【工业大数据】中国电信张东：工业大数据实践与应用

2017 年 11 月 17 日 产业智能官

来源：中国两化融合服务联盟

本文根据中国电信集团公司产业互联网创新发展中心主任，工业互联网产业联盟副秘书长张东在8月26日举行的2017中国两化融合大会"工业互联网平台和大数据创新应用专题论坛"上所做主题演讲录音整理，未经本人审阅——

工业互联网从定义上讲有两个流派。最早讲平台的时候，是上面加载很多应用，承载很多应用的平台。从目前来看，行业的定义包括部里文件的定义，标准定义上发生了很大变化，强调工业互联网平台是以数据为驱动的平台，采集很多数据，把数据汇聚在一起，再创新开发应用。

第一层面，有数据才谈得上大数据，大数据要有业务模型，一定要有人工智能迭代，不断地学习。行业里面大数据真正落地的并不多，现在大部分讲的只是可视化和数据分析。大家把这个概念炒热了是好事，资本市场往这边转也是好事，但是冷静看，我们和国外还有很大的距离，看国外的大数据，比如IBM大数据模型，我们的确需要加油。

我们第一个观点，整个工业数据平台，或者工业互联网平台，应该分四个层次。通过调研以后发现，目前卡在最底下这层，因为我们工业企业其实没多少数据，这是看到的最大问题。首先工业企业最关心的根本不是工厂数据，他们关心订单，对于工业企业来讲，我怎么生存下来，我怎么活下来是最关心的。我们95%以上工业企业自己做了产品买给了谁都不知道，当他卖给谁都不知道怎么谈服务呢？怎么谈生产线定单？怎么落到生产线那边去呢？所以，跟工业生产环境相关的数据采集层是很好的路径。但是工业企业转型智能化，他无法挣钱，生存问题就大了，所以我们认为,数据采集是从产品、从用户那端开始慢慢到生产线去，是一步一步来的。

第二个观点，首先，在工业物联网定义上要提出标准。没有标准，每个企业都要花很大的成本做自己的一套，但是格式却有很大不同。第二是企业自己在用这些数据，也没有开发。我们看到，三一、树根网络这种创业是不错的，他们考虑了以后怎么把这些数据开放到行业中供别的上下游用户、供应商、甚至供应链的合作伙伴来用。为什么美国能够产生出来Predix，这不是偶然，一定是被逼得没办法了，他发现这里现金流比那里的现金流更容易赚钱。

第二层面，数据的物体标识层，区块链引入行业。政府已经在医疗行业开始应用起来，IBM一家公司做出了1400多应用，也在中国开始启动，中国也有自己区块链的一些开发平台。我们也看到三到四家公司已经拿到融资上市了，应该把每个上网的工业配件、零配件都要打上标签，只要他上网，就有身份，就跟我们人一模一样。这里会出现如何解决数据变通的问题，因为数据采上来以后根本通不了，读不懂，这就是数据解析层的问题。

第三层面，我们希望在这里做出自己的工作和文章，把数据汇聚好了给大家，找到适合这些应用的PaaS层平台。这里面难点就是我们对数据层的解析、封装、开放。我们认为，可以从美国的Predix到西门子等等学习一些东西。我们在数据采集上，完全可以做出规范，中国应该在这上面加把力。这是我的第三个观点，在数据层做好工作，数据存储都存储不好，怎么让人搬动？我们三年前做大数据工作，工业大数据都在做尝试，很多没有很成功，为什么？一，我们的数据量不够，样本量不够，大数据要跨部门，甚至要跨企业，谁愿意给你数据，这是一个问题。第二数据给你了以后，你要多少工程师放进去，仅仅数据清洗就费很长时间。

