1、IOT物联能力

（1）物联网（Internet of Things，简称IOT）是指通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术，实时采集任何需要监控、 连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，通过各类可能的网络接入，实现物与物、物与人的泛在连接，实现对物品和过程的智能化感知、识别和管理。物联网是一个基于互联网、传统电信网等的信息承载体，它让所有能够被独立寻址的普通物理对象形成互联互通的网络。

物联网是互联网的外延。首先说下互联网是通过电脑、移动终端等设备将参与者联系起来，形成的一种全新的信息互换方式。而物联网则是通过传感器、芯片、无线模组使设备联上互联网。

（2）物联网DCM架构
物联网系统架构中，可以分为 DCM 三个逻辑层次。
感知层（Device）：属于 DCM 架构第一层，负责全面感知，利用射频识别、二维码、传感器等感知、捕获、测量技术随时随地对物体进行信息采集和获取。

网络层（Connect）：负责可靠传递，通过将物体接入信息网络，依托通信网络和协议，实现可信的信息交互和共享。

应用层（Manage）：负责智能处理，分析和处理海量的感知数据和信息，实现智能化的决策和控制。

2、云、边、端协同

在物联网应用方案中，云端计算、终端计算和边缘计算是一个协同的系统，根据用户场景、资源约束程度、业务实时性等进行动态调 配，形成可靠、低成本的应用方案。云计算厂商、IT 厂商、运营商和垂直行业厂商等不同角色对于边缘计算的概念、边缘节点位置和边缘计算能力等各方面都有不同理解，但面对物联网方案实现云、边、端协同已达成共识。

3、标识解析

工业互联网标识解析体系是工业互联网重要的网络基础设施, 是支撑工业互联网互联互通的神经枢纽，其作用类似互联网的域名系统。工业互联网标识解析体系通过赋予每一个实体物品（产品、零部件、机器设备等）和虚拟资产（模型、算法、工艺等）唯一的“身份证”，实现全网资源的灵活区分和信息管理，是实现工业企业数据流通、信息交互的关键枢纽。

工业互联网标识解析体系的核心包括标识编码、标识解析系统和标识数据服务。其中：

①标识编码：机器、物品的“身份证”。

②标识解析系统：利用标识，对机器和物品进行唯一性的定位和信息查询，是实现全球供应链系统和企业生产系统的精准对接、产品的全生命周期管理和智能化服务的前提和基础。

③标识数据服务：能够借助标识编码资源和标识解析系统开展工业标识数据管理和跨企业、跨行业、跨地区、跨国家的数据共享共用。

标识解析技术是指将对象标识映射至实际信息服务所需的信息的过程，如地址、物品、空间位置等。例如，通过对某物品的标识进行解析，可获得存储其关联信息的服务器地址。标识解析是在复杂网络环境中，能够准确而高效地获取对象标识对应信息的“信息转变”的技术过程。

标识解析技术通过建立统一的标识体系将工业中的设备、机器和物料等一切生产要素都可以连接起来，通过解析体系连接割裂的数据和应用，实现对数据的来源、流动过程、用途等信息的掌握。

从纵向，可以打通产品、机器、车间、工厂，实现底层标识数据采集成规模、信息系统间数据共享，以及标识数据得到分析应用。

从横向，可以横向连接自身的上下游企业，利用标识解析按需地查询数据；中小型企业可以横向连接成平台，利用标识解析按需地共享数据。

从端到端，可以打通设计、制造、物流、使用的全生命周期，实现真正的全生命周期管理。

4、机理模型

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。它是基于质量平衡方程、能量平衡方程、动量平衡方程、相平衡方程以及某些物性方程、化学反应定律、电路基本定律等而获得对象或过程的数学模型。机理模型的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。其缺点是对于某些对象，人们还难以写出它的数学表达式，或者表达式中的某些系数还难以确定时，就不能适用。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。

