工藝大數據

『壹』 物聯網時代的八大工業大數據應用場景

物聯網時代的八大工業大數據應用場景

工業大數據是一個全新的概念，從字面上理解，工業大數據是指在工業領域信息化應用中所產生的大數據。

隨著信息化與工業化的深度融合，信息技術滲透到了工業企業產業鏈的各個環節，條形碼、二維碼、RFID、工業感測器、工業自動控制系統、工業物聯網、ERP、CAD/CAM/CAE/CAI等技術在工業企業中得到廣泛應用，尤其是互聯網、移動互聯網、物聯網等新一代信息技術在工業領域的應用，工業企業也進入了互聯網工業的新的發展階段，工業企業所擁有的數據也日益豐富。工業企業中生產線處於高速運轉，由工業設備所產生、採集和處理的數據量遠大於企業中計算機和人工產生的數據，從數據類型看也多是非結構化數據，生產線的高速運轉則對數據的實時性要求也更高。因此，工業大數據應用所面臨的問題和挑戰並不比互聯網行業的大數據應用少，某些情況下甚至更為復雜。

工業大數據應用將帶來工業企業創新和變革的新時代。通過互聯網、移動物聯網等帶來的低成本感知、高速移動連接、分布式計算和高級分析，信息技術和全球工業系統正在深入融合，給全球工業帶來深刻的變革，創新企業的研發、生產、運營、營銷和管理方式。這些創新不同行業的工業企業帶來了更快的速度、更高的效率和更高的洞察力。工業大數據的典型應用包括產品創新、產品故障診斷與預測、工業生產線物聯網分析、工業企業供應鏈優化和產品精準營銷等諸多方面。本文將對工業大數據在製造企業的應用場景進行逐一梳理。

1.加速產品創新

客戶與工業企業之間的交互和交易行為將產生大量數據，挖掘和分析這些客戶動態數據，能夠幫助客戶參與到產品的需求分析和產品設計等創新活動中，為產品創新作出貢獻。福特公司是這方面的表率，他們將大數據技術應用到了福特福克斯電動車的產品創新和優化中，這款車成為了一款名副其實的「大數據電動車」。第一代福特福克斯電動車在駕駛和停車時產生大量數據。在行駛中，司機持續地更新車輛的加速度、剎車、電池充電和位置信息。這對於司機很有用，但數據也傳回福特工程師那裡，以了解客戶的駕駛習慣，包括如何、何時以及何處充電。即使車輛處於靜止狀態，它也會持續將車輛胎壓和電池系統的數據傳送給最近的智能電話。

這種以客戶為中心的大數據應用場景具有多方面的好處，因為大數據實現了寶貴的新型產品創新和協作方式。司機獲得有用的最新信息，而位於底特律的工程師匯總關於駕駛行為的信息，以了解客戶，制訂產品改進計劃，並實施新產品創新。而且，電力公司和其他第三方供應商也可以分析數百萬英里的駕駛數據，以決定在何處建立新的充電站，以及如何防止脆弱的電網超負荷運轉。

2.產品故障診斷與預測

這可以被用於產品售後服務與產品改進。無所不在的感測器、互聯網技術的引入使得產品故障實時診斷變為現實，大數據應用、建模與模擬技術則使得預測動態性成為可能。在馬航MH370失聯客機搜尋過程中，波音公司獲取的發動機運轉數據對於確定飛機的失聯路徑起到了關鍵作用。我們就拿波音公司飛機系統作為案例，看看大數據應用在產品故障診斷中如何發揮作用。在波音的飛機上，發動機、燃油系統、液壓和電力系統等數以百計的變數組成了在航狀態，這些數據不到幾微秒就被測量和發送一次。以波音737為例，發動機在飛行中每30分鍾就能產生10TB數據。

這些數據不僅僅是未來某個時間點能夠分析的工程遙測數據，而且還促進了實時自適應控制、燃油使用、零件故障預測和飛行員通報，能有效實現故障診斷和預測。再看一個通用電氣(GE)的例子，位於美國亞特蘭大的GE能源監測和診斷(M&D)中心，收集全球50多個國家上千台GE燃氣輪機的數據，每天就能為客戶收集10G的數據，通過分析來自系統內的感測器振動和溫度信號的恆定大數據流，這些大數據分析將為GE公司對燃氣輪機故障診斷和預警提供支撐。風力渦輪機製造商Vestas也通過對天氣數據及期渦輪儀表數據進行交叉分析，從而對風力渦輪機布局進行改善，由此增加了風力渦輪機的電力輸出水平並延長了服務壽命。

