从本质上来讲，工业4.0代表着一种融合，即互联网与工业的深度融合，虚拟数字世界与现实物理世界的融合。在这个过程中，数字信息和物理对象可以相互作用或转化，通过对物理世界的数字化过程（如安装在生产机器上众多的工业传感器）收集海量数据，通过高级分析/机器学习等数据分析方法，揭示海量数据中存在的趋势和模式，形成数据洞察以指导业务行动（如根据数据分析结果动态调整机器生产参数，通过控制器实时优化生产过程）。整个融合过程的闭环如图8-4所示。
图8-4 虚拟数字世界与现实物理世界的融合
在这个融合的过程中，也是以制造执行系统（MES）为代表的物理生产系统与以ERP为代表的业务管理系统深度打通的过程。在这个过程中，需要建设的信息物理系统实现这种融合，就是将物理设备连接到互联网上，让物理设备具有计算、通信、精确控制、远程协调和自治五大功能，从而实现虚拟网络世界与现实物理世界的融合。而实现信息物理系统是建立在很多创新的颠覆性技术的基础之上的，这些技术主要可以分为图8-5所示的4类。
图8-5 工业数字化技术生态图（来源：McKensey）
在新一代的工业基础架构中，生产机器产生的海量数据需要无穷无尽的数据计算能力和存储能力，以及支撑海量设备和传感器互联互通的高速网络。因此，物联网、云计算、大数据等技术是支撑工业计算基础架构的关键工业4.0中的创新性技术的相关关系如图8-6所示。
图8-6 工业4.0中的创新性技术的相关关系
工业4.0是以数据为基础的，以数据分析为驱动力的。如何对海量工业数据进行处理，从中发现对业务有价值的信息，是工业4.0的关键环节。因此，数据挖掘、机器学习、人工智能等数据分析和处理技术，是从海量、低价值密度的工业大数据中发现价值的利器。
通过对机器数据的分析和处理，采集、汇总、分析生产过程中产生的多样化数据，并结合实时的监控和预警，可以进行业务洞察，提升工厂生产效率和提高产品质量。比如针对原物料的检测监控，能够提前找出潜在的问题，并通过分析找出问题的根源，或者通过分析设备传感器数据及日志，找出异常发生的模式，监控并预测未来故障机率，实时执行最适合的决策。
接下来，我们重点谈谈物联网、大数据和云计算技术在工业数字化转型中的作用。
物联网就是物物相连的互联网英文名称是Internet of Things（IoT）。利用局域网络或互联网等通信技术把传感器、控制器、机器、人员和物等通过新的方式联在一起，形成人与物、物与物相连，实现信息化、远程管理控制和智能化的网络。物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络。但其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信。2011年，全球有90亿个互联的设备，Mckensey估计，到2020年，这个数字将达到240亿，带来的商业价值超过1.2万亿美元。
物联网技术是工业数字化的基石，也是构建数据驱动型工厂的基础。物联网相当于神经网络，赋予生产制造以感知能力。从数据的角度看，物联网支持机器数据、生产数据、设备监控数据的收集、路由和传输，后续通过大数据技术和机器学习等高级分析技术对数据进行分析处理。
例如，通用电气公司已经在自己的产品中嵌入传感器并收集数据，创建数据反馈机制，搭建更加智能化的基础设施，目的是把这些数据转变成关键的有用信息，公司也转型成为数据驱动型企业。
从整体架构上看，物联网由设备域、网络域和应用域3部分组成，如图8-7所示。
图8-7 物联网技术
设备域包括各种M2M设备，例如车联网远程通信设备、安保摄像机、智能电表、智能烟雾报警器、健康监控设备、工业互联网中的机器设备上的传感器和控制器等。此外，设备网关也是这个域的一部分。
网络域包括各种类型的通信网络，包括有线网络、卫星通信网络，但主要的还是无线的移动网络，传统的2G、3G和4G网络。M2M局域网通常用于将设备连接到公共网络上。
