工业大数据的概念与价值.docx-道客多多

资源描述

1、工业大数据的概念与价值序言：拥抱工业大数据时代的到来当前，以大数据、云计算、移动物联网等为代表的新一轮科技革命席卷全球，正在构筑信息互通、资源共享、能力协同、开放合作的制造业新体系，极大地扩展了制造业创新与发展空间。新一代信息通信技术的发展驱动制造业迈向转型升级的新阶段数据驱动的新阶段，这是新的技术条件下制造业生产全流程、全产业

2、链、产品全生命周期的数据可获取、可分析、可执行的必然结果，也是制造业隐性知识显性化不断取得突破的内在要求。习近平总书记强调， “要着力推动互联网与实体经济深度融合发展，以信息流带动技术流、资金流、人才流、物资流，促进资源配置优化，促进全要素生产率提升 ”。习总书记这段话深刻阐释了互联网与实体经济的关系，阐释了以互联网为代表

3、的新一代信息通信技术融合创新推动实体经济转型升级的内在机理，也充分体现了工业大数据作为一种新的资产、资源和生产要素，在制造业创新发展中的作用。可以从三方面来理解。首先，资源优化是目标。新一代信息通信技术与制造业融合主要动力和核心目标就是不断优化制造资源的配置效率，就是要实现更好的质量、更低的成本、更快的交付、更多的满意度，就是要提高

4、制造业全要素生产率。从企业竞争的角度来看，企业是一种配置社会资源的组织，是通过对社会资本、人才、设备、土地、技术等资源进行组合配置来塑造企业竞争能力的组织，是一个通过产品和服务满足客户需求的组织，企业之间竞争的本质是资源配置效率的竞争，这是任何一个时代技术创新应用永恒追求的目标。其次，数据流动是关键。新一

5、代信息通信技术是如何优化制造资源配置效率？信息流是如何带动技术流、资金流、人才流、物资流？关键是数据流动。从数据流动的视角来看，数字化解决了 “有数据 ”的问题，网络化解决了 “能流动 ”的问题，智能化要解决数据“ 自动流动” 的问题，即能够把正确的数据在正确的时间以正确的方式传递给正确的人和机器，能够把海量的工业数据转化为信息，信息转化为知识，知识转化为科

6、学决策，以应对和解决制造过程的复杂性和不确定性等问题，在这一过程中不断提高制造资源的配置效率。第三，工业软件是核心。工业大数据的核心在于应用，在于优化资源配置效率，其关键在于，数据如何转化为信息，信息如何转化为知识，知识如何转化为决策，其背后都有赖于软件 ,软件是人类隐性知识显性化的载体，软件构建了一套数

7、据如何流动的规则体系，正是这套规则体系确保了正确的数据能够在正确的时间以正确的方式传递给正确的人和机器。工业软件作为一种工具、要素和载体，为制造业建立了一套信息空间与物理空间的闭环赋能体系，实现了物质生产运行规律的模型化、代码化、软件化，使制造过程在虚拟世界实现快速迭代和持续优化，并不断优化物质世界的运行。目录1. 工业大数据的概念 11.1. 工业大数据的内涵 .11.2. 工业大数据的定义 .1

8、1.3. 工业大数据的空间分布 .31.4. 工业大数据的产生主体 .31.5. 工业大数据的发展趋势 .41.6. 工业大数据的特点 .51.7. 工业系统的本质特征 .51.8. 工业大数据的 4V 特征 81.9. 工业大数据的新特征 .101.10. 工业大数据应用特征 .112. 工业大数据的价值 152.1. 工业大数据的创新价值 .152.2. 数据始终影响着人类工业化进程 .152.3. 数据在信息化过程中发挥着核心作用 .172.4. 工业大数据是新工业革命的基础动力 .172.5. 中国是制造大国，但不是制造强国 182.6. 工业大数据提升制造智能化水平，推动中国工业升级

9、 192.7. 工业大数据支撑工业互联网发展，促进中国工业转型 202.8. 工业大数据助力中国制造弯道取直 .211. 工业大数据的概念本章主要讨论工业大数据的概念、意义和发展历程。1.1.工业大数据的内涵本节主要讨论工业大数据的内涵，从空间分布、产生主体两个维度对工业大数据进行分类，并讨论数据产生主体和内容结构演化路径。1.2.工业大数据的定义工业大数据即工业数据的总和，我们把它分成三类，即企业信息化数据、工业物联网数据，以及外部跨界数据

