[[249123]]

工信部的數據顯示：“中國制造業約占整個世界制造業20%的份額，在500余種主要產品中，我國有220多種產量位居世界第一。2014年，我國共有100家企業入選‘財富世界500強’，其中制造業企業占56家”。

但長期粗放式發展之后，中國制造業發展面臨著穩增長和調結構的雙重困境，進入了“爬坡過坎”的關鍵時刻。正如國務院發布的《中國制造2025》提到，“新一代信息技術與制造業深度融合，正在引發影響深遠的產業變革，形成新的生產方式、產業形態、商業模式和經濟增長點……但我國仍處于工業化進程中，與先進國家相比還有較大差距。制造業大而不強…”。

與此同時，德國提出了工業4.0，美國提出了工業互聯網的概念希望藉此實現制造業的復興。中國提出《中國制造2025》正是要推動制造業向中高端邁進，以大數據、物聯網、云計算等新一代信息技術將引爆這一輪產業變革，加速傳統制造企業的轉型升級。

工業大數據與德國工業4.0、中國制造2025的關系 工業4.0、中國制造2025的核心是工業大數據。

2013年4月，德國政府漢諾威工業博覽會上正式推出“工業4.0”戰略，其目的是為了提高德國工業的競爭力，在新一輪工業革命中占領先機。該戰略通過充分利用信息通訊技術和網絡空間虛擬系統(信息物理系統Cyber-Physical System)相結合的手段，將制造業向智能化轉型。

2015年5月8日，國務院公布《中國制造2025》,這是中國版的“工業4.0”規劃。該規劃提到“加快推動新一代信息技術與制造技術融合發展，把智能制造作為兩化深度融合的主攻方向;著力發展智能裝備和智能產品，推進生產過程智能化，培育新型生產方式，全面提升企業研發、生產、管理和服務的智能化水平。

無論是“德國工業4.0”還是“中國制造2025”，都提到了智能化和互聯網化，而智能化和互聯網化的核心是：

一方面利用互聯網技術實現傳統的以產品為中心變為以客戶為中心，加強客戶需求預測并嘗試讓客戶參與產品研發，提供個性化的產品、服務及體驗;

另一方面采集大量消費數據動態調整生產方式以快速適應客戶需求變化，即變大規模批量生產為大規模定制生產;最后一方面利用企業內部營銷、科研、生產、采購等經營數據，為企業經營解決提供依據，實現企業經營透明。隨著企業智能化和互聯網化水平的提升，企業擁有了越來越多的數據，而這些數據反過來有提升了企業智能化和互聯網化的水平。

利用大數據驅動業務發展，打造企業新型能力

制造型企業面臨著客戶需求個性化，產品上市時間短，研制成本提高等巨大挑戰。這種挑戰本身更多體現在企業與企業之間如何以更低的成本、更高的質量、更快的速度滿足客戶多樣的需求。所以傳統方式很難解決大數據時代的企業問題，需要有創新的手段來解決。目前越來越多的企業通過大數據來驅動業務創新，提升產品質量、降低研制成本、加快上市周期。

全球航空發動機制造企業勞斯萊斯公司，在飛機引擎的制造和維護過程中，都配備了勞斯萊斯引擎健康模塊。所有的勞斯萊斯引擎，不論是飛機引擎，直升機引擎還是艦艇引擎都配備了大量的傳感器，用來采集引擎的各個部件，各個系統，以及各個子系統的數據。這些信息通過專門的算法，進入引擎監控模塊的數據采集系統中。利用這些數據的分析結果，不僅可以幫助勞斯萊斯提前發現故障，還可以幫助客戶更及時有效地安排引擎檢測和維修。通過算法的不斷改進，勞斯萊斯如今已經可以通過數據分析預測可能出現的技術問題。

勞斯萊斯引擎使用壽命在過去30年里延長了10倍，比同行類似引擎的壽命長10年左右;尤其重要的是飛行安全得到了更大的保障。成功之處在于打破了制造業和服務業的界線，并使兩者相得益彰：技術先進的制造部門為售后服務提供可靠的技術保證。優質的售后服務不僅鞏固現有銷售市場份額，還不斷挖掘越來越大的潛在市場。

