什么是工業(yè)大數(shù)據(jù)？

隨著新工業(yè)革命時代的序幕徐徐拉開，物聯(lián)網(wǎng)、工業(yè)互聯(lián)網(wǎng)、智能ICT技術(shù)、人工智能等技術(shù)成為舞臺上最受矚目的新星。在這些新興技術(shù)的推動下，工業(yè)領(lǐng)域中的大數(shù)據(jù)環(huán)境正在逐漸形成，數(shù)據(jù)從制造過程中的副產(chǎn)品轉(zhuǎn)變成為備受企業(yè)關(guān)注的戰(zhàn)略資源。如果大數(shù)據(jù)是工業(yè)價值轉(zhuǎn)型的核心驅(qū)動力，那么我們該怎么去定義和使用大數(shù)據(jù)？關(guān)于這個問題，我們在《工業(yè)大數(shù)據(jù)》這本書中曾表達(dá)過一個觀點：大數(shù)據(jù)并不是目的，而是分析問題的一種視角和解決問題的一種手段。通過對數(shù)據(jù)的洞察，可以預(yù)測需求、預(yù)測制造、挖掘不可見世界的價值、解決和避免不可見問題的風(fēng)險，以及利用數(shù)據(jù)去整合產(chǎn)業(yè)鏈和價值鏈，這些才是大數(shù)據(jù)的核心價值和目的。

一提到大數(shù)據(jù)，人們首先會想到在互聯(lián)網(wǎng)和商業(yè)等環(huán)境中，利用大量的行為數(shù)據(jù)來分析用戶行為和預(yù)測市場趨勢等應(yīng)用。但是對工業(yè)大數(shù)據(jù)的定義和應(yīng)用卻很難直觀地理解和想象。現(xiàn)在對大數(shù)據(jù)最為流行的定義，來自于維克托·邁爾-舍恩伯格（Viktor Mayer-Schnberger）和肯尼斯·克耶（Kenneth Cukier）編寫的《大數(shù)據(jù)時代》中提出的4V特性，即Volume（數(shù)據(jù)量大）、Velocity（流動速度快）、Veracity（準(zhǔn)確性）和Variety（來源多樣）。這個定義是針對互聯(lián)網(wǎng)和社會環(huán)境中的大數(shù)據(jù)，從數(shù)據(jù)工程的技術(shù)挑戰(zhàn)方面所提出的。而工業(yè)大數(shù)據(jù)的挑戰(zhàn)和目的則要通過“3B” 和 “3C” 來理解。

工業(yè)大數(shù)據(jù)應(yīng)用的“3B”挑戰(zhàn)：

Bad Quality——在工業(yè)大數(shù)據(jù)中，數(shù)據(jù)質(zhì)量問題一直是許多企業(yè)所面臨的挑戰(zhàn)。這主要受制于工業(yè)環(huán)境中數(shù)據(jù)獲取手段的限制，包括傳感器、數(shù)采硬件模塊、通信協(xié)議和組態(tài)軟件等多個技術(shù)限制。對數(shù)據(jù)質(zhì)量的管理技術(shù)是一個企業(yè)必須要下的硬功夫。

Broken——工業(yè)對于數(shù)據(jù)的要求并不僅在于量的大小，更在于數(shù)據(jù)的全面性。在利用數(shù)據(jù)建模的手段解決某一個問題時，需要獲取與被分析對象相關(guān)的全面參數(shù)，而一些關(guān)鍵參數(shù)的確會使分析過程碎片化。舉例而言，當(dāng)分析航空發(fā)動機(jī)性能時需要溫度、空氣密度、進(jìn)出口壓力、功率等多個參數(shù)，而當(dāng)其中任意一個參數(shù)缺失時都無法建立完整的性能評估和預(yù)測模型。因此對于企業(yè)來說，在進(jìn)行數(shù)據(jù)收集前要對分析對象和目的有清楚的規(guī)劃，這樣才能夠確保所獲取數(shù)據(jù)的全面性，以免斥巨資積累了大量數(shù)據(jù)后發(fā)現(xiàn)并不能解決所關(guān)心的問題。

Below the Surface——除了對數(shù)據(jù)所反映出來的表面統(tǒng)計特征進(jìn)行分析以外，還應(yīng)該關(guān)注數(shù)據(jù)中所隱藏的相關(guān)性。對這些隱藏在表面以下的相關(guān)性進(jìn)行分析和挖掘時，需要一些具有參考性的數(shù)據(jù)進(jìn)行對照，也就是數(shù)據(jù)科學(xué)中所稱的 “貼標(biāo)簽” 過程。這一類數(shù)據(jù)包括工況設(shè)定、維護(hù)記錄、任務(wù)信息等，雖然數(shù)據(jù)量不大，但在數(shù)據(jù)分析中卻起到至關(guān)重要的作用。

?