10、。其中，企业信息化和工业物联网中机器产生的海量时序数据是工业数据规模变大的主要来源。工业大数据是智能制造与工业互联网的核心，其本质是通过促进数据的自动流动去解决控制和业务问题，减少决策过程所带来的不确定性，并尽量克服人工决策的缺点。首先，企业信息系统存储了高价值密度的核心业务数据。上世纪六十年代以来信息技术

11、加速应用于工业领域，形成了制造执行系统（ MES）、企业资源规划（E RP）、产品生命周期管理（P LM）、供应链管理（ SCM）和客户关系管理（ CRM）等企业信息系统。这些系统中积累的产品研发数据、生产制造数据、供应链数据以及客户服务数据，存在于企业或产业链内部，是工业领域传统数据资产。其次，近年来物联网技术快速发展，工业物联网成为工业大数据新的、

12、增长最快的来源之一，它能实时自动采集设备和装备运行状态数据，并对它们实施远程实时监控。最后，互联网也促进了工业与经济社会各个领域的深度融合。人们开始关注气候变化、生态约束、政治事件、自然灾害、市场变化等因素对企业经营产生的影响。于是，外部跨界数据已成为工业大数据不可忽视的来源。1.3.工业大数据的空间分布工业大数据不仅

13、存在于企业内部，还存在于产业链和跨产业链的经营主体中。企业内部数据，主要是指 MES、 ERP、PLM 等自动化与信息化系统中产生的数据。产业链数据是企业供应链（ SCM）和价值链（ CRM）上的数据，主要是指企业产品供应链和价值链中来自于原材料、生产设备、供应商、用户和运维合作商的数据。跨产业链数据，指来自于企业产品生产和使用过程

14、中相关的市场、地理、环境、法律和政府等外部跨界信息和数据。1.4.工业大数据的产生主体人和机器是产生工业大数据的主体。人产生的数据是指由人输入到计算机中的数据，例如设计数据、业务数据、产品评论、新闻事件、法律法规等。机器数据是指由传感器、仪器仪表和智能终端等采集的数据。智能制造与工业互联网发展，应致力于推动数据的自动采集。对特定企业而言，机器数据的产生主体可分为生产设备

15、和工业产品两类。生产设备是指作为企业资产的生产工具，工业产品是企业交付给用户使用的物理载体。前一类数据主要服务于智能生产，为智能工厂生产调度、质量控制和绩效管理提供实时数据基础；后一类数据则侧重于智能服务，通过传感器感知产品运行状态信息，帮助用户降低装备维修成本、提高运行效率、提供安全保障。随着互联网与工业的

16、深度融合，机器数据的传输方式由局域网络走向广域网络，从管理企业内部的机器拓展到管理企业外部的机器，支撑人类和机器边界的重构、企业和社会边界的重构，释放工业互联网的价值。1.5.工业大数据的发展趋势从数据类型看，工业大数据可分为结构化数据、半结构化数据和非结构化数据。结构化数据即关系数据，存储在数据库里，可以用二维表结构

17、来表达实体及其联系。不方便用二维表结构来表达的数据即称为非结构化数据，包括办公文档、文本、图片、各类报表、图像、音频、视频等。所谓半结构化数据，就是以 XML 数据为代表的自描述数据，它介于结构化数据和非结构化数据之间。二十世纪六十年代，计算机在企业管理中得到应用，经历了层次、网状等模型后，统一为关系模型，形

18、成了以结构化数据为基础的ERP/MES 管理软件体系。七十年代，随着计算机图形学和辅助设计技术的发展， CAD/CAE/CAM 等工具软件生成了三维模型、工程仿真、加工代码等复杂结构文件，形成了以非结构化数据为基础的 PDM 技术软件体系。二十一世纪，互联网和物联网为企业提供大量的文本、图像、视音频、时序、空间等非结构化数据，进而引发工业数据中结构化数据与非结构

19、化数据的规模比例发生了质的变化。近年来，智能制造和工业互联网推动了以“ 个性化定制、网络化协同、智能化生产和服务化延伸”为代表的新兴制造模式的发展，未来由人产生的数据规模的比重将逐步降低，机器数据所占据的比重将越来越大。2 012 年美国通用电气公司提出的工业大数据（狭义的），主要指工业产品使用过程中由传感器采集的以时空序列为主要类型的机器数据，包括装备状态参数、工况负载和作业环境等信息。1.6

20、.工业大数据的特点在未来理想状态下，工业大数据应该作为工业系统相关要素在赛博空间的数字化映像、运行轨迹及历史痕迹。工业大数据的特点，应该体现工业系统的本质特征和运行规律，并推动工业进入智能制造时代。本节主要比较分析工业大数据的特点，进而为后续的讨论奠定基础。1.7.工业系统的本质特征工业系统往往具有复杂动态系统特性。飞机、高