“盤活存量數據、用好增量數據”，推動企業轉型升級。

制造型企業在信息化的每個發展階段都會有大量的數據處理要求并且會因為大量的業務活動產生各式的數據各樣，只要采用數據驅動業務的方式進行業務活動就是大數據，大數據是企業信息化發展到當前階段的必然結果。所以工業大數據的利用不僅僅是信息化基礎設施建設，更重要的是采用數據思維來管理和創新業務，大數據應是管理創新的手段，優化全業務流程和提供業務管理工具。所以制造型企業大數據應用的難點是打通企業數據采集、集成、管理、分析的產業鏈條，幫助業務人員養成使用數據的習慣。在這方面互聯網企業走在前面，值得制造型企業學習。

2012年12月，阿里宣布在集團管理層面設立首席數據官(Chief Data Officer)崗位，負責全面推進阿里巴巴集團成為“數據分享平臺”的戰略并成立了數據委員會，委員會的成員是各個數據部門的領導。該數據委員會主要職責是協同不同數據部門的工作，制定整個集團數據應用的方向和規劃，協同各個部門使用數據，打通商業運營、做(基礎)數據、(構建)數據模型等產業鏈條各環節。避免傳統上做數據的人不知道別人怎么用，用數據的人不知道數據怎么來的;而做數據模型不知道數據是否穩定;用數據模型的人不知道數據模型究竟是怎樣的，甚至不相信數據模型的問題。

工業大數據的產生及特點

工業大數據是制造型企業創新轉型的驅動力和催化劑，隨著三維設計、3D打印、機器人技術等在制造型企業廣泛應用。工業大數據廣泛分布在產品設計、制造、物流、服役等各環節，具體如下：

• 數字化設計：如飛機全數字化設計：波音公司利用CATIA軟件設計波音777的300萬個零部件的尺寸和形狀數據;
• 智能化制造：以智能工業機器人為典型代表的智能制造裝備已經開始在多個領域得到應用;我國今年的工業機器人超過日本。
• 網絡化監控：大型工業裝備運行狀態網絡化遠程動態監測：例如，波音737發動機在飛行中每30分鐘產生10TB數據;陜鼓動力實現數百臺旋轉機械遠程在線監測及故障診斷。
• 物聯化管理：工業生產過程開始大量使用RFID實現零件與產品管理。

工業大數據區別其他行業大數據有自身的特點和挑戰：

一是多源性獲取，數據分散、非結構化數據比例大

工業大數據來源廣泛且分散，有來源于產品制造現場工控網監控數據，有來源于互聯網的客戶、供應商數據，有來源于企業內網的經營管理數據。海量異構多源多類數據難以有效集成，語義描述困難，不能實現面向系統生命周期管理的數據協同管理;

二是數據關聯性強，有關聯也要有因果

工業大數據的產生和應用都圍繞產品全生命周期、企業主價值鏈等，數據間關聯性強且分析準確性要求高。不但要利用大數據給出決策也要用大數據給出決策依據。工業大數據預測精度低，準確性和可靠性不高，無法滿足安全性要求;

三是持續采集、具有鮮明的動態時空特性

工業大數據來源于工控網絡和傳感設備，具有實時性強、連續性、穩定性要求高等特點，需要采用可靠的數據采集、存儲、管理的工具進行管理，另外涉及國計民生領域還要求整個平臺安全可控。工業大數據分析的實時性要求高，動態控制困難，量化難度大。

四是與具體工業領域緊密相關

工業大數據產生依賴于CPS網絡和智能產品，但目前面向信息物理融合系統的分析方法單一，無法實現閉環、多層次、多階段、自比較等的綜合分析;面向智能設備和智能產品的故障檢測能力不足，健康預測管理水平低，無法實現面向產品可靠性的深層次分析。

工業大數據的重點研究方向

為了應對工業大數據分散、形式多樣、預測精度高等挑戰，國內外研究機構與廠商開展了基于產品全生命周期的數據集成和管理，基于數據挖掘的數據分析應用等方面的技術研究與實踐，下面分別介紹。

研究方向1：基于MBD和物聯網的數據集成技術

• CAX工具數據集成技術：面向產品設計過程中結構設計、電氣設計、仿真、試驗等過程，一方面定義產品所需標準件、材料、元器件的參數模型和實體模型及標準標準，供不同CAX工具共享使用，另一方面集中管理CAX工具輸入輸出參數等過程數據并形成設計知識。
• 智能裝備數據集成技術：面向車間各類對象的實時監控和管理，底層采用傳感器對環境和設備進行信息采集，采用電子標簽對物料、人員、工具工裝等進行標識和跟蹤，通過數據采集和處理實現信息的可靠高效傳輸，實現人機料法環測等生產要素的狀態監控和集成管理。
• 異構業務系統數據集成技術：面向工廠內部ERP、PDM、MES、QIS、TDM等業務系統，利用企業門戶、企業服務總線、流程平臺等集成工具實現各業務系統間界面、服務、流程和數據的集成，最終達到跨業務部門和業務系統的數據融合和流程貫通。

