工业大数据:工业价值转型的新视角

工业视角的转变

若是说前三次工业革命划分从机械化、规模化、标准化、和自动化等偏向大幅度地提高了生产力,那么第四次工业革命与前面三次最大的区别在于:不再以制造端的生产力需求为起点,而是将客户端价值作为整个产业链的焦点,改变以往的工业价值链从生产端向消费端、上游向下游推动的模式,从客户端的价值需求出发提供客制化的产物和服务,并以此作为整个产业链的配合目的使整个产业链的各个环节实现协同优化,其本质是工业视角的转变。

不能见的问题

在现在的制造中,存在着许多无法被定量、无法被决议者掌握的不确定因素,这些不确定因素既存在于制造历程中,也存在于制造历程之外的使用历程中。前三次工业革命主要解决的都是可见的问题,例如去制止产物缺陷、制止加工失效、提升装备效率和可靠性、制止装备故障和安全问题等。这些问题在工业生产中由于可见可丈量,往往对照容易去制止息争决。不能见的问题通常表现为装备的性能下降、康健衰退、零部件磨损、运行风险升高等。这些因素由于其很难通过丈量被定量化,往往是工业生产中不能控的风险,大部门可见的问题都是这些不能见的因素积累到一定水平所造成的。因此,工业互联网的关注点和竞争点是对这些不能见因素的制止和透明化。

不能见的需求

从使用历程的体验角度审阅产物功效,制造需要场景头脑不能见的另一个特点就是制造历程和制造价值向使用历程的延续,不仅仅关注将一个产物制造出来,还应该体贴若何去使用好这个产物,实现产物价值的最大化。产物的创新和创值不再仅仅是以知足用户可见的需求为导向,而是行使用户的使用数据去深刻地明白用户的使用场景,从场景中找到用户需求的空缺(GAP),这些空缺我们称之为“不能见的需求”,由于即便是用户自己都很难意识到。例如,买汽车的人大多都市提出省油的需求,于是所有汽车制造商就起劲改变车型和发动机让车子加倍省油。然则很少去关注用户的驾驶习惯对于油耗的影响,由于驾驶习惯对于用户而言也是不能见的,因此不会有用户去要求汽车提供驾驶行为治理的功效。以是新工业革命时代的市场竞争也会从以往知足客户可见的需求向寻找用户需求的GAP转变。以往我们将产物卖给客户之后就险些到达了生产价值链的终点,而云盘算等新手艺的普及将价值链进一步延伸到使用端,以产物作为服务的载体,以使用数据作为服务的前言,在使用历程中不停挖掘用户需求的GAP,并行使数据挖掘所发生的信息服务为用户缔造价值。

数据依然是为用户提供客制化产物最主要的前言,新工业革命时代中的制造将通过数据把终端客户与制造系统相毗邻,这些数据将自动决议生产系统的各个环节的决议,实现生产上下游环环相扣的整合,人的工作难度将被大大降低,在这种模式下工厂的组织构架将趋于扁平,生产资源的行使效率也加倍优化。

有一个例子是最近稀奇盛行的智能手环,佩带智能手环可以采集睡眠历程中的数据,醒来之后可以通过查看数据剖析的效果,睡眠质量若何、若干时间是深睡眠状态、深浅睡眠交替的曲线等信息都一目了然。这时我们才发现决议睡眠质量的并不是一共睡了几个小时,而是深睡眠所占整个睡眠时间的比例。日间精神利害是我们可见的征象,但睡眠质量是不能见的,智能手环通过睡眠数据的剖析将不能见的睡眠质量酿成了可见可测的效果,并行使这些信息辅助用户去治理可见的生涯。

新工业革命并不仅仅是制造业的革命,而是一场加倍深刻的转变,创新模式、商业模式、服务模式、产业链和价值链都将发生革命性的转变,制造业的文化,从“机械崇敬,流程崇敬”进入到人文主义视角的“价值界说”,今天的零售业逐步向“内容,IP”化转移,制造业的产物或服务,未来也会走向“IP导向的制成品” ,生产线和消费者使用处于永远互动的状态,并延伸基于数据的增值服务,云盘算、人工智能、和大数据都是支持这个转型的基础条件,工业升级,最基本的驱动力来自于商业模式与智能服务体系的创新手艺转变,这两者才是未来工业界竞争的蓝海。

工业大数据的3B与3C

什么是工业大数据?

