《深度解读流程行业的数字孪生技术解决系统建模和协同优化难题.docx》由会员分享，可在线阅读，更多相关《深度解读流程行业的数字孪生技术解决系统建模和协同优化难题.docx（14页珍藏版）》请在课桌文档上搜索。
1、流程工业是制造业的重要组成部分，是国民经济发展的重要基础，主要包括化工、冶金、石化等行业，其安全高效的生产对国家而言具有重要的战略意义。然而，流程工业物理化学变化反应复杂、流程间能质流严重耦合、多目标冲突、在线实验风险大，给生产流程系统建模与高效协同优化带来极大困难，严重制约了生产质量和资源利用率的进一步提升。随着信息技术与人工智能的发展，建立虚实结合、协同优化运行的流程工业数字学生生产线所需技术逐渐成熟，其在流程工业的应用价值与潜力日益凸显。流程工业主要包括化工、冶金、石化、造纸、电力等行业，其生产过程中，原料通过化学、物理、相变等反应或变化，经连续加工生成新的物质。流程行业不仅为机械、军工
2、等领域提供原材料与电力能源支持,也是国民经济与人民生活的重要保障。因此，流程工业生产不仅对企业至关重要，也是我国国民经济和社会发展的重要支柱产业，在保障国家重大工程建设和带动国民经济增长等方面起着不可替代的作用。相比于离散制造工业，流程工业具有以下几个特点：流程工业特点：-1）原料物化属性复杂且难以测量，涉及众多工艺，每一个工艺的设备特征、工艺配方、原料属性和操作参数都与生产性能指标有着密切联系，且加工工艺多为复杂的物理过程和化学反应，导致生产过程难以建模。-2）对流程工业而言，为了制造某一产品，原料必须通过由不同功能工序串联起来的制造流程在整体协同下组织生产，其整体运行的全局最优是一个多流程
3、耦合关联、多目标冲突的复杂动态优化命题。-3)不同于离散工业在质量缺陷时可以通过更换零件解决，流程工业体量大，容错率低,一旦发生异常或故障将使一批产品无效造成巨大的经济损失，严重时可能造成人员伤亡与生态环境破坏，因此亟需经营决策优化的自感知、自计算、自组织和自维护功能。传统的流程工业生产往往依靠工人经验，关键工艺质量预测与操作决策依赖工作人员的知识储备和认知水平，严重制约了生产过程的安全高效运行。经过几十年的发展，通过信息化、数字化等手段，我国流程工业产业结构逐步优化，关键技术不断取得突破，对许多生产工序有了较完善的模型与控制系统。然而流程工业物理化学反应复杂，工序间能质流严重耦合，性能指标影
4、响因素众多，生产异常和故障后果严重，因此，对物质流、能量流和信息流的集成和高效调控成了现有制造模式亟待解决的难题。正是由于以上问题，现阶段我国流程工业面临资源利用效率偏低、能耗物耗较高、产品质量较差、生产成本高、三废排放量较大和环境污染较严重等问题。近年来流程工业生产事故时有发生，不仅使企业经济效益受损，而且污染环境，危及人民生命财产安全。构建流程行业的数字李生系统，通过数字挛生体与工业实体的平行运行、实时交互与迭代优化，实现生产过程精准预测与控制、生产自组织优化调度、设备全生命周期管理、产品质量追溯与管控等功能，可以大幅提升流程行业生产质量和效益，促进流程行业高质量发展。数字挛生1.1 数字
5、学生发展数字挛生概念的提出是在2003年美国密歇根大学的GnaZeS教授所开设的产品全生命周期管理(ProdCtTifeCgCleP1.M)课程上，当时称之为“与物理产品等价的虚拟数字化表达1.随后在2OO32O1O年间，数字李生被称为“镜像的空间模型、直到2011年,在文献中，作者提出了新的名词：数字挛生体，该名词正式产生并一直沿用至今。此后，美国空军研究实验室与美国国家航空航天局(NatiCm/AeronauticsandSpaceAdnesr油。NASA)在2012年开展合作，提出了飞行器的数字挛生体概念，并定义了数字李生。NASA在2012年，发布“建模、仿真、信息技术和处理,路线图，
