工業大數據：工業價值轉型新視角

工業視角的轉變

如果說前三次工業革命分別從機械化、規模化、標準化和自動化等方向大幅度地提高了生產力，那麼第四次工業革命與前面三次最大的區別在於：不再以製造端的生產力需求為出發點，而是將客戶端價值作為整個產業鏈的核心，改變以往的工業價值鏈從生產端向消費端、上游向下游推動的模式，從客戶端的價值需求出發提供客制化的產品和服務，並以此作為整個產業鏈的共同目標使整個產業鏈的各個環節實現協同優化，其本質是工業視角的轉變。

不可見的問題

在現在的製造中，存在著許多無法被定量、無法被決策者掌握的不確定因素，這些不確定因素既存在於製造過程中，也存在於製造過程之外的使用過程中。

前三次工業革命主要解決的都是可見的問題，例如去避免產品缺陷、避免加工失效、提升設備效率和可靠性、避免設備故障和安全問題等。

這些問題在工業生產中由於可見可測量，往往比較容易去避免和解決。不可見的問題通常表現為設備的性能下降、健康衰退、零部件磨損、運行風險升高等。

這些因素由於其很難通過測量被定量化，往往是工業生產中不可控的風險，大部分可見的問題都是這些不可見的因素積累到一定程度所造成的。因此，工業互聯網的關注點和競爭點是對這些不可見因素的避免和透明化。

不可見的需求

從使用過程的體驗角度審視產品功能，製造需要場景思維不可見的另一個特點就是製造過程和製造價值向使用過程的延續，不僅僅關注將一個產品製造出來，還應該關心如何去使用好這個產品，實現產品價值的最大化。

產品的創新和創值不再僅僅是以滿足用戶可見的需求為導向，而是利用用戶的使用數據去深刻地理解用戶的使用場景，從場景中找到用戶需求的空缺(GAP)，這些空缺我們稱之為「不可見的需求」，因為即便是用戶自己都很難意識到。

例如，買汽車的人大多都會提出省油的需求，於是所有汽車製造商就努力改變車型和發動機讓車子更加省油。但是很少去關注用戶的駕駛習慣對於油耗的影響，因為駕駛習慣對於用戶而言也是不可見的，因此不會有用戶去要求汽車提供駕駛行為管理的功能。

所以新工業革命時代的市場競爭也會從以往滿足客戶可見的需求向尋找用戶需求的GAP轉變。以往我們將產品賣給客戶之後就幾乎到達了生產價值鏈的終點，而雲計算等新技術的普及將價值鏈進一步延伸到使用端，以產品作為服務的載體，以使用數據作為服務的媒介，在使用過程中不斷挖掘用戶需求的GAP，並利用數據挖掘所產生的信息服務為用戶創造價值。

數據依然是為用戶提供客制化產品最重要的媒介，新工業革命時代中的製造將通過數據把終端客戶與製造系統相連接，這些數據將自動決定生產系統的各個環節的決策，實現生產上下游環環相扣的整合，人的工作難度將被大大降低，在這種模式下工廠的組織構架將趨於扁平，生產資源的利用效率也更加優化。

有一個例子是最近特別流行的智能手環，佩戴智能手環可以採集睡眠過程中的數據，醒來之後可以通過查看數據分析的結果，睡眠質量如何、多少時間是深睡眠狀態、深淺睡眠交替的曲線等信息都一目了然。這時我們才發現決定睡眠質量的並不是一共睡了幾個小時，而是深睡眠所佔整個睡眠時間的比例。

白天精力好壞是我們可見的現象，但睡眠質量是不可見的，智能手環通過睡眠數據的分析將不可見的睡眠質量變成了可見可測的結果，並利用這些信息幫助用戶去管理可見的生活。

新工業革命並不僅僅是製造業的革命，而是一場更加深刻的變革，創新模式、商業模式、服務模式、產業鏈和價值鏈都將產生革命性的變化，製造業的文化，從「機器崇拜，流程崇拜」進入到人文主義視角的「價值定義」，今天的零售業逐步向「內容，IP」化轉移，製造業的產品或服務，未來也會走向「IP導向的製成品」 ，生產線和消費者使用處於永遠互動的狀態，並延伸基於數據的增值服務，雲計算、人工智慧、和大數據都是支撐這個轉型的基礎條件，工業升級，最根本的驅動力來自於商業模式與智能服務體系的創新技術變革，這兩者才是未來工業界競爭的藍海。