应用域主要包括3种类型的应用：第一类是终端用户类应用，这类应用面向最终用户，或者由第三方（如Facebook、Netflix）及客户开发的应用程序，还包括独立程序开发者开发并发布到应用商店的应用程序；第二类是提供和执行M2M服务的应用程序，负责供给和开通M2M服务，如车联网远程通信应用；第三类是企业内部应用，负责客户管理和支撑业务运行，如CRM系统、计费系统等。应用域中的3种不同类型的应用程序通常需要相互作用，通过服务接入和交付程序与网络连接接口。
同样，在工业物联网中，大体架构也是类似的（图8-8）。通过物联网网关收集整合不同来源的数据，主要是借助工业传感器收集来自机器或系统的数据，包括生产线数据和供应链数据，结合传统制造业企业的数据，如CRM、ERP、SCM、财务数据、营销数据等，以及网站浏览数据、社交媒体数据等，经过实时的数据传输、路由和事件处理，对海量工业数据进行跨业务领域、跨业务流程的分析，根据预先定义的业务场景需求识别和侦测特征模式，以支持对关键业务流程的自动化，优化和提升客户体验。
图8-8 工业物联网技术
从技术能力上看，每个域对应的功能映射如图8-9所示。
图8-9 工业物联网功能映射图
在工业4.0中，大数据被认为是物理与信息融合过程中的关键技术。在工业互联网中，大数据已经成为生产机器、厂房、人力资源等之外更为创新性的生产要素，被认为是重构全球工业、激发生产力的关键技术。可以说，工业互联网是基石，工业大数据是引擎。
工业互联网将会产生非常有价值的大数据。机器所产生的大量数据，通过传感器收集到数据库中。例如，消费类和工业产品中的许多传感器和数据捕获设备都在不停地生成海量数据，这些数据经过处理后可以用于工程设计、测试流程或制造流程。而且，随着传感器软硬件成本以及收集、储存海量数据成本的不断降低，现在可以承受可负担的成本对企业在生产流程中产生的所有海量数据进行实时收集、处理和分析。而这一切，在过去是无法想象的。在以前从未收集和利用的数据会产生极大的业务价值。
例如，如今制造的汽车都配有数百种传感器，每一个传感器在每一秒内都要生成有关车辆的各种部件或系统（如刹车、油门、转向、传动、润滑、散热、发动机）在正常使用时产生的数据。这些数据存储在汽车之中，可以在汽车维修时进行分析和利用。这些数据也可以用于工程设计领域，在后续改进产品设计时是大有裨益的。
可以想象，无论收集设备如何（无论是在制造流程、工程设计流程中还是使用最终消费或工业产品），此类设备的数量将连年增加，每一台设备生成的数据量也同样会增加。而且机器生成的数据量远大于非传统数据量。例如，一架喷气发动机30分钟内即可生成10 TB数据。如果每日的航班超过25000架次，则仅此一个数据源每日即可生成数PB数据。
由此，结果将导致在优化现有大多数大规模制造产品设计、工程设计和维护流程时需要分析的数据量呈指数级增加。
1.工业到底包含什么数据
工业大数据是一个全新的概念，从字面上理解，工业大数据是指在工业领域信息化应用中所产生的大量数据。那么工业大数据到底包含什么样的数据呢？
制造业整个价值链、制造业产品的整个生命周期，都涉及诸多的数据。制造业企业需要管理的数据种类繁多，涉及大量结构化数据和非结构化数据。
从数据的来源上看，数据包括以下系统的数据：
（1）传统制造企业业务运营系统数据，包括ERP、SCM、ERP等系统数据。
（2）从传感器收集的生产和供应链数据。
（3）包括市场需求/价格、销售活动信息、营销响应等信息的客户营销系统数据。
（4）产品生命周期数据。
（5）财务及业务预测系统的数据。
（6）网站浏览的数据。
（7）社交媒体数据等。
从数据内容上看，工业大数据包括：
（1）产品数据：设计、建模、工艺、加工、测试、维护数据、产品结构、零部件配置关系、变更记录等。
（2）运营数据：组织结构、业务管理、生产设备、市场营销、质量控制、生产、采购、库存、目标计划、电子商务等。
（3）价值链数据：客户、供应商、合作伙伴等。
（4）外部数据：经济运行数据、行业数据、市场数据、竞争对手数据、社交媒体数据等。
2.工业大数据如何进行处理
各种连接设备里的传感器会产生的大量数据，海量数据使得机器学习成为可能，机器学习的结果又指导生产机器或工业机器人去更精确地执行任务，生产机器或机器人的行动又会触发传感器。这整个就是一个完整的工业大数据处理闭环（图8-10）。
