深度原创丨揭开工业互联网看不见的手：从MindSphere+Mendix谈起

  关注ITValue，看企业级最新鲜、最具价值报道！

通过分析西门子“ MindSphere + Mendix”布局，文章认为要透过看得见的集成平台，洞察工业应用软件，透过“低代码”来洞察“模型驱动”，透过“数据+模型”，洞察看不见的数字孪生体，打通“数据——模型——应用”，实现闭环控制与优化。本文由作者工信部电子五所谢克强、《走向智能论坛》公号授权发布。

近日，西门子一年一度的媒体和分析师会议在纽约召开，解读其业务的发展战略、运营状况、主要产品线和行业解决方案的最新进展，宣布了其产业和业务的一系列新布局：西门子PLM软件部门正式改为西门子数字工业软件（DISW）部门，发布 Xcelerator ，将Mendix由幕后推出前台与MindSphere一起并肩作战。

作为国内语义体系下的工业互联网平台——西门子的MindSphere，在GE的Predix暂时折戟沉沙之后堪称业内的风向标，此番推出“MindSphere + Mendix”的布局，也引发了笔者的兴趣与思考。从工业互联网的角度比较分析之后，笔者认为国内的工业互联网发展，似乎更多聚焦于一些“看得见的”事物，忽视了一些“看不见的”，而这些“看不见的”更是当下需要用心做的。

看得见的集成平台，

看不见的工业应用软件

目前国内的工业互联网平台发展如火如荼，众多集成平台如雨后春笋般冒出来。据统计，截至2018年底，我国已有269个工业互联网平台，超过了世界所有其他国家的总和；其中有一定产业影响力的工业互联网平台超过50家。

工业大数据、工业人工智能、企业上云、行业赋能、数字化转型……这些闪亮概念都被打包集成进平台中。“你不拥有平台，你就被平台拥有”催动我们将资源和精力更多投入到这些看得见的集成平台，而忽视了那些看不见的工业应用软件。

工业应用软件是面向特定工业应用场景的软件程序，是一系列软件化、可移植、可复用的行业系统解决方案，是工业互联网应用体系的主要内容，支撑了工业互联网平台智能化应用，是实现工业互联网平台价值的最终出口。平台固然重要，但平台最终是要为用户提供应用服务才能创造价值的。对于最终用户来说，工业应用软件往往才是真正“看得见”、“摸得着”的，“巨无霸”的平台更多是一个自话自说的黑盒。

将平台汇聚的各种数据、算法和软件等各种资源通过把行业和工业知识的模型化和软件化有效地转化成为用户直接服务工业应用软件是平台的关键能力。模型化和软件化需要开发环境，而开发环境对于平台来讲，犹如宝瓶的瓶颈，决定了工业互联网平台这个宝瓶能插多少支花。这正是西门子将Mendix架构于MindSphere之上，推到战略级的位置上的原因之一。

Mendix是一款低代码的软件开发工具，通过可视化的软件功能组件的装配，通过模型化的驱动自动生成运行代码。西门子会把旗下所有的工业软件基于MindSphere平台进行云化，并借助Mendix开发成工业应用软件推出。通过Mendix，没有软件编程能力的工业人能够更加便捷、快速地在MindSphere平台上开发相应的应用，为平民编程创造了可能。

平民编程的意义在于发动知识挖掘与传播的“人民战争”。特别是对我国来说，发挥人口红利、工程师红利，利用软件与信息技术发展的比较优势将工业技术、知识挖掘出来，助力构建工业技术与知识体系。这是信息化带动工业化的真谛！

Mendix将与MindSphere一起撑起西门子的工业互联网平台使命。MindSphere下沉为基础，Mendix浮现为关键交互平台。Mendix将占据着连接物理世界和数字世界的独特位置，承担起将成千上万连接设备产生的数据转化为实时业务价值的重任，将更广泛的用户对象纳入到IT/OT融合的进程中，这对于西门子的战略意义重大。

如果说达索系统“人人享有3D”（3D for All）的理念引领了CATIA的长远发展；那么“人人享有编程”（Coding for All）是否会引领工业互联网平台的发展？我们拭目以待！

看得见的低代码，

看不见的模型驱动

作为面向工业应用场景解决实际具体问题的软件，工业应用软件的开发者更多是工业人。能否让不会写代码的工程师便捷开发出工业应用软件，决定了开发环境能否有生命力，也直接影响基础平台的应用生态构建。低代码甚至无代码的开发工具成为关键，图形化、可视化、拖拉拽、API等成为关键词。

