从大数据到智能制造

制造业是一个国家综合国力最重要的表现，在国民经济中占有重要份额，也是决定民众生活质量的重要条件。在经历了21世纪初的互联网泡沫和2008年全球经济危机之后，世界各国，尤其是发达国家都意识到，制造业是推动科技创新、经济增长和社会稳定的重要力量，成为各国发展和转型的机遇以及形成新竞争力的战场。

美国人之所以认为未来智能工业的发展必然从生产制造端转变到消费端，并且提出“工业互联网”的理念与“国家制造业创新网络计划”，是因为互联网与商业模式创新是美国的强项。德国在制造业的核心优势是装备制造业以及生产线自动化，通过配置和自控的优化系统使得工业生产全自动化，所以德国工业4.0的实践关注销售、服务能力的提升。虽然角度不同，无不围绕着制造业这个核心展开。

中国的制造业在改革开放30多年来取得了举世瞩目的成就，连续几年成为“世界制造力竞争指数”最强的国家，中国已然成为世界制造业的新中心。2015年中，国务院印发《中国制造2025》，部署全面推进实施制造强国战略。配套“互联网+”和“供给侧改革”等多项措施，“智能制造”被定位为中国制造的主攻方向。

如何实现智能制造? 从哈佛商学院到宾夕法尼亚大学沃顿商学院，有一个普遍的共识，即数字化转型是智能制造实现的途径。更为重要的是，这一共识同样来自众多的世界级制造业企业家们。

这一共识是基于无数技术趋势的融合。例如物联网、信息物理系统技术(CPS)、工业物联网、移动技术、人工智能、云计算、虚拟／增强现实（VR／AR）、大数据分析等。我们一定要保持头脑清醒，不要简单认为有了这些技术，未来五年就是制造业的黄金时期，因为新制造业文化的变革进程是相当复杂、缓慢和艰难的，没有行业与企业与用户的融合推进，这次变革无法实现。数字化转型不仅仅意味着企业简单的数字化，而是把数字作为智能制造的核心驱动力，需要利用数据去整合产业链和价值链。

在过去的3到5年中，上面列出的技术一直都是热门商业话题，单独使用时，其中每一项都能使商业中的一些程序或活动实现数字化。而如果将这些技术融合起来利用，就有可能实现数字化转型。

数据基本就是两类，一类是人类轨迹产生的数据，另一类是机器自动产生的数据。这两类数据构成了我们今天的大数据多结构化数据源。自工业革命以来，为了改进运营，制造商一直以来都在有意采集并存储数据。随着时间的推移，数据在制造业分析的需求将越来越大。然而在过去的250年间，利用数据的根本动因并没有改变，但数据的复杂性增强，将数据转化为情报的能力将有越来越大的需求。

对于数字化转型的其他方面而言，2012年高德纳给出的大数据定义里面，特别强调大数据是多样化信息资产，大数据不仅要关注实际数据量的多少，而且最重要的是关注大数据的处理方法，让数据产生巨大的创新价值。数据量大还是量小本身并不是判断大数据价值的核心指标，而数据的实时性和多元性应该对大数据的定义和价值更具直接的影响。

如果不投资大数据及大数据分析，从中获得信息，智能制造所追求的卓越运营将功亏一篑。如果通过利用大数据、预测性分析及云技术衡量产品性能只为了解客户需求，这意味着你正在失去数字化转型最大的价值。在工业大数据的领域里，我们除了要继续关心“人为数据或与人相关的数据”，更多的要关注“机器数据或工业数据”与人的行为数据的融合。

数据本身不会为你带来价值，数据的技术也不会让我们的制造业更先进，数据必须转成信息后才会对产业产生价值。智能工厂通过与环境系统的无缝交互，设备能够有自我意识和自学能力，在未来可以实现更高程度的智能控制和优化控制。目前自学设备还远未达到工业实施阶段。

制造业企业有着大量的数据，从内部而言，积累了大量的内源数据，包括运维、管理、流程、质量等。而在互联网时代，外源数据更多，包括供应商、竞争对手、客户反馈等等。事实上，制造业企业不缺数据，问题在于数据质量低下，采集手段不科学。造成的现象是数据丰富但信息贫乏。目前表现出两大问题：第一是数据的有效利用率很低；第二是缺乏分析能力，需要大量的工具。

由此可见，推动智能制造的并不是大数据本身，而是大数据的分析技术。工业大数据給了我们一个看世界的新角度。通过360度全景的数字视角，可能给我们带来新的优势，这就是它成为创新驱动核心动力的来源。

