一文讀懂工業(yè)大數(shù)據(jù)的脈絡(luò)

工業(yè)大數(shù)據(jù)不同于大數(shù)據(jù)，具有自己獨特的特征。本文著重從工業(yè)大數(shù)據(jù)的定義與范疇、來源、特征、技術(shù)及應用領(lǐng)域、面臨的問題等，全面剖析工業(yè)大數(shù)據(jù)的方方面面，讓你一文讀懂工業(yè)大數(shù)據(jù)的脈絡(luò)！

工業(yè)大數(shù)據(jù)是指在工業(yè)領(lǐng)域中，圍繞典型智能制造模式，從客戶需求到銷售、到訂單、計劃、研發(fā)、設(shè)計、工藝、制造、采購、供應、庫存、發(fā)貨和交付、售后服務、運維、報廢或回收再制造等整個產(chǎn)品全生命各個環(huán)節(jié)所產(chǎn)生的各類數(shù)據(jù)及相關(guān)技術(shù)和應用的總稱，其以產(chǎn)品數(shù)據(jù)為核心，極大延展了傳統(tǒng)工業(yè)數(shù)據(jù)范圍，同時還包括工業(yè)大數(shù)據(jù)相關(guān)技術(shù)和應用。

——工業(yè)大數(shù)據(jù)來源——

我們所談的工業(yè)大數(shù)據(jù)，不完全等同于企業(yè)信息化軟件中流淌的數(shù)據(jù)，從業(yè)界的共識看，主要來源有三類，第一類是企業(yè)經(jīng)營相關(guān)的業(yè)務數(shù)據(jù)，這類數(shù)據(jù)來自企業(yè)信息化范疇，包括企業(yè)資源計劃（ERP）、產(chǎn)品生命周期管理（PLM）、供應鏈管理（SCM）、客戶關(guān)系管理（CRM）和環(huán)境管理系統(tǒng)（EMS）等，此類數(shù)據(jù)是工業(yè)企業(yè)傳統(tǒng)的數(shù)據(jù)資產(chǎn)。

第二類是機器設(shè)備互聯(lián)數(shù)據(jù)，主要是指工業(yè)生產(chǎn)過程中，裝備、物料及產(chǎn)品加工過程的工況狀態(tài)、環(huán)境參數(shù)等運營情況數(shù)據(jù)，通過MES系統(tǒng)實時傳遞，目前在智能裝備大量應用的情況下，此類數(shù)據(jù)量增長最快。

第三類是企業(yè)外部數(shù)據(jù)，這包括了工業(yè)企業(yè)產(chǎn)品售出之后的使用、運營情況的數(shù)據(jù)，同時還包括了大量客戶、供應商、互聯(lián)網(wǎng)等數(shù)據(jù)狀態(tài)。

——工業(yè)大數(shù)據(jù)特征——

筆者曾就工業(yè)大數(shù)據(jù)特征及數(shù)據(jù)驅(qū)動工業(yè)價值創(chuàng)造等話題，專門采訪過工業(yè)大數(shù)據(jù)領(lǐng)域知名專家——美國科學基金會（NSF）智能維護系統(tǒng)（IMS）中心主任李杰教授，他表示：工業(yè)大數(shù)據(jù)與互聯(lián)網(wǎng)大數(shù)據(jù)最大的區(qū)別在于工業(yè)大數(shù)據(jù)有非常強的目的性，而互聯(lián)網(wǎng)大數(shù)據(jù)更多的是一種關(guān)聯(lián)的挖掘，是更加發(fā)散的一種分析。

除此之外，兩者在數(shù)據(jù)的特征和面臨的問題方面也有不同。有別于互聯(lián)網(wǎng)大數(shù)據(jù)，工業(yè)大數(shù)據(jù)的分析技術(shù)核心要解決“3B”問題：