研究方向2：基于產品全生命周期數據管理技術

產品全生命周期管理不同于傳統的PDM，它將分散在設計單位、生產單位、供應商、客戶等地理分散、形式不同的“產品數據”通過工作流平臺和產品全生命周期模型，連接為一種單一的、標準的、真正的產品信息資源的能力。它包括產品設計、仿真、試驗制造的數據，還集成來自企業內外部數據，如銷售、市場、質量、制造、供應商、客戶使用、產品報廢處理等數據，從而建立起規范的產品信息來源。

這種信息資源保存整個產品開發決策過程的信息，包括產品的特征描述、功能描述以及對設計和資源的考慮，從而跟蹤整個項目進度，并為將來啟動的新項目或產品改進項目提供知識。

產品全生命周期管理的關鍵在于產品生命周期的建模技術、集成數據環境技術和設計制造協同技術。

• 產品全生命周期建模技術：產品全生命周期建模的目的是建立面向產品生命周期的統一的、具有可擴充性的能表達完整信息的產品模型，該模型能隨著產品研制自動擴張，并從設計模型自動映射為不同目的的模型，如可制造性評價模型，成本估算模型、可裝配性模型、可維護性模型等，同時產品模型應能全面表達和評價與產品全生命周期相關的性能指標。
• 集成數據環境技術：產品全生命周期的數據分開存放，系統提供數據的聯邦機制，分散在網絡上的用戶對數據進行存取時，所有數據對用戶都應是透明的，所以需要一個電子倉庫對分散在企業內外部產品及相關數據進行存儲和增刪修改操作。當然產品全生命周期數據符合大數據的4V特征，傳統數據庫管理系統難以支撐，需要大數據平臺和技術支撐。
• 產品研制協同技術：異地設計與制造是指在異地異時、異構系統、異種平臺間進行實時動態設計和制造，它是企業內部或供應鏈之間進行產品全生命周期管理的重要技術手段。

研究方向3：面向智慧工廠的數據分析方法

在工業4.0及大數據應用背景下，“智慧工廠”的建設將以大數據中心為平臺，輔以智能技術、數字技術、信息技術，構建精益化的大融合研制體系，形成基于知識工程的產品研發設計、仿真、試驗、制造、檢驗、售后等一體化的服務型研制模式，打造具有自主創新能力、透明管控能力、自我優化能力的智慧化生態環境。

智慧工廠“智慧”的體現應涵蓋企業的各個業務領域，能夠實現科研院所信息流、物流、資金流、知識流、服務流的高度集成與融合，使得企業持續創新，并不斷開發新產品、新服務。但工業大數據具有數據量大、來源廣泛、形式多樣、種類繁雜等特點，傳統的數據分析手段難以實現數據分析和利用。所有要實現各業務領域的智慧就必須結合數據挖掘、文本視頻挖掘、統計分析、高維可視化等技術實現工業大數據的充分利用，具體介紹如下：

數據挖掘技術：“數據海量、信息缺乏”是相當多企業在信息化建設和技術手段更新后遇到的問題，數據挖掘又稱為知識發現(Knowledge Discovery)，是通過分析每個數據，從大量數據中尋找其規律的技術。知識發現過程通常由數據準備、規律尋找和規律表示3個階段組成。數據準備是從數據選取所需數據并整合成用于數據挖掘的數據集;規律尋找是用分類、聚類、回歸、預測、關聯等算法將數據集所含規律盡可能以用戶理解的方式將找出來。第三節的案例詳細描述了整個過程。

圖像挖掘技術：產品制造使用過程中有大量的視頻、文本、圖紙等非結構化數據，這些數據占到了企業數據的80%以上，如何進行非結構化數據挖掘分析是工業大數據利用的核心問題。

