當數據智能遇上工業製造

阿里雲數據業務總架構師周衛天帶來主題是「當數據智能遇上工業製造」的演講。本文主要從DT時代的開啟開始談起，接著分析了智能工業智能化、融合化和人性化的三大趨勢，然後著重分享了阿里工業在智能化、融合化和人性化的實踐，包括協鑫光伏實踐、貨運列車智能故障檢測和飛機發動機智能健康管理等案例。

以下是精彩內容整理：

DT時代用DT實現DT

用DT來實現DT比較有趣，第一個DT代表數據的技術，第二個DT代表數字化的轉型。當數據智能碰到工業製造的時候，根據我自己的一些觀察，我覺得製造於我還是個初學者，但是在數據方面，我應該是個大學老師，兩者一結合我就是以一個非常有活力有創新的高中生或大學生來談數據智能跟工業製造。

信息革命下半場，DT時代正式開啟：

數據取代石油，成為全球經濟基礎要素

IT技術成為重要生產力，雲計算成為基礎設施

互聯網+物聯網構成萬物互聯的信息交互渠道

全球市值TOP5第一次全部都是科技公司：Apple，Google，MSFT，Amazon，Facebook，全部是數據化，智能化和雲服務的公司

最近阿里雲在大數據和人工智慧方面做了很多事情，數據的重要性就不言而喻了，如果回顧一下80年代末90年代的時候，信息革命開始出現了兩家公司，一家微軟，還有一家因特爾，近兩年來，全球市值大的公司都是智能化、數據化或者雲化的公司，蘋果已經逼近了八千億美金，Facebook、亞馬遜都超過了四千億美金，微軟過五千億了，可以看到，市值基本上反映了資本市場對這些公司的一些價值取向。

Facebook 10年規劃離不開數據智能和互聯網連接，谷歌的PiChai也對智能 AI表現了戰略的重視，Graph Database 對於生成關係網路的處理效率也會繼續提高等，關於大數據的趨勢和展望，我們看到的大數據趨勢，現在國內中小企業也叫1.0、2.0，簡單的講，1.0就是大數據由於分散式計算、大數據技術的出現使得數據處理(ETL)的成本降低，原來京東方等企業的機器吐出來的很多數據，一般存3到5個月，因為存儲成本比較高;隨著大數據的到來，首先就想到純歷史數據在線化就是基於這個成本，大一點的製造企業數倉系統也都應用了大數據，對物料的分析、尤其對出廠產品的分析，會有小型的數倉系統;現在的應用2.0也都做了，基本上分兩類，一類是踩油門，一類是剎車，踩油門說是開源做營銷，營銷就是對純量客戶的精耕細作，這對於製造類企業是非常有用的。剎車就是基於大數據的風險控制， 對於賬戶盜用， 互聯網反作弊的發現預防和預警等; 在金融和泛金融應用比較普及了。

關於大數據的戰略優勢，一是智能化，另一個是大數據已經到了董事會戰略討論，今天在美國上大數據的一些項目，大概有40%到了董事會討論，國內也有做類似的事情，大數據的三個階段，從最早的1.0成本降低，數倉調優到2.0大數據上業務應用，3.0最後到用大數據技術來建立戰略優勢，做你以前不敢想、做不了的事。比如說，以前都是統計樣本分析，現在大數據理論上是要全量數據，那樣本分析就如同像大海撈針一樣的，因為用了樣本分析，可能很多數據完全沒有撈上來，而大數據的技術會把所有的數據都撈上來，大數據技術會有一個迭代分析的過程，從而把事物的本質真正挖掘出來。

數據智能遇上工業製造

當大數據、數據智能碰到工業製造，可以從三個方面來闡述：第一是智能化，第二是融合化，第三是人性化。

所謂智能化本質上是計算機化，即不是固定僵硬的系統，而是能自動執行程序、可編程可演化的系統，更高的要求是具有自學習和自適應功能。無人自動駕駛汽車是智能化的標誌性產品，它融合集成了實時感知、導航、自動駕駛、聯網通信等技術，比有人駕駛更安全、更節能。

先談一談智能化，講到智能化，Facebook企業今後發展十年提到了很多，包括人工智慧，AR、VR等. 從上圖我們可以看到智能化、和融合化——未來幾年全球信息科技導圖，一方面是原創的核心技術，我們看到更多的是以矽谷為代表，矽谷、西雅圖和以色列; 而以為代表的，更多的是技術應用和業務模式的創新，業務模式創新倒逼我們技術也有了長足的進步. 阿里巴巴最早的千人千面就有很多的演算法技術，今天阿里巴巴集團做演算法的得有數千人吧，有做視覺識別的，有做語音識別和合成的，還有做大規模分散式演算法， 以及其它前瞻性技術的。

