1. 课程导入与ThingWorx平台定位

在工业物联网（IIoT）项目中，设备接入只是起点，真正决定项目能否长期产生价值的，是数据被如何组织、如何被理解、以及如何被转化为可复用的业务指标。ThingWorx 作为 PTC 推出的工业物联网平台，其核心定位并不是"连接设备"，而是把来自 PLC、传感器、网关、MES、ERP 的异构数据，通过统一的建模机制整理成可被业务系统、分析模型和可视化界面共同使用的数字资产。本课程围绕"数据建模"与"指标体系开发"两条主线展开，帮助你把零散的设备数据变成可治理、可计算、可复用的工业数据资产。

一、ThingWorx 在工业物联网中的核心能力

理解 ThingWorx 的定位，可以从它提供的四类核心能力入手：连接与集成、数据建模、服务编排、可视化与交付。这四类能力并不是并列的功能清单，而是一条从"数据进入平台"到"数据产生业务价值"的链路。

连接与集成层负责把现场设备、工业协议（如 OPC UA、Modbus、MQTT）以及企业系统接入平台。ThingWorx 通过 ThingWorx Industrial Connectivity（基于 Kepware）以及 Edge 组件完成协议转换与数据采集，把现场信号统一为平台可识别的属性值。这一层解决的是"数据能不能进来"的问题。

数据建模层是 ThingWorx 区别于普通 IoT 平台的关键。平台提供 Thing、Thing Template、Thing Shape、Data Shape、Thing Group 等建模原语，允许你把"一台注塑机""一条产线""一个车间"抽象为可继承、可组合、可批量实例化的对象模型。这一层解决的是"数据以什么结构存在"的问题。

服务编排层通过 Service（JavaScript 或 Java 实现的服务）、Subscription（事件订阅）、Scheduler（定时任务）把模型中的属性、事件、服务串联成业务逻辑。例如当某台设备的温度属性超过阈值时触发告警服务，或每小时汇总一次产量数据。这一层解决的是"数据如何被加工"的问题。

可视化与交付层通过 Mashup（可视化页面）、ThingWorx Flow（集成编排）、以及对外 REST API，把模型和指标交付给操作员、工程师或上层系统。这一层解决的是"数据如何被使用"的问题。

二、ThingWorx 在数据建模与指标体系中的角色

很多初学者会把 ThingWorx 当成"另一个 SCADA 或组态软件"，这是定位上的偏差。SCADA 的核心是实时监控与画面组态，而 ThingWorx 的核心是把物理资产抽象为可编程的对象模型。在 ThingWorx 中，一台设备不是一个画面上的图标，而是一个 Thing 实例；它的温度、转速、产量不是画面上的标签，而是这个 Thing 的属性（Property）；它的启停、复位、参数下发不是按钮脚本，而是这个 Thing 的服务（Service）。

这种建模方式带来的直接好处是：当你需要管理 200 台同型号设备时，不需要复制 200 套逻辑，而是定义一个 Thing Template，让 200 个 Thing 实例继承它。当模板中的服务逻辑更新时，所有实例同步生效。这正是指标体系能够规模化落地的前提——指标定义一次，全厂复用。

指标体系开发则建立在建模之上。一个完整的工业指标通常包含四个要素：指标名称与口径（如"设备综合效率 OEE"）、计算逻辑（可用率 × 性能率 × 合格率）、数据来源（来自哪些 Thing 的哪些属性）、刷新与存储策略（实时计算还是定时汇总）。在 ThingWorx 中，这些要素分别对应 Data Shape 的字段定义、Service 的计算实现、Thing 之间的引用关系、以及 Scheduler 或 Stream 的配置。

三、整体学习路径与实战目标

本课程的学习路径遵循"先建模、再算指标、后交付"的顺序，共 30 章，可划分为四个阶段。

第一阶段：平台认知与建模基础。理解 ThingWorx 的架构定位，掌握 Thing、Thing Template、Thing Shape、Data Shape 等核心建模原语，能够把一台真实设备抽象为规范的 Thing 模型。这一阶段的关键产出是一个可运行的设备 Thing，包含完整的属性、服务和事件定义。

第二阶段：数据接入与模型扩展。学习如何通过 Industrial Connectivity 和 Edge 把现场数据绑定到模型属性，如何处理数据质量、时间戳、单位换算等工程细节，以及如何用 Thing Group 和模型继承管理批量设备。

第三阶段：指标体系开发。这是课程的核心。从最基础的原始指标（如累计产量、运行时长）开始，逐步构建派生指标（如稼动率、良品率）、复合指标（如 OEE、MTBF、MTTR），并掌握指标的口径定义、计算服务编写、异常值处理和汇总策略。

第四阶段：可视化与工程化交付。把模型和指标通过 Mashup 呈现为可用的监控看板，通过 REST API 对外提供指标查询，并讨论模型版本管理、指标变更影响分析等工程化问题。

实战目标可以概括为一句话：给定一条真实的产线场景，你能够独立完成从设备建模、数据接入、指标定义到看板交付的完整链路，并且这套模型在设备数量翻倍时仍然可维护。

四、一个贯穿课程的示例场景

为了让抽象概念有具体落点，本课程将围绕一个示例场景展开：某注塑车间有 8 台同型号注塑机，需要监控每台设备的运行状态、统计班次产量、计算 OEE，并在车间看板上展示。这个场景规模适中，既包含单设备建模，也包含批量管理和指标计算，适合作为贯穿案例。

在后续章节中，我们会把其中一台注塑机建模为 InjectionMoldingMachine Thing，定义 temperature、cycleCount、runStatus、goodCount 等属性，编写 CalculateOEE 服务，并最终在 Mashup 上呈现 8 台设备的对比看板。所有参数和数值均为教学示例，实际项目中需要根据设备手册和现场标定确定。