3.工業物聯網生產線的大數據應用

現代化工業製造生產線安裝有數以千計的小型感測器，來探測溫度、壓力、熱能、振動和雜訊。因為每隔幾秒就收集一次數據，利用這些數據可以實現很多形式的分析，包括設備診斷、用電量分析、能耗分析、質量事故分析(包括違反生產規定、零部件故障)等。首先，在生產工藝改進方面，在生產過程中使用這些大數據，就能分析整個生產流程，了解每個環節是如何執行的。一旦有某個流程偏離了標准工藝，就會產生一個報警信號，能更快速地發現錯誤或者瓶頸所在，也就能更容易解決問題。利用大數據技術，還可以對工業產品的生產過程建立虛擬模型，模擬並優化生產流程，當所有流程和績效數據都能在系統中重建時，這種透明度將有助於製造商改進其生產流程。再如，在能耗分析方面，在設備生產過程中利用感測器集中監控所有的生產流程，能夠發現能耗的異常或峰值情形，由此便可在生產過程中優化能源的消耗，對所有流程進行分析將會大大降低能耗。

4.工業供應鏈的分析和優化

當前，大數據分析已經是很多電子商務企業提升供應鏈競爭力的重要手段。例如，電子商務企業京東商城，通過大數據提前分析和預測各地商品需求量，從而提高配送和倉儲的效能，保證了次日貨到的客戶體驗。RFID等產品電子標識技術、物聯網技術以及移動互聯網技術能幫助工業企業獲得完整的產品供應鏈的大數據，利用這些數據進行分析，將帶來倉儲、配送、銷售效率的大幅提升和成本的大幅下降。

以海爾公司為例，海爾公司供應鏈體系很完善，它以市場鏈為紐帶，以訂單信息流為中心，帶動物流和資金流的運動，整合全球供應鏈資源和全球用戶資源。在海爾供應鏈的各個環節，客戶數據、企業內部數據、供應商數據被匯總到供應鏈體系中，通過供應鏈上的大數據採集和分析，海爾公司能夠持續進行供應鏈改進和優化，保證了海爾對客戶的敏捷響應。美國較大的OEM供應商超過千家，為製造企業提供超過1萬種不同的產品，每家廠商都依靠市場預測和其他不同的變數，如銷售數據、市場信息、展會、新聞、競爭對手的數據，甚至天氣預報等來銷售自己的產品。

利用銷售數據、產品的感測器數據和出自供應商資料庫的數據，工業製造企業便可准確地預測全球不同區域的需求。由於可以跟蹤庫存和銷售價格，可以在價格下跌時買進，所以製造企業便可節約大量的成本。如果再利用產品中感測器所產生的數據，知道產品出了什麼故障，哪裡需要配件，他們還可以預測何處以及何時需要零件。這將會極大地減少庫存，優化供應鏈。

5.產品銷售預測與需求管理

通過大數據來分析當前需求變化和組合形式。大數據是一個很好的銷售分析工具，通過歷史數據的多維度組合，可以看出區域性需求佔比和變化、產品品類的市場受歡迎程度以及最常見的組合形式、消費者的層次等，以此來調整產品策略和鋪貨策略。在某些分析中我們可以發現，在開學季高校較多的城市對文具的需求會高很多，這樣我們可以加大對這些城市經銷商的促銷，吸引他們在開學季多訂貨，同時在開學季之前一兩個月開始產能規劃，以滿足促銷需求。對產品開發方面，通過消費人群的關注點進行產品功能、性能的調整，如幾年前大家喜歡用音樂手機，而現在大家更傾向於用手機上網、拍照分享等，手機的拍照功能提升就是一個趨勢，4G手機也占據更大的市場份額。通過大數據對一些市場細節的分析，可以找到更多的潛在銷售機會。

6.生產計劃與排程

製造業面對多品種小批量的生產模式，數據的精細化自動及時方便的採集(MES/DCS)及多變性導致數據劇烈增大，再加上十幾年的信息化的歷史數據，對於需要快速響應的APS來說，是一個巨大的挑戰。大數據可以給予我們更詳細的數據信息，發現歷史預測與實際的偏差概率，考慮產能約束、人員技能約束、物料可用約束、工裝模具約束，通過智能的優化演算法，制定預計劃排產，並監控計劃與現場實際的偏差，動態的調整計劃排產。幫我們規避「畫像」的缺陷，直接將群體特徵直接強加給個體(工作中心數據直接改變為具體一個設備、人員、模具等數據)。通過數據的關聯分析並監控它，我們就能計劃未來。雖然，大數據略有瑕疵，只要得到合理的應用，大數據會變成我們強大的武器。當年，福特問大數據的客戶需求是什麼?而回答是「一匹更快的馬」，而不是現在已經普及的汽車。所以，在大數據的世界裡，創意、直覺、冒險精神和知識野心尤為重要。