1）Below Surface —— 隱匿性，即需要洞悉背后的意義

工業(yè)環(huán)境中的大數(shù)據(jù)與互聯(lián)網(wǎng)大數(shù)據(jù)相比，最重要的不同在于對數(shù)據(jù)特征的提取上面，工業(yè)大數(shù)據(jù)注重特征背后的物理意義以及特征之間關(guān)聯(lián)性的機理邏輯，而互聯(lián)網(wǎng)大數(shù)據(jù)則傾向于僅僅依賴統(tǒng)計學工具挖掘?qū)傩灾g的相關(guān)性。

2）Broken —— 碎片化，即需要避免斷續(xù)、注重時效性

相對于互聯(lián)網(wǎng)大數(shù)據(jù)的量，工業(yè)大數(shù)據(jù)更注重數(shù)據(jù)的全，即面向應用要求具有盡可能全面的使用樣本，以覆蓋工業(yè)過程中的各類變化條件、保障從數(shù)據(jù)中能夠提取以反映對象真實狀態(tài)的信息全面性。因此，工業(yè)大數(shù)據(jù)一方面需要在后端的分析方法上克服數(shù)據(jù)碎片化帶來的困難，利用特征提取等手段將這些數(shù)據(jù)轉(zhuǎn)化為有用的信息，另一方面，更是需要從數(shù)據(jù)獲取的前端設(shè)計中以價值需求為導向制定數(shù)據(jù)標準，進而在數(shù)據(jù)與信息流通的平臺中構(gòu)建統(tǒng)一的數(shù)據(jù)環(huán)境。

3）Bad Quality —— 低質(zhì)性，即需要提高數(shù)據(jù)質(zhì)量、滿足低容錯性

數(shù)據(jù)碎片化缺陷來源的另一方面也顯示出對于數(shù)據(jù)質(zhì)量的擔憂，即數(shù)據(jù)的數(shù)量并無法保障數(shù)據(jù)的質(zhì)量，這就可能導致數(shù)據(jù)的低可用率，因為低質(zhì)量的數(shù)據(jù)可能直接影響到分析過程而導致結(jié)果無法利用，但互聯(lián)網(wǎng)大數(shù)據(jù)則不同，其可以只針對數(shù)據(jù)本身做挖掘、關(guān)聯(lián)而不考慮數(shù)據(jù)本身的意義，即挖掘到什么結(jié)果就是什么結(jié)果，最典型的就是經(jīng)過超市購物習慣的數(shù)據(jù)挖掘后啤酒貨架就可以擺放在尿不濕貨架的對面，而不用考慮他們之間有什么機理性的邏輯關(guān)系；

換句話說，相比于互聯(lián)網(wǎng)大數(shù)據(jù)通常并不要求有多么精準的結(jié)果推送，工業(yè)大數(shù)據(jù)對預測和分析結(jié)果的容錯率遠遠比互聯(lián)網(wǎng)大數(shù)據(jù)低的多?；ヂ?lián)網(wǎng)大數(shù)據(jù)在進行預測和決策時，僅僅考慮的是兩個屬性之間的關(guān)聯(lián)是否具有統(tǒng)計顯著性，其中的噪聲和個體之間的差異在樣本量足夠大時都可以被忽略，這樣給出的預測結(jié)果的準確性就會大打折扣。比如當我覺得有70％的顯著性應該給某個用戶推薦A類電影，即使用戶并非真正喜歡這類電影也不會造成太嚴重的后果。但是在工業(yè)環(huán)境中，如果僅僅通過統(tǒng)計的顯著性給出分析結(jié)果，哪怕僅僅一次的失誤都可能造成嚴重的后果。