智能化的趨勢主要有以下幾個方面：

Drive PX 2：具備12 cpu支持合併8萬億次，浮點運算和深度學習每秒萬億次，一個晶元處理能力相當於 150個Macbook Pro。

Nvidia drivenet雲參考平台， 測試自己的自動駕駛汽車， 下雪天也可以進行檢測，Volvo是第一個合作夥伴. David Kirk帶領團隊推出的利用GPU平台進行通用并行計算架構CUDA。這一架構使得程序員可以利用C語言、C++等為CUDA架構編寫程序，利用GPU平台進行大規模并行計算。這一架構發布后很多年，在高性能并行計算領域，英偉達仍然處於絕對的優勢地位。在過去3年裡，英偉達的自動駕駛晶元性能提升了65倍，功耗下降到原先的1/7。

自動駕駛會涉及到對人工智慧大數據的發展，從我個人看，AI、雲計算、AR/VR、大數據和自動駕駛是后智能手機時代的技術驅動力。

硬體處理能力比較高，數據的爆發，演算法的日漸成熟，互聯網今天一台工程車除去試跑一天，就通過車下面的ECU，搜集和傳輸的數據有幾十個G，工程車出去跑一跑，通過3G或者4G網路，你的駕乘習慣、遇到路況怎麼轉彎、避險動作等等，這些其實在駕乘體驗的同時把這些數據收回來反饋到生產系統當中，甚至我們的設計系統當中，這是一個智能閉環。

而融合化和人性化的趨勢如下：

人工智慧與智能家居的互動： 現在海爾有一些冰箱已經有很多智能的小攝像機是裝在朝冰箱裡面的，比如平常主人喜歡某一類的麵包，或者牛奶都是放哪一個盒裡，到了禮拜幾把這些東西都記下來之後，其實這是跟人的互動，通過語音提醒你，麵包沒了或者是牛奶可能要增加了，這是一個智能化。總的來說，這是一個控制、反饋、互動感知、超前感知等的過程。體現了充分的人性化， 由於智能帶來的人性化。

大數據幫助從智慧工廠到工業4.0的實現，也把很多的人性化東西融合到了裡面，大數據幫助一般工業企業變智慧工廠，尤其中小企業，假設ERP系統都有，還要上PLM，我們處理很多小批量品種，包括怎麼樣從PLM系統當中將數據要無縫連接到MES當中，這裡工業2.5階段必須解決的事情，但是我們怎麼用大數據，尤其是端到端的大數據，打通之後，從傳統的ERP系統到PDM、MES系統中，還有機器日誌當中的數據，整個生產線上的數據融合起來，怎麼真正做到朝4.0邁進呢?這就需要融合端到端的數據流不落地地整合數據， 進行智能分析和挖掘處理。

晶元到智能汽車的融合：無人自動駕駛汽車是智能化的標誌性產品，它融合集成了實時感知、導航、自動駕駛、聯網通信等技術;高通 3100億收購恩智浦，高通的晶元將傳統晶元應用到汽車領域， 高通的計算+設計+技術能力融合汽車+自動駕駛應用=前後端的融合， 這是前後端融合的收購案例;2016年8月，英特爾4億美元收購Nervana，主攻深度學習，布局人工智慧領域;2015年6月，英特爾167億美元收購Altera，整合CPU技術與FPGA技術，布局物聯網。2015年以來，英特爾頻繁收購，其中有兩次收購超過150億美元：167億美元收購Altera、153億美元收購Mobileye。這也是看重了汽車智能，車聯網的巨大市場而而做的必要動作。

驍龍835把虹膜識別、神經網路處理和演算法應用到實時圖像處理，封裝尺寸變小促進集成和融合， 和其它終端的集成更容易…手機到車聯網應用，功耗的降低提高了使用和應用場景，這也是融合化和人性化的完美體現吧!!!

阿里工業實踐

下面我們圍繞智

下面我們圍繞智能化、融合化和人性化來聊聊，尤其是阿里具體圍繞製造型企業做了哪些事?

智能化

智能化可以實現端到端的智能;智能硬體可以獲取和記錄數據、軌跡的智能;實現智能化需要演算法的成熟， 大數據技術的運用。

智能工廠實踐架構

智能化不僅僅是生產設備的智能，智能製造——無人工廠，全自動化，機器人的運用。智能製造的本質首先是數字化。把我們從過去的機器、設備、生產線、人員、車輛、渠道、物流這些物理形態的東西，用數字加工，建立一個數字世界，再運用演算法模型，加工分析、產生無限的價值。然後再把這新的價值，回到物理形態的商業閉環過程。

協鑫光伏是一家做矽片的企業，整個工程刀下去11刀會切出12個硅墊，然後分ABCD四級，A是最優，按照這個價格A等品跟BCD就差得比較大，我們做了什麼呢?我們把整個協鑫生產線上的生產作業數據每隔四到五分鐘，就去搜集這些數據，然後傳輸到阿里大數據平台，用大數據技術和演算法結合協鑫的老工程師經驗大幅提升了良品率. 其中收費也有互聯網創新，利用大數據平台幫你把數據整合處理，先收成本費，良品率的提升比例和收費掛鉤，阿里雲和工業企業一起承擔， 一起成長. 提升一個點對整個企業，整個協鑫工廠就是接近一個億的收入，這是一個智能工廠的實踐。