6、将数字挛生概念带入公众视野。2013年，美国空军发布全球地平线顶层科技规划文件，将数字线索和数字挛生并列视为“改变游戏规则”的颠覆性机遇，并于2014年组织洛马、波音、诺格、通用电气、普惠等公司开展了一系列应用研究项目。从此，数字挛生理论与技术体系初步建立并对外推广。在国内，2027中国科学技术协会智能制造学术联合体在世界智能制造大会上将数字挛生列为世界智能制造十大科技进展之一。由此可以看出J数字李生概念的起源距今不到2。年,现阶段的数字挛生技术正处于理论逐渐成型、应用飞速发展的阶段。1.2 数字李生边界定义对于数字挛生的体系结构、建设规范，至今并没有完全成熟、统一的标准。根据数字享生特点与应
7、用背景，有研究者提出了数字学生的三维结构与五维模型对数字李生相关概念、层级进行了总结与归纳。为了能更准确更客观地理解数字李生,本文采用边界法，通过区分数字享生与相关概念,定义数字挛生的基本内涵与功能边界。1.2.1 CPS与数字李生CPS通过集成先进的感知、计算、通信、控制等信息技术和自动控制技术,构建了物理空间与信息空间中人、机、物、环境、信息等要素相互映射、适时交互、高效协同的复杂系统,实现系统内资源配置和运行的按需响应、快速迭代、动态优化,从而支撑信息化和工业化的深度融合。CPS的内涵是虚实双向的动态连接,简单来说,CPS就是用P（物理）来获得C（信息），从而用C来控制Po而数字挛生，是
8、从物理实体对象镜像出一个信息化的数字享生体，正是CPS概念中从P（物理）得到C（信息）的过程，因此数字李生是建设CPS的基础，是CPS发展的必经阶段,是CPS的核心关键技术。提出使用数字挛生构架用于构建基于云平台的CPS,明确了数字挛生是构建CPS的关键一步。从数字挛生的角度来说，数字挛生试图在虚拟世界中尽可能地模拟物理世界真实发生的一切，但数字挛生并非一定要用于CPSj它有时候只是用来显示而不作为控制。工2.2工业互联网与数字学生数字挛生技术的关键在于挛生，即数字挛生体和物理实体一样是实时并行运行的。这样的性质使得数字李生体对企业或工厂提供对外对内的服务应用具有与生俱来的优势。因而数字享生常
9、常与产品全生命周期服务紧密相连。而工业互联网，指的是通过边缘层、IAAS（Infrastructureas,aSerViCe）层、PAAS（PlatformasaSerViCe）层、SAAS（SoftwareasaSeKViCe）层的架构，结合微服务组件开发工业APP（APPati。八）为客户提供各式各样的应用服务与解决方案。因此，工业互联网和数字率生有着密不可分的关系，工业互联网是数字挛生的延伸，是数字挛生的孵化床，数字季生技术则给工业互联网生态带来持续的改进优化，拓展了工业互联网应用层面的可能性。1.2.3 建模与数字李生建模有各种分类，与数字挛生相关的建模可分为三维几何建模与仿真建模。三
10、维几何建模是数字孳生的重要部分，为数字挛生体提供更宜观的展示。仿真建模与数字李生在某些方面非常相似,从宏观层面上都是由实到虚的过程J但是两者也有差距,首先，仿真建模更倾向于对实体进行抽象J而数字挛生是对实体的复刻,即仿真建模是把一个问题简单化,聚焦在想要研究的关键问题上，而数字李生则倾向于把一个问题综合化J使不同领域的问题在同一个模型上研究。其次，大多数的建模仿真是对一个独立单元进行的，而数字李生涉及到多耦合的整个生产线，并贯穿设计、制造、维护的整个过程,因此数字挛生需要有多维度多尺度的建模，从而能在多个层级下对模型进行耦合。此外，数字李生体是动态的,需要与物理实体层的数据进行实时交互虚实融合
11、，对模型迭代进化。1.2.4 数字化工厂与数字学生数字工厂以产品全生命周期的相关数据为基础，在计算机虚拟环境中,对整个生产过程进行仿真、评估和优化，并进一步扩展到整个产品生命周期的新型生产组织方式。从含义上来说，数字工厂是对工业数据的搜集归类，建立信息平台，从而对整个企业在制造、管理与营销等方面的可靠性、经济性、质量等有足够的数据分析支持，另一方面，数字工厂通常在离散工业中通过三维建模与仿真,为产品设计到产品生产提供有关空间、尺寸的解决方案。在流程行业中,相比数字工厂，数字挛生有两个不同,首先是其聚焦不同，数字李生聚焦于工业生产线,不涉及过多的企业管理层面。其次是功能不同，在流程工业中,由于生
