数字化模型的核心
所谓的“数字化模型”是将大量工业技术原理、行业知识、基础工艺、模型工具等规则化、软件化、模块化，并封装为可重复使用的组件。具体包括通用类业务功能组件、工具类业务功能组件、面向工业场景类业务功能组件。
数字化模型的来源
数字化模型既然在工业PaaS平台中如此重要，那么这些数字化模型从哪里来的呢？一部分来源于物理设备，包括制造过程的零件模板，设备故障诊断、性能优化和远程运维等背后的原理、知识、经验及方法；一部分来源于业务流程逻辑，包括ERP、MES、SCM、CRM、生产效能优化等这些业务系统中蕴含着的流程逻辑框架；此外还来源于研发工具，包括CAD、CAE、MBD等设计、仿真工具中的三维数字化模型、仿真环境模型等；以及生产工艺中的工艺配方、工艺流程、工艺参数等模型。
数字化模型分类
数字化模型一种是机理模型，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。其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。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。机理包括基础理论模型（如制造过程涉及到的流体力学、热力学、空气动力学方程等模型）；流程逻辑模型（如ERP、SCM供应链管理等业务流程中蕴含的逻辑关系）、部件模型（如零部件三维模型）、工艺模型（如生产过程中涉及到的多种工艺、配方、参数模型）、故障模型（如设备故障关联、故障诊断模型等）、仿真模型（如风洞、温度场模型等）。机理模型本质上是各种经验知识和方法的固化，它更多是从业务逻辑原理出发，强调的是因果关系。
随着大数据技术发展，一些大数据分析模型也被广泛使用，包括基本的数据分析模型（如对数据做回归、聚类、分类、降维等基本处理的算法模型）、机器学习模型（如利用神经网络等模型对数据进行进一步辨识、预测等）以及智能控制结构模型，大数据分析模型更多的是从数据本身出发，不过分考虑机理原理，更加强调相关关系。
数字化模型开发工具
所有的这些技术、知识、经验、方法、工艺都将通过不同的编程语言、编程方式固化形成一个个数字化模型。建模工具如：Python数据抓取、MYSQL数据整理统计、EXCLE图表制作、SPSS.R数据建模可视化等等，这些模型一部分是由具备一定开发能力的编程人员，通过代码化、参数化的编程方式直接将数字化模型以源代码的形式表示出来，但对模型背后所蕴含的知识、经验了解相对较少；另一部分是由具有深厚工业知识沉淀但不具备直接编程能力的行业专家，将长期积累的知识、经验、方法通过“拖拉拽”等形象、低门槛的图形化编程方式，简易、便捷、高效的固化成一个个数字化模型。
微信二维码