📚 课程目录第4章 MOM系统架构与关键技术

4. MOM系统架构与关键技术

MOM（制造运营管理）平台要同时支撑计划排产、生产执行、质量追溯、设备运维、仓储物流等多类业务，其系统架构不能停留在“单体+数据库”的传统模式。现代MOM普遍采用分层架构 + 微服务 + 云原生 + 边缘计算的组合形态，并通过物联网、大数据与AI形成从现场信号到运营决策的闭环。理解这套架构，是后续进行模块设计、接口开发和性能调优的基础。

4.1 分层架构：从设备到决策的五层视图

MOM的分层架构通常划分为设备层、边缘层、平台层、应用层与决策层。设备层由PLC、CNC、机器人、传感器、扫码枪等构成，负责产生原始信号；边缘层完成协议解析、数据清洗、实时报警和断网缓存；平台层提供微服务框架、消息总线、数据存储、身份认证与API网关；应用层承载工单、排产、质量、设备、仓储等业务微服务；决策层则通过BI、APS优化、AI模型输出运营洞察。

分层的核心价值在于关注点分离：设备协议变化不影响业务逻辑，业务规则调整不波及数据采集。层与层之间通过标准接口通信，上层不直接访问下层数据库，避免形成难以维护的“烟囱式”耦合。

4.2 微服务与云原生：让MOM可扩展、可弹性

微服务将MOM按业务能力拆分为独立部署的服务单元，例如工单服务、排产服务、质量服务、设备服务。每个服务拥有独立数据库与生命周期，通过REST或消息队列通信。云原生则进一步提供容器化、服务网格、声明式配置和自动扩缩容能力，使MOM在订单高峰或设备接入激增时能够快速扩容。

典型部署参数如下：

# 微服务容器化部署示例（Kubernetes）
apiVersion: apps/v1
kind: Deployment
metadata:
  name: mom-workorder-service
spec:
  replicas: 3
  selector:
    matchLabels:
      app: workorder
  template:
    metadata:
      labels:
        app: workorder
    spec:
      containers:
      - name: workorder
        image: registry.mom.local/workorder:2.4.1
        ports:
        - containerPort: 8080
        env:
        - name: DB_HOST
          value: "mysql-cluster.mom.svc"
        - name: MQ_ADDR
          value: "kafka.mom.svc:9092"
        resources:
          requests:
            cpu: "500m"
            memory: "1Gi"
          limits:
            cpu: "2"
            memory: "4Gi"

云原生带来的关键收益包括：滚动升级不中断生产、故障实例自动重建、按CPU/内存指标弹性伸缩、灰度发布降低上线风险。但也要注意，微服务并非越细越好，拆分粒度过细会导致分布式事务复杂、链路追踪困难。

4.3 物联网与边缘计算：打通现场最后一米

物联网负责将设备信号标准化接入。常见协议包括OPC UA、Modbus TCP、MQTT、Profinet等。边缘计算则在靠近设备侧完成实时性要求高的任务，例如毫秒级安全联锁、振动异常初判、断网期间本地缓存。边缘节点通常部署在车间机柜或产线旁，通过MQTT将聚合后的数据上传至平台层。

边缘计算的核心判断原则：实时控制留在边缘，统计分析上云。若把毫秒级报警全部送到云端处理，网络抖动会直接导致停机风险。

4.4 大数据与AI在MOM中的应用

MOM运行过程中产生工单、工艺参数、设备状态、质量检测、能耗等多源数据。大数据平台通过Kafka采集、Flink流处理、时序数据库存储，形成统一的数据底座。AI则在此基础上落地典型场景：

质量预测：基于历史工艺参数与检测结果训练分类模型，在加工过程中提前预警不良风险。
设备预测性维护：利用振动、温度、电流时序数据识别劣化趋势，减少非计划停机。
智能排产：结合订单交期、设备产能、换型时间，用启发式或强化学习优化排产方案。
视觉质检：在边缘侧部署轻量模型，对产品外观进行实时缺陷识别。

技术	在MOM中的定位	典型落地场景	关键指标
微服务	业务能力解耦与独立部署	工单、质量、设备服务独立迭代	服务可用性 ≥ 99.9%
云原生	弹性伸缩与自动化运维	高峰期自动扩容、灰度发布	扩容响应 < 2 分钟
边缘计算	低时延处理与断网自治	实时报警、边缘视觉质检	端到端时延 < 50 ms
物联网	设备数据标准化接入	OPC UA/MQTT 采集设备状态	数据采集完整率 ≥ 99%
大数据+AI	数据驱动决策与预测	质量预测、预测性维护	预测准确率 ≥ 85%

4.5 案例与常见误区

某汽车零部件工厂在MOM升级中，将原有单体系统拆分为12个微服务，边缘侧部署OPC UA网关采集200余台设备，云端用Flink做实时OEE计算，并用XGBoost模型预测压铸机故障。上线后设备非计划停机下降约18%，排产周期从4小时缩短到40分钟。

常见误区：一是“为了微服务而微服务”，把简单查询也拆成独立服务，导致调用链过长；二是边缘节点只做转发不做缓存，一旦网络中断数据全部丢失；三是AI模型直接上线而不做数据漂移监控，几个月后准确率大幅下降。正确做法是：先梳理业务边界再拆分服务，边缘必须具备本地存储与续传能力，AI模型需配套监控与再训练机制。

总体来看，MOM的架构与关键技术不是孤立堆叠，而是围绕“现场实时性、业务灵活性、决策智能性”三个目标协同设计。分层架构提供清晰边界，微服务与云原生提供弹性与可维护性，边缘计算与物联网保障现场连接，大数据与AI则把数据转化为可执行的运营决策。