一提到大数据,人们首先会想到在互联网和商业等环境中,行使大量的行为数据来剖析用户行为和展望市场趋势等应用。然则对工业大数据的界说和应用却很难直观地明白和想象。现在对大数据最为盛行的界说来自于维克托·迈尔-舍恩伯格和肯尼斯·克耶编写的《大数据时代》中提出的4V特征,即Volume(数据量大)、Velocity(流动速率快)、Veracity(准确性难掌握)、和Variety(泉源多样性)。这个界说是针对互联网和社会环境中的大数据,从数据工程的手艺挑战方面所提出的。而工业大数据的挑战和目的则要通过“3B”和“3C”来明白:

工业大数据应用的“3B”挑战:

– Bad Quality: 在工业大数据中,数据质量问题一直是许多企业所面临的挑战。这主要受制于工业环境中数据获取手段的限制,包罗传感器、数采硬件模块、通信协议、和组态软件等多个手艺限制。对数据质量的治理手艺是一个企业必须要下的硬功夫。

– Broken: 工业对于数据的要求并不仅在于量的巨细,更在于数据的周全性。在行使数据建模的手段解决某一个问题时,需要获取与被剖析工具相关的周全参数,而一些要害参数的缺失会使剖析历程碎片化。举例而言,当剖析航空发动机性能时需要温度、空气密度、进出口压力、功率等多个参数,而当其中随便一个参数缺失时都无法确立完整的性能评估和展望模子。因此对于企业来说,在举行数据网络前要对剖析的工具和目的有清晰的计划,这样才气够确保所获取数据的周全性,以免斥巨资积累了大量数据后发现并不能解决所体贴的问题。

– Background (Below the Surface): 除了对数据所反映出来的外面统计特征举行剖析以外,还应该关注数据中所隐藏的靠山相关性。对这些隐藏在外面以下的相关性举行剖析和挖掘时,需要一些具有参考性的数据举行对照,也就是数据科学中所称的“贴标签”历程。这一类数据包罗工况设定、维护纪录、义务信息等,虽然数据的量不大,但在数据剖析中却起到至关主要的作用。

工业大数据剖析的“3C”目的:

– Comparison(对照性):从对照历程中获取洞察,既包罗对照相似性,也包罗对照差异性。对照的维度既可以是在时间维度上与自身状态的对照,也可以是在集群维度上与其他个体的对照。这种对照剖析能够辅助我们将重大的个体信息举行分类,为接下来寻找相似中的普适性纪律和差异中的因果关系奠基基础。

– Correlation (相关性):若是说物联网是可见天下的毗邻,那么所毗邻工具之间的相关性就是不能见天下的毗邻。对相关性的挖掘是形成影象和知识的基础,简朴的将信息存储下来并不能称之为影象,通过信息之间的关联性对信息举行治理和启发式的遐想才是影象的本质。相关性同时也促进了人脑在治理和挪用信息的效率,我们在回想起一个画面或是情节的时刻,往往并不是去回忆每一个细节,而是有一个如线头一样的线索,你去牵它一下就能够引出整个场景。这样的类似影象式的信息治理方式运用在工业智能中,就是一种加倍天真高效的数据治理方式。

– Consequence (因果性):数据剖析的主要目的是举行决议支持,在制订一个特定的决议时,其所带来的效果和影响应该被同等地剖析和展望。这是以往的控制系统所不具备的特征,也是智能化的本质。工业系统中的大部门流动都具有很强的目的性,就是把目的精度最大化,把损坏度最小化的“效果治理”。效果治理的基础是展望,例如在现在的制造系统中,若是我们可以展望到装备的衰退对质量的影响,以及对下一个工序质量的影响,就可以在制造历程中对质量风险举行抵偿和治理,制造系统的弹性和坚韧性就会增添。

总结而言,互联网和商业大数据与工业大数据在手艺挑战、数据属性、和剖析目的等方面有许多区别,这也决议了两者手艺手段的差别。

虽然互联网大数据与工业大数据的焦点问题与手艺路径差别,但并不意味着两者是格格不入的。相反,将互联网大数据与工业大数据相整合,能够相得益彰发生更大的价值。举例而言,制造系统正在改变已往生产驱动销售的“Push”模式和销售驱动生产的“Pull”模式,虽然已经具备知足差别订单需求的“柔性”生产模式,但依然无法改变对市场应激式的生产模式。未来的系统将以数据来驱动,体现在设计历程的数据化(、CAD)、制造系统驱动的数据化(MES、DCS)、和生产资源治理的数据化(ERP)等方式。然则这些都还只看到了制造系统自己,而忽略了这些数据化的源头应该是对市场和客户的数据化。行使商业大数据对市场举行展望、绘制客户需求画像、和剖析供应状态实时评估等方式,能够从本质上将制造系统从应激式转酿成为展望型的生产模式。