在智能制造的工业大数据中，数据类型多样性是大数据的重要属性。大量的数据不是大数据，单一的数据类型也不足以构成大数据。人们一直设法收集并弄清楚不断变化的数据类型。在制造业中，大数据分析需要利用通用的数据模型，将库存记录、交易记录和财务交易记录等结构性商业系统数据与预警、流程参数和质量事件、社交媒体或其他协作平台获得的文本信息、图像数据、地理或地质信息等非结构性操作系统数据以及供应商、公共网络数据结合起来，进而通过先进的分析工具发现新的洞见。

在工业大数据的实践中，宏观与微观、规模与定制、个性与共性必然成为主要的几对矛盾。未来制造业经济是由企业流程以及产业链接口能力所决定的，而机器的能力是基础。

制造业企业在力求降低生产过程中的浪费，提高制造工业环保与安全水平，根据生产状况实现系统自我调整、实现自适应，以及全面服务个性化需求的过程中，都会实时产生大量数据。

在现代工业供应链中，随着大数据应用的普及，我们可以感受到从采购、生产、物流到销售市场都是大数据的战场。大数据可以帮助我们实现客户的分析和挖掘，它的应用场景包括了实时核心、交易、服务、后台服务等。其载体包括手机、传感器、穿戴设备、3D打印机和平板电脑等。传感器数据属于工业大数据类别之一，这些机器数据可以帮助我们找到已经发生的问题，协助预测类似问题未来重复发生的几率与时间，帮助我们保障生产，满足法律法规的要求，提升环保水平，改善客户服务。

因此，利用大数据的工具，通过数据分析和挖掘，我们可以了解问题产生的过程、造成的影响和解决的方式，找到创造附加价值的新形式。利用大数据的工具和思维，帮助制造业实现商业模式的转变，改造和提升客户体验，完善内部操作流程，或许是最佳途径之一。

我们要从设备资产智能管理、工业大数据分析以及工业物联网这三驾“马车”，结合现代制造业企业的下一代企业架构，帮助制造型企业实现智能制造管理的落地。设备智能管理是智能制造数据的核心来源，通过工业物联网的平台连接了所有人、物与事，然后利用大数据工具来分析已知事件，预测问题，挖掘新知识，协助管理决策等。

资产智能管理（AIM）、传统资产管理（EAM）以及资产性能管理（APM）能够实时产生大量数据。资产智能管理无间断地处理制造各个领域生成的数据，包括历史记录数据以及实时质量流程中获得的时域信息。

资产智能管理的数据组成部分非常之多，例如，通过震动感应器采集旋转机械的数据，地理位置信息记录了移动资产和资产移动的数据，通过位置数据和气候数据了解电力传输和分配部分或管道的线性资产的实时状态，基础地质数据协助确定采矿业操作条件等。

当把所有这些资产设备的数据源结合起来，再利用演绎和预测分析等方法对这些数字进行分析时，你绝对有机会将智能制造管理提升一个层次。仅仅通过监测一定数量的设备的实际运行时间来安排预防性维护并不足以成为大数据手段。当你使用震动分析、热红外成像、流程条件数据、实时位置信息以及在互联网上搜索有关类似设备的失效模式时，才真正涉及到了大数据。

制造业的大数据分析已经成为工业物联网的一部分，为企业传统供应应用程序的升级和改造提供依据。工业物联网实现了产品的可溯源，降低了质量成本，而且在流程数字化方面推动了制造业智能化。

构成新的工业物联网应用工作区的将是全新的下一代系统。这些应用程序将填补传统架构的空白，吸收任何地方的数据并将其传输到任何其他地方，从而帮助进行新的分析以及为新的混合应用程序所用。这些应用程序还可以简化分析，供车间人员所用，以及/或将这些解决方案与必要的服务和数据科学家专业知识结合起来。

抽样调查、确保质量是我们在小数据时代的管理。而如今，在快节奏的生产环境中，要人工去检测每一个产品的质量，显然是不切实际的。在工业物联网平台，通过所有产品的智能连接，越来越多的产品和设备有了“情境自我意识”，使数据捕获、分析和检测变得异常容易。企业通过互联网平台还可以迅速改进设计并改善工程质量。

我们许多生产流程的手册和模型都有知识差距，这也是建立产品或企业级别的知识库之所以那么艰难的的原因所在。而物联网有可能填补这些差距。流程数字化将带给我们的未来是：从设计到用户体验，一切都是有结构的和数据可寻的。这样，制造商不仅可以理解实体产品是怎样设计和制造的，还可以了解用户体验如何以及如何与产品互动。

随着数字处理能力的不断提升以及工业物联网平台日益成熟，我们将很快解锁海量并仍不断增长的数据。这些数据与我们的制造流程以及为我们提供聚集这些数据并部署强有力的分析程序对其进行分析的空间的云服务有关。

