关于工业智能中工业数据的一些初步思考

过去的一年时间，我们聊过一些工业互联网项目，之前也将几乎物联网平台项目看了一圈，加上跟之前投的工业物联网项目的讨论，对工业智能有一些思考，写下来，权当作为一个简单的总结。

工业智能是在现有的工业化和信息化基础之上，以「数据」为核心，将工业生产全生命周期中涉及的各个软硬件层面的数据，进行融合加工处理，在此基础上结合行业经验、knowhow等将工业知识通过算法、模型等方式进行封装、固化，用于解决工业生产过程中的问题，形成最优解决方案，提升工业能力，创造增量价值。

数据是工业智能的血液，离开了数据的工业智能如巧妇难为无米之炊。但工业数据的现状却也是制约工业智能发展的瓶颈。

1.工业数据从哪来？

工业数据大体可以分为三类：

一是来自于软件的生产类数据，即各种MES/ERP/PLM/SCM等软件中关于产品属性、工艺、生产、采购、订单、售后等数据；这些数据可以通过软件对接及集成的方式来获取，其数据质量相对较高，结构化较强，数据量不大，但具有极大的挖掘价值；

二是来自于设备的数据，包括各种生产设备在运转过程中的状态信息、制造参数、生产数据等，这类数据以非结构化数据为主，如设备工况（压力、温度、振动、应力等）、音视频、日志文本等数据。这类数据一般采集于设备的PLC、SCADA及外部安装的传感器。这类数据量大、采集频率高（一般在毫秒级）、实时性强、非结构化强。

三是其他数据，如能耗、用水、温度、环保等数据。

2.工业数据的问题

即便获得了工业数据，但这些工业数据远未到能使用的状态。工业数据的几个明显问题，使得工业数据的使用也具有较大的挑战。

首先，工业数据本质上是充满噪音的脏数据，必须经过大量的算法清洗，才能使用；

其次，工业数据的量太大。以高铁行业举例，一辆高铁有8-12个轴箱轴承，每个轴承2-3个振动传感器，每个轴承每秒采集的数据大约为130M，数据量巨大；

再次，数据所涉及的行业、场景各种各样；

第四，数据跨学科导致的关系十分复杂，工业领域的数据可能有机械、光、电、热、磁等各个学科领域。

3.工业大数据or工业小数据

尽管我们在上面说到，工业数据所涉及的数据量巨大，然而在实际的生产过程中，我们面临的却是“工业小数据”，甚至“工业无数据”的情况。

导致这种情况存在的原因是多方面的。其中，第一大原因当属过往数据的缺失。从某种意义上来说，工业生产过程中，过往更多依赖于经验与knowhow来形成对问题的判断和解决方案，缺乏采集数据、存储数据的理念，使得当需要数据来训练一个模型时，却往往需要从头积累。工业智能项目在实施过程中，往往由于缺乏历史的数据，需要重新采集数据，训练算法和模型，而使得整个工期大大延长，也使得合同双方的成本都大大提升。

即便过往有一些数据积累，然后由于目的的不同，所采集的数据类型、方向也存在较大的差异。在过往，数据的采集可能更多是为了做监控、控制，而在工业智能时代，数据采集的初级目的是监控和控制，而终极目的是为了分析、优化和建模。

从另外一个角度上来说，如果将工业智能要完成的目的拆分成一个个具体的问题或者任务，每一个工业APP或工业智能模型解决一个具体的问题，如果能厘清解决该问题的核心因素，有针对性的采集和获取数据，也许“工业小数据”也能达到良好的效果。

也就是说，如果笼统的看工业大数据，你会对各种类型、来源、存在形式的数据感觉到乱如大海，但细化到具体问题、具体场景来看，也许数据的问题便变得不那么困难。

4.如何快速低成本地获得高质量的工业数据

既然工业数据存在这么多问题，那么如何获得高质量的工业数据就变成一件十分重要的事情。

高质量的工业数据获取，离不开一套自上而下的完整的数据获取体系的建立。这套体系包含标准定义、有效的数据库、强大的PaaS支持，高效的数据整合、完整的协议解析以及低成本的采集终端五个方面。