第四层面，28号文件里提出四个模块，每个机会都应该尝试，在设备基础管理，设施技术管理没有大数据这个概念，还需要产业链一起加油。

我们总结了一下，工业大数据从兴起到现在三年来，看到的问题第一是数据的样本量。第二个就是数据信噪比低，希望我们的数据噪音越来越小，越来越干净，越来越可用。而在设计上，企业无能为力，工业企业是不愿意投钱的，他不知道未来会产生多大效应，所以我们看到数据的信噪比这是目前很多工厂、很多企业面临的问题。第三个分析难度太大，我们建模需要不是只对数学有感觉的人就行，他要对工艺等等方面都有了解。第四，数据之间的打通要和业务流程绑定，没有业务流程的绑定这件事情也做不来。所以，分析难度来、数据信噪和数据样本不足，这些都希望产业链一起努力突破这三座大山。

这是28号文里面的新四基，我们一直在强调一硬一网的问题没有突破，网络没有标准，真正具备数据采集的网络工厂不多，第二传感器这块儿会出现很大问题。中国确实有成千上万家公司在做一件事情，做协议解码和跨协议数据，但是都没有做成标准，希望中国能够有自主的标准和产品。

两个礼拜前，因为我们组织了大概31家工业网络企业一起研讨，希望把自动化的企业融到通信领域里面去。这里产生两种流派，一种用边缘计算能力先做进去，再把通信融合，这种思路冲击很大。第二种在目前通信模块里面加入自动化解析能力，这种是工业网关厂家愿意实现的，把他的能力再嵌进去，把智能网络连到机器上，可以跳到自动化模块。这两种流派我们认为都要尝试。

中国的工业连接应该含软件、应用。原来没有包含，所以我们参考了美国的Predix。现在我们的连接不但要含人、机器、企业，产品的连接还要含应用。既然做工业互联网平台，就让应用跟任何的对象一样永远存在，就是存在的客观对象，他也会产生很多平台化输送的数据。这就是工业连接，我们的公有云、私有云在这个平台上都看得出来。我们希望两朵云变成一朵云，但是要做很大的努力，首先网络连接上素材上要突破。第二物体的标识要加载进去，包括数据交换定义规则，第三个平台要融合。

第五层面，物体标识解析能力会成为企业愿意开放数据的催化剂。因为企业一直不愿意开放数据，我们希望物体标识解析来催化这件事情，需要先从溯源做起。我们推动的过程中发现物流先做起来了，因为物体要流通，他就要打标识。我们更希望看到的是工厂里原材料的流动，希望上下供应链都能打通，这样做螺丝钉不用再打一次码，二次打码太浪费了。我们希望整个供应链大家能够从物体标识开始做起分享出去，目标是企业之间能够互通起来。

我们在一年前就做了报告，分析以后觉得中国有一些产品出来，我们希望打磨中国的自主产品产生中国的Predix，希望他们更多参考一些数据处理模型和数据加工工具开放性。慢慢数据越来越多以后，希望有更多的软件工具把数据解读出来，可以看到PDC做的比Predix还优秀，他做出了自己的数据处理模型，才有可能产生叫微服务的概念。慢慢更多的服务产生，才有开放应用的可能性。然后真的落地更多的工业企业，解决目前工厂的问题、产品的问题。我们希望数据汇聚平台把这件事做好，作为第三方，为工业企业提供更多的数据存储基础，把这些做得扎实，通过天翼云3.0，把更多的工具加进来，有更多的平台发展机会，让他们发展的更好。

这是我们的自身定位，目前在数据汇集上，我们做标准，工业光纤已经30多个企业在用了，我相信后面的速度会更快。工厂里高速的网络，可靠的网络是关键点，可以把更多的数据采上来。很多工厂长时间做以后，会促使整个行业会发生很大变化。在工业汇聚里做的尝试中，在建筑新材料新模式上，可以做出模型的创新。

最后，我们做了开放实验室，希望行业专家一起进来。

八大工业大数据应用场景，带你看物联网时代的工业生产

来源：中国两化融合服务联盟

导读

工业企业中生产线处于高速运转，由工业设备所产生、采集和处理的数据量远大于企业中计算机和人工产生的数据，从数据类型看也多是非结构化数据，生产线的高速运转则对数据的实时性要求也更高，因此工业大数据应用所面临的问题和挑战并不比互联网行业的大数据应用少。本文对工业大数据在制造企业的应用场景进行逐一梳理。