12、产过程存在大量复杂的物理化学反应，其数字挛生体的构建不仅涉及数字化三维建模,更是需要对流程工业进行机理或者数据驱动的建模,通过对物理实体的全维度拟合，达到自主运行的功能，从而为流程工业提供更合适的解决方案。流程行业与数字挛生的映射框架第1节对流程工业的特点与难点、数字挛生的定义概念进行了介绍，本节介绍流程工业过程的抽象数学模型,并结合数字挛生模型，阐述两者如何在统一框架下进行融合，从而达到流程工业物理实体与数字挛生体的迭代优化，解决流程工业的建模难与协同优化难问题。24统一的物理实体与数字李李生体抽象模型定义如第1节所述,流程工业最主要的难点在于流程工业建模复杂,从而导致其预测困难、优化困难。
13、建模复杂的原因有两个方面，其一是单工序的建模复杂；其二是工序间耦合关系复杂。而数字挛生技术,正是解决这一问题的关键手段。现阶段J业界普遍将一个流程生产线分为ERP(Enterpriseresourcep4mMg)MES(ManufacturiiagexecutionSgStekw)、PCS(PHoCeSScontrolsystem)三层。三个层次之间存在着聚集与解聚的关系。例如PCS层一般以分、秒作为采集周期；MES层数据一般以班次、天作为计算周期；ERP层一般以月、季度作为周期,边界数据可以累积加和向上聚集。结合流程工业的分层，本文将流程工业生产线抽象成一个树结构,从上至下，随着树的深度增加
14、，其节点涉及生产线范围越小,耦合性越高。对于树结构中的任意一棵深度为2的子树,其父节点对应的物理实体，是由子节点对应的物理实体构成的。其构成方式为各个子节点之间连接形成的有向无环图。定义这样的一个子树的所有叶子节点组成的该有向无环图为一个层级，其中的每个叶子节点为一个单元。每一个叶子节点单元可以表示为如下所示的数学抽象：fu=u(X1.)(1)其中,u是流程工业物理实体的数学抽象,fu是物理实体的输出，Xl;X2分别代表流程工业中的操作参数与过程参数。在物理实体层,同层级中各个单元通过物质流、能量流的方式进行耦合，在抽象结构中，我们定义其以参数的方式进行耦合。对于有向无环图中的每一个耦合关系，
15、其参数耦合指的是前序单元的部分输出作为后续单元的操作参数进行输入。在这样的以参数耦合作为耦合方式的抽象关系中,数字挛生体可以定义为式(2)。其输入输出与物理实体层的数学抽象模型一致，均是以参数的形式，唯一的区别在于其映射函数,前者依靠物理层的实际运行而产生映射结果,后者采用建立的数字学生体得到映射结果。fv=v(X1,X2)(2)其中,卜是数字挛生体的数学抽象，付是数字挛生体的输出。2.2 理想状态下的强耦合协同优化解决方法理想状态下,一个数字挛生体是物理实体的完全复刻,其数学内涵为a(xl,x2)=V(X1,x2),Vx1,x2式(3)表明,任何一个单元的流程，在全部变量空间中，由物理实体运
16、行得到的输出和数字挛生体的输出都保持一致。因此，对于这样一个单元数字享生体，可以通过优化算法获得最优解,从而完成对该单元流程的优化。在此基础上,使用通过参数耦合的数字享生体可以解决由于复杂相合特性造成的流程工业协同优化难问题。以由四个单元构成的工业流程为例，假设所有数字李生体都处于理想状态下。具体可以分为如下两种情况：情况2)：所有单元的理想数字挛生体均存在。在该情况下，对于该层级流程的协同优化问题，只需要考虑数字挛生模型,从后向前,根据依赖关系反向进行优化，可以确定所得解为全局最优解。情况2):只有部分单元的理想数字李生体存在。对于这一类情况,由于无法获得全局最优解,通常对指定单元进行优化，
17、以获得整体流程的局部最优解。2.3 非理想状态下的数字李生体优化方案在现实情况下,数字挛生体往往不能与真实物理实体建立完全的映射关系，因此如何构建一个尽可能理想的数字李生体非常重要。有关如何构建单元级数字李生体在第32节中有详细介绍。本节主要介绍如何通过全流程数字挛生体来对单元数字挛生体进行反馈优化。例如,在下图中，为了对单元2进行优化,使用单元2的数字率生体与物理实体模型平行运行,将单元2的前序单元使用物理实体层的数据进行输入，根据单元2的数字挛生体的输出与物理实体层单元2的输出进行比较,对偏差进行反馈优化。I孽生体,单元3数字李生体的反馈优化在如下图所示的流程生产线持续运行过程中,可以看出