Mendix配备了可视化开发工具，融入了敏捷管理、社交协作、一键式部署、最终用户反馈循环等功能。我们看见的是低代码、图形化，这些低代码背后的模型是才是关键。Mendix是通过模型驱动自动生成运行代码，不用为每个需求定制化编码，而是通过高度抽象化的模型映射到具体的业务数据上来实现需求功能。

这些模型独立于具体平台并且和实现具体业务功能和行为的特定技术代码分离，从而实现了业务和应用程序逻辑与底层平台技术的分离，方便业务人员编写程序，营造平民编程的平台，同时大大减少了编码的重复工作，提高了软件的可变更性。

| 从“软件模型”到“工业模型”

对于普通软件的开发而言，Mendix支持的UI、BPM流程模型、消息流模型这样的“软件模型”已经够了，但对于工业应用软件来说，从根本上说是不能满足的。

工业软件不同于普通软件，是工业知识长期积累、沉淀并在应用中迭代的模型化、软件化产物，其核心是工业知识。德国工业4.0认为软件是工业的未来，未来的工业软件应基于模型的理论、方法和工具。从工业知识到“工业模型”、从“工业模型”到工业软件，这是CPS时代工业软件的基本逻辑。

相比较而言，我国长于“软件模型”层面的技术与应用，短于“工业模型”层面的提炼与积累。这与我国工业化发展情况有关，也与国人喜欢做看得见的“短平快”，不愿意做看不见的“长积累”有关。因此，笔者认为在工业应用软件开发中，务必要重视“工业模型”的构建与积累，软件构建技术的应用是锦上添花，“工业模型”的提炼才是雪中送炭。

对于Mendix而言，“工业模型”构建的缺失也是其一大短板。需要Mendix与MindSphere深度融合、密切配合，由MindSphere来弥补。另外，将Mendix这样一个主要面向商务型软件应用的大型DevOps平台与MindSphere这样一个偏向于物联网的大型平台基本无缝地整合在一起，用于工业软件应用的开发，其挑战性也是不难预期的。

看得见的“数据+模型”，

看不见的数字孪生体

当前，数据驱动、机理模型、工业服务等成为不少企业宣传的热点词。安筱鹏博士曾将工业互联网平台精辟地概括为“数据+模型=服务”。

经过近几年的实践，不少企业对工业互联网的实施已经初见成效。特别在设备连接、数据收集方面，国内企业可以说已经走在前列，相关技术与设备日趋成熟。比较多的案例是在对设备连接的基础上，汇聚数据，采用简单的算法模型，通过一些基本的分析完成对设备运行的监控，甚至实现了一些预测性维护的分析。

但同时也存在两个挑战，一个挑战是：虽然采集了大量数据，也有一些算法模型，但是缺少一个体系化、系统化的方法将两者组合起来，很难将数据、模型与真实生产场景业务逻辑自动有序结合，便捷产生切实解决生产问题的应用服务。

另一个挑战是在算法模型方面还有很大的提升空间。

• 目前企业采用的算法模型在解决对象方面，往往是面向单体设备，在面对多台设备协同的复杂系统，特别是钢铁、化工类等流程行业，做优化则力不从心；

• 在模型构建方面，缺乏广泛应用的跨学科、多领域统一建模的标准和平台；

• 在与应用耦合性方面，往往是紧耦合的，使得建模工作量大，重复性工作多，性能很难得到保障，最后导致应用模型难；

• 在与数据结合方面，数据与模型往往是割裂的，数据采集是局部的、间歇的、重复的，没有根据算法模型的需求来采集合适的数据，造成大数据只是大量数据；

• 在对数据的组织方面，多按IT的思路分库分表去存储管理，而不是按OT的思路按设备、机组、产线等现实世界的关系来管理，因而导致对数据的分析，特别是对多设备的协同分析，事倍功半；

• 在组合管理方面，往往由于缺乏算法模型框架，不少模型散落各处，难以管理和更新。

上述“数据+模型”面临的两个挑战，也就是工业互联网目前经过一个阶段的发展所面临的主要挑战。特别是当前随着工业互联网纵深发展，应用场景面临的往往不是单体设备、相对简单而独立的模型的应用，而是成百上千个产品和设备组成的复杂系统。要对复杂系统进行系统性的分析和优化，需要一套系统性的方法和技术在数字空间定义这些产品和设备对象，描述、洞察、预测状态和行为，进而进行决策。