工业大数据是一个新的概念，从字面上理解，工业大数据是指在工业领域信息化应用中所产生的大数据。

随着信息化与工业化的深度融合，信息技术渗透到了工业企业产业链的各个环节，条形码、二维码、RFID、工业传感器、工业自动控制系统、工业物联网、ERP、CAD/CAM/CAE/CAI等技术在工业企业中得到广泛应用，尤其是互联网、移动互联网、物联网等新一代信息技术在工业领域的应用，工业企业也进入了互联网工业的新的发展阶段，工业企业所拥有的数据也日益丰富。工业企业中生产线处于高速运转，由工业设备所产生、采集和处理的数据量远大于企业中计算机和人工产生的数据，从数据类型看也多是非结构化数据，生产线的高速运转则对数据的实时性要求也更高。因此，工业大数据应用所面临的问题和挑战并不比互联网行业的大数据应用少，某些情况下甚至更为复杂。

工业大数据应用将带来工业企业创新和变革的新时代。通过互联网、移动物联网等带来的低成本感知、高速移动连接、分布式计算和高级分析，信息技术和全球工业系统正在深入融合，给全球工业带来深刻的变革，创新企业的研发、生产、运营、营销和管理方式。这些创新不同行业的工业企业带来了更快的速度、更高的效率和更高的洞察力。工业大数据的典型应用包括产品创新、产品故障诊断与预测、工业生产线物联网分析、工业企业供应链优化和产品精准营销等诸多方面。本文将对工业大数据在制造企业的应用场景进行逐一梳理。

1.加速产品创新

客户与工业企业之间的交互和交易行为将产生大量数据，挖掘和分析这些客户动态数据，能够帮助客户参与到产品的需求分析和产品设计等创新活动中，为产品创新作出贡献。

福特公司是这方面的表率，他们将大数据技术应用到了福特福克斯电动车的产品创新和优化中，这款车成为了一款名副其实的“大数据电动车”。第一代福特福克斯电动车在驾驶和停车时产生大量数据。在行驶中，司机持续地更新车辆的加速度、刹车、电池充电和位置信息。这对于司机很有用，但数据也传回福特工程师那里，以了解客户的驾驶习惯，包括如何、何时以及何处充电。即使车辆处于静止状态，它也会持续将车辆胎压和电池系统的数据传送给最近的智能电话。

这种以客户为中心的大数据应用场景具有多方面的好处，因为大数据实现了宝贵的新型产品创新和协作方式。司机获得有用的最新信息，而位于底特律的工程师汇总关于驾驶行为的信息，以了解客户，制订产品改进计划，并实施新产品创新。而且，电力公司和其他第三方供应商也可以分析数百万英里的驾驶数据，以决定在何处建立新的充电站，以及如何防止脆弱的电网超负荷运转。

2.产品故障诊断与预测

这可以被用于产品售后服务与产品改进。无所不在的传感器、互联网技术的引入使得产品故障实时诊断变为现实，大数据应用、建模与仿真技术则使得预测动态性成为可能。

在马航MH370失联客机搜寻过程中，波音公司获取的发动机运转数据对于确定飞机的失联路径起到了关键作用。我们就拿波音公司飞机系统作为案例，看看大数据应用在产品故障诊断中如何发挥作用。在波音的飞机上，发动机、燃油系统、液压和电力系统等数以百计的变量组成了在航状态，这些数据不到几微秒就被测量和发送一次。以波音737为例，发动机在飞行中每30分钟就能产生10TB数据。

这些数据不仅仅是未来某个时间点能够分析的工程遥测数据，而且还促进了实时自适应控制、燃油使用、零件故障预测和飞行员通报，能有效实现故障诊断和预测。再看一个通用电气(GE)的例子，位于美国亚特兰大的GE能源监测和诊断(M&D)中心，收集全球50多个国家上千台GE燃气轮机的数据，每天就能为客户收集10G的数据，通过分析来自系统内的传感器振动和温度信号的恒定大数据流，这些大数据分析将为GE公司对燃气轮机故障诊断和预警提供支撑。风力涡轮机制造商Vestas也通过对天气数据及其涡轮仪表数据进行交叉分析，从而对风力涡轮机布局进行改善，由此增加了风力涡轮机的电力输出水平并延长了服务寿命。