18、,整个数字挛生体与物理实体保持了平行运行、实时交互与迭代优化的过程J物理实体的生产过程使数字挛生体不断地优化迭代，同时数字李生体又通过提供操作参数推荐、产品生命周期管理等解决方案对物理实体生产线进行改善,两者互相促进，共同进化。单元4虚实交互数字李生体2.4 数字李生技术在流程行业的价值通过上述的流程行业数字挛生生产线构建与优化方案，将物理实体流程上的耦合转化成各个数字挛生体参数间的耦合，解决了流程工业耦合复杂而造成的协同优化难题。通过全流程的物理实体对单个数字挛生体提供反馈优化，提高单元级数字挛生体的构建精度,此外，这种更新迭代机制也解决了流程行业模型动态演变问题。最后，多维度建模的数字挛生
19、体相互耦合,得到自主运行的数字挛生体，从而快速生成面向生产决策优化的自感知、自计算、自组织和自维护解决方案。流程行业数字李生关键技术数字李生是在大数据、云计算、人工智能发展的浪潮中孕育而生，因此可以说这三者是数字享生技术的基石。己有较多的学者对数字享生研究现状做出总结。但是大多数是针对数字挛生的整体生态，没有聚焦到特定领域上，而数字李生应用领域广阔，在不同的领域往往会与不同的技术相结合。例如在离散工业中，有学者利用多尺度融合建模、融合模型的状态评估、数据采集与传输、全寿命周期数据管理、虚拟现实以及高性能运算等技术构建数字李生系统。本文总结以上相关研究成果，并结合在流程行业领域的研究与应用情况，
20、以数据从物理实体到数字挛生体的数据流先后顺序,将数字挛生系统构建问题分为感知、集成、传输、建模、显示、服务等基本过程。其中数据的感知、集成、传输技术为数字孳生技术提供基本保证，已发展较为成熟,而数字季生体的构建、增强式交互及其转化应用的方案在流程行业中非常欠缺，限制了流程行业数字挛生技术的发展,需要学术界和产业界投入更多精力联合攻关。3.1 数据基础技术数字挛生的发展少不了数据作为基础支撑，有关数据的基础技术主要包括数据感知、多源异构数据集成与数据传输技术。3.1.1 数据感知为了建立功能完备的数字挛生体,需要大量准确的相关数据，数据的感知决定了数字挛生体最终的效果。流程工业现场数据可通过分布
21、式控制I(DiStnZMedcontrolSgStekvbDCS)系统、可编程逻辑控制器(PHOgHnkv他IogiCcontroller,P1.C)系统、智能检测仪表等进行采集。近IO年来,随着深度学习的发展J大量的图像、声音和文字中携带的信息可以被充分挖掘,大大扩充了信息来源，各类图像、声音采集设备也广泛使用到数据采集中。随着传感器成本的下降、传感器性能和通讯技术的提升,传感器与终端节点的连接数也大幅提升,采样频率得到提高,数据大量增加，为数字挛生带来更多的可能性。针对流程工业，传感器的发展方向主要包括以下三个方面：1)智能化:一方面完成多种传感功能与数据处理、储存、双向通信的集成，实现信
22、号探测、逻辑判断、功能计算等基本任务；另一方面让传感器实现内部自检、自校准、自补偿、自诊断等功能,完成数据在边缘侧的采集、清理、加工、集合，从而提升有效信息占比,节约传输流量。2)微型化：随着集成微电子机械加工技术的日趋成熟，微机电系统(Micro-electro-ieckaiicalSgStCna,MEMS)大量使用在传感器制造过程中，为传感器微型化发展提供了重要的技术支撑,使传感器在降低能耗、提高精度方面有巨大提升。3)新材料:除了传统的半导体材料、光纤材料外，新型的生物传感器、纳米传感器等新型材料传感器技术正处于快速发展阶段。部分新材料由于有抗高温、耐腐蚀等特点可以很好地运用到流程工业中
23、,对以往只能通过软测量方法得到的过程变量进行测量。此外,巡检机器人的广泛应用为恶劣环境下的数据采集提供了新的方案。3.1.2 多源异构数据集成数字挛生系统建设过程中,获取的数据形式多样，既包括图像、声音等非结构化数据，也包括温度、压力、流量、成分等结构化数据。另外，还有大量由产品生命周期管理系统(P1.M).应用程序生命周期管理系统(APWiM力.。八IifecycleMa八“gckvxe八t,A1.M)、服务生命周期管理系统(SCrViCC(ifecgclemanagementjS1.M)等系统产生的半结构化数据。而流程工业的数据，在此基础上存在着更为复杂的特点，主要体现在数据的多采样率特性