图8-10 工业大数据
工业大数据经过生成、采集、传输、加工与合成后，形成业务洞察，被用于工业产品生产的各个阶段。具体来说，整个大数据处理分为以下几个步骤：
（1）数据采集与记录。
收集和记录下相关信息，是利用数据提升业务机会的基础。只有制造流程被量化并且记录下来，效率低下的环节才有可能被识别并改进。因此，物理的生产过程需要使用传感器或其他度量设备进行自动实时收集数据，并且覆盖生产的整个环节，进行质量控制与监控。例如，为了提升生产线上的自动焊接枪的工作效率，需要识别焊接枪的工作负载达到均衡状态。安装的传感器会实时捕获每个焊接枪的负载数据，传回中央控制系统。根据数据分析和算法的支持，按照情况自动重新分配工作量。因此，按照业务目标定义要收集的数据，并记录相关的数据（包括一些历史）是必需的第一步。
（2）数据整合。
为防止信息损耗，数据在使用之前必须进行整合。制造企业需要整合不同来源、不同应用中的数据，包括来自公司外部的数据。例如，在食品加工行业，根据外部获得的天气预报的数据来相应调整制造工业，或进行原材料的采购。
（3）数据建模与分析。
从数据中获取洞察需要彻底处理和分析，以挖掘出数据背后的信息。例如，使用先进的数据分析建模方法（如逻辑回归算法）找出对金矿产量的影响因素，以及这些因素是如何影响产量的。其中，分析发现氧气浓度对于产量起着很大作用。因此，通过在提取过程中加入适量的氧气，可以增加产量。由此可见，得出正确的结论取决于依赖于一个相关因素之间的因果关系（如来自大量的历史数据集），并采用分析结果对现状进行优化。这些相关关系不那么明显，不能通过业务经验获得，而要借助数据建模的方式来发现。而一旦应用于生产，就将获得令人意想不到的业务收益。
（4）把信息转化为结果。
最后一步需要从数字领域回归到“真实世界”，通过将结论从数据分析转换为建议，并最终行动。许多决策过程仍然需要人的参与，而数据分析往往是自动而实时发现这些原来没有发现的业务规律。例如在半导体工业中，通过操作先进过程控制（APC）系统，用统计过程控制（SPC）的异常检测系统进行机器设备参数的自动调整。这意味着一个自动化的闭环被创建，用于确保生产过程中产生所需的结果。
3.各阶段涉及的大数据技术
相对于传统数据库数据，机器大数据具有数量大（Volume）、增长速度快（Velocity）、多样化（Varity）等特点，但是价值密度（Value）略低。也就是说，大多数的数据在采用最初接收到的形式时往往价值不高。为了将这些数据转化为可用形式或者得到可用部分，可能需要进行分析处理。
由于工业大数据包括的数据各异，既包括ERP、SCM等系统包含的传统结构化数据，又包括文本、语音、影像、社交媒体、传感器数据等半结构化或非结构化数据。不同数据的存储方式、数据建模方式、数据集成方式、安全性以及数据的使用方式都不尽相同，因此在处理这些数据的时候，通常采用不同的技术手段（图8-11）。
图8-11 不同工业数据的处理方式
其中，工业大数据中的交易数据、分析数据等，由于主要采用传统的关系型数据库存储的方式，因此数据建模、集成、访问的方式多采用传统的技术，如关系建模技术、采用ETL或CDC方式集成、SQL访问数据等。参考数据和内容数据多基于半结构化（如XML文件）和非结构化的数据方式存储，而且数据处理方式多基于文件方式进行。
而数据量巨大、实时性要求高的传感器数据、网络日志类数据和社交媒体数据等如何处理，是制造企业处理工业大数据时需要重点考虑的问题。
总体上看，业界对大数据处理的总体思路是将海量、低密度的数据以商业廉价的、分布式、可扩展的技术进行获取和存储，然后按照业务目标的要求将数据中有价值的部分提取和处理为结构化的数据，将这部分预处理的数据加载到企业原有的传统数据仓库或分析库中进行整合分析，这样企业可以使用原有的分析应用来统一分析所有数据。同样，工业大数据的处理方式也遵从这种处理方式和流程（图8-12）。
图8-12 工业大数据处理流程
接下来我们按照数据获取、组织和分析3个数据处理阶段，对各阶段涉及的技术分别进行描述。
（1）获取大数据。