7.產品質量管理與分析

傳統的製造業正面臨著大數據的沖擊，在產品研發、工藝設計、質量管理、生產運營等各方面都迫切期待著有創新方法的誕生，來應對工業背景下的大數據挑戰。例如在半導體行業，晶元在生產過程中會經歷許多次摻雜、增層、光刻和熱處理等復雜的工藝製程，每一步都必須達到極其苛刻的物理特性要求，高度自動化的設備在加工產品的同時，也同步生成了龐大的檢測結果。這些海量數據究竟是企業的包袱，還是企業的金礦呢?如果說是後者的話，那麼又該如何快速地撥雲見日，從「金礦」中准確地發現產品良率波動的關鍵原因呢?這是一個已經困擾半導體工程師們多年的技術難題。

某半導體科技公司生產的晶圓在經過測試環節後，每天都會產生包含一百多個測試項目、長度達幾百萬行測試記錄的數據集。按照質量管理的基本要求，一個必不可少的工作就是需要針對這些技術規格要求各異的一百多個測試項目分別進行一次過程能力分析。如果按照傳統的工作模式，我們需要按部就班地分別計算一百多個過程能力指數，對各項質量特性一一考核。這里暫且不論工作量的龐大與繁瑣，哪怕有人能夠解決了計算量的問題，但也很難從這一百多個過程能力指數中看出它們之間的關聯性，更難對產品的總體質量性能有一個全面的認識與總結。然而，如果我們利用大數據質量管理分析平台，除了可以快速地得到一個長長的傳統單一指標的過程能力分析報表之外，更重要的是，還可以從同樣的大數據集中得到很多嶄新的分析結果。

8.工業污染與環保檢測

《穹頂之下》令人印象深刻的一點是通過可視化報表，柴靜團隊向觀眾傳遞霧霾問題的嚴峻性、霧霾的成因等等。

這給我們帶來的一個啟示，即大數據對環保具有巨大價值。《穹頂之下》圖表的原生數據哪裡來的呢?其實並非都是憑借高層關系獲取，不少數據都是公開可查，在中國政府網、各部委網站、中石油中石化官網、環保組織官網以及一些特殊機構，可查詢的公益環保數據越來越多，包括全國空氣、水文等數據，氣象數據，工廠分布及污染排放達標情況等數據等等。只不過這些數據太分散、太專業、缺少分析、沒有可視化，普通人看不懂。如果能夠看懂並保持關注，大數據將成為社會監督環保的重要手段。近日網路上線《全國污染監測地圖》就是一個很好的方式，結合開放的環保大數據，網路地圖加入了污染檢測圖層，任何人都可以通過它查看全國及自己所在區域省市，所有的在環保局監控之下的排放機構(包括各類火電廠、國控工業企業和污水處理廠等)的位置信息、機構名稱、排放污染源的種類，最近一次環保局公布的污染排放達標情況等。可查看距離自己最近的污染源，出現提醒，該監測點檢測項目，哪些超標，超標多少倍。這些信息可以實時分享到社交媒體平台，告知好友，提醒大家一同注意污染源情況及個人安全健康。

總結工業大數據應用的價值潛力巨大。但是，實現這些價值還有很多工作要做。一個是大數據意識建立的問題。過去，也有這些大數據，但由於沒有大數據的意識，數據分析手段也不足，很多實時數據被丟棄或束之高閣，大量數據的潛在價值被埋沒。還有一個重要問題是數據孤島的問題。很多工業企業的數據分布於企業中的各個孤島中，特別是在大型跨國公司內，要想在整個企業內提取這些數據相當困難。因此，工業大數據應用一個重要議題是集成應用。

以上是小編為大家分享的關於物聯網時代的八大工業大數據應用場景的相關內容，更多信息可以關注環球青藤分享更多干貨

『貳』 工業大數據特徵有哪些 大數據工程師來告訴你

【導語】工業大數據是智能製造的核心，以「大數據+工業互聯網」為基礎，用雲計算、大數據、物聯網、人工智慧等技術引領工業生產方式的變革，拉動工業經濟的創新發展，那麼工業大數據特徵有哪些呢?下面大數據工程師來告訴你吧。

