過去的一年時間，我們聊過一些工業(yè)互聯(lián)網(wǎng)項目，之前也將幾乎物聯(lián)網(wǎng)平臺項目看了一圈，加上跟之前投的工業(yè)物聯(lián)網(wǎng)項目的討論，對工業(yè)智能有一些思考，寫下來，權(quán)當作為一個簡單的總結(jié)。

工業(yè)智能是在現(xiàn)有的工業(yè)化和信息化基礎(chǔ)之上，以「數(shù)據(jù)」為核心，將工業(yè)生產(chǎn)全生命周期中涉及的各個軟硬件層面的數(shù)據(jù)，進行融合加工處理，在此基礎(chǔ)上結(jié)合行業(yè)經(jīng)驗、knowhow等將工業(yè)知識通過算法、模型等方式進行封裝、固化，用于解決工業(yè)生產(chǎn)過程中的問題，形成最優(yōu)解決方案，提升工業(yè)能力，創(chuàng)造增量價值。

數(shù)據(jù)是工業(yè)智能的血液，離開了數(shù)據(jù)的工業(yè)智能如巧婦難為無米之炊。但工業(yè)數(shù)據(jù)的現(xiàn)狀卻也是制約工業(yè)智能發(fā)展的瓶頸。

1.工業(yè)數(shù)據(jù)從哪來？

工業(yè)數(shù)據(jù)大體可以分為三類：

一是來自于軟件的生產(chǎn)類數(shù)據(jù)，即各種MES/ERP/PLM/SCM等軟件中關(guān)于產(chǎn)品屬性、工藝、生產(chǎn)、采購、訂單、售后等數(shù)據(jù)；這些數(shù)據(jù)可以通過軟件對接及集成的方式來獲取，其數(shù)據(jù)質(zhì)量相對較高，結(jié)構(gòu)化較強，數(shù)據(jù)量不大，但具有極大的挖掘價值；

二是來自于設(shè)備的數(shù)據(jù)，包括各種生產(chǎn)設(shè)備在運轉(zhuǎn)過程中的狀態(tài)信息、制造參數(shù)、生產(chǎn)數(shù)據(jù)等，這類數(shù)據(jù)以非結(jié)構(gòu)化數(shù)據(jù)為主，如設(shè)備工況（壓力、溫度、振動、應力等）、音視頻、日志文本等數(shù)據(jù)。這類數(shù)據(jù)一般采集于設(shè)備的PLC、SCADA及外部安裝的傳感器。這類數(shù)據(jù)量大、采集頻率高（一般在毫秒級）、實時性強、非結(jié)構(gòu)化強。

三是其他數(shù)據(jù)，如能耗、用水、溫度、環(huán)保等數(shù)據(jù)。

2.工業(yè)數(shù)據(jù)的問題

即便獲得了工業(yè)數(shù)據(jù)，但這些工業(yè)數(shù)據(jù)遠未到能使用的狀態(tài)。工業(yè)數(shù)據(jù)的幾個明顯問題，使得工業(yè)數(shù)據(jù)的使用也具有較大的挑戰(zhàn)。

首先，工業(yè)數(shù)據(jù)本質(zhì)上是充滿噪音的臟數(shù)據(jù)，必須經(jīng)過大量的算法清洗，才能使用；

其次，工業(yè)數(shù)據(jù)的量太大。以高鐵行業(yè)舉例，一輛高鐵有8-12個軸箱軸承，每個軸承2-3個振動傳感器，每個軸承每秒采集的數(shù)據(jù)大約為130M，數(shù)據(jù)量巨大；

再次，數(shù)據(jù)所涉及的行業(yè)、場景各種各樣；

第四，數(shù)據(jù)跨學科導致的關(guān)系十分復雜，工業(yè)領(lǐng)域的數(shù)據(jù)可能有機械、光、電、熱、磁等各個學科領(lǐng)域。

3.工業(yè)大數(shù)據(jù)or工業(yè)小數(shù)據(jù)

盡管我們在上面說到，工業(yè)數(shù)據(jù)所涉及的數(shù)據(jù)量巨大，然而在實際的生產(chǎn)過程中，我們面臨的卻是“工業(yè)小數(shù)據(jù)”，甚至“工業(yè)無數(shù)據(jù)”的情況。

