实现更畅通、更及时的交互，而且还能避免更多对数据定义的歧义和误差，进而消除数据孤岛。
3.工业数据的处理特点
工业企业同其他行业不同，面对的数据主要来自于三个层面：
设备级别：主要包括传感器、控制系统产生的实时数据、测量数据、产品数据，不仅有时序数据，还包括了很多文本、日志，以及最近几年日益增多的图片和视频类数据；
过程级别：包括生产作业的不同工序数据、配方数据等，很多时候来自于第三方系统或者人为录入；
经营级别：这里更多是加工数据，往往来自不同设备级别系统或者生产级别系统产生的间接数据，以及一些横向的管理系统的数据。
工业数据的处理，包括数据源、数据采集、数据存储和处理、分析手段上，和其他行业区别非常大。
数据源：不仅包括工业生产过程中的各种设备实时状态、人员操作记录、工艺规格数据、产品检测数据，还包括在产品实际运营过程中采集的工况数据、运行数据以及关联的业务系统数据。
采集方式：不仅有传感器实时数据的接收，还有从不同业务系统进行抽取的批量处理。
存储：不仅需要实时数据存储（传感器、信号的实时数据）、文件存储（历史文件、日志文件、检测结果），还包括各种数据库（操作记录）和对象存储（图像和视频），既要保证存储横向扩展的能力，又要保证读写性能。
处理：每种数据处理方式都很不一样，对于工业实时数据（时序数据）需要灵活的流式处理（在线修改负荷、差值填充、过滤等）的定制能力，对于日志需要基于文本的检索能力，对于振动传感器需要视频变化的能力，每种不同场景需要不同的处理方式。
分析：针对分析的目标（设备健康、生产效率、能耗、质量）不同，需要对不同的数据源采取包括统计分析、异常检测、趋势预测等多种分析方法。
如此众多的、异构的数据，如果没有好的平台来适配和处理，一定会极大的降低数据的消费者（主要是应用）的使用效率。
4.Predix提供完整的数据处理功能
Predix提供了从数据接收、摄取、处理、存储和建模的完整的数据处理功能，能够支持上层应用快速实现各种原始数据和加工数据的加载和访问。
下面是PredixCloud在数据处理上的架构。
可以看到，Predix在数据处理上主要提供了三部分的能力：
DataIngestion（数据摄取）
这部分包括了对流式数据和批量数据的统一处理。对于流式数据，Predix支持对各种数据流的在线修改和转换，对于批量数据，Predix提供了丰富的ETL工具。
DataProcessing（数据处理）
Predix在数据处理上，不仅提供了工作流和分析的引擎，还提供了多种运行环境，不仅包括标准环境，还支持Serverless、4GL等。除此之外，Predix还提供了PredixStudio，支持通过AIDrivenDataModeling的方式对数据进行自动分析，并提供包括ElasticSearch在内的自动检索能力。
DataStorage（数据存储）
除此之外，Predix还提供了将处理完成的数据开放出来，供上层应用开发和模型开发所共享的能力，这样就可以实现不同的应用开发、模型开发都可以在同一套数据架构、数据标准下进行，即消除了很多的不确定性，也提高了应用和分析的效率。
3微服务
1.软件不应该越做越复杂
传统工业应用的开发，无论是ERP还是MES，已经逐步走入了一个死胡同。
一方面，依据摩尔定律，计算资源将越来越廉价，这也就给软件开发商更好的理由来增加软件的功能，加之软件很多功能可以重用，因而造成软件的功能复杂度也根据计算资源的摩尔定律呈现指数增长趋势。
另一方面，基于边际成本越来越低的前提，软件厂家越来越倾向于将无数功能叠加到一套软件里面，希望通过加强软件的功能来适应更多的应用场景，以此锁定客户。
国际上有一个很有意思的IT概念，叫ConsumptionGap，指的是人对软件功能的消费能力与软件复杂度之间存在着越来越大的差距。
可以看到，软件功能的复杂度保持着和计算能力（摩尔定律）相似的指数特性，然而客户（人）的吸收能力却不是可扩展的，完全跟不上软件复杂度的发展速度，因此软件功能越多，这种差距只会越来越大，给客户造成的困难就越大，客户对复杂软件的抵触也会越来越明显。
2.微服务
如何化解软件厂商和客户需求之间不断恶化的这种矛盾？基于微服务开发微应用，是主要的解决办法。
微服务是互联网领域已经普遍使用的开发方法（微服务不是标准的架构，而是一种理念和方法），是指将一个复杂的软件系统通过解耦的方式拆解成多个微服务模块，每个模块独立开发各自的功能，再通过API实现微服务模块之间的集成。独立开发完成的模块不再需要重新编译，而通过重用和集成部署，可以快速构建新的应用。
