深刻解析工业大数据：创新应用的挑战不断

 

　　深刻解析工业大数据：创新应用的挑战不断

 

　　我们正处于大数据和数字化转型的时代，数据无处不在，运用数据驱动的思想和策略在实践中逐渐成为共识。制造企业在利用大数据技术后，其生产成本能够降低10%—15%，大数据对于工业企业的重要性不言而喻。不同层面的制造企业在发展过程中，应该采取相应的大数据策略，才能离“工业4.0”、“工业互联网”和“中国制造2025”更近一步。

 

　　数从何处来?工业大数据溯源

 

　　工业大数据从哪里来?来源于产品生命周期的各个环节，包括市场、设计、制造、服务、再利用各个环节，每个环节都会有大数据。“全”生命周期汇合起来的数据更大。当然，企业外、产业链外的“跨界”数据也是工业大数据“不可忽视”的重要来源。

 

　　工业大数据的主要来源有三类：

 

　　第一类是生产经营相关业务数据 。主要来自传统企业信息化范围，被收集存储在企业信息系统内部，包括传统工业设计和制造类软件、企业资源计划(ERP)、产品生命周期管理(PLM)、供应链管理(SCM)、客户关系管理(CRM)和环境管理系统(EMS)等。通过这些企业信息系统已累计大量的产品研发数据、生产性数据、经营性数据、客户信息数据、物流供应数据及环境数据。

 

　　第二类是设备物联数据 。主要指工业生产设备和目标产品在物联网运行模式下，实时产生收集的涵盖操作和运行情况、工况状态、环境参数等体现设备和产品运行状态的数据。此类数据是工业大数据新的、增长最快的来源。狭义的工业大数据即指该类数据，即工业设备和产品快速产生的并且存在时间序列差异的大量数据。

 

　　第三类是外部数据 。指与工业企业生产活动和产品相关的企业外部互联网来源数据，例如，评价企业环境绩效的环境法规、预测产品市场的宏观社会经济数据等。

 

　　工业大数据与互联网大数据的差异

 

　　工业大数据具有一般大数据的特征(海量性、多样性等)，此基础上具有 价值性 、 实时性 、 准确性 、 闭环性 四个典型的特征。工业大数据与互联网大数据最大的区别在于工业大数据有非常强的目的性，而互联网大数据更多的是一种关联的挖掘，是更加发散的一种分析。除此之外，两者在数据的特征和面临的问题方面也有不同。有别于互联网大数据，工业大数据的分析技术核心要解决 "3B" 问题：

 

　　1、Below Surface —— 隐匿性，即需要洞悉背后的意义

 

　　工业环境中的大数据与互联网大数据相比，最重要的不同在于对数据特征的提取上面，工业大数据注重特征背后的物理意义以及特征之间关联性的机理逻辑，而互联网大数据则倾向于仅仅依赖统计学工具挖掘属性之间的相关性。

 

　　2、Broken —— 碎片化，即需要避免断续、注重时效性

 

　　相对于互联网大数据的量，工业大数据更注重数据的全，即面向应用要求具有尽可能全面的使用样本，以覆盖工业过程中的各类变化条件、保障从数据中能够提取以反映对象真实状态的信息全面性。因此，工业大数据一方面需要在后端的分析方法上克服数据碎片化带来的困难，利用特征提取等手段将这些数据转化为有用的信息，另一方面，更是需要从数据获取的前端设计中以价值需求为导向制定数据标准，进而在数据与信息流通的平台中构建统一的数据环境。

 

　　3、Bad Quality —— 低质性，即需要提高数据质量、满足低容错性

 

　　数据碎片化缺陷来源的另一方面也显示出对于数据质量的担忧，即数据的数量并无法保障数据的质量，这就可能导致数据的低可用率，因为低质量的数据可能直接影响到分析过程而导致结果无法利用，但互联网大数据则不同，其可以只针对数据本身做挖掘、关联而不考虑数据本身的意义，即挖掘到什么结果就是什么结果，最典型的就是经过超市购物习惯的数据挖掘后啤酒货架就可以摆放在尿不湿货架的对面，而不用考虑他们之间有什么机理性的逻辑关系 ;换句话说，相比于互联网大数据通常并不要求有多么精准的结果推送，工业大数据对预测和分析结果的容错率远远比互联网大数据低的多。互联网大数据在进行预测和决策时，仅仅考虑的是两个属性之间的关联是否具有统计显着性，其中的噪声和个体之间的差异在样本量足够大时都可以被忽略，这样给出的预测结果的准确性就会大打折扣。比如当我觉得有 70% 的显着性应该给某个用户推荐 A 类电影，即使用户并非真正喜欢这类电影也不会造成太严重的后果。但是在工业环境中，如果仅仅通过统计的显着性给出分析结果，哪怕仅仅一次的失误都可能造成严重的后果。

 

　　工业大数据面临的挑战

 

