過去的一年時間，我們聊過一些工業互聯網項目，之前也將幾乎物聯網平臺項目看了一圈，加上跟之前投的工業物聯網項目的討論，對工業智能有一些思考，寫下來，權當作為一個簡單的總結。

工業智能是在現有的工業化和信息化基礎之上，以「數據」為核心，將工業生產全生命周期中涉及的各個軟硬件層面的數據，進行融合加工處理，在此基礎上結合行業經驗、knowhow等將工業知識通過算法、模型等方式進行封裝、固化，用于解決工業生產過程中的問題，形成最優解決方案，提升工業能力，創造增量價值。

數據是工業智能的血液，離開了數據的工業智能如巧婦難為無米之炊。但工業數據的現狀卻也是制約工業智能發展的瓶頸。

1.工業數據從哪來？

工業數據大體可以分為三類：

一是來自于軟件的生產類數據，即各種MES/ERP/PLM/SCM等軟件中關于產品屬性、工藝、生產、采購、訂單、售后等數據；這些數據可以通過軟件對接及集成的方式來獲取，其數據質量相對較高，結構化較強，數據量不大，但具有極大的挖掘價值；

二是來自于設備的數據，包括各種生產設備在運轉過程中的狀態信息、制造參數、生產數據等，這類數據以非結構化數據為主，如設備工況（壓力、溫度、振動、應力等）、音視頻、日志文本等數據。這類數據一般采集于設備的PLC、SCADA及外部安裝的傳感器。這類數據量大、采集頻率高（一般在毫秒級）、實時性強、非結構化強。

三是其他數據，如能耗、用水、溫度、環保等數據。

2.工業數據的問題

即便獲得了工業數據，但這些工業數據遠未到能使用的狀態。工業數據的幾個明顯問題，使得工業數據的使用也具有較大的挑戰。

首先，工業數據本質上是充滿噪音的臟數據，必須經過大量的算法清洗，才能使用；

其次，工業數據的量太大。以高鐵行業舉例，一輛高鐵有8-12個軸箱軸承，每個軸承2-3個振動傳感器，每個軸承每秒采集的數據大約為130M，數據量巨大；

再次，數據所涉及的行業、場景各種各樣；

第四，數據跨學科導致的關系十分復雜，工業領域的數據可能有機械、光、電、熱、磁等各個學科領域。

3.工業大數據or工業小數據

盡管我們在上面說到，工業數據所涉及的數據量巨大，然而在實際的生產過程中，我們面臨的卻是“工業小數據”，甚至“工業無數據”的情況。

導致這種情況存在的原因是多方面的。其中，第一大原因當屬過往數據的缺失。從某種意義上來說，工業生產過程中，過往更多依賴于經驗與knowhow來形成對問題的判斷和解決方案，缺乏采集數據、存儲數據的理念，使得當需要數據來訓練一個模型時，卻往往需要從頭積累。工業智能項目在實施過程中，往往由于缺乏歷史的數據，需要重新采集數據，訓練算法和模型，而使得整個工期大大延長，也使得合同雙方的成本都大大提升。

即便過往有一些數據積累，然后由于目的的不同，所采集的數據類型、方向也存在較大的差異。在過往，數據的采集可能更多是為了做監控、控制，而在工業智能時代，數據采集的初級目的是監控和控制，而終極目的是為了分析、優化和建模。

從另外一個角度上來說，如果將工業智能要完成的目的拆分成一個個具體的問題或者任務，每一個工業APP或工業智能模型解決一個具體的問題，如果能厘清解決該問題的核心因素，有針對性的采集和獲取數據，也許“工業小數據”也能達到良好的效果。

也就是說，如果籠統的看工業大數據，你會對各種類型、來源、存在形式的數據感覺到亂如大海，但細化到具體問題、具體場景來看，也許數據的問題便變得不那么困難。

4.如何快速低成本地獲得高質量的工業數據

既然工業數據存在這么多問題，那么如何獲得高質量的工業數據就變成一件十分重要的事情。

高質量的工業數據獲取，離不開一套自上而下的完整的數據獲取體系的建立。這套體系包含標準定義、有效的數據庫、強大的PaaS支持，高效的數據整合、完整的協議解析以及低成本的采集終端五個方面。

