vlambda博客
学习文章列表

这一共识是基于无数技术趋势的融合，例如，物联网，赛博系统(CPS)，工业物联网，移动技术，人工智能，云计算，虚拟／虚拟增强现实（VR／AR），大数据分析等。我们一定要保持清醒，不要简单认为有了这些技术，未来五年就是制造业的黄金时期，道理很简单，这个新制造业文化的变革的进程是相当复杂和缓慢与艰难的，没有行业与企业与用户的融合推进，我们是无法实现这次变革的。数字化转型不仅仅意味着企业简单的数字化，而是把数字作为智能制造的核心驱动力需要利用数据去整合产业链和价值链。

自工业革命以来，为了改进运营，制造商一直以来都在有意采集并存储数据。随着时间的推移，数据在制造业分析的需求将越来越大。然在过去的250年间，利用数据的根本动因并没有改变，但有数据的复杂性增强，以及将数据转化为情报的能力将有越来越大的需求。

2012年高德纳给出德大数据定义里面，特别强调大数据是多样化信息资产，不仅关注实际数据，而最最重要的是关注大数据处理方法。数据量大还是量小本身并不是判断大数据价值的核心指标，而数据的实时性和多元性应该对大数据的定义和价值更具直接的影响。

在讨论工业大数据分析的时候，我注意到两种不同的观点：

第一种观点认为，制造业向来都有大数据。几十年来我们的企业一直在通过历史记录、MES，ERP，EAM等各种应用系统采集数据。可能在部分产业链的环节，特别在市场营销方面，大数据是一个新的热词。

第二种观点认为，从工业大数据角度，制造业是一个尚未打开的市场或是刚刚开启的市场。存在大量数据，大量不同类型的数据，但如今它们还未被应用到分析之中。

考虑到这些观点，首先我认为面对任何新的市场提法，包括名词解释，定义或分析框架，我们始终都应该保持适当的怀疑精神。我更多倾向于第二个观点。我们在制造业的确是有“大量数据”，但这并不是我们大多数人从市场上所理解的“大数据”涵义。在搞清出工业大数据分析，第一步我们应该如何定义制造业的大数据？这里我和大家通过大数据的三个特性，来经一步了解大数据的特性。

工业大数据的主要来源有两个，第一类数据来源与智能设备。普适计算有很大的空间，现代工人可以带一个普适感应器等设备来参加生产和管理。所以工业数据源是280亿左右大量设备之间的关联，这个是我们未来需要去采纳的数据源之一。

第二个数据来源于人类轨迹产生的数据，包括在现代工业制造链中，从采购，生产，物流与销售市场的内部流程以及外部互联网讯息等，都是此类大数据的战场。通过行为轨迹数据与设备数据的结合，大数据可以帮助我们实现客户的分析和挖掘，它的应用场景包括了实时核心，交易，服务，后台服务等。

数据必须要放到相应的环境中一起分析，这样才能了解数据之间的关系，可以分析出问题的根本原因（root cause）。譬如，每一款新机型在交付给航空公司之前都会接受一系列残酷的飞行测试。极端天气测试就是多项严酷的测试之一。该测试的目的是为了确保飞机的发动机、材料和控制系统能在极端天气条件下正常运行。

问题的处理关键在于找到产生问题的根源，而以知错误的消除，关键在于解决方案的可靠有效。一旦找到并确定了根本原因，同时产生了可接受的应急措施，就可把问题当成一个已知错误来处理。问题调查的过程一定需要收集所有可用，与事件相关的信息来确定并消除引起事件和问题的根本原因。数据采集与分析必须要事件／问题发生的环境数据结合。

对于数字化转型的其他方面而言，大数据不仅要关注实际数据量的多少，而最重要的是关注在大数据的处理方法在特定的场合的应用，让数据产生巨大的创新价值。如果离开了收益考虑或投资回报（ROI）的设计，一味寻求大数据既无法落地也无法为企业创造价值。