5、数字孪生

数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。

简单来说，数字孪生就是在一个设备或系统的基础上，创造一个数字版的“克隆体”。这个“克隆体”，也被称为“数字孪生体”。它被创建在信息化平台上，是虚拟的。相比于设计图纸，数字孪生体最大的特点在于：它是对实体对象（姑且就称为“本体”吧）的动态仿真。其通过本体的物理设计模型，本体上面传感器反馈的数据及本体运行的历史数据等为依据，使本体的实时状态、外界环境条件等，复现到“孪生体”身上。工程师们可以在孪生体上进行“实验”，进行系统设计改动，或者了解系统在特殊外部条件下的反应，来避免对本体的影响，提高效率、节约成本。数字孪生还有三个特点，分别是“全生命周期”、“实时/准实时”、“双向”。

全生命周期，是指数字孪生可以贯穿产品包括设计、开发、制造、服务、维护乃至报废回收的整个周期。它并不仅限于帮助企业把产品更好地造出来，还包括帮助用户更好地使用产品。

而实时/准实时，是指本体和孪生体之间，可以建立全面的实时或准实时联系。两者并不是完全独立的，映射关系也具备一定的实时性。

双向，是指本体和孪生体之间的数据流动可以是双向的。并不是只能本体向孪生体输出数据，孪生体也可以向本体反馈信息。企业可以根据孪生体反馈的信息，对本体采取进一步的行动和干预。

6、大数据分析

大数据分析是指对规模巨大的数据进行分析。大数据可以概括为5个V， 数据量大(Volume)、速度快(Velocity)、类型多(Variety)、价值（Value）、真实性（Veracity）。

大数据分析主要分为六个基本方面：

①数据存储，数据仓库
数据仓库是为了便于多维分析和多角度展示数据按特定模式进行存储所建立起来的关系型数据库。在商业智能系统的设计中，数据仓库的构建是关键，是商业智能系统的基础，承担对业务系统数据整合的任务，为商业智能系统提供数据抽取、转换和加载(ETL)，并按主题对数据进行查询和访问，为联机数据分析和数据挖掘提供数据平台。

因为大数据处理的数据来源类型丰富，大数据处理的第一步是对数据进行抽取和集成，从中提取出关系和实体，经过关联和聚合等操作，按照统一定义的格式对数据进行存储。现有的数据抽取和集成方法有三种，分别是基于物化或ETL方法的引擎、基于联邦数据库或中间件方法的引擎、基于数据流方法的引擎。

②语义引擎
由于非结构化数据的多样性带来了数据分析的新的挑战，我们需要一系列的工具去解析，提取，分析数据。语义引擎需要被设计成能够从“文档”中智能提取信息。

③数据质量和数据管理
通过标准化的流程和工具对数据进行处理可以保证一个预先定义好的高质量的分析结果。当数据刚取得时，可能杂乱无章，看不出规律，通过作图、造表、用各种形式的方程拟合，计算某些特征量等手段探索规律性的可能形式，即往什么方向和用何种方式去寻找和揭示隐含在数据中的规律性。

④数据挖掘算法
大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学地呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速地处理大数据，如果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。

⑤可视化分析
数据分析是大数据处理流程的核心步骤，数据分析过程的主要活动由识别信息需求、收集数据、分析数据、评价并改进数据分析的有效性组成。识别信息需求是确保数据分析过程有效性的首要条件，可以为收集数据、分析数据提供清晰的目标。识别信息需求是管理者的职责管理者应根据决策和过程控制的需求，提出对信息的需求。就过程控制而言，管理者应识别需求要利用那些信息支持评审过程输入、过程输出、资源配置的合理性、过程活动的优化方案和过程异常变异的发现。而不管是对数据分析专家还是普通用户，数据可视化是数据分析工具最基本的要求。可视化可以直观的展示数据，让数据自己说话，让观众听到结果。

⑥预测性分析能力
预测性分析可以让分析员根据可视化分析和数据挖掘的结果做出一些预测性的判断。