什么是工業大數據？

隨著新工業革命時代的序幕徐徐拉開，物聯網、工業互聯網、智能ICT技術、人工智能等技術成為舞臺上最受矚目的新星。在這些新興技術的推動下，工業領域中的大數據環境正在逐漸形成，數據從制造過程中的副產品轉變成為備受企業關注的戰略資源。如果大數據是工業價值轉型的核心驅動力，那么我們該怎么去定義和使用大數據？關于這個問題，我們在《工業大數據》這本書中曾表達過一個觀點：大數據并不是目的，而是分析問題的一種視角和解決問題的一種手段。通過對數據的洞察，可以預測需求、預測制造、挖掘不可見世界的價值、解決和避免不可見問題的風險，以及利用數據去整合產業鏈和價值鏈，這些才是大數據的核心價值和目的。

一提到大數據，人們首先會想到在互聯網和商業等環境中，利用大量的行為數據來分析用戶行為和預測市場趨勢等應用。但是對工業大數據的定義和應用卻很難直觀地理解和想象。現在對大數據最為流行的定義，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《大數據時代》中提出的4V特性，即Volume（數據量大）、Velocity（流動速度快）、Veracity（準確性）和Variety（來源多樣）。這個定義是針對互聯網和社會環境中的大數據，從數據工程的技術挑戰方面所提出的。而工業大數據的挑戰和目的則要通過“3B” 和 “3C” 來理解。

工業大數據應用的“3B”挑戰：

Bad Quality——在工業大數據中，數據質量問題一直是許多企業所面臨的挑戰。這主要受制于工業環境中數據獲取手段的限制，包括傳感器、數采硬件模塊、通信協議和組態軟件等多個技術限制。對數據質量的管理技術是一個企業必須要下的硬功夫。

Broken——工業對于數據的要求并不僅在于量的大小，更在于數據的全面性。在利用數據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的全面參數，而一些關鍵參數的確會使分析過程碎片化。舉例而言，當分析航空發動機性能時需要溫度、空氣密度、進出口壓力、功率等多個參數，而當其中任意一個參數缺失時都無法建立完整的性能評估和預測模型。因此對于企業來說，在進行數據收集前要對分析對象和目的有清楚的規劃，這樣才能夠確保所獲取數據的全面性，以免斥巨資積累了大量數據后發現并不能解決所關心的問題。

Below the Surface——除了對數據所反映出來的表面統計特征進行分析以外，還應該關注數據中所隱藏的相關性。對這些隱藏在表面以下的相關性進行分析和挖掘時，需要一些具有參考性的數據進行對照，也就是數據科學中所稱的 “貼標簽” 過程。這一類數據包括工況設定、維護記錄、任務信息等，雖然數據量不大，但在數據分析中卻起到至關重要的作用。

?

工業大數據分析的“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行分類，為接下來尋找相似中的普適性規律和差異中的因果關系奠定基礎。

Correlation (相關性)——如果說物聯網是可見世界的連接，那么所連接對象之間的相關性就是不可見世界的連接。對相關性的挖掘是形成記憶和知識的基礎，簡單地將信息存儲下來并不能稱之為記憶，通過信息之間的關聯性對信息進行管理和啟發式的聯想才是記憶的本質。相關性同時也促進了人腦在管理和調用信息時的效率，我們在回想起一個畫面或是情節的時候，往往并不是去回憶每一個細節，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用在工業智能中，就是一種更加靈活高效的數據管理方式。

Consequence (因果性)——數據分析的重要目的是進行決策支持，在制定一個特定的決策時，其所帶來的結果和影響應該被同等地分析和預測。這是以往的控制系統所不具備的特性，也是智能化的本質。工業系統中的大部分活動都具有很強的目的性，就是把目標精度最大化，把破壞度最小化的 “結果管理”。結果管理的基礎是預測，例如制造系統中，如果我們可以預測到設備的衰退對質量的影響，以及對下一個工序質量的影響，就可以在制造過程中對質量風險進行補償和管理，制造系統的彈性和堅韌性就會增加。

總結而言，互聯網和商業大數據與工業大數據在技術挑戰、數據屬性和分析目的等方面有很多區別，這也決定了兩者技術手段的不同。

工業大數據的價值及意義

在工業和商業從分離到融匯的過程中，我們觀察到，有四個值得關注的重要轉變，客戶需求的轉變，生產系統的轉變，商業模式的轉變，工業系統運轉模式（決策模式）的轉變。客戶需求的轉變，是從無到有、從有到精、再從精到個性化。生產系統的轉變，是從簡單到復雜、從復雜到規模化、從規模化到精益化、從精益化到柔性化、從柔性化到智能化，最終目的是實現無憂的生產環境。商業模式的轉變，是從賣產品到賣能力、從賣能力到賣服務、從賣服務到賣價值，目的是去挖掘用戶不可見的價值。工業系統運轉模式的轉變，從應激式的解決問題，到基于經驗的預防問題，現在正利用數據向基于線索和事實來避免問題的模式轉變，最終目的是實現知識的獲取和傳承。這一系列轉變背后的核心是工業價值的轉型，大數據在這個轉型的過程中將起到舉足輕重的作用。簡單來說工業大數據的目的是實現從自造到制造，從制造到智造，從智造到傳承。

利用大數據挖掘“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》中的一句話，其中的智慧放在當今工業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、隱形因素的相關性和產品被制造和使用的全生命周期這些 “不可見世界” 中。數據將成為挖掘這些價值的重要手段，主要體現在：利用數據挖掘在使用中獲得新的知識 和技術對現有產品進行改進；利用數據去發現和定義用戶未知的需求；以數據為媒介向用戶提供增值服務。

利用大數據實現無憂慮的制造環境有三個方向，數據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驗和知識，從而去避免這些問題。在這個過程中，數據可以作為經驗和知識的載體。第二個方向是依靠數據去分析問題產生的隱性線索（evidence）、關聯性和根原因等，進而利用預測分析將不可見問題顯性化，從而實現解決不可見問題的目的。現在的制造系統正在經歷從第一個階段到第二個階段的轉變過程，在完成這個過程后，制造系統將不再有“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據的深度挖掘，建立知識和問題之間的相關性，從數據中啟發出新的知識，并能夠利用知識對制造系統進行精確的建模，產生能夠指導制造系統活動的鏡像模型，從系統的設計端避免可見及不可見問題的發生。

這三個方向對企業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。總地概括，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：適合在某一個領域已經經營了很久，有了一定的經驗積累，但是卻很難總結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聯性，積累更加深入的制造知識。

第三個方向：在制造基礎還較為薄弱的領域，并沒有形成太多有效的數據，但是擁有非常豐富的使用數據和經驗，則可以借助使用過程中積累的知識對制造系統提出設計的要求。