3.工业物联网生产线的大数据应用

现代化工业制造生产线安装有数以千计的小型传感器，来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据，利用这些数据可以实现很多形式的分析，包括设备诊断、用电量分析、能耗分析、质量事故分析(包括违反生产规定、零部件故障)等。首先，在生产工艺改进方面，在生产过程中使用这些大数据，就能分析整个生产流程，了解每个环节是如何执行的。一旦有某个流程偏离了标准工艺，就会产生一个报警信号，能更快速地发现错误或者瓶颈所在，也就能更容易解决问题。利用大数据技术，还可以对工业产品的生产过程建立虚拟模型，仿真并优化生产流程，当所有流程和绩效数据都能在系统中重建时，这种透明度将有助于制造商改进其生产流程。再如，在能耗分析方面，在设备生产过程中利用传感器集中监控所有的生产流程，能够发现能耗的异常或峰值情形，由此便可在生产过程中优化能源的消耗，对所有流程进行分析将会大大降低能耗。

4.工业供应链的分析和优化

当前，大数据分析已经是很多电子商务企业提升供应链竞争力的重要手段。例如，电子商务企业京东商城，通过大数据提前分析和预测各地商品需求量，从而提高配送和仓储的效能，保证了次日货到的客户体验。RFID等产品电子标识技术、物联网技术以及移动互联网技术能帮助工业企业获得完整的产品供应链的大数据，利用这些数据进行分析，将带来仓储、配送、销售效率的大幅提升和成本的大幅下降。

以海尔公司为例，海尔公司供应链体系很完善，它以市场链为纽带，以订单信息流为中心，带动物流和资金流的运动，整合全球供应链资源和全球用户资源。在海尔供应链的各个环节，客户数据、企业内部数据、供应商数据被汇总到供应链体系中，通过供应链上的大数据采集和分析，海尔公司能够持续进行供应链改进和优化，保证了海尔对客户的敏捷响应。

美国较大的OEM供应商超过千家，为制造企业提供超过1万种不同的产品，每家厂商都依靠市场预测和其他不同的变量，如销售数据、市场信息、展会、新闻、竞争对手的数据，甚至天气预报等来销售自己的产品。

利用销售数据、产品的传感器数据和出自供应商数据库的数据，工业制造企业便可准确地预测全球不同区域的需求。由于可以跟踪库存和销售价格，可以在价格下跌时买进，所以制造企业便可节约大量的成本。如果再利用产品中传感器所产生的数据，知道产品出了什么故障，哪里需要配件，他们还可以预测何处以及何时需要零件。这将会极大地减少库存，优化供应链。

5.产品销售预测与需求管理

通过大数据来分析当前需求变化和组合形式。大数据是一个很好的销售分析工具，通过历史数据的多维度组合，可以看出区域性需求占比和变化、产品品类的市场受欢迎程度以及最常见的组合形式、消费者的层次等，以此来调整产品策略和铺货策略。在某些分析中我们可以发现，在开学季高校较多的城市对文具的需求会高很多，这样我们可以加大对这些城市经销商的促销，吸引他们在开学季多订货，同时在开学季之前一两个月开始产能规划，以满足促销需求。对产品开发方面，通过消费人群的关注点进行产品功能、性能的调整，如几年前大家喜欢用音乐手机，而现在大家更倾向于用手机上网、拍照分享等，手机的拍照功能提升就是一个趋势，4G手机也占据更大的市场份额。通过大数据对一些市场细节的分析，可以找到更多的潜在销售机会。

