云作为是近年来广为关注的技术创新之一，与大数据和机器学习一起为新一代解决方案和工厂基础设施提供了动力。除了工业4.0、智能制造、数字化转型和工业物联网（IIoT）之外，云也是制造业的热门话题。
自从2006年亚马逊首次提供虚拟机和存储服务以来，我们对所谓的按需租赁模式已经不陌生。微软和谷歌也紧随其后，于2008年相继推出该服务。从那以后，自动化公司就开始对云进行了大力宣传，基于云的服务也不断的发展进步，并且随着供应商的支持和扩展其在线产品，获得了更多的订单和应用。
云引起了很多讨论，也许是讨论的“太多”的原因，尽管云在我们的个人生活中无处不在，但云对制造企业一些至关重要的细节，仍然没有定论，讨论仍在继续。
此外，工业企业还有一些特定的需求，这些需求可能会排除某些基于云的部署。与消费领域和通用信息技术（IT）不同，工业云部署具有特定的安全要求。它们还需要保证可用性，并需要企业资产管理系统（EAM）、制造执行系统（MES）以及数据采集与监控系统（SCADA）应用的软件即服务（SaaS）版本。
尽管存在一些担忧和挑战，但似乎并未影响云在工业的应用。在云的部署方面，已有5种被认可的云应用模式用于工业制造领域，下文将分别详细介绍：
●诞生于云端：IIoT
●历史数据库
●数据湖
●云报告系统
●快速启动分析
这些方法或用例也被云平台供应商称为工作负载模式，例如IT部门的早期云工作负载模式包括低成本、长期存储和按需计算资源。
随着解决诸如MES之类的SaaS工厂应用的可用性和接受性等问题，云工作负载列表将不断增加。将这些用作工业领域云应用的具体示例，有助于实现从虚化的云向特定盈亏与收益讨论的转变。
1.诞生于云端：IIoT
第一个云工作负载模式是IIoT用例，将新传感器部署在资产上，利用遥测技术将数据传输到云以进行存储、应用程序和分析。
或者，资产已经存在，但是部署了新的传感器。这种在云计算中诞生的场景，让人想起某些国家的移动电话，在完全部署有线电话网络之前，跳过该阶段直接采用基于蜂窝基站的移动电话。
●优势：适用于新建项目的监控场景，或将现有设施的可视性扩展到其它资产或资源。
●缺点：这种模式仍在摸索中，最终用户必须对诸多解决方案中的每个组件做出决策，包括传感器、设备管理、网关、安全性、通信层、云供应商、数据存储等。
2.升迁历史数据库
通过升迁历史数据库可以将IT工作负载从数据中心迁移至云端，从而在虚拟机上运行应用程序，这是一个与底层硬件分离的操作系统用例。虚拟机使一个物理服务器能够承载多个运行许多应用程序的虚拟机，与每个应用程序部署使用一个专用服务器相比，提高了硬件利用率。
将应用工作负载移出本地数据中心的主要动力是降低成本：在数据中心配置服务器的全部成本，可能是服务器本身价格的50倍。例如，亚马逊的AWS团队建议公司将“零平方英尺数据中心”作为目标，把所有应用程序都配置到云端运行。近年来，很多公司已经将IT应用程序迁移到云端，包括电子邮件、企业资源计划（ERP）和会计系统。从节省成本的角度来看，历史数据库正在等期待着这种转变的到来。
●优势：如果部署得当，用户在使用历史数据库时，不会察觉到任何影响，并且基于云的历史数据库更便于IT访问。
●缺点：因特网带宽、历史记录读取访问和安全性是要解决的问题，但是基于云部署的成本优势，使这更像是“何时”而不是“是否”讨论。
3.数据湖
云工作负载的一个创新模式是建立数据湖（data lake）。数据湖是系统中不同数据类型的集合，可以包括来自关系数据库的结构化数据(行和列)、半结构化数据(CSV、日志、XML、JSON)、非结构化数据(电子邮件、文档、pdf)和二进制数据(图像、音频、视频)。
例如，一家制药公司聚合了历史数据库中的传感器数据、实验室信息管理系统数据、批处理数据、质量数据和其它领域的数据，以便通过数据科学和IT技术全面了解运营和业务成果。这种方法的优势可能会很可观，但是面临的挑战也很多。
数据湖是需要在细节（架构、数据需求、用例和其它细节）中定制的，它们既复杂又昂贵。举一个例子，迁移时间序列数据并不能使分析变得更容易。从最终用户数据分析的角度来看，将历史数据移至数据湖并不能解决问题。它只是改变了数据的位置。
数据湖的第二大挑战是当源数据不断从系统中流出时，需要考虑用于复制和更新数据湖的时间和基础架构。更新太慢，会浪费洞察力。更新太快，实施起来可能非常昂贵而且仍不能保证高速并发。
●优势：不同数据类型的聚合使数据科学和其它IT专家可以通过跨组织的视图获得新的视角和见解，从而改善生产和业务成果。