升维思考，降维落地。 安筱鹏博士从理论的高度进行思考，提出了工业互联网平台的本质。理论的思考如何能更有效地实践落地呢？笔者参加了数字化企业研习社组织的首期研习沙龙，听了美国工业互联网联盟架构任务组联席主席、上海优也信息科技有限公司首席技术官林诗万博士的报告，认为其关于“工业互联网+数字孪生体”的阐述指出了当前“数据+模型=服务”的一种落地载体和方法论——数字孪生体。

林诗万博士认为数字孪生体是实体或逻辑对象在数字空间的全生命周期的动态复制体，基于丰富的历史和实时数据和先进的算法模型实现对对象状态和行为高保真度的数字化表征、模拟验证和预测。

笔者认为数字孪生体是面向对象的模型、数据、服务的有机组合，最重要的是要产生洞察，形成决策，实现闭环控制与优化。数据是基础，收集孪生体对应的实体从设计、生产、应用到维保全生命周期的实时数据。模型是核心，通过模型对数据进行计算、分析，形成洞察与预测，进而支撑决策，模型包括机理模型、数据模型等。服务（接口）是关键，提供服务的API接口，供面向场景的上层应用调用，与具体场景的业务逻辑结合，生成工业应用软件执行决策，反馈生产运维和经营管理。

简单地说，数字孪生体的一大优势在于把数据以OT的角度组织起来，让模型有效地使用数据进行分析计算，让实现业务逻辑的应用软件简易地利用分析的结果，实现智能闭环。

安筱鹏博士敏锐地指出数字化的本质是在数据和算法定义的世界中，化解复杂系统的不确定性。工业系统、生产过程都是复杂系统，具有多种不确定性。林诗万博士认为要通过数字化化解复杂系统的不确定性，首先需要一种在数字空间有效地和系统性地描述和表征现实世界复杂系统的方法论和技术。

数字孪生体的正是这样一种技术，可以从组件级的数字孪生体，构建设备级、产线级以及工厂级的数字孪生体，也就是在数字空间构建模拟工厂，通过计算，化解实体工厂的不确定性，实现优化运营和管控。

传统工业IT垂直分层的架构往往数据难以流通、分享和共用，应用大而全、紧耦合设计、不能共享，造成重复工作。林诗万博士介绍优也Thingswise iDOS基于数字孪生体框架能够对工业IT架构进行功能解耦，形成数据、模型和应用通用的水平架构层，通过可拆装、可拼接的数字组件实现灵活组态，结构化地解决复杂问题。

笔者理解基于数字孪生体框架，统一数据接口，统一建模方法，统一API调用，实现数据一次采集重复使用，模型一次构建重复使用，应用一次生成重复使用。简化了在数字空间描述、洞察和响应物理空间事件的过程，简化了多源异构数据的收集与处理的过程，简化了算法模型的构建和部署的过程，简化了面向实时工业现场的应用软件开发的过程。基于数字孪生体打通“数据——模型——应用”，实现闭环控制与优化。

通过全流程可视化工具，实现数据可视化、模型开发可视化、工业应用软件开发可视化。综上，就为不会写代码的工程师快速开发出面向具体应用场景的智能工业应用软件、欠缺工业理论和工业数据资产的IT人高效复用专业算法模型提供了可能。

回看本文第一部分提到的工业应用软件，按照林诗万博士的理念，数字孪生体可为不同场景的智能工业应用软件提供统一和规范的数据和计算界面，将云原生、微服务、容器、大数据和机器学习等信息技术引入到生产开发现场，大幅度降低工业应用软件的开发复杂度和工作量，保障工业应用软件的可移植性，促成开放性的工业应用软件生态系统形成。笔者认为颇有几分 “MindSphere + Mendix”融合升级后蓝图的影子，在物理世界与数字世界融合方面又有着自己的特色。

小结

行业巨头之所以是巨头，就是因为它在关键时刻能够引领行业的方向，改变行业的发展方式。 一向稳健的西门子发展一百多年自有其道理。 对于西门子“MindSphere + Mendix”的布局，既不盲从追捧，也不坐井观天，理性分析、反躬内省。

透过看得见的集成平台，抓住看不见的工业应用软件，为用户提供应用服务，需要发展低代码开发环境；透过看得见的低代码，抓住看不见的模型驱动，为工业应用软件开发提供基础，需要围绕“工业模型”发展基于模型的方法与技术；透过看得见的“数据+模型”，抓住看不见的数字孪生体，打通“数据——模型——应用”，实现闭环控制与优化。

---

---

作者单位：

谢克强——工业和信息化部电子第五研究所软件与系统研究部  个人微信号： JackStrong_9

点击www.itvalue.com.cn，进入ITValue社区，与CIO们一起脑力激荡！

我们只提供有价值的干货！

长按二维码