工业软件为什么这么难做,工业控制软件( 三 ) _工业软件为什么难

软件工程，是为了应对大型软件编码可靠性和质量管理问题的一门学科，而应时而生。它是支持协同开发、保障软件生命力的重要因素。软件工程是驱动软件全生命周期工程活动的基础学科。软件工程重点是算法分析、计算机安全、软件质量控制、软件测试与维护。这其中也涉及到系统架构设计、面向对象程序设计、数据库，计算机图形学与可视化、操作系统、编译原理、数据结构、HPC/GPU 并行计算等各种学科。
除了用户打交道最多的软件界面之外，工业软件需要涉及一个良好的软件架构和过程管理、统一数据标准、接口标准、方便几何建模引擎、约束求解器、前后处理、CAE求解器等优势资源集成。加速软件更新迭代，软件自动化验证，工程经验的积累，软件跨平台(集群,超算)部署，多种服务模式支持，二次开发脚本支持等，以至于后续大规模仿真数据的挖掘、分析等。
工业软件模型之间的兼容性问题，目前主要是通过遵循STEP标准解决的。在美国和欧洲，都有推动STEP标准开发及应用的非盈利组织，特别是近期包括波音、空客、GE、洛克希德-马丁等航空巨头推进的LOTAR（长期归档和检索）项目也是以STEP作为基础。各种CAD、CAE、EDA格式之间相互转换造成的信息丢失和精度丢失每年都会造成高达数十亿美元的损失，而如何有效复用这些模型数据也长期困扰着各个行业，特别是不少国内厂商在设计模型过程中没有遵循严格的标准， “制造”了不少问题数据，这些模型数据传递到下游行业也造成了很多问题，有些模型甚至基本不可复用。
工程知识是最后的淬火
如何将工业技术与知识写进软件，是业界最关注的议题。
麦克斯韦Maxwell能解决电和光的物理方程描述，但却解决不了一家电气制造商的设计制造问题。基础技术很重要，但不能解决工程问题。工业软件经过工程知识的淬火，才能与工业应用场景结合。
工业软件可以分为“基-通-专”的层次。第一层是类似CATIA、UG这样的基础通用平台。基础通用平台是最难的，它裹挟了多年的知识沉淀和用户使用习惯，因此门槛很高。在此之上，第二层是行业相对通用的知识，包括行业设计标准规范、试验测试数据、人机工程学等；而再上面一层是针对特定产品的专用知识，由于面非常窄，个性化非常明显，则往往更加小众，知识密度更大。
工程界的建模与分析问题，混合了很多不同维度的问题，既有基础学科的交叉如数学、如物理；又有不同的工程经验的混合。

文章插图
图3：建模（鸣谢达索系统吴敏提供此图）
因此工业界，其实基本不需要听阿里系、腾讯系所谈到的“建模” 。他们会谈到建模，但在那里，那是一种社会科学、软科学，事关消费、交易，是商业而不是工业，完全无法解决工厂里的物理世界。他们用了同样的名词，却在做着不同的事情。
一个简单的示例可以区分两者的核心区别，互联网公司的用户画像建模，它们的这种模型，用大数据抽取年龄、收入、地域、阶层、职业、学历等等，然后关联到购物交易嗜好行为。而工业界一谈到用户画像建模，其实是完全不同的概念。首先它是一个计算机完全描述的对象模型，其多态使用场景随后也精确表征，而这种用户画像模型，如果用在设计阶段，就是人机工程分析、使用行为分析；如果用在生产现场，就是一个资源，有其资质、劳动能力等级、关键设备持证，安全区域等级等等所描述；如果是一个终端用户，则不同大陆百分位身高、驾驶习惯、驾驶舒适感包络、地域色泽嗜好等等是这种模型的特质，因为这样的三维模型可以直接载入虚拟产品中进行各种场景的模拟优化和体验，而与偏向购物交易促销的互联网用户画像模型相差十万八千里。