●缺点：数据湖项目的成本、洞察时间以及每个公司特有的挑战，可能使得整个项目要花费数年和数百万美元，这不是一项可以掉以轻心的工作。
4.云报告系统
通常有三类用户需要访问时间序列或生产数据以进行分析和洞察。首先是数据科学家，通常与数据湖和IT相关。第二类是过程工程师和工厂员工，通常使用历史数据和制造应用程序中的数据。第三类是公司内部业务分析师，他们需要对生产流程和“已知”观点进行报告。
对于第三类用户，数据可视化可以通过业务分析产品和SaaS应用程序完成的。鉴于可视化产品在时间序列数据方面面临的挑战，需要考虑如何让这些用户访问正确的数据。
答案是创建过程数据表，并将它们存储在关系数据库服务中，以方便商业智能产品进行访问。这些数据表无法实现过程工程师所需的全部灵活性，但是对于诸如总体设备效率（OEE）或生产核算报告等已知问题，它们提供了访问权限和灵活性。
●优势：使用基于云的关系数据库服务来存储数据，可回答非生产专家提出的已知或已定义问题。
●缺点：该架构基于数据结构和情境创建一个无限循环的IT请求，以实现新的或预期外的数据查询。
5.快速启动分析
SaaS应用程序模型的好处是任何在线购买产品的消费者和任何在工作场所使用在线应用程序的员工都知道的：快速访问、基于浏览器的用户体验，以及很少的部署开销（如果有的话）。该模型可用于包括MES系统在内的制造应用，并将在未来几年内获得进一步的发展。
最终用户最优先考虑的是具有更多高级功能的分析软件，以更快、更深入地洞悉制造中的数据。最终用户需要更多和新型的见解，例如预测分析以及现代工作场所应用程序中提供的那种协作和知识捕获功能。
利用机器学习加速洞察力的高级分析应用程序需求量很大。对于那些探索将基于云的创新作为第一个用例的公司，以SaaS产品的形式提供快速部署和低IT成本的功能应用可能会受到特别的关注。
●优势：最终用户可以在内部或云端部署或访问其数据的高级分析应用，而几乎不需要IT方面的工作。而且，他们无需先移动、复制或更改其记录系统（一个或多个历史数据库），即可完成这项任务。
●缺点：与所有云部署一样，带宽和安全性是成功实施的重要保证，但是软件许可的订阅模型的影响有限，因为如果它不起作用，用户就可以将其关闭。
通过云平台使工业制造商受益的5种模式表明，云不仅是其宣传的热点，也能为制造企业提供实现即时价值的机会。这些工作负载模式将随着挑战的克服和新服务的提供而不断发展和完善。
SaaS产品通常可通过多种类型的设备（包括智能手机）提供全球访问。
软件即服务（SaaS）在制造业中的应用
随着用于管理制造运营的云应用程序的数量和质量的增加，出现了一种新的软件类别：云工业软件。这些应用是“云原生”的，意味着它们是专为云设计的，而不是现有本地应用程序的云版本。
它们的共同点是可以降低成本、加快部署速度，并从本地系统未开发的数据中获得提升投资回报的机会。在典型的应用中，数据存储在云端以供全球访问。
以下是一些流行的SaaS产品在制造业中的应用示例：
制造业应用程序：42Q和Tulip。42Q是基于云的MES和计算机化维护管理系统（CMMS），通过实现生产和维护、度量标准和分析的全球可见性，保证了云计算效率和成本优势。
Tulip使企业用户可以构建制造应用程序以改善过程结果，而无需编写代码，同时仍然可以利用后端系统和数据源。
云数据存储：OSIsoft云服务（OCS）。 OCS旨在聚合和扩充运营数据，帮助最终用户将来自多个设施的多种数据类型合并存储在云端，以进行实时规划和监控，从而改善流程。
机器视觉：Spyglass视觉检测。由AI驱动的平台，通过提高检测缺陷的准确性来增强工厂车间的现有系统。Spyglass在云端部署了一种精益方法，以利用新兴AI和机器视觉技术的进步，来推动持续的质量改进。
振动分析：Petasense通过提供传感器、连接性和云解决方案堆栈，使Web和移动应用程序能够提供基于声学的见解，提高资产可靠性和预测性维护，从而使工业机械更智能。对最终用户而言，其收益是减少了停机时间，并降低了资产和生产设施的维修成本。
基于SaaS的制造应用程序的优势是低成本的试用，或概念验证阶段具有与实时运营数据的连接以及较低的IT开销。 SaaS还允许原型设计和迭代，而无需在硬件或系统上进行大量资本投资。尤其是当可能存在大量沉没成本的时候，采用SaaS制造商可以在没有限制的情况下选择实施的进度。 （作者：Michael Risse）