工业大数据实践与思考

　　GE想让机器变得更有“智慧”。而要实现这一点，靠的是数据模型与数据分析。

　　早在2012年，GE就已将目光瞄准工业互联网和大数据，率先提出要依靠机器与设备间的互联互通及分析软件，打造智能机器，实现人、机器和数据的无缝协作。

　　同年，麦肯锡报告也揭示了一个相关事实，即在虚拟经济占据主导地位的美国，其工业界蕴含的数据总量却是最大，也最具价值。

　　那么如何解读工业大数据，可从产生背景、价值创造和工程实践三方面考量。

　　“跨界”整合数据

　　工业大数据已成为新一轮产业革命的重要动力。

　　为什么提出工业大数据，源于四个方面：一是数字化装备和产品的普及，二是装备和产品网络化联接的普及，三是企业向服务型制造的转型，四是“从摇篮到摇篮”再制造的必然要求。

　　无论是德国提出的“工业4.0”，还是美国定义的“工业互联网”，大数据在其中都发挥着重要作用。IBM认为，工业4.0是大数据驱动的智能制造，无数据不智能。GE表示，工业互联网最重要的就是数据分析，未来每一家工业企业也必须是一家软件企业，有了软件必然会有数据。

　　工业大数据是以工业、工业产品为主体，这些数据源于产品生命周期的各个环节，涵盖三个重要阶段——开发制造阶段（即Beginning of Life）、使用维护阶段（即Middle of Life）及回收利用阶段（即End of Life）。其中，第一阶段和第二阶段的分离点是产品交付用户的时刻，第二阶段和第三阶段的分离点则是产品退役时刻。

　　在产品生命周期中，包括市场、设计、制造、服务、再利用等各个环节都会产生数据，“全”生命周期汇合起来的数据更大。当然，企业外、产业链外的“跨界”数据也是工业大数据不可忽视的重要来源。

　　认识工业大数据必须从信息时代发展变迁的视角去权衡。从传统工业IT到GE强调的OT（Operation Technology）概念，再到DT（Data Technology）时代，工业大数据实际是三流合一，整合的是IT时代信息系统中的数据、OT时代以机器为主体的数据，及DT时代网络环境下的互联网数据。

　　数据驱动价值创造

　　拉力战神——Rally Fighter这款车的诞生就是工业大数据应用的一个典型实例。这款车的制造商Local Motors是一家规模不大的网站，之所以能够生产出这样一款跑车与越野车完美融合的产品，依靠的是来自全球约三万多个研发人员提供的一万多个设计方案，从中寻找最优方案，继而生产制造。这种模式正是马云当年称之为C2B的制造模式。

　　这个案例可以窥得互联网时代数据的力量。

　　制造业采购环节的大数据应用也能够帮忙企业提升其供应链体系竞争力。以长安汽车为例，其对生产供应链的高标准建设、高严格把控，使其在2015年跃居中国品牌价值评价汽车行业第一名。

　　长安汽车总裁朱华荣在多个场合多次强调，采购工作要严格成本管控，做好资源储备，杜绝零部件保供风险。而在采购环节真正的货比三家，依靠的是数据，是来自网络渠道更广泛的数据，基于长安汽车强大的云计算平台操作控件。

　　运行大数据的应用也已有了成功实例。澳大利亚力拓集团通过持续监测位于澳大利亚、蒙古和美国矿井，集成20个系统进行专业分析，同时通过管理实验数据、操作日志、控制系统、视频数据以及维护日志，获得大量数据。这些运行数据可用于优化矿石筛分过程，提高铜矿和金矿产量；识别异常情况，辅助现场决策；加快物流效率，减少成本损失。每年可为一个矿井带来一百万美元以上的年收益。

　　工况大数据实践

　　目前，我国在装备工况大数据平台应用方面已经初有成效。“十二五”期间，国内装备龙头企业已经开始建设装备工况大数据平台。随着应用的深入，需将工况数据的处理分析结果，向企业服务、制造甚至设计系统进行反馈，因此需要替换部分原有的关系数据管理系统。

　　与遗留系统进行集成，甚至替换“旧”系统，是工业大数据项目区别于互联网大数据项目的重要内容，因为互联网业务往往是“全新的”。在具体实践中，我们形成了“四阶段”切换方案——即切入准备、写入接口切换、查询接口切换、原数据库切出。

　　以三一工业大数据平台为例，我们现已真正解决了生产系统与其他业务系统的关联和切换问题。目前，有将近二十万台设备（六万台活跃设备）已实现接入，其监控数据都可传到我们的工况大数据平台上来。

　　在得到工况数据以后，首先我们可对装备运营进行监管，不同于传统的运营监管，在大数据技术支持下，运营是成套设备互相协同的运营，例如：以搅拌站为例，通过收集位置数据、油位数据可以对搅拌车运输的过程进行优化调度，从而避免拥堵、减少等待、降低能耗。

　　再举个例子，我们知道液压系统是工程机械的核心系统之一，导致故障的原因很多，如密封套腐蚀、内壁刮花、密封环损坏，阀块受损等。有了工况大数据就可以寻找更深层次的原因。

　　我们可以通过大规模比对开工指标，从典型取值、波动幅度、回传密度多个维度进行分析，自动搜索推荐与故障车辆关系密切的特征工况，发现这些故障车辆的每分钟换向次数在变化幅度上高度相关。

　　再通过引入互联网上的行政区划数据和历年高铁建设数据（企业外部数据），可以得出这样一个结论：这些典型故障均发生在2012年~2013年期间在建重大工程“杭深高铁”沿线，这为我们寻找更深层次的原因提供了重要线索。此外，通过大规模工况数据我们还可透视宏观装备应用情况，根据这些信息进行易损配件需求的预测，优化调配我们的服务资源。当然，装备开工情况，也反映了各地区宏观经济情况。

　　总之，工业大数据是推动工业产品创新的重要途径，在我国工业大数据刚刚起步阶段，需冷静思考，坚持应用驱动，迈向中国制造强国之路。

　　相关链接

　　工业大数据不是“交钥匙”工程

　　王建民指出，目前工业大数据不存在“交钥匙”工程，原因如下所述。

　　第一，工业大数据项目主要不是针对“现有业务”，而是针对“未来业务”、“创新业务”的，其魅力在于创新性、不确定性；第二，工业大数据现在还处于“科学”阶段，人们对数据价值的“提取”方法、技术与工具尚不成熟，特别是以物理规律发现为目标的工业大数据处理更是刚刚起步；第三，人们普遍认同的“领域专家”、“统计专家”和“软件专家”组成的协同团队，是当前“大数据”深度应用的有效方法。

　　当然，这并非意味着工业大数据项目没有任何共性抓手，比如，“端+云”的低成本海量时空数据存储处理平台、基于大数据的装备寿命预测与可靠性分析平台以及互联网数据与企业数据集成平台等，都是具有共性的工业大数据“软件工具”。

　　■清华大学软件学院副院长 王建民