　　第一是数据搜集，要对来自网络包括物联网和机构信息系统的数据附上时空标签，去伪存真，尽可能收集异源甚至是异构的数据，还可与历史数据对照，多角度检验数据的全面性和可信性。

 

　　第二是数据存储，要达到低成本、低能耗、高可靠性目标，要用到冗余配置，分布和云计算技术，存储时对数据进行分类，并加入便于检索的标签。

 

　　三是数据处理，利用上下文关联进行语义分析，现在关于上下文这种关联，也是一个国际上比较热门的一个领域。

 

　　第四是可视化呈现，目前计算机智能化有了很大的进步和发展，但是谈不到深层次数据挖掘，现有数据挖掘算法在行业中难以应用，就是我们谈到的智能之路进步很大，但还很遥远。

 

　　应用工业大数据的考虑因素

 

　　在我国大数据采集技术和处理技术不断优化的今天，相关的大数据处理技术结合了物联网的实时采集能力已经在我国更多领域之中展现了非凡的科技效果，特别是在我国工业领域之中专业的工业大数据处理技术为我国现代化工厂的建设带来了更好的技术保障，而工业企业想要实现转型更好的应用工业大数据则必须综合考虑如下因素：

 

　　1、注意大数据计划的完善程度

 

　　众所周知大数据处理技术结合了众多的技术类型和设计层面，因此企业想要利用强大的工业大数据来实现转型和变革，则必须要建立完善的分析基础和应用环境，消费者在选用工业大数据之前必须要考虑企业实施的基础环境是否适宜，并且经过专业的工业大数据机构进行全方位的分析提供可靠的发展基础才能够确保这种优质技术获得完美的落实。

 

　　2、注意分析应用后的实际效果

 

　　在应用大数据之前企业必须要对这种数据应用之后可能应对的情况和实际效果进行综合分析，通过品牌的工业大数据来确认数据采集和处理工艺能够满足企业的实际需求，在应用该种工业大数据之后能够为企业带来的实际经济效益和实际效果尤为重要，因此企业也可以通过工业大数据机构来进行全方位的测评来确保为技术使用奠定良好的基础。

 

　　简言之应用工业大数据之前必须要进行基础环境和实际效果等多方面的考虑，分析工业大数据应用所能够带来的好处和困境才能够确保工业大数据的利用得以完美实现，也可以经过专业的工业大数据机构来进行更好的辅导确保该种技术的应用之下能够为企业的现代化管理带来更好的帮助。

 

　　工业大数据应用案例

 

　　发展大数据是个过程，最终目的是为了利用大数据，对工业企业起到作用。因此，企业需要冷静思考，坚持以业务应用为驱动，才能最大化实现数据价值。企业所积累的数据量以越来越快的速度在增加，很多企业也就顺势将大数据技术引入企业的生产经营中。大数据在工业企业的应用主要体现在三方面：

 

　　一是基于数据的产品价值挖掘，通过对产品及相关数据进行二次挖掘，创造新价值

 

　　在汽车行业，科研人员设计出一种新型座椅，能够通过分析相关数据识别主人，以此确保汽车的安全。这种座椅装有360个不同类型的感应器，可以收集并分析驾驶者的体重、压力值，甚至坐到座椅上的方式等多种信息，并将它们与车载系统中内置的车主信息进行匹配，以此判断驾驶者是否为车主，从而决定是否开动汽车。实验数据显示，这种车座的识别准确率高达98%。

 

　　二是提升服务型生产

 

　　提升服务型生产就是增加服务在生产(产品)的价值比重。主要体现在两个方向。一是前向延伸，就是在售前阶段，通过用户参与、个性化设计的方式，吸引、引导和锁定用户。比如红领西服的服装定制，通过精准的量体裁衣，在其他成衣服装规模关店的市场下，能保持每年150%的收入和利润增长，每件衣服的成本仅比成衣高10%。

 

　　同时后向延伸，通过销售的产品建立客户和厂家的互动，产生持续性价值。苹果手机的硬件配置是标准的，但每个苹果手机用户安装的软件是个性化的，这里面最大的功劳是APPStore。苹果通过销售苹果终端产品只是开始，通过APPStore建立用户和厂商的连接，满足用户个性化需求，提供差异性服务，年创造收入在百亿美金。

 

　　三是创新商业模式

 

　　商业模式创新主要体现在两个方面，一是基于工业大数据，工业企业对外能提供什么样的创新性商业服务;二是在工业大数据背景下，能接受什么样的新型的商业服务。最优的情况是，通过提供创新性商业模式能获得更多的客户，发掘更多的蓝海市场，赢取更多的利润;同时通过接受创新性的工业服务，降低了生产成本、经营风险。

 

　　由大数据驱动的制造业转型升级，是未来制造业提升生产效率、改进产品质量、节约资源消耗、保障生产安全、优化销售服务的必经之路，通过与工业互联网、人工智能、移动互联网、云计算等技术的协同发展，工业大数据驱动的的工业互联网必将深度融入实体经济，成为数字经济时代的新引擎。