12 月 3 日、4日，2022 Apache IoTDB 物聯網生態大會在線上圓滿落幕。大會上發布 Apache IoTDB 的分布式 1.0 版本，并分享 Apache IoTDB 實現的數據管理技術與物聯網場景實踐案例，深入探討了 Apache IoTDB 與物聯網企業如何共建活躍生態，企業如何與開源社區緊密配合，實現共贏。
我們邀請到寶武裝備智能科技技術中心主任工程師徐少鋒參加此次大會，并做主題演講——《Apache IoTDB 在寶武裝備遠程智能運維平臺中的使用案例》。以下為內容全文。
大家好，我叫徐少鋒，來自寶武裝備智能科技有限公司。今天我給大家帶來的案例是《Apache IoTDB 在寶武裝備遠程智能運維平臺中的使用案例》。
今天要講的包括四部分，第一部分是平臺整體情況；第二部分是平臺技術目標；第三部分是平臺遇到的問題；第四部分是 IoTDB 的實踐。
01 平臺整體情況
首先，我們來看平臺的整體情況。
隨著工業互聯網的迅速發展，2020 年工業互聯網帶動經濟發展規模達到 3.14 萬億，經濟發展貢獻率達到 11%，新增就業率達到 255 萬。智能運維是工業互聯網重要的應用方向之一，應用市場規模占比達到 30.5%，2020 年后的疫情時代，居家辦公、遠程醫療、遠程教育和智能運維是重要的發展趨勢。
讓我們來看一下 2018 年到 2020 年工業互聯網的發展態勢。我們來看看經濟規模，在 2018 年的時候就已經達到了 1.42 萬億，在 2019 年的時候就已經達到了 2.13 萬億，在 2020 年的時候就已經達到了 3.14 萬億。再看看經濟貢獻率，2018 年的時候工業互聯網對經濟的貢獻率達到了 6.7%，2019 年的時候對經濟的貢獻率達到了 9.9%，2020 年的時候對工業的經濟貢獻率達到了 11%。再看看新增就業，2018 年的時候新增 135 萬就業人口，2019 年的時候新增 206 萬就業人口，2020 年的時候新增 255 萬就業人口。再看看 2020 年工業互聯網應用情況，其中數據金融服務、數字化設計仿真工藝、安全管理、客戶關系管理、財務人力管理、供應鏈管理、分布式規模制造、全流程系統優化、設備健康管理、能源與排放管理、質量管理、生產監控分析、生產管理優化，這些是主要的應用方向。其中設備健康管理占比達到了 30.5%，也就是我們寶武智維正在做的這個方向。
智能運維我們來看看它的發展：從最初的被動式維護，到預防性維護，到基于狀態的維護，再到預測性維護，經歷了四個階段。我們來看看這四個階段發展規律，從早期的被動式維護，也就是事后維修，事后維修就是說生產事故已經發生了，發生了資產的損壞、工業設備的損壞，有可能是設備本身的損壞，也有可能是帶動了周邊的一些設備的損壞，甚至是更大的規模的損壞。當這些損壞發生之后，然后我們再來維修，這樣的損失是很大的，但是這樣的話比較簡單，就是把損壞的那些設備、相關聯的設備更換成新的，但是這樣子的話成本太大，雖然簡單但是成本太大，損失太大。
然后又發展到了預防性維護，就是定期維修、可靠性維修、故障模式、影響危害分析等，通過組合的方式來進行處理，可以從一定程度上減少損壞的影響范圍。再后來發展到了基于狀態的維護，根據需要維修，定期進行監控與評估，進一步降低了成本，但是這樣所做的復雜程度進一步提高。再到近期的預測性維護，要做到預測性維護需要做的事情是非常復雜的，比如說搜集大量的數據，基于數據做 AI 的分析，但是這樣子的話可以提前發現一些問題，在事故還沒有發生的情況下，提前預測到設備即將損壞，及時將設備更換下來。這樣成本是更低的，破壞的影響也是更小的，但是這樣做的話需要的技術復雜度是非常之高的。
讓我們來看看國內外相關技術發展現狀與趨勢。從國內外設備運維技術發展現狀來看，基本是在某類設備或某條生產線上的點狀智能化應用，尚未實現全流程、全工序、跨地域的智能化應用。
我們首先來看看美國大河鋼廠，建立基于云的超級計算服務，數據庫涵蓋約 41 萬條物料清單，3 萬張圖紙及 4.5 萬份文檔。安裝超過 5 萬個傳感器，探索預知維修。