1、准確性(accuracy)：

主要指數據的真實性、完整性和可靠性，更加關注數據質量以及處理、分析技術和方法的可靠性。對數據分析的置信度要求較高，僅依靠統計相關性分析不足以支撐故障診斷、預測預警等工業應用，需要將物理模型與數據模型結合，挖掘因果關系。

2、閉環性(closed-loop)：

包括產品全生命周期橫向過程中數據鏈條的封閉和關聯以及智能製造縱向數據採集和處理過程中，需要支撐狀態感知、分析、反饋、控制等閉環場景下的動態持續調整和優化。

3、多樣(variety)：

指數據類型的多樣性和來源廣泛。工業數據分布廣泛，分布於機器設備、工業產品、管理系統、互聯網等各個環節，並且結構復雜，既有結構化和半結構化的感測數據，也有非結構化數據。

4、數據容量大(volume)：

數據的大小決定所考慮的數據的價值和潛在的信息。工業數據體量比較大，大量機器設備的高頻數據和互聯網數據持續湧入，大型工業企業的數據集將達到PB級甚至EB級別。

5、快速(velocity)：

指獲得和處理數據的速度。工業數據處理速度需求多樣，生產現場級要求分析時限達到毫秒級，管理與決策應用需要支持互動式或批量數據分析。

6、強關聯性(strong-relevance)：

一方面，產品生命周期同一階段的數據具有強關聯性，如產品零部件組成、工況、設備狀態、維修情況、零部件補充采購等;另一方面，產品生命周期的研發設計、生產、服務等不同環節的數據之間需要進行關聯。

7、價值密度低(value)：

工業大數據更強調用戶價值驅動和數據本身的可用性，包括：提升創新能力和生產經營效率及促進個性化定製、服務化轉型等智能製造新模式變革。

8、時序性(sequence)：

工業大數據具有較強的時序性，如訂單、設備狀態數據等。

關於工業大數據特徵，就和大家分享到這里了，中國社會發展至今，大數據的應用正在逐漸普及，所以未來前景不可估量，希望想從事此行業的人員能夠合理選擇。

『叄』 一文讀懂工業大數據的脈絡

一文讀懂工業大數據的脈絡

工業大數據不同於大數據，具有自己獨特的特徵。本文著重從工業大數據的定義與范疇、來源、特徵、技術及應用領域、面臨的問題等，全面剖析工業大數據的方方面面，讓你一文讀懂工業大數據的脈絡！

工業大數據是指在工業領域中，圍繞典型智能製造模式，從客戶需求到銷售、到訂單、計劃、研發、設計、工藝、製造、采購、供應、庫存、發貨和交付、售後服務、運維、報廢或回收再製造等整個產品全生命各個環節所產生的各類數據及相關技術和應用的總稱，其以產品數據為核心，極大延展了傳統工業數據范圍，同時還包括工業大數據相關技術和應用。

——工業大數據來源——

我們所談的工業大數據，不完全等同於企業信息化軟體中流淌的數據，從業界的共識看，主要來源有三類，第一類是企業經營相關的業務數據，這類數據來自企業信息化范疇，包括企業資源計劃（ERP）、產品生命周期管理（PLM）、供應鏈管理（SCM）、客戶關系管理（CRM）和環境管理系統（EMS）等，此類數據是工業企業傳統的數據資產。

第二類是機器設備互聯數據，主要是指工業生產過程中，裝備、物料及產品加工過程的工況狀態、環境參數等運營情況數據，通過MES系統實時傳遞，目前在智能裝備大量應用的情況下，此類數據量增長最快。

第三類是企業外部數據，這包括了工業企業產品售出之後的使用、運營情況的數據，同時還包括了大量客戶、供應商、互聯網等數據狀態。

——工業大數據特徵——

筆者曾就工業大數據特徵及數據驅動工業價值創造等話題，專門采訪過工業大數據領域知名專家——美國科學基金會（NSF）智能維護系統（IMS）中心主任李傑教授，他表示：工業大數據與互聯網大數據最大的區別在於工業大數據有非常強的目的性，而互聯網大數據更多的是一種關聯的挖掘，是更加發散的一種分析。

除此之外，兩者在數據的特徵和面臨的問題方面也有不同。有別於互聯網大數據，工業大數據的分析技術核心要解決「3B」問題：

1）Below Surface —— 隱匿性，即需要洞悉背後的意義

工業環境中的大數據與互聯網大數據相比，最重要的不同在於對數據特徵的提取上面，工業大數據注重特徵背後的物理意義以及特徵之間關聯性的機理邏輯，而互聯網大數據則傾向於僅僅依賴統計學工具挖掘屬性之間的相關性。