工業大數據的3B與3C

什麼是工業大數據？

一提到大數據，人們首先會想到在互聯網和商業等環境中，利用大量的行為數據來分析用戶行為和預測市場趨勢等應用。但是對工業大數據的定義和應用卻很難直觀地理解和想象。現在對大數據最為流行的定義來自於維克托·邁爾-舍恩伯格和肯尼斯·克耶編寫的《大數據時代》中提出的4V特性，即Volume(數據量大)、Velocity(流動速度快)、Veracity(準確性難把握)、和Variety(來源多樣性)。

這個定義是針對互聯網和社會環境中的大數據，從數據工程的技術挑戰方面所提出的。而工業大數據的挑戰和目的則要通過「3B」和「3C」來理解：

工業大數據應用的「3B」挑戰：

工業大數據分析的「3C」目的：

• Comparison(比較性)：從比較過程中獲取洞察，既包括比較相似性，也包括比較差異性。比較的維度既可以是在時間維度上與自身狀態的比較，也可以是在集群維度上與其他個體的比較。這種比較分析能夠幫助我們將龐大的個體信息進行分類，為接下來尋找相似中的普適性規律和差異中的因果關係奠定基礎。

• Correlation (相關性)：如果說物聯網是可見世界的連接，那麼所連接對象之間的相關性就是不可見世界的連接。對相關性的挖掘是形成記憶和知識的基礎，簡單的將信息存儲下來並不能稱之為記憶，通過信息之間的關聯性對信息進行管理和啟髮式的聯想才是記憶的本質。相關性同時也促進了人腦在管理和調用信息的效率，我們在回想起一個畫面或是情節的時候，往往並不是去回憶每一個細節，而是有一個如線頭一樣的線索，你去牽它一下就能夠引出整個場景。這樣的類似記憶式的信息管理方式運用在工業智能中，就是一種更加靈活高效的數據管理方式。

• Consequence (因果性)：數據分析的重要目的是進行決策支持，在制定一個特定的決策時，其所帶來的結果和影響應該被同等地分析和預測。這是以往的控制系統所不具備的特性，也是智能化的本質。工業系統中的大部分活動都具有很強的目的性，就是把目標精度最大化，把破壞度最小化的「結果管理」。結果管理的基礎是預測，例如在現在的製造系統中，如果我們可以預測到設備的衰退對質量的影響，以及對下一個工序質量的影響，就可以在製造過程中對質量風險進行補償和管理，製造系統的彈性和堅韌性就會增加。

總結而言，互聯網和商業大數據與工業大數據在技術挑戰、數據屬性、和分析目的等方面有很多區別，這也決定了兩者技術手段的不同。

雖然互聯網大數據與工業大數據的核心問題與技術路徑不同，但並不意味著兩者是格格不入的。相反，將互聯網大數據與工業大數據相整合，能夠相得益彰產生更大的價值。舉例而言，製造系統正在改變過去生產驅動銷售的「Push」模式和銷售驅動生產的「Pull」模式，雖然已經具備滿足不同訂單需求的「柔性」生產模式，但依然無法改變對市場應激式的生產模式。

未來的智能製造系統將以數據來驅動，體現在設計過程的數據化(PLM、CAD)、製造系統驅動的數據化(MES、DCS)、和生產資源管理的數據化(ERP)等方式。但是這些都還只看到了製造系統本身，而忽略了這些數據化的源頭應該是對市場和客戶的數據化。利用商業大數據對市場進行預測、繪製客戶需求畫像、和分析供應狀態實時評估等方式，能夠從本質上將製造系統從應激式轉變成為預測型的生產模式。

「不可見的世界」的價值

「有之以為利、無之以為用」是出自老子《道德經》中的一句話，其中的智慧放在當今工業的價值模式中依然十分受用。這句話可以理解為：一切事物的實體為我們提供可以憑藉的可見的基礎條件，而其中所隱藏的空間和可變化的無限可能才是被我們真正使用並創造價值的所在。