工業(yè)大數(shù)據(jù)分析的“3C”目的：

Comparison（比較性）——從比較過程中獲取洞察，既包括比較相似性，也包括比較差異性。比較的維度既可以是在時間維度上與自身狀態(tài)的比較，也可以是在集群維度上與其他個體的比較。這種比較分析能夠幫助我們將龐大的個體信息進(jìn)行分類，為接下來尋找相似中的普適性規(guī)律和差異中的因果關(guān)系奠定基礎(chǔ)。

Correlation (相關(guān)性)——如果說物聯(lián)網(wǎng)是可見世界的連接，那么所連接對象之間的相關(guān)性就是不可見世界的連接。對相關(guān)性的挖掘是形成記憶和知識的基礎(chǔ)，簡單地將信息存儲下來并不能稱之為記憶，通過信息之間的關(guān)聯(lián)性對信息進(jìn)行管理和啟發(fā)式的聯(lián)想才是記憶的本質(zhì)。相關(guān)性同時也促進(jìn)了人腦在管理和調(diào)用信息時的效率，我們在回想起一個畫面或是情節(jié)的時候，往往并不是去回憶每一個細(xì)節(jié)，而是有一個如線頭一樣的線索，你去牽它一下就能夠引出整個場景。這樣的類似記憶式的信息管理方式運(yùn)用在工業(yè)智能中，就是一種更加靈活高效的數(shù)據(jù)管理方式。

Consequence (因果性)——數(shù)據(jù)分析的重要目的是進(jìn)行決策支持，在制定一個特定的決策時，其所帶來的結(jié)果和影響應(yīng)該被同等地分析和預(yù)測。這是以往的控制系統(tǒng)所不具備的特性，也是智能化的本質(zhì)。工業(yè)系統(tǒng)中的大部分活動都具有很強(qiáng)的目的性，就是把目標(biāo)精度最大化，把破壞度最小化的 “結(jié)果管理”。結(jié)果管理的基礎(chǔ)是預(yù)測，例如制造系統(tǒng)中，如果我們可以預(yù)測到設(shè)備的衰退對質(zhì)量的影響，以及對下一個工序質(zhì)量的影響，就可以在制造過程中對質(zhì)量風(fēng)險進(jìn)行補(bǔ)償和管理，制造系統(tǒng)的彈性和堅韌性就會增加。

總結(jié)而言，互聯(lián)網(wǎng)和商業(yè)大數(shù)據(jù)與工業(yè)大數(shù)據(jù)在技術(shù)挑戰(zhàn)、數(shù)據(jù)屬性和分析目的等方面有很多區(qū)別，這也決定了兩者技術(shù)手段的不同。

工業(yè)大數(shù)據(jù)的價值及意義

在工業(yè)和商業(yè)從分離到融匯的過程中，我們觀察到，有四個值得關(guān)注的重要轉(zhuǎn)變，客戶需求的轉(zhuǎn)變，生產(chǎn)系統(tǒng)的轉(zhuǎn)變，商業(yè)模式的轉(zhuǎn)變，工業(yè)系統(tǒng)運(yùn)轉(zhuǎn)模式（決策模式）的轉(zhuǎn)變?？蛻粜枨蟮霓D(zhuǎn)變，是從無到有、從有到精、再從精到個性化。生產(chǎn)系統(tǒng)的轉(zhuǎn)變，是從簡單到復(fù)雜、從復(fù)雜到規(guī)模化、從規(guī)?；骄婊?、從精益化到柔性化、從柔性化到智能化，最終目的是實現(xiàn)無憂的生產(chǎn)環(huán)境。商業(yè)模式的轉(zhuǎn)變，是從賣產(chǎn)品到賣能力、從賣能力到賣服務(wù)、從賣服務(wù)到賣價值，目的是去挖掘用戶不可見的價值。工業(yè)系統(tǒng)運(yùn)轉(zhuǎn)模式的轉(zhuǎn)變，從應(yīng)激式的解決問題，到基于經(jīng)驗的預(yù)防問題，現(xiàn)在正利用數(shù)據(jù)向基于線索和事實來避免問題的模式轉(zhuǎn)變，最終目的是實現(xiàn)知識的獲取和傳承。這一系列轉(zhuǎn)變背后的核心是工業(yè)價值的轉(zhuǎn)型，大數(shù)據(jù)在這個轉(zhuǎn)型的過程中將起到舉足輕重的作用。簡單來說工業(yè)大數(shù)據(jù)的目的是實現(xiàn)從自造到制造，從制造到智造，從智造到傳承。

