工业大数据及其应用

　　目前中国工业正面临着转型升级，迫切需要将大数据融合到经营管理与生产运营活动中，来促进制造企业向服务化、智能化转型升级。

　　工业大数据概论与现状

　　工业面临的问题和挑战，一是成本优势不在了，二是数据资源难用了，三是市场反应不准了，四是数据技术落后了，五是工业大数据已经形成，六是工业大数据技术需求迫切。

　　工业大数据的来源，产品全生命周期一般分为三个阶段，开发制造阶段、使用维护阶段和回收利用阶段。工业大数据来源于产品全生命周期各个环节的机器设备数据、工业信息化数据和产业链跨界数据，包括市场、设计、制造、服务、再制造等，每个环节都会有大量数据，全生命周期汇合起来的数据更大。

　　工业大数据有四个特征，一是数据价值密度高数据类型繁多，二是多源异构的结构化，三是数据处理实时性要求非常高，四是数据关系和关联性异常复杂。

　　工业大数据的价值：大数据将在工业各个方面创造价值，像产品的创新、工业物联网、工业供应链的分析优化等。这是工业大数据的平台，应该是最终驱动工业升级和产业整合。工业大数据带来的价值主要体现在两方面：第一是可适应从大订单大批量产销模式向小订单多规格的产销转变的需求。二是可满足在特定工艺水平和设备精度上，进一步改进和提升产品质量的需求。然后是适应市场竞争、缩短产品研制和生产周期的需要。

　　在工业大数据所推动的变革中，即使效率只提升1%，效益也是空前巨大的。如在全球节约1%的商用航空燃料意味着节约300亿美元的成本。工业大数据是工业互联网与工业4.0的核心关键技术。

　　工业大数据的现状：大数据正从零售、金融、电信、物流、医疗、交通等领域加速向工业拓展。百度的工业大数据监测平台已应用到汽车、日化等行业，三一重工利用大数据分析技术为智能工程机械物联网提供决策支持。

　　工业大数据应用与案例

　　一是工业大数据应用广泛。第一是加速产品创新设计，传统的产品设计模式是基于设计师的灵感和经验，揣摩消费者的需求喜好，设计的产品针对性不强，不精确。大数据可拉近消费者与设计师的距离，精准量化客户需求，指导设计过程，改变设计模式。

　　未来产品的创新设计主要有三种模式：一是C2B定制模式，二是垂直整合的制造模式，三是柔性的制造模式。福特公司将大数据应用到福特福克斯电动车的产品创新和优化中，使这款车成为一款名副其实的大数据电动车。

　　二是产品故障诊断与预测。

　　三是供应链的分析和优化，产品电子标识、物联网、移动互联网等技术能帮助工业类企业获得完善的产品供应链的大数据。基于大数据技术，利用销售数据、产品的传感器数据和供应商数据库的数据，企业可准确地预测全球不同区域的需求，通过跟踪库存和销售价格，可以在价格下跌时买进，从而可节约大量的成本。大数据将带来仓储、配送、销售效率的大幅提升和成本的大幅下降，实现供应链的优化。

　　四是产品销售预测与大数据营销。大数据是一个很好的销售分析工具，通过历史数据的多维度组合，可以看出区域性需求占比与变化、产品品类的市场受欢迎程度以及最常见的组合形式、消费者的层次等，以此来调整产品策略和铺货策略。

　　五是生产计划与排程。大数据可以给予企业详细的数据信息，发现历史预测与实际的偏差概率，考虑产能约束、人员技能约束、物料可用约束、工装模具约束，通过智能的优化算法，制定预计划排程，并监控计划与实际的偏差，动态地调整计划。

　　六是产品质量管理与分析。在工业类企业对产品进行管理与分析时会产生大量的数据，利用传统的分析方法难以发现数据之间复杂的隐性关联关系。然而利用大数据技术，建立质量管理分析平台可快速得到一个长长的传统单一指标的过程能力分析报表，更重要的是还可以从同样的大数据集中得到很多崭新的分析结果。

　　七是无线网络智能管控。随着移动数据业务、用户数量的增多和需求的差异化，用户出现等级分化，无线网络中的策略控制与计费方式需进一步考虑用户的匹配性，从而制定更合理的资源分配方式以适配不同层级的用户体验。

　　八是移动通信大数据网络的部署。移动通信大数据具备较高的“空-时”变化特征，传统固定的移动网络部署无法有效匹配某一特定区域内的流量与负载特征，超密集化的小区部署也无法实时适配业务需求的动态变化。

　　九是基于通信大数据的金融征信判别。通信行业的大数据应用于金融行业是征信领域。目前，国内互联网金融发展的一大壁垒是信用体系的缺失，而运营商拥有的宝贵大数据将是较好的解决渠道之一。

　　工业大数据的技术与挑战

　　面向工业大数据的思考。思考一，工业大数据和企业已有数据之间的关系。工业大数据应该遵循二八法则，第一是数据价值密度方面，也就是20%的SQL小数据具有80%的价值密度。他们之间相互依存、不可分割。思考二，工业大数据和业务流程的关系，传统企业信息化项目一般是从梳理业务流程起步的，流程主动、数据被动，而工业大数据环境下，要求企业快速满足个性化用户需求，企业僵化的长流程难以适应实时决策的要求。思考三，工业大数据的驱动力。思考四，工业大数据的工作步骤，思考五，工业大数据的特殊性。

　　工业大数据的科学问题，主要有五方面。一是数据来源多，数据类型不统一，数据质量要求高。研究突破工业大数据多源异构数据的实时集成与数据融合技术。二是数据存储的可靠性要求。三是工业大数据分析模型难度大，决策分析的影响因素多。四是需要构建工业大数据智能分析工具。五是需要大数据驱动下的工业物联网与智能制造模型。

　　工业大数据的关键技术。一是工业大数据平台架构与存储技术，二是多源异构工业大数据统一描述与集成分析技术，大数据驱动的工业系统分析与决策支持技术、工业大数据可视化技术，容灾备份技术等。

　　工业大数据学术研究方向主要有两个。方向一是数据科学基础理论。方向二是大数据技术及应用，一是大数据分析与挖掘，二是大数据可用与可视化，三是大数据隐私与安全，四是大数据系统架构与基础设施，五是大数据存储管理模型与技术。

　　挑战一，大数据技术的应用仍有困难。第一是数据搜集，要对来自网络包括物联网和机构信息系统的数据附上时空标签，去伪存真，尽可能收集异源甚至是异构的数据，还可与历史数据对照，多角度检验数据的全面性和可信性。第二是数据存储，要达到低成本、低能耗、高可靠性目标，要用到冗余配置，分布和云计算技术，存储时对数据进行分类，并加入便于检索的标签。第三是数据处理，利用上下文关联进行语义分析。第四是可视化呈现，目前计算机智能化有了很大的进步和发展，但是谈不到深层次数据挖掘，现有数据挖掘算法在行业中难以应用，就是我们谈到的智能之路进步很大，但还很遥远。挑战二，大数据给信息安全带来新挑战，一是加大隐私泄露风险，二是对现有存储和安全措施提出挑战，三是被运用到攻击手段中。工业大数据是新一轮产业革命的核心，是实现工业4.0、工业互联网的重要抓手，将推动企业从制造走向智造。需要用全新的大数据思维模式开辟工业化建设实现跨越式发展的新途径。

　　（本文根据何友院士2018国家智能产业峰会上演讲整理而成，未经本人确认。）

　　中国工程院院士 何友

关注读览天下微信， 100万篇深度好文， 等你来看……