【干货】中国工业大数据的实践与思考...

【大数据100分】王建民：中国工业大数据的实践与思考@ 工业4.0暨工业大数据专题月

主讲嘉宾： 王建民

主 持 人： 中关村大数据产业联盟副秘书长 陈新河

承 办：

中关村大数据产业联盟

工业大数据专业委员会

工业4.0研究院

王建民： 现为清华大学软件学院教授、博士生导师，副院长、党委书记，信息系统与工程研究所所长。国家“十一五”863计划先进制造领域专家。中国计算机学会高级会员，数据库专委会委员，Petri网专委会委员。

以下为分享实景全文：

主持人好，各位朋友晚上好!感谢新河副秘书长的邀请，和大家分享“工业大数据的思考与实践 ”，抛砖引玉，请批评指正。

 

先分享一下我对工业大数据的理解。

 

简单来讲，工业大数据就是在工业领域相关信息化应用中所产生的海量数据，注意这里的“相关应用”意味着不仅包括企业内和产业链，还包括客户用户和互联网上的数据。

2012 年， GE 公司率先明确了“工业大数据”的概念。同年麦肯锡的报告中给出了一个有趣的事实：那就是在虚拟经济占主导地位的美国，其工业界蕴含的数据总量反而是最大的。

 

同时 GE 公司的报告还揭示了工业大数据所蕴含的巨大价值。

 

那么，为什么今天提出“工业大数据” ? 我感觉有几个重要背景，第一是数字化装备和产品的普及，第二装备和产品网络化连接的普及(互联网 + )，第三是企业向服务型制造转型，第四“从摇篮到摇篮”制造的必然要求。无疑“智慧互联设备”、“工业 4.0 ”和“工业互联网”都顺应了这样一个趋势。

 

下面汇报我自己对工业大数据的几点思考，

 

工业大数据从哪里来?来源于产品生命周期的各个环节，包括市场、设计、制造、服务、再利用各个环节，每个环节都会有大数据，“全”生命周期汇合起来的数据更大，当然企业外、产业链外的“跨界”数据也是工业大数据“不可忽视”的重要来源。

总体上看，产品全生命周期包括三个阶段：开发制造阶段(即 Beginning of Life )，使用维护阶段(即 Middle of Life )和回收利用阶段(即 End of Life )。 BOL 和 MOL 的分离点是产品交付用户的时刻， MOL 和 EOL 的分离点是产品退役的时刻。

 

其次，工业大数据和企业已有数据之间的关系?传统企业信息化的“四大件”，广义 PLM 系统(包括 CAX )主要支持产品开发、 ERP 系统负责“人财物、产供销”、 SCM 系统协调供应链， CRM 系统关照企业客户和用户，过去我们主要关注开发制造( BOL )阶段的信息化， CRM 系统(包括 MRO )往往得不到重视，再制造更是受到冷落。

这些系统一般架构在关系数据库系统之上，也称为 SQL 数据，这些系统中的数据也是工业大数据，并且是价值密度很高的“ 20% ”部分。

 

第三，工业大数据和业务流程的关系?传统企业信息化项目一般是从梳理业务流程起步的，流程“主动”、数据“被动”。而工业大数据环境下，要求企业快速满足个性化用户需求，企业僵化的“长流程”，难以适应“实时决策”的要求，需要变“流程驱动”为“数据驱动”，至少是“混合驱动”，“流程”和“数据”深度融合。上述表现，就是我们说的“流程碎片化”，“基于数据的决策”，数据成为连接这些“碎片”的媒介。

 

最后一个思考是，工业大数据有没有“交钥匙”工程?新世纪以来，我国工业界经历了轰轰烈烈的信息化浪潮，“不搞信息化等死，搞了信息化找死”，后半句话告述我们，“信息化”是有难度和风险的，所以“交钥匙”工程成了广大企业所期望的方式。

我个人的观点，工业大数据不存在“交钥匙”工程(至少现在)，原因如下：一，工业大数据项目主要不是针对“现有业务”，而是针对“未来业务”、 “创新业务”的，其魅力在于创新性、不确定性;二，工业大数据现在还处在“科学”阶段，人们对数据价值的“提取”方法、技术与工具尚不成熟，特别是以物理规律发现为目标的工业大数据处理更是刚刚起步;三，人们普遍认同的“领域专家”、“统计专家”和“软件专家”组成的协同团队，是当前“大数据”深度应用的有效方法。

当然，这不是说工业大数据项目没有任何共性抓手，比如，“端 + 云”的低成本海量时空数据存储处理平台，基于大数据的装备寿命预测与可靠性分析平台，互联网数据与企业数据集成平台等等，都是工业大数据的共性“软件工具”。

 

最后，和大家分享一下我们在工业大数据方面的“小实践”。

 

如前所述，产品全生命周期的各个阶段都有大数据，比如设计阶段引入用户社区数据，制造阶段使用机床在线感知与测量数据，在市场营销阶段使用社交网络数据等，昨天( 2015.3.20 )在清华大学工业大数据线下交流活动中嘉宾对相关案例进行了分享。

上世纪九十年代罗罗公司率先在发动机上嵌入传感器监控其运行状态，开创了以销售飞行小时为标志性业务的服务型制造新模式，这些传感器采集的工况数据是 GE 和麦肯锡报告中所说的工业大数据的主体，其典型应用场景如下。

 

今天，我和大家分享一下装备生命中期阶段( MOL )工况大数据的“小”实践。

“十二五”我们开始和国内装备龙头企业合作研制装备工况大数据平台。随着应用的深入，需要将工况数据的处理分析结果，向企业服务( MRO )、制造( ERP )甚至设计( PLM )系统进行反馈，因此需要替换部分原有的关系数据管理系统。

与遗留系统进行集成，甚至替换“旧”系统，是工业大数据项目区别于互联网大数据项目重要内容，因为互联网业务往往是“全新的”，在实践中我们形成了 “ 四阶段 ” 切换方案。

 

下面看时空监管的例子。在得到工况数据以后，首先是对装备运营进行监管，不同于传统的运营监管，在大数据技术支持下，运营是成套设备互相协同的运营，例如：以搅拌站为例，通过收集位置数据、油位数据可以对搅拌车运输的过程进行优化调度，从而避免拥堵、减少等待、降低能耗。

 

再举个例子，我们知道液压系统是工程机械的核心系统之一，导致故障的原因很多，例如：密封套腐蚀，内壁刮花，密封环损坏，阀块受损，等等。有了工况大数据就可以寻找深层次原因。

 

我们通大规模过比对开工指标，从典型取值、波动幅度、回传密度多个维度进行分析，自动搜索推荐与故障车辆关系密切的特征工况，发现这些故障车辆的每分钟换向次数在变化幅度上高度相关。

 

再通过引入互联网上的行政区划数据和历年高铁建设数据(企业外部数据)，可以得出这样一个结论，这些典型故障均发生在 2012 年 ~2013 年期间在建重大工程“杭深高铁”沿线，这为我们寻找更深层次的原因提供了重要线索。

 

最后一个例子，我们通过大规模工况数据透视宏观装备应用情况，根据这些信息，进行易损配件需求的预测，优化调配我们的服务资源。当然装备开工情况，也反映了各地区宏观经济情况。

 

最后我想说，工业大数据刚刚起步，需要冷静思考，坚持应用驱动，最终实现中国制造强国之梦。