導致這種情況存在的原因是多方面的。其中，第一大原因當屬過往數(shù)據(jù)的缺失。從某種意義上來說，工業(yè)生產(chǎn)過程中，過往更多依賴于經(jīng)驗與knowhow來形成對問題的判斷和解決方案，缺乏采集數(shù)據(jù)、存儲數(shù)據(jù)的理念，使得當需要數(shù)據(jù)來訓練一個模型時，卻往往需要從頭積累。工業(yè)智能項目在實施過程中，往往由于缺乏歷史的數(shù)據(jù)，需要重新采集數(shù)據(jù)，訓練算法和模型，而使得整個工期大大延長，也使得合同雙方的成本都大大提升。

即便過往有一些數(shù)據(jù)積累，然后由于目的的不同，所采集的數(shù)據(jù)類型、方向也存在較大的差異。在過往，數(shù)據(jù)的采集可能更多是為了做監(jiān)控、控制，而在工業(yè)智能時代，數(shù)據(jù)采集的初級目的是監(jiān)控和控制，而終極目的是為了分析、優(yōu)化和建模。

從另外一個角度上來說，如果將工業(yè)智能要完成的目的拆分成一個個具體的問題或者任務(wù)，每一個工業(yè)APP或工業(yè)智能模型解決一個具體的問題，如果能厘清解決該問題的核心因素，有針對性的采集和獲取數(shù)據(jù)，也許“工業(yè)小數(shù)據(jù)”也能達到良好的效果。

也就是說，如果籠統(tǒng)的看工業(yè)大數(shù)據(jù)，你會對各種類型、來源、存在形式的數(shù)據(jù)感覺到亂如大海，但細化到具體問題、具體場景來看，也許數(shù)據(jù)的問題便變得不那么困難。

4.如何快速低成本地獲得高質(zhì)量的工業(yè)數(shù)據(jù)

既然工業(yè)數(shù)據(jù)存在這么多問題，那么如何獲得高質(zhì)量的工業(yè)數(shù)據(jù)就變成一件十分重要的事情。

高質(zhì)量的工業(yè)數(shù)據(jù)獲取，離不開一套自上而下的完整的數(shù)據(jù)獲取體系的建立。這套體系包含標準定義、有效的數(shù)據(jù)庫、強大的PaaS支持，高效的數(shù)據(jù)整合、完整的協(xié)議解析以及低成本的采集終端五個方面。

低成本的采集終端：應用于各種場景及設(shè)備的低成本傳感器；

完整的協(xié)議解析：數(shù)十種工業(yè)協(xié)議的打通是一件費時費力的苦活累活，雖然不難，卻又苦又累、不得不做；

強大的PaaS支持：PaaS平臺負責數(shù)據(jù)的管理、調(diào)用、資源管理、分析展示和安全管理等；

高效的數(shù)據(jù)庫：工業(yè)數(shù)據(jù)涉及設(shè)備工況及傳感器數(shù)據(jù)，這類數(shù)據(jù)頻率高、量大，用傳統(tǒng)關(guān)系型數(shù)據(jù)庫處理，吞吐量大，處理速度慢、性能差。時序數(shù)據(jù)庫的高壓縮、高性能特點能有效解決上述問題；

完整的標準定義及數(shù)據(jù)整合：統(tǒng)一的主數(shù)據(jù)管理，建立數(shù)據(jù)標準，制定統(tǒng)一的編碼、結(jié)構(gòu)、流轉(zhuǎn)方式和屬性，確保數(shù)據(jù)的一致性；逐步積累行業(yè)知識庫、合適的算法組建及相關(guān)機理模型。

5. 工業(yè)數(shù)據(jù)智能的層次：從數(shù)據(jù)展示到數(shù)據(jù)智能

我們認為，在實踐過程中，工業(yè)數(shù)據(jù)智能至少分為兩個層次：一是數(shù)據(jù)可視化，二是數(shù)據(jù)智能。

初級層次：數(shù)據(jù)可視化。即將所獲得的各種數(shù)據(jù)以各種報表及圖形形式進行統(tǒng)計和展示，而由人通過過往的經(jīng)驗與知識來進行判斷、決策和優(yōu)化。

高級層次：數(shù)據(jù)智能。即在數(shù)據(jù)統(tǒng)計分析的基礎(chǔ)上，結(jié)合行業(yè)經(jīng)驗、知識、機理形成自動化的決策和優(yōu)化能力。