我們再來看新日鐵住金，新日鐵住金引進人工智能數據分析平臺 DataRobot，提供云計算的合并數據分析環境，提高設備維護效率。新日鐵名古屋制鐵所在線監測的設備為 1253 臺，監測的結果為制定檢修計劃和內容提供直接依據。
我們再來看看 POSCO，建立設備智能管理中心，初步形成人工智能融合的監測診斷系統。以浦項制鐵所二熱軋為試點，建立對重要設備以及關鍵部件異常狀況的預測體系，在障礙發生前預測維護合適的時點。
再來看看西門子，西門子的 MindSphere 平臺負責傳輸數據、開發工具、數據分析、集成工業智能應用。數據中心節能效果顯著，列車晚點率降低，燃氣輪機、氮氧化物減排達到 15% 到 20%。
再來看看阿里云提供的一站式設備接入、設備管理、監控運維、數據流轉、數據存儲等服務，90% 以上的設備與協議，3 大行業知識圖譜，19 個業務模型，7 個行業數據模型以及 20 多個行業算法模型。
最后我們再來看看樹根互聯，以工程機械為對象，單臺設備潛在提升收入可達 10% 到 50%，全生命周期運營管理，實現監控與分析、設備故障維修、設備計劃性保養、預測性/預防性維護，設備運營與監管、現場服務。
讓我們來看看鋼鐵行業為什么要開展智能運維？首先是鋼鐵行業數字化轉型的需要，鋼鐵行業高度自動化，但全口徑設備數據在線率不足 1%；以人為主，設備維護經驗知識碎片化；設備維護數據沒有得到有效開發。鋼鐵行業工藝流程長、大型化連續化的裝備、工況特別復雜、多黑箱、很多不確定性、設備類型特別多、設備之間相互耦合，鋼鐵產線設備智能運維的命題是一項非常挑戰的復雜系統創新工程。
然后是探索和推動工業領域設備管理變革的需要。鋼鐵行業高度依賴人的行為，經驗設備風險難以控制。96% 的點檢標準屬于定性點檢標準，依靠五感的點檢穩定性不高。點檢員每月沒有發現任何異常的情況占到了 17%，90% 以上事故屬于點檢不周，30% 重復性設備故障與日常點檢不到位強相關。
鋼鐵行業以預防為主，過維修多成本優化空間有限。66 萬條檢修項目標準中，43% 屬于周期項目，定期更換、修理項目占比超 30%。主產線定修周期、時間仍維持在 3 年前水平，關鍵設備多周期維護，逢停必修、以修代檢情況普遍。
分工過細，工作繁雜，勞動效率提升困難。點檢、運行、日修、搶修功能分割過細，制約 40% 以上協同資源效率。某基地的點檢標準就多達 95 萬條，標準執行難度實在太高。點檢定修模式，行業內萬噸點檢人員配置平均水平每萬噸需要 1 人，效率提升已遇到瓶頸。
第三個是鋼鐵行業綠色可持續發展的需要。鋼鐵行業是典型的高能耗、高污染，圍繞裝備與工藝革新，開展綠色生產是實現鋼鐵行業綠色可持續發展的重要手段。保障高能耗設備的高效運行，降低直接消耗；提高設備綜合作業率，降低單位能耗；把控環保設備設施狀態，支撐環保達標和超低排放。
什么是智能運維？我們需要推動設備運維從“感官判斷、經驗決策”向“數據判斷、知識決策”的數智化升級，綜合應用云技術、大數據、物聯網、AI、5G 等先進技術，系統開展智能運維新技術、新模式的研究與實踐，實現設備智能運維技術的系統創新。通過平臺 + 專家系統 + 標準化，將早期的從五感點檢、經驗判斷、人工診斷、人工排產、手工派單、維修組織、維修實施、人工檢驗的方式，提升到智能采集、智能分析、智能診斷、智能排產、自動委托、推送方案、遠程支持、智能檢驗。
我們的總體目標：寶武智維云通過建成具備低成本、大規模接入能力的遠程智能運維軟硬件平臺，支撐寶武集團多基地設備智能運維的全面快速覆蓋，完成“運維一律遠程”的使命；建立設備智能運維技術標準和規范體系，開展智能運維工業大數據創新應用，創建智能運維服務新模式，為集團各基地及社會用戶提供可信賴、多層次的設備智能運維服務。
我們的戰略目標：聚焦冶金工業裝備智能服務體系建設與運維，內生式發展與外延式發展相結合，技術引領、數據驅動、知識賦能，基于鋼鐵生態圈實現專業化基礎上的規模化、產業化發展。
什么是內生？基于“億噸寶武”產業布局，以“運維一律遠程”為目標，通過專業化整合融合，推動中國寶武設備管理體系變革，打造中國寶武裝備領域產業競爭力。
外延，基于“鋼鐵生態圈”發展戰略，以數據為牽引，平臺化為手段，串聯產業鏈上下游資源，共建共享鋼鐵生態圈智能運維產業服務生態。