因为工业大数据是速度更高、种类更多的数据流，所以支持工业大数据获取的基础架构必须以实时的低延迟来捕获数据，并且执行简单的业务查询，能够在分布式环境中处理极高的事务量，并支持灵活的动态数据结构。
获取和存储大数据经常使用NoSQL数据库，此类数据库非常适用于动态数据结构，并且伸缩性强。NoSQL数据库中存储的数据通常多种多样，因为系统的用途就是捕获所有数据，而不作分类和分析。
例如，NoSQL数据库经常用于收集和存储传感器和社交媒体数据。虽然面向客户的应用不断变化，但底层存储结构却一直都很简单。通常，这些简单的结构并不是要设计一个模式来包含实体间的关系，而只是包含一个主键来标识数据点以及包含一个内容容器来容纳相关数据。这种简单的动态结构既支持各种变化，又无须成本高昂的存储层重组。
键值存储或NoSQL数据库是大数据环境的OLTP数据库；它们经过了优化，支持极快的数据捕获和简单查询模式。NoSQL数据库能够提供极快的性能，因为它是通过单一识别键来快速存储捕获的数据，而不是对数据进行解释并投掷到模式中。因此，NoSQL数据库能够快速存储大量事务。
不过，由于NoSQL数据库中数据的多变性，致使任何数据组织工作都需要编程来解释所用的存储逻辑，加之缺乏对复杂查询模式的支持，使得最终用户难以从NoSQL数据库的数据中汲取价值。
（2）组织大数据。
由于传感器等数据量非常巨大，造成了很多情况下都是在其原始存储位置组织数据，而不迁移大量的数据，这样做将大大提高数据处理效率。移动海量数据的代价是巨大的，因此在这个阶段，工业大数据基础架构必须能够在原始存储位置处理和操作数据；支持极高的吞吐量（通常成批）以支持大数据处理步骤；将各种非结构化数据格式处理加工成结构化的数据，以进行后续的数据分析。
在使用分布式文件系统和事务（键值）存储用于捕获数据之后，为了解释这些解决方案中的数据并从中提取信息，企业可在传统的DBMS、简单文件或分布式集群系统（如NoSQL和Hadoop分布式文件系统，即HDFS）中存储和处理这些数据。在这些分布式的数据节点上运行自定义的MapReduce程序来处理这些原始而又海量的数据。
Hadoop是一种新技术，支持在原始数据存储集群中组织和处理海量数据。可以使用Hadoop分布式文件系统（HDFS）作为机器大数据的长期存储系统。通过在同一集群上运行MapReduce程序提取所需的数据，并对数据进行初步处理，如汇总操作等，然后这些汇总结果会加载到传统的关系型数据库系统中，如基于Oracle的数据仓库中。
（3）分析大数据。
分析大数据是最为关键的一步，所需的基础架构必须能够支持对不同系统中存储的更多数据类型进行更深入的分析，如统计分析和数据挖掘，并根据分析模型自动做出决策。而最重要的是，基础架构必须能够集成大数据与传统企业数据的组合分析。新见解不仅来自对新数据的分析，还来自结合旧数据对新数据做出的分析。与对事务数据的处理相同，大数据处理输出将会载入到传统ODS、数据仓库和数据集市中，以便于实施进一步的分析。
1）数据挖掘流程和方法论。除了业务报表、仪表盘应用和业务查询等传统数据应用以外，工业大数据应用层还包含数据挖掘、机器学习、统计分析和数据可视化等数据分析方式。机器学习依靠数据处理和模式识别，从而让计算机不需要编程就能去学习。现在的海量数据和计算能力都在促进数据挖掘和机器学习的突破。数据挖掘的流程如图8-13所示。
图8-13 跨行业数据挖掘标准流程
数据挖掘的跨行业标准流程模型，简称CRISP-DM，概括了各行各业的数据挖掘项目所使用的一种最通用的框架。CRISP-DM是一个适用于任何知识发现流程的框架，虽然CRISP-DM模型早在1999年就已经提出，并在各种KDD过程模型中广泛适用，并成为知识发现领域事实标准流程。在大数据时代的今天，面向工业大数据的问题也是同样采用相同的方式进行挖掘数据。
对于任何给定的任务，为了开发可测的假设，分析师首先对业务目标（如预测机器故障率，还是找出导致残次品率上升的原因等）和业务数据情况（如现有哪些数据、都来自于哪些数据源、数据质量如何、是否可用、数据项之间相关性如何等）进行详细理解。在后续步骤中，接着是准备数据、构建模型、从技术和商业两个方面对模型进行评估，最后以某种方式部署结果或模型。