我們在《工業大數據》一書中，曾用煎蛋模型來闡述產品與服務價值之間的關係(圖一)：蛋黃代表的是產品自身，其差異性和客制化程度並不明顯，例如一台電視機在擋住了Logo之後就很難被區分出來是哪家公司生產的。而蛋白所代表的增值服務卻是差異化和客制化的重要體現，也是企業的品牌和可持續性價值的所在。這些價值存在於用戶的使用場景、隱形因素的相關性、和產品被製造和使用的全生命周期這些「不可見世界」中。

數據將成為挖掘這些價值的重要手段，主要體現在：利用數據挖掘在使用中獲得新的知識和技術對現有產品進行改進；利用數據去發現和定義用戶未知的需求；以數據作為媒介向用戶提供增值服務。

圖一：工業價值的煎蛋模型新思維

以風力發電為例，風機本身的差異化並不明顯，用戶的定製化需求也並不強烈，但是風機在運行過程中的發電能力、運行穩定性、和運維成本等卻是用戶價值的核心。利用風機的運行大數據可以對風機進行健康管理、對潛在的運行風險進行預測、和對風場的運維進行優化，從而提升風機的可用率、改善發電效率、和降低運維成本。風機的製造廠商也可以不再僅僅通過賣出裝備獲得一次性的盈利，還可以通過向用戶提供使用過程中的增值服務實現持續性的盈利。

圖二：可見與不可見的轉型思維

人類社會在經歷了200多年的科技革命后，已經積累了巨大的工業產品存量，工業的基礎設施和大量基本生產要素，如機床、電力設施、動力設施、製造裝備、交通裝備等需求都已逐漸趨於飽和。因此德國的「工業4.0」戰略中將面向製造系統的集成和軟體服務作為重點，具體表現在「縱向集成」、「橫向集成」和「端到端集成」。

同樣發現這個問題的還有美國GE公司，他們意識到裝備銷售過程中的獲利遠遠不及在產品使用過程中的價值服務，客戶需要的價值也遠不止對產品狀態的保持，更在於如何去使用這些能力來實現更高效的價值再創造。

以數據為核心使產品發揮最大的能力，歸根結底是利用數據建模實現對狀態、環境和任務的精確評估，對管理和控制活動進行實時的決策優化，並協同和調度相關產品高效率運行的過程。

「無憂」的製造環境

製造系統中的問題同樣也有 「 可見」 和「 不可見」之分，我們對待這些問題的方式既可以在問題發生後去解決，也可以在問題發生前去避免。生產系統中存在的「不可見」問題包括設備性能的衰退、精度的缺失、易耗件的磨損、和資源的浪費等，可見的問題往往是這些不可見因素積累到一定程度所引起的，比如設備的衰退最終導致停機、精度的缺失最終導致質量偏差等。

就如同冰山一樣，可見的問題僅僅是冰山一角，而隱性的問題則是隱藏在冰山下面的惡魔。通過大數據對「不可見」問題獲得深刻的洞察，是實現無憂慮製造環境的基礎，也是智能製造的本質。

製造改進與轉型的機會空間可以被分為四個部分(圖二)，第一個部分是去滿足用戶可見的需求和解決可見的問題，這個空間內依然有製造需要補的課，比如質量、污染、和浪費等問題，需要的是持續的改善與不斷完善的標準化。

第二個空間在於避免可見的問題，需要從使用數據中挖掘新的知識對原有生產系統和產品做加值改善。第三個空間在於利用創新的方法與技術去解決未知的問題與創造新的競爭力，例如具有自省能力的設備，以及利用感測器與大數據使不可見的問題透明化，進而去管理和解決不可見的問題。

第四個象限是尋找和滿足不可見的價值缺口，避免不可見因素的影響，這部分需要利用大數據分析產生的智能信息去創造新的知識和價值與傳承力，這也是工業互聯網的最終目標。

通過分析數據，預測需求、預測製造、利用數據去整合產業鏈和價值鏈，這就是工業大數據的思維。工業互聯網是一場在不可見世界中的戰爭，而工業數據分析的競爭力則是連接可見與不可見世界的橋樑。