我们都明白，发动机是飞机的心脏，也是关乎航空安全，生命安全的重中之重。为了实时监控发动机的状况，现代民航大多安装了飞机发动机健康管理系统。通过传感器、信号主要由发射系统、信号接收系统、信号分析系统等方式采集到的数据，会经由飞机通讯寻址与报告系统通过甚高频或者卫星通讯传输出来，这就是为何GE的发动机监控系统每天会获取超过1PB的数据的原因。

生产执行系统（MES）与飞机发动机健康管理系统如出一辙。我们可以从工厂的生产中，实时采集到海量的流程，变量，测量结果等数据。这些数据来源的原因都是因为在制造环境中，设备或资产连接后所产生的现象。然而基于大量数据集而生成的报表，或是基础统计的分析并不足以称之为制造业的大数据分析。

所以如果制造业大数据分析不仅仅意味着数据的量，作为一个行业，我们应该如何定义制造业的大数据分析？“大数据不仅仅是大量的数据”这句话里面包含了多重涵义。

当代大数据处理技术的价值在于技术进步，同时也是因为技术进步，使大数据成为商业中有价值的核心驱动因素。作为智能制造的三驾马车之一，工业大数据分析已经被多数的制造企业所认知并接受。许多制造业企业认为自己在生产运营方面也累积了大量的数据，是时候可以用到大数据了。

的确，一个制造型企业，几十年的经营操作下来，确实纪录了不少的数据。这些纪录的数据是大数据么？对于许多制造厂商或资产密集型企业而言，工业大数据是什么，到底有什么用，以及相关的预测性分析是什么且有什么用都是一系列需要明确的问题。

大数据不仅仅是大量的数据的堆积。大数据的重要属性之一，便是，人们设法收集，并弄清楚，不断变化的数据类型。如果只是大量采集同一类型的数据的话，再大的数据量都不能称之为大数据。

在流程繁重，工艺制造要求非常严格的制造环境中，在全制造范围内，从原材料，设计，制造，销售与物流的全制造链来看，踏踏实实地收集并存储海量的流程变量或标签，一定是正确的，也是必要的。

但是，如果收集来的大量数据，如果本质上相同的数据话，那并不等于拥有大数据。例如，生产环境中收集的时间序列模拟流程变量，数据的类型是单一的，很容易建立索引，即使存在千千万万，也不足以成为大数据。

数据必须包括高度可变性和种类多样性。制造工厂中存在无数的大数据应用，但并不包括简单地分类和展示一连串的流程测量结果，这些工作基本的统计展现就可以完成。一些大数据数据库或数据湖的构成部分数据类型也是文本信息、图像数据、地理或地质信息和非结构信息，例如，通过社交媒体或其他协作平台获得的数据类型。

制造业信息结构概括起来分为两层，一个是管理层，一个是自动化层。从经营管理，生产执行与控制三个纬度来实现决策支持、管理、生产执行、过程控制以及设备的连接与传感。制造业中大数据分析是指利用通用的数据模型，将管理层与自动化层的结构性系统数据与非结构性数据结合，进而通过先进的分析工具发现新的洞见。

制造业的创新的核心就是要依托大量的前沿科技。先进的技术是创新的手段。在新技术的支持下，可以通过一体化的制造运作管理系统MOM将企业管理应用系统，例如ERP，EAM等系统与工业自动化的相关系统整合为一体。在一体化制造运作管理的基础上，我们可以实现集IT+MOM+MES+BI的一体化的制造企业信息系统解决方案。

从两化融合的角度来看，信息系统供应商要从企业的主信息系统提供商（MIV，Main Informationsystems  Vendor ）定位来做好规划、标准、功能设计、实施策略的统一性工作。协助企业做好风险控制，降低投资，降低操作维护成本，实现企业信息系统全集成。

尤其是，企业管理信息平台被普遍认为是制造企业管理的集成和仪表板工具。许多供应商既大量投资其与ERP和自动化系统的专有的集成也投资开放式集成，还投资仪表板和移动技术，希望随时随地为需要正确信息的决策者提供衡量标准。