——工業(yè)大數(shù)據(jù)技術(shù)：算法與模型——

有了工業(yè)數(shù)據(jù)的大量積累，但并不等于直接的商業(yè)收益，中間隔著一道非常關(guān)鍵的通道——工業(yè)大數(shù)據(jù)技術(shù)。近幾年，很多大數(shù)據(jù)專家和行業(yè)專家也在爭執(zhí)：數(shù)據(jù)量重要還是大數(shù)據(jù)算法更重要，雙方各執(zhí)一詞。比如Googole就認為數(shù)據(jù)量的多寡至關(guān)重要，甚至直言：更多的數(shù)據(jù)勝過更好的算法。這種觀點與我們意識認知中的“信息越多，就越靠近真相”類似。

而如《The Signal and the Noise》（信號與噪聲，作者Nate Silver），這本書里面的一個觀點是“更多的數(shù)據(jù)意味著更多的噪聲。信號是真相，噪聲卻使我們離真相越來越遠?！彼?，人們需要構(gòu)建有效的算法和模型，去識別和認知何為真相。

在這里暫不討論到底是數(shù)據(jù)量重要還是算法模型更重要，但針對工業(yè)大數(shù)據(jù)的有效利用，肯定離不開工業(yè)大數(shù)據(jù)的分析技術(shù)。

——工業(yè)大數(shù)據(jù)應用領(lǐng)域（場景）——

一、研發(fā)設(shè)計：主要用于提高研發(fā)人員的研發(fā)創(chuàng)新能力，研發(fā)效率和質(zhì)量，支持協(xié)同設(shè)計，具體體現(xiàn)在：（1）、基于模型和仿真的研發(fā)設(shè)計；（2）、基于產(chǎn)品生命周期的設(shè)計；（3）、融合消費者反饋的設(shè)計

二、在復雜生產(chǎn)過程優(yōu)化的應用：（1）、工業(yè)物聯(lián)網(wǎng)生產(chǎn)線；（2）、生產(chǎn)質(zhì)量控制；（3）、生產(chǎn)計劃與排程；

三、在產(chǎn)品需求預測中的應用

四、在工業(yè)供應鏈優(yōu)化中的應用

——工業(yè)大數(shù)據(jù)應用發(fā)展存在的主要問題——

《工業(yè)大數(shù)據(jù)白皮書2017年版》指出，研究與應用工業(yè)大數(shù)據(jù)，產(chǎn)品大數(shù)據(jù)是核心，物聯(lián)大數(shù)據(jù)是實現(xiàn)手段，集成貫通是基礎(chǔ)（業(yè)務模式、商業(yè)和價值驅(qū)動、關(guān)鍵抽取和應用）。而在實踐過程中，這三個方面都存在不同程度的難點。

《工業(yè)大數(shù)據(jù)白皮書2017年版》封面

1、產(chǎn)品大數(shù)據(jù)：產(chǎn)品大數(shù)據(jù)是工業(yè)大數(shù)據(jù)的根源與核心，但工業(yè)制造業(yè)領(lǐng)域涵蓋十分廣泛，行業(yè)種類繁多，產(chǎn)品種類數(shù)量龐大且仍在不斷增長，如何規(guī)范產(chǎn)品大數(shù)據(jù)的定義與分類方法，建立規(guī)范的、屬性明確的、可查詢可追溯可定位的產(chǎn)品大數(shù)據(jù)，將是順利應用工業(yè)大數(shù)據(jù)的前提。

2、物聯(lián)接入設(shè)備：物聯(lián)大數(shù)據(jù)是實現(xiàn)工業(yè)大數(shù)據(jù)暢通流動的必要手段，但在工業(yè)實際應用中，工業(yè)軟件、高端物聯(lián)設(shè)備不具備國產(chǎn)自主可控性，物聯(lián)接入的高端設(shè)備的讀寫不開放，形成設(shè)備信息的孤島，數(shù)據(jù)流通不暢，突破這種束縛是實現(xiàn)工業(yè)大數(shù)據(jù)的關(guān)鍵。

3、信息集成貫通：集成貫通的難點在于商業(yè)驅(qū)動、打通關(guān)鍵點和環(huán)節(jié)，掌控產(chǎn)品源和設(shè)備，持續(xù)優(yōu)化。