利用大數(shù)據(jù)挖掘“不可見世界”中的客戶價值

“有之以為利、無之以為用”是出自老子《道德經(jīng)》中的一句話，其中的智慧放在當(dāng)今工業(yè)的價值模式中依然十分適用。這句話可以理解為：一切事物的實體為我們提供可以憑借的可見的基礎(chǔ)條件，而其中所隱藏的空間和可變化的無限可能才是被我們真正使用并創(chuàng)造價值的所在。

這些價值存在于用戶的使用場景、隱形因素的相關(guān)性和產(chǎn)品被制造和使用的全生命周期這些 “不可見世界” 中。數(shù)據(jù)將成為挖掘這些價值的重要手段，主要體現(xiàn)在：利用數(shù)據(jù)挖掘在使用中獲得新的知識 和技術(shù)對現(xiàn)有產(chǎn)品進(jìn)行改進(jìn)；利用數(shù)據(jù)去發(fā)現(xiàn)和定義用戶未知的需求；以數(shù)據(jù)為媒介向用戶提供增值服務(wù)。

利用大數(shù)據(jù)實現(xiàn)無憂慮的制造環(huán)境有三個方向，數(shù)據(jù)在每一個階段中扮演的作用也并不相同。第一個方向是在解決可見問題的過程中積累經(jīng)驗和知識，從而去避免這些問題。在這個過程中，數(shù)據(jù)可以作為經(jīng)驗和知識的載體。第二個方向是依靠數(shù)據(jù)去分析問題產(chǎn)生的隱性線索（evidence）、關(guān)聯(lián)性和根原因等，進(jìn)而利用預(yù)測分析將不可見問題顯性化，從而實現(xiàn)解決不可見問題的目的?，F(xiàn)在的制造系統(tǒng)正在經(jīng)歷從第一個階段到第二個階段的轉(zhuǎn)變過程，在完成這個過程后，制造系統(tǒng)將不再有“surprise”，使得所有隱性問題在變成顯性問題和影響之前都可以被提前解決。第三個方向是通過對數(shù)據(jù)的深度挖掘，建立知識和問題之間的相關(guān)性，從數(shù)據(jù)中啟發(fā)出新的知識，并能夠利用知識對制造系統(tǒng)進(jìn)行精確的建模，產(chǎn)生能夠指導(dǎo)制造系統(tǒng)活動的鏡像模型，從系統(tǒng)的設(shè)計端避免可見及不可見問題的發(fā)生。

這三個方向?qū)ζ髽I(yè)都非常具有借鑒意義，但是需要對不同的情況也適用于不同的方向?？偟馗爬?，這三個方向分別適用于以下幾類情況中問題的解決：

第一個方向：適合在某一個領(lǐng)域已經(jīng)經(jīng)營了很久，有了一定的經(jīng)驗積累，但是卻很難總結(jié)出為什么做得好或是不好。

第二個方向：在解決了可見的問題之后，仍然存在一些不可見問題對制造系統(tǒng)造成的影響，希望能夠了解不可見因素的變化過程和相互的關(guān)聯(lián)性，積累更加深入的制造知識。

第三個方向：在制造基礎(chǔ)還較為薄弱的領(lǐng)域，并沒有形成太多有效的數(shù)據(jù)，但是擁有非常豐富的使用數(shù)據(jù)和經(jīng)驗，則可以借助使用過程中積累的知識對制造系統(tǒng)提出設(shè)計的要求。