21、铁、汽车、船舶、火箭等高端工业产品本身就是复杂系统；产品设计过程，首先要满足外部系统复杂多变的需求；生产过程更是一个人机料法环协同交互的多尺度动态系统；使用过程本质上就是产品与外部环境系统的相互作用过程。由此可见，产品全生命周期相关各个环节都具有典型的系统性特征。确定性是工业系统本身能够有效运行的基础。对设计过程来说，确定性体现为对用户需求、制

22、造能力的准确把握；对生产过程来说，确定性体现为生产过程稳定、供应链可靠、高效率和低次品率；对使用过程来说，确定性体现为产品持久耐用、质量稳定和对外部环境变化的适应性。因此，人们总是倾向于提高系统的确定性，避免不确定性因素对系统运行的干扰。工业系统设计一般基于科学的原理和行之有效的经验，输入输出之间的关系体现为强确定性。

23、有效应对不确定性是工业系统相关各方追求的目标。工业系统是一个开放的动态系统，要面临复杂多变的内外部环境。因此，不确定性是工业系统必须面临的客观存在。工业产品全生命周期的各个阶段都面临着不确定性，例如外部市场与用户需求等因素的不确定性、制造过程中人机料法环等要素的不确定性，以及产品使用和运行环境的不确定性。

24、应对不确定性的前提是感知信息、消除不确定性。以工业互联网技术为代表的 ICT 技术的发展和普遍应用，能大大提升信息自动感知的能力，能让我们感知到用户需求和市场的变化、感知到远程设备和供应链的异动、感知到人机料法环等诸要素的状态，可减少人在信息感知环节的参与，降低人对信息感知所带来的不确定性影响。在感知的基础上，可以更快速、科

25、学地应对不确定性：通过智能服务，解决用户使用过程中遇到的不确定性问题；通过智能设备，应对设备自身、原料以及运行环境所涉及的其它不确定性问题；通过智能生产，应对用户需求和工厂内部变化引起的不确定性问题；通过工业互联网，应对供应链、跨地域协同中的不确定性问题等等。在此基础上，相关过程产生的大数据，能够帮助我们更加深入、准

26、确地理解工业过程，进而将工业过程中的个性化问题归结成共性问题、形成知识，并用于优化和指导企业的各种业务。这样，通过工业互联网和大数据技术的应用，能将不确定性转化为开拓市场、提质增效、转型创新的能力，把工业带入智能制造时代。由此可见，工业系统同时具有确定性和不确定性的特征，确定性是目标，不确定性则是机会。1.

27、8.工业大数据的 4V 特征工业大数据首先符合大数据的 4V 特征，即大规模（V olumn）、速度快（ Velocity）、类型杂（ Variety）、低质量（ Veracity）。所谓“ 大规模 ”，就是指数据规模大，而且面临着大规模增长。我国大型的制造业企业，由人产生的数据规模一般在 TB 级或以下，但形成了高价值密度的核心业务数据。机器数据规模将可达 PB 级，是 “大”数据的

28、主要来源，但相对价值密度较低。随着智能制造和物联网技术的发展，产品制造阶段少人化、无人化程度越来越高，运维阶段产品运行状态监控度不断提升，未来人产生的数据规模的比重降低，机器产生的数据将出现指数级的增长。所谓“ 速度快 ”，不仅是采集速度快，而且要求处理速度快。越来越多的工业信息化系统以外的机器数据被引入大数据

29、系统，特别是针对传感器产生的海量时间序列数据，数据的写入速度达到了百万数据点 /秒-千万数据点 /秒。数据处理的速度体现在设备自动控制的实时性，更要体现在企业业务决策的实时性，也就是工业 4.0 所强调的基于 “纵向、横向、端到端 ”信息集成的快速反应。所谓“ 类型杂 ”，就是复杂性，主要是指各种类型的碎片化、多维度工程数据，包括设计

30、制造阶段的概念设计、详细设计、制造工艺、包装运输等各类业务数据，以及服务保障阶段的运行状态、维修计划、服务评价等类型数据。甚至在同一环节，数据类型也是复杂多变的，例如在运载火箭研制阶段，将涉及气动力数据、气动力热数据、载荷与力学环境数据、弹道数据、控制数据、结构数据、总体实验数据等，其中包含结构化数据、非