低成本的采集终端：应用于各种场景及设备的低成本传感器；

完整的协议解析：数十种工业协议的打通是一件费时费力的苦活累活，虽然不难，却又苦又累、不得不做；

强大的PaaS支持：PaaS平台负责数据的管理、调用、资源管理、分析展示和安全管理等；

高效的数据库：工业数据涉及设备工况及传感器数据，这类数据频率高、量大，用传统关系型数据库处理，吞吐量大，处理速度慢、性能差。时序数据库的高压缩、高性能特点能有效解决上述问题；

完整的标准定义及数据整合：统一的主数据管理，建立数据标准，制定统一的编码、结构、流转方式和属性，确保数据的一致性；逐步积累行业知识库、合适的算法组建及相关机理模型。

5. 工业数据智能的层次：从数据展示到数据智能

我们认为，在实践过程中，工业数据智能至少分为两个层次：一是数据可视化，二是数据智能。

初级层次：数据可视化。即将所获得的各种数据以各种报表及图形形式进行统计和展示，而由人通过过往的经验与知识来进行判断、决策和优化。

高级层次：数据智能。即在数据统计分析的基础上，结合行业经验、知识、机理形成自动化的决策和优化能力。

任何一个做智能化转型的行业，采用数据驱动的方式，最终目的都是要将人的决策过程自动化。也就是说，我们所理解的数据驱动的工业智能，是要将以前要靠人去将不同系统里的数据进行整合信息、内化成知识、最后形成决策的过程，完全变成自动化的过程。

显而易见，高级层次的数据智能是工业智能所追求的真正的目标，而数据可视化只是工业智能的一个过程。

然而，现实中，存在大量公司美其名曰工业智能、工业互联网，其主要的作用和价值还是在于数据分析和可视化上，远没有到数据智能阶段。

而之所以还停留在数据可视化，不得不说，相当一部分企业，尤其是国企、政府部门的所谓工业云、工业智能项目的主要目的是为了向领导汇报，而不是真正的用于生产实践。

当然，我们并不是说数据可视化不重要，恰恰相反的是，数据可视化是数据智能的必经阶段。

6. 数据模型化的四象限

如上文所述，数据智能的终极目标是实现以数据驱动的决策自动化。工业智能建模，是实现决策自动化的方式。但并不是所有的场景和问题都适合通过建模来解决。基于数量的质量情况以及建模对象的机理性，形成了四象限。

数据少，机理性弱（或对建模对象理解不够深时）：更多依赖于经验进行人为的判断，难以通过建模老实现智能化；

数据少，机理性强：可以基于机理来做分析，基于规则建立模型来做到诊断和预警，例如典型旋转类设备的智能诊断和预测性维护；

机理性弱，数据多：前期以经验为主，训练模型，发挥数据驱动的模型优势，提升对机理认知；

数据多，机理性强：适合做机理跟数据融合的模型，模型的可解释性更强，准确性高，对于外部环境的变化也更加不敏感。数据模型可以基于数据做自动决策和分析。

通过上述分析，我们可以看到，在未来数据智能模型与人的经验将有所侧重、有所分工，专家经验在那些数据量小、机理性弱的场景依然存在巨大的价值；而数据智能模型则适用于那些数量大、机理性强的场景。

7.基于数据智能，我们可以做哪些应用？

举例1：设备的预测性维护

比如风力发电机的运转动作相对单一，机理性较强，数据的获取相对较容易。可以基于数据模型来分析风力发电机的运转健康状态，如是否有裂缝、损耗等。

举例2：优化能效

流程工业相对自动化程度高，数据质量高，对于工艺环节的每一个优化，都有助于提升效率、降低成本和能耗，比如在炼钢过程中，通过数据的采集与分析，可以设定在不同阶段的温度，从而控制好进煤量、空气输入量等，从而能有效提高能效。

举例3：计划排产

C2M是未来工业生产的重要目标。从工厂计划排产的角度来看，目标是实现当时当地的产能最优，约束条件是企业的产线设备、人员、产品属性、供应链数据等，通过历史数据的学习和训练，不难形成一个较好的预测模型。这一模型能根据产线和工厂的实时数据动态分析，动态调整，以帮助企业实现准确把控，最大化经济效益。