24、。多采样率过程是指变量同时具有多个采样率的工业过程,其在流程工业中很常见。如电信号和机械信号的采样间隔通常在秒级甚至毫秒级,而温度、流量、压力等过程变量的采样间隔通常在分钟级，至于生产性能指标相关的数据往往需要通过实验室化验分析才能得到，这些变量的采样间隔一般在小时级甚至天级。这样的特性使得传统的对均一采样间隔的建模分析手段在遇到多来源的数据时会有很大问题。对多采样率问题进行升采样与降采样，主要分为单维估计法和多维估计法。除此之外，结合具体数据，大量的学者采用更为复杂的方法对多源异构数据进行集成。例如使用概率主成分分析(PoSSiStiCPHnCiPalcowpove.vtaaalyijPPC
25、A),因子分析(FnctM砌SzFA)等概率框架下的统计学习方法对二采样率数据进行集成。采用信息融合策略融合多个卡尔曼滤波器对多采样率数据进行融合等。介绍了使用TOSCA.(Topologyavdorchestrationspecificationforcloudnppcnt。八S)将分析算法与数据集成相互关联起来，从而完成自动化的数据配置。针对电网系统，将不同系统收集的电网数据融合使用，大幅提升了建模效果。将图像、文本转换为向量表达形式的结构化数据，从而进行建模的方法也可作为借鉴应用于工业中。通过上述的多源异构数据集成,将多个系统转换连接至数据平台上J从而用于数字李生体的构建与融合J对数字享
26、生体的整体构建有较大提升。3.1.3 数据传输从集中式控制、集散控制到现场总线控制系统，数据传输能力的发展决定了工业自动化系统的实现模式与性能上限。结合现阶段的CPS系统以及工业互联网现状，建设数字挛生系统需要先进可靠的数据传输技术，需具备更高的带宽、低延时、安全性等特性。其中第五代移动通信网络(5G)技术因其低延时、大带宽、泛在网、低功耗的特点，被认为是第四次工业革命的重要一环。5G三大应用场景是增强移动宽带(Eiakancedmobilebroadband,CMB8)、海量机器类通信(MassivewHjm4TC)和超可靠低时延通信(J化nareliableowlatencycovwuic
27、atiov,uR1.1.C)j其发展可以为数字挛生带来以下突破：1)增强移动宽带：可以支持更高清虚实交互,提升数字挛生三维模型的虚拟现实(ViMrea(ityjVR)/增强现实(AugMCntedrealityjAR)交互功能；2)海量机器类通信:SG提供低功耗大连接的支持,可以解决多类型大批量传感器末端节点互联、全面感知的需求,为工业流程的供应链管理等提供基础；3）高可靠低延时：可以满足数字挛生体与工业实体实时同步与交互的需求,有效完成流程工业对控制操作等任务。因此5G是建设的工业互联网关键基础设施,是实现数字挛生的必要技术。马2数字李生体模型构建数字挛生体的构建流程主要包含以下4个步骤：-
28、 1）数字季生体需求分析。首先明确生产流程包含的设备对象的合集，其次明确各设备数字挛生对生产流程各阶段的指导意义，再次明确已有数据、新增数据需求等，最后完成需求分析与策略研究。- 2）几何属性数字化复刻。首先获取各对象的几何结构、空间运动、几何关联等几何属性建立3D模型,之后结合实体对象的空间运动规律，对运行效果渲染优化,最后进行匹配连接，实现几何属性数字化精准复刻。- 3）内核模型构建。结合传热学、流体力学等理论与人工智能等方法，建立多模型融合与多尺度多维度的数字李生内核模型。- 4）数字挛生模型测试验证。通过建立模型精度及可信度评测算法与融合客观检测数据及先验知识,构建挛生体模型评估验证平