31、结构化文件、高维科学数据、实验过程的时间序列数据等多种数据类型。所谓“ 低质量 ”，就是真实性（ Veracity），相对于分析结果的高可靠性要求，工业大数据的真实性和质量比较低。工业应用中因为技术可行性、实施成本等原因，很多关键的量没有被测量、没有被充分测量或者没有被精确测量（数值精度），同时某些数据具有固有的不可预测性，例如人的操作失误、天气、经

32、济因素等，这些情况导致往往数据质量不高，是数据分析和利用最大的障碍，对数据进行预处理以提高数据质量也常常是耗时最多的工作。1.9.工业大数据的新特征工业大数据作为对工业相关要素的数字化描述和在赛博空间的映像，除了具备大数据的 4V 特征，相对于其它类型大数据，工业大数据集还具有反映工业逻辑的新特征。这些特征可以归纳为多模态、强关联、高通量等特征。“多模态” 。工业大数据是工业系统在赛博空间的映像，必须反映工业系统的系统化

33、特征，必须要反映工业系统的各方面要素。所以，数据记录必须追求完整，往往需要用超级复杂结构来反映系统要素，这就导致单体数据文件结构复杂。比如三维产品模型文件，不仅包含几何造型信息，而且包含尺寸、工差、定位、物性等其它信息；同时，飞机、风机、机车等复杂产品的数据又涉及机械、电磁、流体、声学、热学等多学科、多

34、专业。因此，工业大数据的复杂性不仅仅是数据格式的差异性，而是数据内生结构所呈现出 “多模态” 特征。“强关联” 。工业数据之间的关联并不是数据字段的关联，其本质是物理对象之间和过程的语义关联。包括 1）产品部件之间的关联关系 :零部件组成关系、零件借用、版本及其有效性关系； 2）生产过程的数据关联，诸如跨工序大量工艺参数关联关

35、系、生产过程与产品质量的关系、运行环境与设备状态的关系等； 3）产品生命周期的设计、制造、服务等不同环节的数据之间的关联，例如仿真过程与产品实际工况之间的联系； 4）在产品生命周期的统一阶段所涉及到不同学科不同专业的数据关联，例如民用飞机预研过程中会涉及总体设计方案数据、总体需求数据、气动设计及气动力学分析数据

36、、声学模型数据及声学分析数据、飞机结构设计数据、零部件及组装体强度分析数据、系统及零部件可靠性分析数据等。数据之间的 “强关联” 反映的就是工业的系统性及其复杂动态关系。“高通量” 。嵌入了传感器的智能互联产品已成为工业互联网时代的重要标志，用机器产生的数据来代替人所产生的数据，实现实时的感知。从工业大数据的组成体量上

37、来看，物联网数据已成为工业大数据的主体。以风机装备为例，根据 IEC61400-25 标准，持续运转风机的故障状态其数据采样频率为 50Hz，单台风机每秒产生 225K 字节传感器数据，按 2 万风机计算，如果全量采集每秒写入速率为 4.5GB/ 秒。具体来说，机器设备所产生的时序数据可以总结为以下几个特点 : 海量的设备与测点、数据采集频度高（产生速度快）、数据总吞吐量大、7X

38、24 持续不断，呈现出 “高通量” 的特征。1.10. 工业大数据应用特征我们把工业大数据的应用特征归纳为跨尺度、协同性、多因素、因果性、强机理等几个方面。这些特性都是工业对象本身的特性或需求所决定的。“跨尺度”、“协同性” 主要体现在大数据支撑工业企业的在线业务活动、推进业务智能化的过程中。“跨尺度” 是工业大数据的首要特征。这个特征是工业的复杂系统性所决定的。从业务需求上看，通过 ICT 技术的广泛深入应用，能将

39、设备、车间、工厂、供应链及社会环境等不同尺度的系统在赛博空间中联系在一起。事实上，工业 4.0 强调的横向、纵向、端到端集成，就是把不同空间尺度的信息集成到一起。另外，跨尺度不仅体现在空间尺度，还体现在时间尺度：业务上常常需要将毫秒级、分钟级、小时级等不同时间尺度的信息集成起来。为此，需要综合利用云计算、物联

40、网、边缘计算等技术。“协同性” 是工业大数据的另外一个重要特征。工业系统强调系统的动态协同，工业大数据就要支持这个业务需求。我们进行信息集成的目的，是促成信息和数据的自动流动，加强信息感知能力、减少了决策者所面临的不确定性，进而提升决策的科学性。“牵一发而动全身” 是对 “协同性” 的形象描述、是 “系统性” 的典型特征。具体到工业企业，就