利用大數據實現無憂的製造環境有三個方向，數據在每一個階段中扮演的作用也並不相同。

• 第一個方向是在解決可見問題的過程中積累經驗和知識，從而去避免這些問題。在這個過程中，數據可以作為經驗和知識的載體。

• 第二個方向是依靠數據去分析問題產生的隱性線索(evidence)、關聯性、和根原因等，進而利用預測分析將不可見問題顯性化，從而實現解決不可見問題的目的。現在的製造系統正在經歷從第一個階段到第二個階段的轉變過程，在完成這個過程后，製造系統將不再有『surprise』，使得所有隱性問題在變成顯性問題和影響之前都可以被提前解決。

• 第三個方向是通過對數據的深度挖掘，建立知識和問題之間的相關性，從數據中啟發出新的知識，並能夠利用知識對製造系統進行精確的建模，產生能夠指導製造系統活動的鏡像模型，從系統的設計端避免可見及不可見問題的發生。

這三個方向對企業都非常具有借鑒意義，但是需要根據不同的情況側重於不同的方向。總的來概況，這三個方向分別適用於以下幾類情況中問題的解決：

• 第一個方向：適合在某一個領域已經經營了很久，有了一定的經驗積累，但是卻很難總結出為什麼做的好或是不好。

• 第二個方向：在解決了可見的問題之後，仍然存在一些不可見問題對製造系統造成的影響，希望能夠了解不可見因素的變化過程和相互的關聯性，積累更加深入的製造知識。

• 第三個方向：在製造基礎還較為薄弱的領域，並沒有形成太多有效的數據，但是擁有非常豐富的使用數據和經驗，則可以藉助使用過程中積累的知識對製造系統提出設計的要求。

圖三：問題、數據、與知識的關係及管理方式

圖三簡明地闡述了大數據與智能製造之間的關係：製造系統中「可見」和「不可見」問題的發生及解決的過程中會產生大量的數據，通過對這些數據的分析可以了解問題產生的過程、造成的影響和解決的方式。

通過對數據的深度挖掘和抽象化建模后可以形成知識，進而利用知識去認識、避免、和重新定義問題。數據在其中起到的作用，是使這個過程從以往依靠人的經驗(Experience based)轉向依靠挖掘數據中隱性的線索(Evidence based)，使得製造知識能夠被更加高效和自發地產生、利用和傳承。

因此，問題和知識是目的，而數據則是一種手段。今天我們來談利用大數據實現智能製造，是因為大數據正在逐漸成為易得的資源，而在製造系統和商業環境變得日益複雜的今天，利用大數據去解決問題和積累知識將是更加高效和便捷的方式。

數據本身不會說話，也並不會直接創造價值，真正為企業帶來價值的是數據分析和挖掘之後產生的洞察和行動的價值，是數據經過實時分析后及時地流向決策鏈的各個環節，是讓數據成為面向客戶創值服務的媒介和依據。

工業大數據的目的並不是追求數據量的龐大，而是通過系統式地數據收集和分析手段，實現價值的最大化。所以推動工業價值轉型和智能製造的並不是大數據本身，而是大數據分析技術所帶來的洞察，行動的準確性與速度。

在新製造革命的轉型中，更加有效地積累和利用數據資源與知識的傳承，決定了能否在新競爭環境中脫穎而出。工業大數據定義了製造價值的新主張，這個價值的應用既可以外向，也可以是內向。

內向是利用大數據去解決和避免製造系統中的「不可見」問題，實現無憂的製造環境。外向是利用大數據在產品的使用過程向用戶提供智能增值服務，實現製造價值的延續。

這兩者對於製造而言，一方面是解決製造「大而不強」的挑戰，另一方面是改善製造附加值較低的瓶頸。應該利用好使用數據的資源，不斷提升企業對製造的理解和知識積累速度，才能彌補在裝備製造和核心零部件等方面的弱勢，逐步彌補這些弱勢領域造成的短板，讓世界看到在工業大數據中創知和創值的成功經驗。

▶文章來源：OFweek 工控網。

世界最先進的啤酒包裝生產線！

這兩個標杆智能工廠的成功，告訴你智能工廠的標配是什麼

張嘴就要30萬報酬，「大國工匠」這麼干合適嗎？

機器人電纜生產環節中存在三大誤區，你必須要弄清楚，否則...

掃描二維碼，加小編好友