29、台，对挛生体的精度与稳定性进行测试。其中数字挛生体内核模型的构建是整个数字室生体稳定运行的关键，是有效的数字挛生服务应用的保证。对于单元级数字挛生体的构建，主要包括多尺度多维度的建模，与多模型融合，并通过流程中的多单元耦合完成数字李生体的迭代更新。1）多模型融合为保障数字季生体能够有效解决流程行业复杂耦合的协同优化问题,需要保证建立的数字挛生体有足够的模型精度以及尽可能大的变量覆盖区间。为此，建立单元级数字挛生体时需要采用多模型融合的方法，一方面通过累加多个模型对全变量空间进行覆盖,另一方面通过平均多个模型提高模型的精度与可靠性。工业领域常见的模型包括基于知识的模型、机理模型和数据驱动模型。现
30、阶段随着大数据、人工智能的兴起，数据驱动模型在复杂模型场景下有更好的效果。但由于基于数据建模需要大量数据支撑且没有可解释性，在许多情况下，机理模型仍然作为一种先验模型得到广泛应用。基于知识的模型因其建模效果差，往往只用于对特殊情况的判断，从而对整体模型进行补充。由于多模型融合的优越性，已有大量学者通过多模型融合建立了流程工业单元级模型。对于模型融合的方法，常见的包括对不同变量空间的多模型分段覆盖以及对于同一变量空间的多模型加权平均。此外,提出了一种基于语义特征融合的异构模型集成方法,有效地将各种类型的语义特征和几何特征集成到模型中。提出一个基于两层模型的具有深层特征选择程序的多模型框架。2）多
31、尺度多维度建模为了建立精准完备的数字挛生体,不仅要在多时空尺度上对实体对象进行建模,还要从几何、物理、化学、行为、规则等多个维度对实体对象的特征进行刻画。多尺度建模可分为长度尺度、时间尺度以及耦合范围三个方面,能够连接不同尺度的物理过程以模拟众多的科学问题。其中长度尺度和时间尺度的建模主要为了建立多精度等级的模型,在不同的应用场景下提供不同精度等级的模型从而达到效率与精度的协调。例如，在文献中,作者在长度方面建立宏观与微观尺度模型，在耦合范围方面建立上至整个生产链、下至两个工位之间的耦合模型,提出了一种有“自我意识”的数字挛生模型,通过一种独创的过程控制方法，使用大数据分析方法来处理过程空间的
32、多维性和大尺寸,其技术特点可以较好地符合流程工业生产需要。对于模型尺度的划分，一方面要考虑单元级模型的精度,另一方面要考虑跨单元间的耦合程度，如果两个单元的耦合程度很高，往往需要将两个单元耦合在一起建立整体模型，因而需要对具体工业生产流程具体分析。3.3 增强式交互物理实体是实际存在的客观对象，操作人员可以直观方便地与之交互。而数字挛生体是构建于信息空间的虚拟对象,难以与操作人员形成类似物理空间中的交互与理解。为了使李生体在显示形态与交互便利性上更接近于物理实体，增强式交互技术广泛运用在数字李生系统的对外显示与交互中，主要技术包括虚拟现实(VR)、增强现实(AR)与混合现实(MiXedreal
33、ityjMR)j三者合称为3R技术。对于3R系统中的相关技术研究也在快速的发展，主要包括视角的选择与变换。已有多种AR技术在工业中得到应用，包括对产品的设计、调试、维护等。文献中，作者介绍了通过手持拍摄设备对生产线进行3P重建，获得数字挛生可视化模型,并可在佩戴式设备中进行VR交互，该方法能够有效控制数字李生三维模型的开发成本，促进数字享生技术在中小企业的应用。3.4 转化应用数字挛生作为一项技术，将其转化应用、为企业创造价值才能真正体现这项技术的价值。现阶段的数字挛生技术大多基于云计算、SAAS(S。WaWaS-a-service)平台的构架,通过App软件，为客户提供服务应用与解决方案。S
34、AAS是一种通过网络提供软件的模式,厂商将应用软件统一部署在自己的服务器上,客户可以根据自己实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得厂商提供的服务。这种模式大大减少了中小型企业购买、构建以及维护基础设施和应用程序的需要,减少了对信息技术(InformationtechM(ogyJT)的投资,并可以获得更稳定、更有效的服务应用。现阶段这种模式在离散行业、智慧城市中有大量的应用，对于流程工业，如何构建能够支持流程工业应用的中台系统极为关键。常见的各类应用包括数字化学习工厂、生产过程控制、生产自组织运行与调度、产品生命周期管理和设备故障诊断等。