我們的預期目標要將百萬設備入云、智能運維創新應用。億噸寶武+鋼鐵生態圈，有 300 多條產線，150萬以上的設備，要實現智能運維遠程覆蓋，同類產線專業集中。
我們有哪些用戶？我們有集團內多基地用戶，集團外鋼企，鋼鐵生態圈用戶，其他工業用戶、園區。有哪些生態伙伴？維修公司、硬件制造商、設備制造商、軟件服務商、信息服務商、數據服務商、備品備件。
整體狀況，我們的平臺覆蓋寶武集團全部 15 大基地及多元產業，擴展自鋼鐵生態圈（如漣鋼、林鋼、鞍鋼鲅魚圈等），累計接入1000 多條產線，設備超過 44 萬臺，數據項超 170 萬，覆蓋鋼鐵全工序，并持續擴大接入與創新應用。
我們的技術路線，為實現設備智能運維形成了以一個平臺、一個專家系統、一套標準化體系為核心技術架構、以面向鋼鐵全流程的智能運維體系為載體的技術路線，包含四方面技術創新內容。首先是一個平臺，然后是一個專家系統，然后是一套標準化體系，最終我們打造面向鋼鐵全流程的智能運維體系。
02 平臺技術架構
剛才我們講了我們要做什么，現在我們來講講為了實現我們的目標，作為程序員，我們要如何從技術角度來支撐我們的業務目標。
作為技術人員，我們的平臺的支撐能力要設計得盡可能大些，我們的平臺能否搜集全量數據，能否搜集高頻數據，能否適時分析數據，能否分析設備的全生命周期數據，能否用少量磁盤存儲目標數據，能否用低成本達成目標，這是我要考慮的主要問題。
03 平臺遇到的問題
在平臺的建設過程中，我們遇到了很多問題，其中很難的問題是傳統的時序數據庫不能承受我們這個量級的數據。它們的讀寫性能均不能滿足我們的要求，不能用低成本來實現我們的目標。直到我們遇到 IoTDB。
04 loTDB 的實踐
通過對 IoTDB 的實踐，我們來觀察 IoTDB 是否能達成我們的目標。
首先，偶然的機會我們發現了 IoTDB，并對 IoTDB 做了實驗，我們來看看 IoTDB 能否搜集全量數據。如果 IoTDB 能將整個基地所有產線、所有裝備的數據都搜集起來，那多好。如果 IoTDB 能將所有基地、所有產線、所有裝備的數據都搜集起來，那太好了。如果是這樣子，那么 IoTDB 涉及的設備有多少？涉及的時間序列有多少？涉及的頻率有哪些？我們估算了一下，涉及的裝備有數百萬，涉及的時間序列達到千萬，涉及的采集頻率有小時級、分鐘級、秒級、毫秒級等。
那么 IoTDB 能否搜集高頻數據呢？比如搜集 1 毫秒的、4 毫秒的、10 毫秒的數據呢？我們試驗過的時序數據庫，有的時序數據庫遇到高頻數據寫入的時候出現鎖的問題，性能下降很多，但是我們發現 IoTDB 在這方面處理的很好，可以長時間穩定寫入高頻數據。
讓我們來看看 IoTDB 是否能夠分析設備全生命周期數據。有的大型裝備需要使用 10 年以上，這樣我們需要觀測大型裝備長周期的變化趨勢，IoTDB 是否能夠做到呢？我們做了實驗，IoTDB 單時間序列我們造了 2000 億個時序點，做降采樣查詢到 100 萬個點，時間在 10 多秒到 30 秒上下。
讓我們來看看 IoTDB 能否用少量磁盤存儲目標數據。與同類數據庫產品相比，IoTDB 去除了不必要重復存儲的字段，節省了大量存儲空間；IoTDB 采用復合壓縮算法，壓縮效果較好，目前觀測約為 1/10。
我們再來看看 IoTDB 能否用低成本達成目標呢？由于 IoTDB 單機寫入速度較快，穩定性高，這樣子我們可以用少量的服務器來寫入數據，節省了大量的服務器。IoTDB 的 insertTablets 接口寫入速度可達 3000 萬每秒，IoTDB 的 insertRecords 接口寫入速度可達數百萬每秒，視CPU情況而定。
我們經過對 IoTDB 的實踐，對 IoTDB 的效果比較滿意。IoTDB 能夠用少量的服務器寫入整個基地的數據，甚至是整個集團的數據。IoTDB 的查詢能夠覆蓋長達十年的設備數據降采樣分析。IoTDB 為我們節省了大量的服務器。
目前在我們的案例里，IoTDB 的使用場景如圖所示，用來搜集整條產線、整個基地乃至整個集團的設備數據，給專家們分析查詢使用。
謝謝大家，我的演講到此結束。
更多內容推薦：
? 了解更多 IoTDB 應用案例
? 回顧 IoTDB 2022 大會全內容