无论是为促销产品还是作为战略目标的方式，大数据已然成为很多公司和机构过度使用的术语。通过不同技术，我们将数据空间完全释放出来，从而可以利用大数据分析技术将任何地方的数据加以融合，新的分析工具应用这一新的数据模型，从而发现之前从未有可能的洞见。这些分析工具包括：图像、视频、地理空间、时间序列、预测模型、机器学习、优化、模拟和统计过程控制等。

制造即运营管理，是供应链的四大环节之一，负责规划、组织、管理所有制造产品所需要的资源，包括设备、人力、技术、流程、信息等。其主要职能是统筹相关的资源与活动，将投入的资源转变成最终可销售的产品和服务。每个企业都有自己的规划和自己企业在运营环节的管理最佳实践。大数据对促进供应链中的生产环节产生了前所未有的巨大影响，在众多的运营决策改进里面，这些影响包括产品设计、质量控制、客户画像等等。大数据及其 分析将影响制造业的规范性、产品以及服务的品质以及卓越运营这三大方面。

基于预测性分析的进化步骤被称为规范性分析。规范分析法是20 世纪60年代后期美国管理心理学家皮尔尼克提出的，它对事物运行状态做出是非曲直的主观价值判断，力求回答“事物的本质应该是什么”。规范性分析意味着分析工具不仅能够预测可能发生的事情，还可以提供备用的“假设”分析，以提供可以改变结果的方案。从这一分析出发，我们可以将工业物联网平台的数据提供给智能连接资产内部的云数据库或潜在的分散分析，以期在“最佳”结果的基础上，对规范性维护活动做出最准确的定义。

这一转变将彻底改变制造行业。我们将不再需要一系列专家来告诉管理员何时需要针对设备资产做哪些维护以及如何维护，因为当资产无法实现自我修复时，将会自己告诉你它们需要什么。

商业原则之一的帕累托法则，也称为二八定律，一般来讲质量也往往与这一基本原则紧密相关。早在上世纪90年代开始，大量企业就开始通过应用分析法来提高产品质量和生产的效率，其核心是实现生产与服务的需求相匹配。

今天的大数据分析手段也如出一辙。大数据不仅能够使生产商制造产品的时间缩短，还能够在产品批量生产前通过模拟，检验防止产品缺陷，减少产品开发周期过程中不必要的环节等。

质量管理强调产品质量要符合消费者预期，这个预期包括预算、功能、外观等等。这是大数据分析法提升质量管理环节的首要收益。通过对内源与外源数据的实时采集和分析，企业能够准确地了解消费者需求及其购买行为，明确产品特征，运用高级分析法准确地指导生产、运输与采购，从而提升产品或服务的质量。

大数据的实时性与实效性，給企业的生产质量管理创造了实现质的飞跃的条件。传统质量管理主要是通过静态的、历史的、沉淀的数据，通过检查表、散点图、控制图等检测手段来发现生产过程的质量问题，大数据则通过物联网，通过产品上安装传感器、标签等手段，实时监测采集数据，认知产品性能，实时提高质量。

当企业高管们在探索如何利用大数据改善运营之时，我们需要从企业的生产目标以及更高的商业目标开始思考这个问题。越来越多的管理人员意识到，贯穿产品生命周期各个阶段的数据，将成为能給企业带来高效增值的极有价值的原始材料。

企业不论何时开始实施卓越运营，都必须将人、流程和技术结合起来，基于此，制造业的卓越运营实践需要包含资产管理（EAM），资产性能管理（APM），企业质量管理（EQMS），环境、健康和安全管理（EHS），工业能源管理（IEM）以及制造运营管理（MOM）六大支柱。

将数据和大数据分析结合起来时，之前未知而有待发现的相关性以及打破信息孤岛的可能性变得越来越大。把从运营中已使用到的大数据、社会媒体以及物联网等新的数据源，以及融合大数据分析解决方案的能力三者结合起来，大数据就可以为管理层提供运营洞见。

在制造行业，企业边界日益模糊，最难以预测的外部因素，当数颠覆性创新。互联互通彻底改变了商业游戏规则，在意识到竞争时已为时过晚。对于所有希望转型的制造业企业来说，企业管理者需要迅速全面了解前沿技术及其相关性与关联性，利用现代企业架构，重新定义企业，通过全供应链的数字化，来获得更为高效、智能与高利润的服务产品。

鸡蛋，从外打破是食物，从内打破是生命。智能制造之路亦是，从外打破是压力，从内打破是成长。我们要从设备智能管理、工业大数据入手分析，驾驭工业物联网的三驾马车，结合现代制造业企业的下一代企业架构，让自己有能力从内打破，打造并形成数据红利，在这场智能制造的文化升级中，实现重生，实现我们的制造强国之梦。