“不能见的天下”的价值

“有之以为利、无之以为用”是出自老子《道德经》中的一句话,其中的智慧放在当今工业的价值模式中依然十分受用。这句话可以明白为:一切事物的实体为我们提供可以依附的可见的基础条件,而其中所隐藏的空间和可转变的无限可能才是被我们真正使用并缔造价值的所在。我们在《工业大数据》一书中,曾用煎蛋模子来论述产物与服务价值之间的关系(图一):蛋黄代表的是产物自身,其差异性和客制化水平并不显著,例如一台电视机在挡住了Logo之后就很难被区分出来是哪家公司生产的。而卵白所代表的增值服务却是差异化和客制化的主要体现,也是企业的品牌和可连续性价值的所在。这些价值存在于用户的使用场景、隐形因素的相关性、和产物被制造和使用的全生命周期这些“不能见天下”中。数据将成为挖掘这些价值的主要手段,主要体现在:行使数据挖掘在使用中获得新的知识和手艺对现有产物举行改善;行使数据去发现和界说用户未知的需求;以数据作为前言向用户提供增值服务。

图一:工业价值的煎蛋模子新头脑

以风力发电为例,风机自己的差异化并不显著,用户的定制化需求也并不强烈,然则风机在运行历程中的发电能力、运行稳定性、和运维成本等却是用户价值的焦点。行使风机的运行大数据可以对风机举行康健治理、对潜在的运行风险举行展望、和对风场的运维举行优化,从而提升风机的可用率、改善发电效率、和降低运维成本。风机的制造厂商也可以不再仅仅通过卖出装备获得一次性的盈利,还可以通过向用户提供使用历程中的增值服务实现连续性的盈利。

人类社会在履历了200多年的科技革命后,已经积累了伟大的工业产物存量,工业的基础设施和大量基本生产要素,如机床、电力设施、动力设施、制造装备、交通装备等需求都已逐渐趋于饱和。因此德国的“”战略中将面向制造系统的集成和软件服务作为重点,具体表现在“纵向集成”、“横向集成”和“端到端集成”。同样发现这个问题的另有美国GE公司,他们意识到装备销售历程中的赢利远远不及在产物使用历程中的价值服务,客户需要的价值也远不止对产物状态的保持,更在于若何去使用这些能力来实现更高效的价值再缔造。

以数据为焦点使产物施展最大的能力,归根结底是行使数据建模实现对状态、环境和义务的正确评估,对治理和控制流动举行实时的决议优化,并协同和调剂相关产物高效率运行的历程。

“无忧”的制造环境

制造系统中的问题同样也有 “ 可见” 和“ 不能见”之分,我们看待这些问题的方式既可以在问题发生后去解决,也可以在问题发生前往制止。生产系统中存在的“不能见”问题包罗装备性能的衰退、精度的缺失、易耗件的磨损、和资源的虚耗等,可见的问题往往是这些不能见因素积累到一定水平所引起的,好比装备的衰退最终导致停机、精度的缺失最终导致质量偏差等。就犹如冰山一样,可见的问题仅仅是冰山一角,而隐性的问题则是隐藏在冰山下面的恶魔。通过大数据对“不能见”问题获得深刻的洞察,是实现无忧虑制造环境的基础,也是智能制造的本质。

制造改善与转型的机遇空间可以被分为四个部门(图二),第一个部门是去知足用户可见的需求息争决可见的问题,这个空间内依然有中国制造需要补的课,好比质量、污染、和虚耗等问题,需要的是连续的改善与不停完善的标准化。第二个空间在于制止可见的问题,需要从使用数据中挖掘新的知识对原有生产系统和产物做加值改善。第三个空间在于行使创新的方式与手艺去解决未知的问题与缔造新的竞争力,例如具有自省能力的装备,以及行使传感器与大数据使不能见的问题透明化,进而去治理息争决不能见的问题。第四个象限是寻找和知足不能见的价值缺口,制止不能见因素的影响,这部门需要行使大数据剖析发生的智能信息去缔造新的知识和价值与传承力,这也是工业互联网的最终目的。