2）Broken —— 碎片化，即需要避免斷續、注重時效性

相對於互聯網大數據的量，工業大數據更注重數據的全，即面向應用要求具有盡可能全面的使用樣本，以覆蓋工業過程中的各類變化條件、保障從數據中能夠提取以反映對象真實狀態的信息全面性。因此，工業大數據一方面需要在後端的分析方法上克服數據碎片化帶來的困難，利用特徵提取等手段將這些數據轉化為有用的信息，另一方面，更是需要從數據獲取的前端設計中以價值需求為導向制定數據標准，進而在數據與信息流通的平台中構建統一的數據環境。

3）Bad Quality —— 低質性，即需要提高數據質量、滿足低容錯性

數據碎片化缺陷來源的另一方面也顯示出對於數據質量的擔憂，即數據的數量並無法保障數據的質量，這就可能導致數據的低可用率，因為低質量的數據可能直接影響到分析過程而導致結果無法利用，但互聯網大數據則不同，其可以只針對數據本身做挖掘、關聯而不考慮數據本身的意義，即挖掘到什麼結果就是什麼結果，最典型的就是經過超市購物習慣的數據挖掘後啤酒貨架就可以擺放在尿不濕貨架的對面，而不用考慮他們之間有什麼機理性的邏輯關系；

換句話說，相比於互聯網大數據通常並不要求有多麼精準的結果推送，工業大數據對預測和分析結果的容錯率遠遠比互聯網大數據低的多。互聯網大數據在進行預測和決策時，僅僅考慮的是兩個屬性之間的關聯是否具有統計顯著性，其中的雜訊和個體之間的差異在樣本量足夠大時都可以被忽略，這樣給出的預測結果的准確性就會大打折扣。比如當我覺得有70％的顯著性應該給某個用戶推薦A類電影，即使用戶並非真正喜歡這類電影也不會造成太嚴重的後果。但是在工業環境中，如果僅僅通過統計的顯著性給出分析結果，哪怕僅僅一次的失誤都可能造成嚴重的後果。

——工業大數據技術：演算法與模型——

有了工業數據的大量積累，但並不等於直接的商業收益，中間隔著一道非常關鍵的通道——工業大數據技術。近幾年，很多大數據專家和行業專家也在爭執：數據量重要還是大數據演算法更重要，雙方各執一詞。比如Googole就認為數據量的多寡至關重要，甚至直言：更多的數據勝過更好的演算法。這種觀點與我們意識認知中的「信息越多，就越靠近真相」類似。

而如《The Signal and the Noise》（信號與雜訊，作者NateSilver），這本書裡面的一個觀點是「更多的數據意味著更多的雜訊。信號是真相，雜訊卻使我們離真相越來越遠。」所以，人們需要構建有效的演算法和模型，去識別和認知何為真相。

在這里暫不討論到底是數據量重要還是演算法模型更重要，但針對工業大數據的有效利用，肯定離不開工業大數據的分析技術。

——工業大數據應用領域（場景）——

一、研發設計：主要用於提高研發人員的研發創新能力，研發效率和質量，支持協同設計，具體體現在：（1）、基於模型和模擬的研發設計；（2）、基於產品生命周期的設計；（3）、融合消費者反饋的設計

二、在復雜生產過程優化的應用：（1）、工業物聯網生產線；（2）、生產質量控制；（3）、生產計劃與排程；

三、在產品需求預測中的應用

四、在工業供應鏈優化中的應用

——工業大數據應用發展存在的主要問題——

《工業大數據白皮書2017年版》指出，研究與應用工業大數據，產品大數據是核心，物聯大數據是實現手段，集成貫通是基礎（業務模式、商業和價值驅動、關鍵抽取和應用）。而在實踐過程中，這三個方面都存在不同程度的難點。

《工業大數據白皮書2017年版》封面

1、產品大數據：產品大數據是工業大數據的根源與核心，但工業製造業領域涵蓋十分廣泛，行業種類繁多，產品種類數量龐大且仍在不斷增長，如何規范產品大數據的定義與分類方法，建立規范的、屬性明確的、可查詢可追溯可定位的產品大數據，將是順利應用工業大數據的前提。

2、物聯接入設備：物聯大數據是實現工業大數據暢通流動的必要手段，但在工業實際應用中，工業軟體、高端物聯設備不具備國產自主可控性，物聯接入的高端設備的讀寫不開放，形成設備信息的孤島，數據流通不暢，突破這種束縛是實現工業大數據的關鍵。

3、信息集成貫通：集成貫通的難點在於商業驅動、打通關鍵點和環節，掌控產品源和設備，持續優化。