任何一個做智能化轉(zhuǎn)型的行業(yè)，采用數(shù)據(jù)驅(qū)動的方式，最終目的都是要將人的決策過程自動化。也就是說，我們所理解的數(shù)據(jù)驅(qū)動的工業(yè)智能，是要將以前要靠人去將不同系統(tǒng)里的數(shù)據(jù)進行整合信息、內(nèi)化成知識、最后形成決策的過程，完全變成自動化的過程。

顯而易見，高級層次的數(shù)據(jù)智能是工業(yè)智能所追求的真正的目標，而數(shù)據(jù)可視化只是工業(yè)智能的一個過程。

然而，現(xiàn)實中，存在大量公司美其名曰工業(yè)智能、工業(yè)互聯(lián)網(wǎng)，其主要的作用和價值還是在于數(shù)據(jù)分析和可視化上，遠沒有到數(shù)據(jù)智能階段。

而之所以還停留在數(shù)據(jù)可視化，不得不說，相當一部分企業(yè)，尤其是國企、政府部門的所謂工業(yè)云、工業(yè)智能項目的主要目的是為了向領(lǐng)導匯報，而不是真正的用于生產(chǎn)實踐。

當然，我們并不是說數(shù)據(jù)可視化不重要，恰恰相反的是，數(shù)據(jù)可視化是數(shù)據(jù)智能的必經(jīng)階段。

6. 數(shù)據(jù)模型化的四象限

如上文所述，數(shù)據(jù)智能的終極目標是實現(xiàn)以數(shù)據(jù)驅(qū)動的決策自動化。工業(yè)智能建模，是實現(xiàn)決策自動化的方式。但并不是所有的場景和問題都適合通過建模來解決。基于數(shù)量的質(zhì)量情況以及建模對象的機理性，形成了四象限。

數(shù)據(jù)少，機理性弱（或?qū)ο罄斫獠粔蛏顣r）：更多依賴于經(jīng)驗進行人為的判斷，難以通過建模老實現(xiàn)智能化；

數(shù)據(jù)少，機理性強：可以基于機理來做分析，基于規(guī)則建立模型來做到診斷和預警，例如典型旋轉(zhuǎn)類設(shè)備的智能診斷和預測性維護；

機理性弱，數(shù)據(jù)多：前期以經(jīng)驗為主，訓練模型，發(fā)揮數(shù)據(jù)驅(qū)動的模型優(yōu)勢，提升對機理認知；

數(shù)據(jù)多，機理性強：適合做機理跟數(shù)據(jù)融合的模型，模型的可解釋性更強，準確性高，對于外部環(huán)境的變化也更加不敏感。數(shù)據(jù)模型可以基于數(shù)據(jù)做自動決策和分析。

通過上述分析，我們可以看到，在未來數(shù)據(jù)智能模型與人的經(jīng)驗將有所側(cè)重、有所分工，專家經(jīng)驗在那些數(shù)據(jù)量小、機理性弱的場景依然存在巨大的價值；而數(shù)據(jù)智能模型則適用于那些數(shù)量大、機理性強的場景。

7.基于數(shù)據(jù)智能，我們可以做哪些應用？

舉例1：設(shè)備的預測性維護

比如風力發(fā)電機的運轉(zhuǎn)動作相對單一，機理性較強，數(shù)據(jù)的獲取相對較容易。可以基于數(shù)據(jù)模型來分析風力發(fā)電機的運轉(zhuǎn)健康狀態(tài)，如是否有裂縫、損耗等。

舉例2：優(yōu)化能效

流程工業(yè)相對自動化程度高，數(shù)據(jù)質(zhì)量高，對于工藝環(huán)節(jié)的每一個優(yōu)化，都有助于提升效率、降低成本和能耗，比如在煉鋼過程中，通過數(shù)據(jù)的采集與分析，可以設(shè)定在不同階段的溫度，從而控制好進煤量、空氣輸入量等，從而能有效提高能效。

舉例3：計劃排產(chǎn)

C2M是未來工業(yè)生產(chǎn)的重要目標。從工廠計劃排產(chǎn)的角度來看，目標是實現(xiàn)當時當?shù)氐漠a(chǎn)能最優(yōu)，約束條件是企業(yè)的產(chǎn)線設(shè)備、人員、產(chǎn)品屬性、供應鏈數(shù)據(jù)等，通過歷史數(shù)據(jù)的學習和訓練，不難形成一個較好的預測模型。這一模型能根據(jù)產(chǎn)線和工廠的實時數(shù)據(jù)動態(tài)分析，動態(tài)調(diào)整，以幫助企業(yè)實現(xiàn)準確把控，最大化經(jīng)濟效益。