本文简述《垂直行业工业互联网实施架构白皮书(讨论稿)》（以下简称垂直行业白皮书）之轻工家电行业工业互联网实施架构，并对其中的设备健康管理部分结合实践做进一步探讨。为提高可读性，增加部分实景插图。
全系列包括轻工家电行业工业互联网、工程机械行业工业互联网、电子信息行业工业互联网、钢铁行业工业互联网、高端装备行业工业互联网。
轻工家电行业是中国民族企业的骄傲，是中国市场上少数几个有定价权的行业。整个家电行业运行特点体现在以下 5 方面：一是产业结构迅速升级。二是研制投入加快，企业自主创新能力大幅提高。三是运营模式不断创新，线上渠道快速增长。四是制造技术加速升级。五是家电智能化趋势明显。
智能家电通过软件技术完成整合、协调，各种智能产品互联互通不孤立； 并依托云计算和大数据集成智能产品，实现人和产品之间、产品和产品之间的交互，最终构建一体化的智慧家庭；同时紧紧粘合消费者的细节需求、情感需求、关爱需求等等，从而提供可以无限延伸的、个性化的服务。家电行业对工业互联网有着产品智能化需求、广泛联结的需求、大数据挖掘应用的需求和用户参与全流程交互和体验的需求。
实施架构
家电行业工业互联网总体功能架构分三层。
1、边缘层包含工厂内部实现智能制造的各类现场设备、零部件以及在制品，各类工业控制系统如 PLC、 SCADA 等，具备边缘计算的内部网关，工厂外部具备物联功能的智能产品、用户和第三方合作企业，它们分别通过不同的数据传输协议将数据上传至平台层。
2、平台层包括 PaaS、 SaaS 和 IaaS 的部署。 PaaS 是面向开发者的服务，提供计算资源、运行依赖环境、开发体系、部署工具、监控与告警等能力，帮助开发者更快更好的（地）开发和运维软件服务，它在实施中至少包括四个部分，包括开发平台、标准接口、标准模型和定制服务。
3、应用层 SaaS 根据轻工家电的特点和需求部署大规模定制类、资产管理运营 类、产品增值类和体验迭代类四类应用。其中，大规模定制类聚焦在提高轻工家电工厂内生产效率的提升、生产成本的降低；资产管理类应用的实施根据需求利用资产生命周期的数据进行数据挖掘，并将算法和模型封装部署；产品增值类应用的实施通过产品的物联进而挖掘新的功能或增加用户新的体验；体验迭代旨在吸引用户参与产品生命周期的各个环节并产生持久性的交互。
细分应用场景一：用户交互体验
用户交互体验是产品在送装至终端用户手中后的使用过程中通过与用户进行频繁的交互，持续的了解用户个性化信息。产品体验增值场景的边缘层需要把产品自身数据和与用户交互产生的数据通过数据采集装置采集并存储，云平台根据需要部署大数据架构，数据根据应用场景的需求应用不同的算法和模型进行计算分析，结果通过 APIs 或直接通过应用层 APP展示。
细分应用场景二：异常的及时响应和知识库
轻工家电行业为了保障生产端的增值工作时间，所有的制造运营都是以生产线的高效持续运行为目标。异常的情况都能够被及时响应，并且响应过程和处理过程能够被结构化的记录，形成知识库，知识库可以为下一次发生同类异常现象提供快速解决方案。
细化应用场景三：互联工厂
自动化只解决了高效问题，可以使大规模制造变得速度更快，但现在要的不光是高效率，要的是高精度。实现用户定单直达工厂、设备及生产管理人员，实现用户深度参与制造过程，实现用户与工厂的零距离。智能制造的全过程可通过微信、网络进行线上交互、质量全过程的数据透明，同时基于现场 RFID、传感器等，实现了用户定单实时可视，随时随地可知产品的状态，由谁、哪台设备、什么时间、质量测试结果都能实时明确。
轻工家电行业工业互联网之设备健康管理
轻工家电行业为了保障生产端的增值工作时间，所有的制造运营都是以生产线的高效持续运行为目标。与电子信息行业类似，自动化流水线制造模式实现大批量、标准化、持续不断的生产，需要依赖于大量生产装备进行，其对设备运行状态、维护状态、保养情况等，都需要进行严格的管理和监控；一旦因设备管理不善导致生产停机、贵重设备提前报废、产品质量隐患或安全事故对企业造成的损失往往是巨大和难以承受的，为使这些设备保持健康运行状态，帮助企业降低生产制造成本和提高产品质量，实现企业的可持续和健康发展，就需要对设备进行健康诊断和管理。
数控机床刀具磨损预测分析始终是智能加工的难点技术，主要在实际加工场景与理论计算的偏差，尤其是涉及到随时间维度变化的多维历史数据的规律挖掘分析。基于加工历史及其工艺参数的刀具磨损预测分析技术方案如图所示
基于加工历史及其工艺参数的刀具磨损预测分析技术思路主要体现为如下几个方面：
1、加工历史数据的统计：结合复杂舱段加工的典型特点，采集其历史加工数据，包括历史加工舱段任务、舱段材料、加工特征、加工时间、工艺参数（转速、切深、进给等）、磨损情况（磨损或换刀）等，作为后续分析的基础数据；
2、试验分析：设计特定加工工艺参数要求下的切削加工试验，获得典型加工条件下的刀具磨损试验数据；
3、统计分析：结合加工历史数据以及切削试验分析，建立刀具磨损状态与加工工艺参数之间的对应关系曲线，获取趋势性变化规律；
4、建模推导：利用神经网络等数据模式与实际结果的模糊对应关系，将统计分析获得曲线和趋势变化转化为模式识别经验公式，建立刀具磨损预测分析模型，为后续基于实际加工进行刀具磨损判断或换刀决策提供支持。
5、在故障模型与动作处理窗口设定自定义模型与输出的特征值，在输出窗口设定上传的网络地址与类型（Modbus/TCP或MQTT），云端组态软件即可直接接收到MCM上传的故障信息，进行远程管理。