2）选择合适的挖掘算法。在整个过程中，根据不同的业务类型选择合适的数据挖掘算法进行建模是很关键的。由于每种算法都有自己的适用场景和优缺点，因此选择算法不仅是技术，也是艺术。在实际建模过程中，通常会选择A/B两种算法分别建模，在评估和比较它们的预测效果后进行选择。另外，即使在模型上线部署之后，还会对模型的预测效果进行跟踪和监控，以防止业务情况和数据情况发生较大变化而导致模型预测效果不能满足业务需求的情况。常见的挖掘算法如图8-14所示。
图8-14 常见的数据挖掘算法
而且，在同样的算法下，数据的丰富程度极大地影响着数据建模的质量。由于工业传感器数据、社交媒体数据、其他外部数据的采集和整合，工业大数据涵盖了比以往企业内部数据丰富得多的数据范围和数据内容，即使对于采用相同的算法，数据越丰富意味着对模型的训练越准确而充分，从而模型的预测准确度会更高（图8-15）。
图8-15 更广泛而丰富的数据会极大提升模型预测能力
3）数据挖掘环境——数据沙箱。在进行数据建模分析时，通常会在企业传统数据环境之外，建立一个大数据分析平台，也称为数据沙箱（Sandbox）（图8-16）。在这个环境中，数据建模人员通常使用详细级的数据或经过汇总处理过的数据为起点，对数据进行深入分析和挖掘。这些数据也许是逻辑（视图）数据而非物理副本，并且如果不需要完整的数据集，就可对其进行采样。为了促进了解，分析师可使用不同的工具以有意义的方式呈现数据，此外，用到要解决的问题，可能用到上面提到的挖掘算法。这一过程中的每一步也许会生成新数据，如数据选择、转换、模型或测试结果，所有这些均在数据沙箱内获得管理。
图8-16 数据沙箱技术
区别于传统瀑布式的（waterfall）应用开发方式，在数据沙箱内通常采用基于数据驱动的大数据应用开发方式，即首先对数据进行探索，理解数据的分布状况、数据质量可用性、数据项之间的相关性等，然后根据业务问题选择合适的挖掘算法进行数据建模，后续再将数据分析结果应用到业务流程中。
图8-17 数据沙箱开发方式
根据美国国家标准及技术研究所（NIST）给出的定义，云计算是这样一种模型：有了它，可以方便地随时随地按需通过网络访问共享的可配置计算资源（如网络、服务器、存储、应用程序和服务）池，且只需最少的管理工作或服务提供方交互即可快速供应和发布这些资源。NIST对云计算的定义确定了5个基本特征：
（1）按需自助服务。用户可以单方面根据需要自动供应计算能力，其中包括计算、存储和应用程序服务，而无须与每个服务提供商进行人员交互。
（2）广泛的网络访问。服务提供商的计算能力通过网络提供，并且可通过标准机制进行访问以促进异构（瘦或胖）客户端平台以及其他服务对这些计算能力的使用。
（3）资源池化。服务提供商的计算资源经过池化处理，可以根据客户需要、服务级别和其他因素动态分配和重新分配资源，从而可以通过多租户模型为多个（内部或外部）客户提供服务。
（4）快速弹性伸缩。服务提供商的计算能力可弹性供应和发布（可能是自动化的），以便根据需要快速扩展和收缩。
（5）可计量的服务。服务提供商通过利用计量功能（出于计费和收费目的）自动控制和优化资源的使用，允许用户只支付他们使用的资源的费用，避免在服务不可用或未被使用时也支付费用。
1.工业4.0为什么需要云计算
（1）工业数据量巨大，处理能力要求高。
由于物联网、传感器的使用，随着数据量的增大，联网设备的增加，机器产生的数据使得工业数据大的难以想象。而这些数据需要近乎无限数据处理和数据存储的能力，而且由于工业大数据低价值密度的特性，也要求在提供这些计算能力的同时保持相对廉价的成本。尤其是对海量数据的数据建模时有很高的计算需求，这样传统自建数据中心的方式难以满足要求，云计算成为工业数据处理技术架构的应有之义。云计算可以让用户接入远程地点，而且可以获得几乎不受容量限制的数据存储和计算能力，因此将工业大数据的处理搬到云端，这是未来制造业企业的必然选择。工业云平台与现有本地部署的私有数据中心并存于企业IT环境，互为补充，并相互集成和交互，形成制造企业的混合云环境。