低成本的采集終端：應用于各種場景及設備的低成本傳感器；

完整的協議解析：數十種工業協議的打通是一件費時費力的苦活累活，雖然不難，卻又苦又累、不得不做；

強大的PaaS支持：PaaS平臺負責數據的管理、調用、資源管理、分析展示和安全管理等；

高效的數據庫：工業數據涉及設備工況及傳感器數據，這類數據頻率高、量大，用傳統關系型數據庫處理，吞吐量大，處理速度慢、性能差。時序數據庫的高壓縮、高性能特點能有效解決上述問題；

完整的標準定義及數據整合：統一的主數據管理，建立數據標準，制定統一的編碼、結構、流轉方式和屬性，確保數據的一致性；逐步積累行業知識庫、合適的算法組建及相關機理模型。

5. 工業數據智能的層次：從數據展示到數據智能

我們認為，在實踐過程中，工業數據智能至少分為兩個層次：一是數據可視化，二是數據智能。

初級層次：數據可視化。即將所獲得的各種數據以各種報表及圖形形式進行統計和展示，而由人通過過往的經驗與知識來進行判斷、決策和優化。

高級層次：數據智能。即在數據統計分析的基礎上，結合行業經驗、知識、機理形成自動化的決策和優化能力。

任何一個做智能化轉型的行業，采用數據驅動的方式，最終目的都是要將人的決策過程自動化。也就是說，我們所理解的數據驅動的工業智能，是要將以前要靠人去將不同系統里的數據進行整合信息、內化成知識、最后形成決策的過程，完全變成自動化的過程。

顯而易見，高級層次的數據智能是工業智能所追求的真正的目標，而數據可視化只是工業智能的一個過程。

然而，現實中，存在大量公司美其名曰工業智能、工業互聯網，其主要的作用和價值還是在于數據分析和可視化上，遠沒有到數據智能階段。

而之所以還停留在數據可視化，不得不說，相當一部分企業，尤其是國企、政府部門的所謂工業云、工業智能項目的主要目的是為了向領導匯報，而不是真正的用于生產實踐。

當然，我們并不是說數據可視化不重要，恰恰相反的是，數據可視化是數據智能的必經階段。

6. 數據模型化的四象限

如上文所述，數據智能的終極目標是實現以數據驅動的決策自動化。工業智能建模，是實現決策自動化的方式。但并不是所有的場景和問題都適合通過建模來解決。基于數量的質量情況以及建模對象的機理性，形成了四象限。

數據少，機理性弱（或對建模對象理解不夠深時）：更多依賴于經驗進行人為的判斷，難以通過建模老實現智能化；

數據少，機理性強：可以基于機理來做分析，基于規則建立模型來做到診斷和預警，例如典型旋轉類設備的智能診斷和預測性維護；

機理性弱，數據多：前期以經驗為主，訓練模型，發揮數據驅動的模型優勢，提升對機理認知；

數據多，機理性強：適合做機理跟數據融合的模型，模型的可解釋性更強，準確性高，對于外部環境的變化也更加不敏感。數據模型可以基于數據做自動決策和分析。

通過上述分析，我們可以看到，在未來數據智能模型與人的經驗將有所側重、有所分工，專家經驗在那些數據量小、機理性弱的場景依然存在巨大的價值；而數據智能模型則適用于那些數量大、機理性強的場景。

7.基于數據智能，我們可以做哪些應用？

舉例1：設備的預測性維護

比如風力發電機的運轉動作相對單一，機理性較強，數據的獲取相對較容易。可以基于數據模型來分析風力發電機的運轉健康狀態，如是否有裂縫、損耗等。

舉例2：優化能效

流程工業相對自動化程度高，數據質量高，對于工藝環節的每一個優化，都有助于提升效率、降低成本和能耗，比如在煉鋼過程中，通過數據的采集與分析，可以設定在不同階段的溫度，從而控制好進煤量、空氣輸入量等，從而能有效提高能效。

舉例3：計劃排產

C2M是未來工業生產的重要目標。從工廠計劃排產的角度來看，目標是實現當時當地的產能最優，約束條件是企業的產線設備、人員、產品屬性、供應鏈數據等，通過歷史數據的學習和訓練，不難形成一個較好的預測模型。這一模型能根據產線和工廠的實時數據動態分析，動態調整，以幫助企業實現準確把控，最大化經濟效益。