途径一，从制造运作管理系统空间释放出来，利用开放技术与平台，将任何系统的数据移动到任何其他地方。

制造运作管理系统建设项目是系统工程，不仅仅是一套我们传统理解的软件系统，更多的是项目执行和服务的平台。这需要对项目管理与制造企业的策略“客户服务”，提现出制造企业的综合管理能力与软实力。

整个平台要从前期，工程实施以及售后服务这三个大的阶段来架构。在前期规划中，要重视标准，设计与实施，特别是与管理一体化的信息系统形成统一的对接。有了前期统一规划制定，工程实施的环节要把行业的经验、集成能力、实施能力、软件开发能力等融合。特别需要在组织上建立和形成超级团队的制度。而持续服务，长期经营，将物联网应用融入与“软件+云服务”的互联网＋战略是后服务的考虑重点。

在制造业大数据分析工作中，必须要加强通过物联网科技的应用对后续持续服务的支撑作业。通过工业物联网，实现的及时响应客户、物联网软硬件系统定期巡检、提供应急备件、提供易耗品、完善应用等功能来加强和锁定与企业的供应链企业之间的长期合作。通过管理平台与物联网数据的，可以持续为客户提供有价值的服务。

投资工厂内外系统架构堆栈中任何地方的能够处理结构性和非结构性数据的数据模型。

新技术是创新革命的核心，其中很重要一个特点就是集成，即制造运作管理系统MOM与ERP、EAM、OA、商业分析BI的集成，包括一键登录、界面集成、消息推送、工作流集成、主数据、应用集成总线与平台。

由于这些系统之间主数据全部统一，所有系统之间的数据交互依靠应用系统总线进行数据交互，整合了跨系统的业务流程、工作流、服务流程等之后即实现无缝集成和分析。对于企业管理者来说，一键登录后，可以根据不同的岗位，个性化制定并且显示与管理最相关的必要需要信息。这就是互联网所带给我们的先分享有个性的思路。

通过时间序列、图像、视频、机器学习、地理空间、预测模型、优化、模拟和统计过程控制等先进的分析工具与制造业企业内的大数据平台结合分析，从而洞见未有可能的见蒂。我想想，通过传感器、感应器，传输网络和应用软件等物联网数据，与管理应用软件结合起来，一定是今后制造业的大数据分析的一大方向。

作为一个行业，我们需要有机地发展行业特定的大数据分析工具集，这样我们才能让现在的行业专家，从足够的数据科学中实现数字化转型，反之则不然。为了形成这种态势，我们将需有一大批优秀的企业利用这种方法，并向其他人或同行证明其价值。

正如六西格玛管理技能不是由技术和咨询公司出售给该行业的，而是由领先的公司（GE）开发并向全球进行推广的。我提倡工业大数据分析应用的推动与发展也可以借鉴并采用类似的方法。

美国硅谷的Cisco （思科）作为网络设备与解决方案的巨头，仅仅在供应链环节，现在就拥有近80名数据科学家。而这些数据科学家都是通过两年的内部训练项目成长起来的。类似Cisco的做法现在越来越成为趋势，其主要的原因是因为团队已开始提供强大的投资回报（ROI）。

中国的制造业企业为了成功实践智能制造，要通过组织培养自己的数据科学团队，行业领先的企业需要扩大合作，努力做到以下四点：

1. 参与并为大数据分析专门术语建立通用的行业语言，包括：工具、方法等。

2. 为已证实的行业大数据分析工具建立工业特定框架与理论，以映射各个使用案例。

3. 为确定使用案例、预估潜在的经济效益和追踪实际的经济效益建立通用的方法。

4. 利用互联网科技，建立通用的培训和认证项目，帮助在发展和交流创造新的人力资本。

你昨天的优势，将被明天的趋势所取代。你不必做错任何事情，只要您的竞争对手抓住浪潮，做正确，您就可能失去所有和失败。

来源：精智工厂