例如，某汽輪機企業通過X光機進行葉片虛焊質量監測，傳統采用人工方式進行看片，工作量巨大且長時間在高亮度環境下工作對人體有害。該企業對歷史二十萬張X光機底片進行掃描，并提取存在虛焊的底片利用聚類算法提取虛焊特征，并采用機器學習技術進行算法優化并建立專家庫。現在通過X光掃描儀就可以進行疑似虛焊底片的識別，人工在進行復查，提高了檢驗準確率并減低人員工作強度。

高維數據可視化技術：該技術旨在用圖形表現高緯度的數據，并輔以交互手段，幫助人們對其分析和理解高維數據。例如，一個機電產品包含了型號、廠家、價格、性能、售后服務等多種屬性，傳統BI手段很難直觀的表現三維以上的數據關系，人們也很難直觀快速的理解。高緯數據可視化是將多維度的原始數據通過聚類算法轉換成可顯示的低緯度數據，并通過分類算法進行規律總結并通過計算機以圖形和圖像的技術表達。

例如復雜機電產品壽命數據是一序列的時間記錄，利用高緯數據可視化技術將產品失效率的演變規律用圖像方式ibiaoda，幫助用戶直觀地了解到運行環境的可靠性。

工業大數據的典型應用場景

1、企業經營管控

• 現狀：對企業的掌控依賴于紙質的、離散的報表及總結報告等，獲取的信息往往存在滯后、缺乏綜合性分析意見的反饋等;
• 目標：實時的、準確的、全面的獲取企業運營現狀，實現管控透明化，及時發現問題，為科學決策提供支撐;

應用示例：

通過問題看板展示相關負責人或領導可直觀的了解現行問題及項目進展等情況，追溯科研能力及生產能力相關的缺失，及時予以科研流程及生產流程的干涉，從根本上解決問題，達到企業價值及客戶需求。

大數據對于企業透明化的經營管控可實時的、直觀的、全面的展現企業現狀、及時地發現問題、快速的定位問題根源并提出相應措施，最終回歸到企業價值體現及經營目標建設。

2、產品研制協同

• 現狀：各學科設計分散，缺乏綜合考慮;知識以經驗的形式掌握在少數人手中;設計工作對少數人的依賴性強，傳承性差;存在未考慮上下游客戶需求的問題等;
• 目標：開展多學科融合的協同設計、產品貨架支撐的并行設計、以產品全生命需求為依據的綜合設計(以客戶為中心，向產品定制轉型)。

應用示例：

通過建立統一的設計開發環境，實現知識的積累和重用。建立設計平臺，對產品研制過程中的各種工作內容進行集成展現和管理，并根據用戶角色和工作內容的不同，管理并查看相應的內容，用戶可通過研發設計工作臺直接開始設計工作。

協同設計研發平臺一方面通過數據、產品數據、運營數據管理為基礎，將設計經驗、工藝信息、制造信息、產品服役過程信息(零部件壽命、質量問題記錄等)、客戶需求等統一納入設計需求范疇，也即完成客戶等納入需求考慮，保證設計需求的全面響應，實現定制化奠定基礎，逐步協助企業服務化轉型;另一方面具體執行設計研發業務支持基于多學科融合的綜合，支持多學科并行設計等。

3、全面質量控制

• 現狀：由于質量問題等原因的工程變更追蹤困難、變更范圍難以確定;
• 目標：可通過BOM集成管理的數據，進行產品問題的向上及向下追溯，一方面追蹤問題根源并對其影響范圍進行確定(如存在多少在制品等)并干預，保證后續產品的質量;另一方面根據問題根源，改進原材料或設計工藝等，從根源上解決問題，降低問題重復帶來的損失。

應用示例：

以某零部件服役過程產生質量問題為例說明。當產品產生問題時回饋制造商形成質量問題記錄單，零部件制造企業基于完整的產品全生命周期數據管理可通過BOM追溯實現零部件批次、設計信息、工藝信息、制造過程信息的快速定位，進而由專業人員進行分析質量原因并采取響應的改進措施：

• 一方面：保證后續零部件/半成品按更改后的文件制造生產，使問題重復再現得到改善;
• 另一方面：對同一樣已交付使用的零部件采取一定的維護更換或召回處理，規避由某零部件問題造成工程停產的更大損失。

一直以來，技術都是推動商業環境進化的重要因素，而目前最熱的技術升級趨勢，無疑是人工智能。當下，盡管人工智能行業本身已經進入了一個平穩的發展期，但它對于各行各業的賦能卻正在以更熱烈的姿態進行。