41、是某台设备、某个部门、某个用户的局部问题，能够引发工艺流程、生产组织、销售服务、仓储运输的变化。这就要通过整个企业乃至供应链上多个部门和单位的大范围协同才能做到。“多因素” 、 “因果性” 、 “强机理” 体现在工业大数据支撑过程分析、对象建模、知识发现，并应用于业务持续改进的过程中。工业过程追求确定性、消除不确定性，数据分

42、析过程就必须注重因果性、强调机理的作用。事实上，如果分析结果是具有科学依据的知识，本身就体现了因果性。“多因素”是指影响某个业务目标的因素特别多。事实上，许多大数据分析的目标，就是去发现或澄清人们过去不清楚的影响因素。“多因素” 是工业对象的特性所决定的。当工业对象是复杂的动态系统时，人们必须完整、历史地认识考察它的全貌，才能得到正确的认识；对应到工业大数据分析，就

43、体现为多个因素的复杂关系，进而导致了 “多因素”的现象。认清“ 多因素 ”特点对于工业数据收集有着重要的指导作用。人们往往需要事先尽量完整地收集与工业对象相关的各类数据，才有可能得到正确的分析结果、不被假象所误导。对于非线性、机理不清晰的工业系统， “多因素 ”会导致问题的维度上升、不确定性增加；对应在工业大数据分析过程中，人们常

44、会感觉到数据不足、分析难度极大。“因果性” 源于工业系统对确定性的高度追求。为了把数据分析结果用于指导和优化工业过程，其本身就要高度的可靠性。否则，一个不可靠的结果，可能会引发系统巨大的损失。同时，由于工业过程本身的确定性强，也为追求因果性奠定了基础。为此，工业大数据的分析过程不能止步于发现简单的 “相关性” ，而是要

45、通过各种可能的手段逼近“ 因果性” 。然而，如果用 “系统” 的观点看待工业过程，就会发现：系统中存在各种信息的前馈或者反馈路径。工业技术越是成熟，这种现象也就越普遍。这导致数据中体现的相关关系，往往并不是真正的因果关系。为了避免被假象迷惑，必须在数据准确完备的基础上，进行全面、科学、深入的分析。特别是对于动态的工业过

46、程，数据的关联和对应关系必须准确、动态数据的时序关系不能错乱。“强机理”是获得高可靠分析结果的保证。我们认为：分析结果的可靠性体现在因果和可重复性。而关联关系复杂往往意味着干扰因素众多，也就不容易得到可重复的结论。所以，要得到可靠性的分析结果，需要排除来自各方面的干扰。排除干扰是需要 “先验知识 ”的，而所谓的 “先验知识” 就是机理。在数据维度较

47、高的前提下，人们往往没有足够的数据用于甄别现象的真假。 “先验知识” 能帮助人们排除那些似是而非的结论。这时，领域中的机理知识实质上就起到了数据降维的作用。从另外一个角度看：要得到 “因果性” 的结论，分析的结果必须能够被领域的机理所解释。事实上，由于人们对工业过程的研究往往相对透彻，多数现象确实能够找到机理上的解释。2.

48、工业大数据的价值2.1.工业大数据的创新价值作为人类第一次自己创造的生产资料，工业数据一直伴随着工业的现代化进程，直至走入智能化阶段。2.2.数据始终影响着人类工业化进程恩格斯说： “任何一门学科的真正完善在于数学工具的广泛应用。 ” 高质量、科学管理是工业企业走向现代化的前提。数据对提高质量、效率、管理的作用巨大。十八世纪末，画法几何学的创立标志着工程设计语言的诞生，伴随人类

49、进入工业 1.0 时代，定量化、标准化成为工业 2.0 时代的主要特征，二十世纪中期，数字计算机在工业中的应用开启了工业 3.0 时代。从数据的发展历史看，数据由数、量演变而来，数据具有先天的精确性和实用性特征，计算方法与信息技术的应用必然导致大数据的诞生。在信息化时代，数据随时随地与我们相伴而行， “数据密集型科学发现 ”已成为人类认知世界的第四范式。2.3.数据在信息化过程中发挥着核心作用随着工业进入信息化时代，数据成为工业系统运行的核心要素，追求的目标是把正确（R）的数据在正确（ R）的时间，以正确（ R）的形式送达给正确（ R）的人。 “三分技术、七分管理、十二分数据 ”、 “垃圾进、垃圾出 ”等说法都说明了数据在信息化工程中的重要性。世界工业不断发展的过程，本质上是数据的作用逐渐加强的过程，数据在工业生产力不断提升的过程中发挥着核

展开阅读全文