6.生产计划与排程

制造业面对多品种小批量的生产模式，数据的精细化自动及时方便的采集(MES/DCS)及多变性导致数据剧烈增大，再加上十几年的信息化的历史数据，对于需要快速响应的APS来说，是一个巨大的挑战。大数据可以给予我们更详细的数据信息，发现历史预测与实际的偏差概率，考虑产能约束、人员技能约束、物料可用约束、工装模具约束，通过智能的优化算法，制定预计划排产，并监控计划与现场实际的偏差，动态的调整计划排产。帮我们规避“画像”的缺陷，直接将群体特征直接强加给个体(工作中心数据直接改变为具体一个设备、人员、模具等数据)。通过数据的关联分析并监控它，我们就能计划未来。虽然，大数据略有瑕疵，只要得到合理的应用，大数据会变成我们强大的武器。当年，福特问大数据的客户需求是什么?而回答是“一匹更快的马”，而不是现在已经普及的汽车。所以，在大数据的世界里，创意、直觉、冒险精神和知识野心尤为重要。

7.产品质量管理与分析

传统的制造业正面临着大数据的冲击，在产品研发、工艺设计、质量管理、生产运营等各方面都迫切期待着有创新方法的诞生，来应对工业背景下的大数据挑战。例如在半导体行业，芯片在生产过程中会经历许多次掺杂、增层、光刻和热处理等复杂的工艺制程，每一步都必须达到极其苛刻的物理特性要求，高度自动化的设备在加工产品的同时，也同步生成了庞大的检测结果。这些海量数据究竟是企业的包袱，还是企业的金矿呢?如果说是后者的话，那么又该如何快速地拨云见日，从“金矿”中准确地发现产品良率波动的关键原因呢?这是一个已经困扰半导体工程师们多年的技术难题。

某半导体科技公司生产的晶圆在经过测试环节后，每天都会产生包含一百多个测试项目、长度达几百万行测试记录的数据集。按照质量管理的基本要求，一个必不可少的工作就是需要针对这些技术规格要求各异的一百多个测试项目分别进行一次过程能力分析。如果按照传统的工作模式，我们需要按部就班地分别计算一百多个过程能力指数，对各项质量特性一一考核。这里暂且不论工作量的庞大与繁琐，哪怕有人能够解决了计算量的问题，但也很难从这一百多个过程能力指数中看出它们之间的关联性，更难对产品的总体质量性能有一个全面的认识与总结。然而，如果我们利用大数据质量管理分析平台，除了可以快速地得到一个长长的传统单一指标的过程能力分析报表之外，更重要的是，还可以从同样的大数据集中得到很多崭新的分析结果。

8.工业污染与环保检测

《穹顶之下》令人印象深刻的一点是通过可视化报表，柴静团队向观众传递雾霾问题的严峻性、雾霾的成因等等。

undefined

这给我们带来的一个启示，即大数据对环保具有巨大价值。《穹顶之下》图表的原生数据哪里来的呢?其实并非都是凭借高层关系获取，不少数据都是公开可查，在中国政府网、各部委网站、中石油中石化官网、环保组织官网以及一些特殊机构，可查询的公益环保数据越来越多，包括全国空气、水文等数据，气象数据，工厂分布及污染排放达标情况等数据等等。只不过这些数据太分散、太专业、缺少分析、没有可视化，普通人看不懂。如果能够看懂并保持关注，大数据将成为社会监督环保的重要手段。百度上线《全国污染监测地图》就是一个很好的方式，结合开放的环保大数据，百度地图加入了污染检测图层，任何人都可以通过它查看全国及自己所在区域省市，所有的在环保局监控之下的排放机构(包括各类火电厂、国控工业企业和污水处理厂等)的位置信息、机构名称、排放污染源的种类，最近一次环保局公布的污染排放达标情况等。可查看距离自己最近的污染源，出现提醒，该监测点检测项目，哪些超标，超标多少倍。这些信息可以实时分享到社交媒体平台，告知好友，提醒大家一同注意污染源情况及个人安全健康。

工业大数据应用的价值潜力巨大。但是，实现这些价值还有很多工作要做。一个是大数据意识建立的问题。过去，也有这些大数据，但由于没有大数据的意识，数据分析手段也不足，很多实时数据被丢弃或束之高阁，大量数据的潜在价值被埋没。还有一个重要问题是数据孤岛的问题。很多工业企业的数据分布于企业中的各个孤岛中，特别是在大型跨国公司内，要想在整个企业内提取这些数据相当困难。因此，工业大数据应用一个重要议题是集成应用。

来源：工业智能化、工业4.0研习社

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。