技術架構簡單的講就是把它的切片機MES當中的數據，通過拉PULL和推PUSH，把數據傳輸到我們的共有雲平台，然後用了很多的高級演算法，算完之後結果實時流同步到生產監控看板，在生產車間里有實時看板能夠以良好的可視化圖像與數字呈現給工廠管理者。

以前講智能製造是講邏輯，現在有了深切的體會，怎麼把生產線上以前看起來沒那麼有用的數據，整合到一個數據平台裡面來，完全來指導我們的生產，對良品率變化到某一個數據的時候，直接進行預警。

事業部管理座艙和台機實時監控

貨運列車故障檢測

上圖為貨運列車故障檢測分析，鐵路、貨車運行之後，車廂與車廂之間的螺栓可能鬆了，就可能會有各種各樣的故障，20幾年前都是靠工人敲，聽聲音松沒松，最近這幾年提高了很多，靠鐵軌上的快速成像拍照，一分鐘能拍幾萬張照，照片實時檢測，主要有信息採集設備、信息傳輸設備、和列檢檢測中心，人工在列檢中心審核所採集的列圖片，發現故障上報。需要在5分種內人工檢測完一萬五千張圖片，人工漏檢率千分之一以上;人力成本高，每個站點約30人，每班8小時輪值，進行現場檢查。全國一萬多人人力成本;按人均月3000元成本，每個場站每年需要人力成本100萬，383站點約3.83億元人力成本。對於TFDS的系統的使用和故障的識別需要組織大量培訓，人員更替時成本更高;以人工經驗做判斷，會有漏報和誤報情況，肉眼不易察覺的重點故障難以檢測。

我們做了什麼事呢?第一件事就是拿出了故障的圖片進行訓練，對漏檢率大幅減少，對80%多現在不會引起故障的圖片儘可能的用這個圖片處理系統來做，而對10%左右有可能引起故障的，採用一個雙保險的流程，也就是一方面用圖片識別來做，另外再加人工的處理流程，可以看到涉及圖片識別檢測識別，項目結果如圖所示，大家可以看到，我們的故障識別率現在能做到96%左右，一般故障是指不會引起事故的，現在漏檢率已經很低了，為什麼會引起事故性的故障，而引起事故的故障數據樣本比較少，只用演算法訓練出來的結果一定沒有那麼強，這是圖片識別的應用，此外還可以減少機檢的時間，對於一般故障通過試用機器學習、圖片識別可以大幅減少勞動力。

除了這個我們還準備在貨運超載、探測電纜方面應用圖片識別，隧道里現在有火車過去，對電纜的下陷或者下塌，其實用圖片識別也比較容易了;甚至對大的汽車，我們給浙江省高速公路做了車輛逃費識別相關項目，我們用圖象識別，根據車牌、車的形狀和顏色這三個維度基本上能夠做出智能發現逃費的嫌疑車輛。

飛機發動機健康管理

阿里跟科工集團成立了一個國家級的大數據實驗室，現在開始做探索性的一些事情，就是飛機的發動機管理，這可能沒那麼容易，但是我們開始嘗試了，馬航事件後來定位鎖定就是發動機上的EHM，就是發動機健康管理系統。

這裡我列了飛機的參數，收集這些飛機的參數對發動機的壽命預測和主要零部件的健康管理還是很有用，把這些數據都收集起來以後，能夠對飛機的發動機，主要的零部件做一個提前半步的故障預測，大幅降低非計劃外的維修時間， 從而節省成本。還有一件事，飛機發動機是成本比較貴，飛機的成本機油也是貴，用的是航空油，為什麼航空公司有的時候要買一些油的期貨，也是防止油價的波動，但是油的消耗的相當比例是由起飛和降落的時候飛行員決定的。我們通過數據智能分析起降時飛行員的操作行為與航油的損耗之間的關係， 從而強化最佳實踐節省航油.

融合化

融合也有很多，具體包括以下幾方面：

大數據與小數據的融合

大數據與特徵工程的融合 (摩擦學， 動力學，控制理論與工程經驗等等)

企業自動化和數字化與ERP， MES信息化融合

政府部門(經信委，工信廳) + 專業研究院 + 數據智能企業 + 轉型企業的融合

企業數據+：挖掘企業自己數據、沉澱企業自己數據、互聯網數據、打通數據和盤活數據。

企業CRM和財務數據融合如圖所示。

數據鏈路的閉環打造商業的閉環融合。

人性化

人性化包括：

機器與車間到可視化的視覺觸摸和交互——從冰冷到溫暖

大數據模擬用戶設計， 人的使用已經融合到產品迭代過程

用戶的訂單與定製化智能生產——從被動到參與

數據智能給人類的驚喜：通透了解你 (訂車到了智能出行與旅遊) 實時服務你(大型停車場的智能導行)

機器生產的體溫觸摸如圖所示。

訂單與生產的連接 Connect：

工業企業：由內及外，漸進、改良、升級生產系統的智能化

互聯網：由外及內，從商業系統的智能化從訂單 (人或者企業的需求+體驗) 倒逼生產系統的智能化(C2M) 這也給了智能生產很多人性化的元素.