（2）敏捷制造要求IT灵活弹性，支持双速度IT架构需求。
与传统业务系统相比，工业数字化业务平台需要适应快速的业务变化，以支持业务创新。
工业4.0实现以客户需求驱动的产品个性化生产。客户期望转变导致的快速变化的产品和服务，要求制造企业采用更为灵活敏捷的软件开发方法，如每天或每周发布周期更新软件。由于这些短发布周期的要求对企业而言，不仅对现有IT流程是一个挑战，而且对现有IT和数据基础设施都是挑战。
图8-18 双速度IT架构
由于不是所有的流程都需要快速的发布周期，因此除了传统的交易架构之外，需要引入一个并行的快速架构（图8-18）。交易架构包括基于传统信息系统的所有健壮和可靠的服务（如ERP、SCM、客户关系管理、会计系统、财务报表系统等）。这些系统将继续遵循传统的瀑布式开发与版本管理方式，以季度或半年的频度，多采用自托管（本地）的部署方式。当然，越来越多采用软件即服务（SaaS）的云计算模式进行部署（如Oracle制造业公有云服务）。快速的架构支持敏捷开发、实验和原型设计的创新。它通常由一个虚拟（或云）的基础设施，提供一些部署环境和量身定制的数据库。
2.物联网云服务
制造企业可以使用物联网云服务，将设备或传感器数据在云端进行实时分析决策，并将数据分析结果与现有本地应用进行集成应用。主要包括以下几个步骤：
（1）将工业传感器或设备通过API或网关连接到物联网公有云上。
（2）数据通过网关实时上传至云端。物联网云服务以流处理的方式实时过滤和汇总海量传感器数据。
（3）将分析结果与其他本地应用（如MES、ERP系统）或其他云服务（如BI云服务）进行集成。
物联网云服务概念架构如图8-19所示。
图8-19 物联网云服务概念架构
物联网云服务架构主要包含3个部分：
（1）连接。
连接的主要职责是使用可扩展的云服务网关连接传感器和非可编程设备到物联网云服务环境，并保证双向通信安全，可靠且安全地收集连接到物联网公有云中的机器设备传感器数据，支持实时海量数据的过滤、处理和分析，并保证连接到物联网中设备的安全性，同时网络可扩展，以支持海量的设备。
（2）分析。
实时的方式运行大数据预测分析算法，在海量的物联网数据流中识别出预定义的特征模式，如预测生产线产品质量的特征信号。在这个过程中通常需要用到多种机器学习的算法，比如回归算法、决策树算法、贝叶斯算法、聚类算法、关联规则算法、人工神经网络算法、深度学习算法等。
（3）集成。
使用开放的接口，基于物联网云服务对传感器数据处理分析的结果可以和其他数据源进行进一步整合和分析，包括：
·企业业务应用：如SCM、MES、WMS系统等
·其他共有云服务，如商业智能云服务，根据业务需要结合其他数据源进行深度分析
更详细的物联网云服务架构如图8-20所示。
图8-20 物联网云服务架构
3.工业云建设路线
为了打破现在传统制造行业中各个IT系统形成的信息孤岛的现状，需要打通生产制造系统与后台管理信息系统之间的信息鸿沟，以数据信息进行串联和互动。因此，在系统建设和部署方式上，需要在基于标准化的软件和硬件上进行，不仅可以减少不同系统之间不兼容的情况造成的信息集成方面的困难，从而形成新的数据孤岛；而且，标准化的系统部署方式，不同系统可以实现硬件和软件的共享，提高IT资产的使用效率，大大节省IT管理和运维方面的成本。在此基础上，提供自动化的资源管理机制，建设企业内部的工业4.0私有云，不仅可以实现资源的自动化供给和部署，实现灵活敏捷的IT基础架构，以支持工业4.0的业务创新，而且从资源的伸缩性上，也可以满足企业内IT资源按需、弹性的需求。并相应将与客户相关的或供应商、合作伙伴相关的应用基于公有云实现，并满足企业内部私有云与公有云的无缝集成，两朵云形成一个完全动态、统一的资源池，企业可以根据业务需要实现业务在公有云和私有云之间的迁移，以更好地满足未来工业4.0的业务需求。工业云建设路线如图8-21所示。
图8-21 工业云建设路线
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