图二:可见与不能见的转型头脑

通过剖析数据,展望需求、展望制造、行使数据去整合产业链和价值链,这就是工业大数据的头脑。工业互联网是一场在不能见天下中的战争,而工业数据剖析的竞争力则是毗邻可见与不能见天下的桥梁。

行使大数据实现无忧的制造环境有三个偏向,数据在每一个阶段中饰演的作用也并不相同。第一个偏向是在解决可见问题的历程中积累履历和知识,从而去制止这些问题。在这个历程中,数据可以作为履历和知识的载体。第二个偏向是依赖数据去剖析问题发生的隐性线索(evidence)、关联性、和根缘故原由等,进而行使展望剖析将不能见问题显性化,从而实现解决不能见问题的目的。现在的制造系统正在履历从第一个阶段到第二个阶段的转变历程,在完成这个历程后,制造系统将不再有‘surprise’,使得所有隐性问题在酿成显性问题和影响之前都可以被提前解决。第三个偏向是通过对数据的深度挖掘,确立知识和问题之间的相关性,从数据中启发出新的知识,并能够行使知识对制造系统举行正确的建模,发生能够指导制造系统流动的镜像模子,从系统的设计端制止可见及不能见问题的发生。

这三个偏向对企业都异常具有借鉴意义,然则需要凭据差别的情形侧重于差别的偏向。总的来概况,这三个偏向划分适用于以下几类情形中问题的解决:

第一个偏向:适合在某一个领域已经谋划了良久,有了一定的履历积累,然则却很难总结出为什么做的好或是欠好。

第二个偏向:在解决了可见的问题之后,仍然存在一些不能见问题对制造系统造成的影响,希望能够领会不能见因素的转变历程和相互的关联性,积累加倍深入的制造知识。

第三个偏向:在制造基础还较为微弱的领域,并没有形成太多有用的数据,然则拥有异常丰富的使用数据和履历,则可以借助使用历程中积累的知识对制造系统提出设计的要求。

图三:问题、数据、与知识的关系及治理方式 图三简明地论述了大数据与智能制造之间的关系:制造系统中“可见”和“不能见”问题的发生及解决的历程中会发生大量的数据,通过对这些数据的剖析可以领会问题发生的历程、造成的影响息争决的方式。通过对数据的深度挖掘和抽象化建模后可以形成知识,进而行使知识去熟悉、制止、和重新界说问题。数据在其中起到的作用,是使这个历程从以往依赖人的履历(Experience based)转向依赖挖掘数据中隐性的线索(Evidence based),使得制造知识能够被加倍高效和自觉地发生、行使和传承。因此,问题和知识是目的,而数据则是一种手段。今天我们来谈行使大数据实现智能制造,是由于大数据正在逐渐成为易得的资源,而在制造系统和商业环境变得日益庞大的今天,行使大数据去解决问题和积累知识将是加倍高效和便捷的方式。

数据自己不会语言,也并不会直接缔造价值,真正为企业带来价值的是数据剖析和挖掘之后发生的洞察和行动的价值,是数据经由实时剖析后实时地流向决议链的各个环节,是让数据成为面向客户创值服务的前言和依据。工业大数据的目的并不是追求数据量的重大,而是通过系统式地数据网络和剖析手段,实现价值的最大化。以是推动工业价值转型和智能制造的并不是大数据自己,而是大数据剖析手艺所带来的洞察,行动的准确性与速率。在新制造革命的转型中,加倍有用地积累和行使数据资源与知识的传承,决议了能否在新竞争环境中脱颖而出。工业大数据界说了制造价值的新主张,这个价值的应用既可以外向,也可以是内向。内向是行使大数据去解决和制止制造系统中的“不能见”问题,实现无忧的制造环境。外向是行使大数据在产物的使用历程向用户提供智能增值服务,实现制造价值的延续。这两者对于中国制造而言,一方面是解决制造“大而不强”的挑战,另一方面是改善制造附加值较低的瓶颈。中国应该行使好使用数据的资源,不停提升企业对制造的明白和知识积累速率,才气填补中国在装备制造和焦点零部件等方面的弱势,逐步填补这些弱势领域造成的短板,让天下看到中国在工业大数据中创知和创值的成功履历。

留下评论