微服务架构的优势是不言而喻的
开发更高效：每个微服务模块，都可以采用不同的开发方法甚至开发语言，这样就可以极大的兼容已有的开发成果，使用包括开源软件等与现有模型进行集成，而不用考虑环境和语言的不兼容性。
功能更专业：跨专业的全能型开发人才已经不是必须，而更需要精细化的专业人才，这样不仅可以保证每个功能设计得更专业、更深入，而且不再需要开发人员理解每个功能模块的专业技能，进而更大程度提高交付的速度。
交付速度更快、开发成本更低：多个微服务模块可以独立开发并统一集成，每个微服务模块都有自己的独立部署环境，可以认为是一套独立的、功能简单的软件系统，交付速度自然快了很多。
更能形成专业知识的沉淀：每个独立完成的微服务模块，都可以被保存为数字化载体（容器镜像、模型等），只需要在构建新的应用时被调用部署，而完全不需要使用者具备该模块的开发经验，这样就可以将原有的专业技能有效沉淀下来，形成专业的经验知识库。
每个微服务都可以独立部署，并可以独立扩展，这样可以更好的利用云端资源复用的特点，实现更高效的部署。
3.微应用
Predix在微服务的概念上发展出了微应用的概念，并且通过AppHub实现最终工业应用的集成交付。
微应用是指在微服务架构上开发的、旨在针对一个特定专业功能的应用程序，它通常由如下部分构成：
前端UI：用以和使用者之间产生交互。
核心逻辑：用以处理根据用户交互的动作，按照既定的逻辑，形成相应的判决结果，并且反映在用户界面上，或者保存在对应的数据存储中。
后端（微）服务：这里不仅包括传统意义上的数据库、消息等服务，还包括很多已经开发好的算法、模型，以及一些行业专用的服务，如FMECA、RCA等。
微应用能够把一个复杂的软件功能，解构成若干个独立的子功能，每一个子功能都有自己的使用界面和逻辑，这样不仅可以让开发从串行变成并行从而更高效，还能让一个功能的使用过程变得简单和精细化，从而提高用户的接受程度。
4.为什么Predix要采用微服务+微应用的架构？
首先，我们必须承认，工业是一个高度离散化的行业，很难有一个通用的应用程序可以满足不同行业的不同场景需求，即使是在一个场景下，仍然会面临非常多的环节和设备的不同处理方式，因此跨行业的应用开发变得非常困难。但是，微服务可以将很多通用模块和能力（行业模型、行业特征库）做成标准模块，并通过用集成的方式大幅降低开发的工作量。作为软件开发商，应该采用微服务的方式来开发微应用。
其次，任何一个微服务，都需要将能力数字化和标准化。而工业里面，最缺少的就是让工业的各种能力（包括数据采集、数据处理、领域知识、专业经验和模型等）实现数字化和标准化，完成包括复制、转移在内的各种操作。数字化+标准化，一方面为高效自动化打下了基础，一方面也为过程稳定性和提高质量提供了保障。
最后，相对于传统的管理类应用，工业应用不仅需要代码开发能力，很多时候还需要具备自动化专业能力、机械专业能力，甚至数学专业技能。每一个学科都需要非常专业的人参与，才能完成整个软件的开发，而传统的开发模式，必定要求开发人员精通各种专业技能，这是非常困难的。在微服务架构下，可以将不同方式的专业能力通过API的方式快速集合在一起。这种能力，不仅包括由不同团队开发的不同语言的应用的整合，更包括由不同部门通过不同的开发工具开发的模型和算法的整合。而最终的应用，仅仅需要很小的代价，就可以把应用、数据和模型集成起来，这样既能让不同专业的人并行开发提高效率，又可以轻松实现跨专业集成。
因此，我们不得不说，Predix用微服务的方式改变传统工业应用的开发模式，绝对不是追赶互联网潮流，而是深思熟虑的结果。
5.新的OT应用——集成，而不是开发
Predix的应用，不止是简单的应用开发，而更像是一个大集成，将跨专业的能力，在相同的框架下通过微服务的方式进行封装和集成，这种开发模式完全不同于传统的巨块式应用。
下面是Predix的典型应用——APM（设备性能管理）的架构。
同传统单块式应用截然不同的是，可以看到，整个APM应用采用了很多组件式、模块化的微服务和微应用组合而成。
为了简化应用开发，Predix不惜开发了微服务的模板，把很多通用功能和微服务都做成了标准的模板，开发者只需要按照模板来设计，就可以快速构建一些定制化的工业应用。
感兴趣的读者可以去Predix开发者网站(www.predix.io)上查看Predix的各种开发者使用的基础微服务和分析微服务。
9月18日，美国太空探索技术公司SpaceX签下了全球首单私人环月之旅，实现游客乘火箭绕月球飞行的梦想。
传动网-工业自动化与智能制造的全媒体“互联网+”创新服务平台