工业大数据的三个基本问题

随着云计算、物联网、移动计算、大数据、人工智能等新一代信息技术的兴起和我国制造业向数字化、网络化、智能化的持续大力推进，大数据在工业领域的应用引发了制造行业的普遍关注。“数据管理”这个沉寂了几十年的管理领域重新被重视起来，“数据资产化”为大数据厂商、各大企业所津津乐道。但是，大家对工业大数据的理解还存在很多疑问甚至分歧，作为一个普遍缺乏实践的工作领域，还存在着诸多未知因素和风险。为此，本文提出工业大数据的三个基本问题与大家共同讨论。

工业大数据，为什么在今天受到如此高的关注？

首先，工业大数据受到关注是因为互联网发展，大数据首先是在互联网行业得到应用，进而推动了大数据相关技术的发展和成熟，在IT厂商、互联网企业家、政府官员等多方力量的助推下，大数据应用逐步渗透到其他行业，如：医疗、通信、金融、制造业，大数据在制造业的应用，被称为工业大数据。

其次，工业大数据倍受关注与制造业的数字化、网络化和智能化的客观事实密切相关。自动化/智能化的设备、生产单元和生产线，还有智能化的产品，运行过程中产生了大量的数据，这些数据蕴藏着有价值的信息。例如，GE航空发动机每天提供给监控系统的数据超过1PB，福特的插电式混合动力汽车每小时能生成数据25GB，一台数控机床每年的数据量也可达700TB，而一般企业的PDM、ERP等系统十年所产生的数据量也不过几百TB。

第三，大数据相关的技术日益发展，拥有成本越来越低。例如传感器技术、通讯技术的发展，获取实时数据的成本已经不再高昂。嵌入式系统、低耗能半导体、处理器、云计算等技术的兴起使得设备的运算能力大幅提升，具备了实时处理大数据的能力。开源技术的生态完整性，也使得构建一个大数据平台的技术门槛越来越低。

另外，我们看到，制造资源、制造过程和商业活动变得越来越复杂，管理和决策的复杂度也在提升，依靠人的经验和分析已经无法应对如此复杂的商业环境。借助数据、算法和软件代码，可以突破人脑的限制，开展更加复杂的分析、预测，分析和预测的结果可以优化过程、优化产品、优化决策。

最后，我们必须承认，美国管理信息系统专家诺兰在四十年前提出的“诺兰模型”今天来看，仍然被证明是正确的。从诺兰模型来看，数据管理是企业信息化的必经之路。目前，国内大型制造企业一般处于集成阶段的末期或数据管理阶段的早期，而绝大多数的中小企业可能还处于诺兰模型的前三个阶段。事实上，工业大数据也主要是大型企业在关注和投资建设。

当我们提到“工业大数据”时，它的内涵包括什么？

人们之所以会对工业大数据这个概念存在分歧，是因为每个人看待工业大数据的视角是不一样的，从不同的视角就会看到不同的视图，显然大家看到和讨论的内容就有可能不一样，分歧也就在所难免了。如果沟通存在障碍，工作推进必然受到影响。因此，本文从多个视角讨论一下什么是工业大数据。

数据视角。关于工业大数据的范围是有争议的，一种观点认为工业大数据主要指的是设备数据，因为其符合大数据的4V特征。另一种观点认为工业大数据指工业企业的所有数据，包括“大”数据，也包括“小”数据。从现实意义上来说，笔者推荐第二种理解。因为，无论是“小”数据还是“大”数据，都是企业“资产”，实际应用过程中，数据集包含了这两类数据。企业只有将所有的数据看作一个整体，数据资产的价值才能够被充分挖掘出来。从数据视角看工业大数据，可以发现企业数据架构的改进机会。

应用视角。与数据相关的应用覆盖数据的全价值链，包括：数据提供、数据采集、数据存储与管理、数据分析和数据应用。数据提供类的软件一般为交易型的应用，如：ERP、MES。数据应用类的软件也称之为分析型的应用，如：查询统计、挖掘分析、预测等。从应用视角看工业大数据，可以发现企业应用架构的改进机会。

技术视角。工业大数据涉及一系列技术的使用，如：数据采集技术、数据存储技术、数据分析技术等，成熟的技术往往已经代码化并封装在大数据相关应用当中，但还有一些技术，特别是与特定行业的特定应用场景相关的技术（如：工程软件的数据获取），还需要研发。另外，要支撑完整的工业大数据应用，必须对软件平台、计算机基础设施、安全体系等进行重新规划，甚至重建。从技术视角看工业大数据，可以发现企业技术架构的改进机会。

业务视角。从业务视角看工业大数据，有助于发现大数据的应用场景，也就是大数据能够发挥价值的业务领域，从而挖掘出大数据应用的需求，如：产品优化设计、工艺流程优化、设备健康管理、供应链与物流优化、产品运行监控、智能决策等。工业大数据只有在业务场景中才能发挥价值。从业务视角看工业大数据，可以发现企业业务架构的改进机会。

推进工业大数据应该从何处入手，注意哪些问题？

工业大数据的推进工作千头万绪，各项数据工作之间、数据工作与其他工作之间的关系错综复杂，如果没有一个整体的规划，看不到一个完整的体系，就不知道从何入手，就无法合理安排资源投入，还有可能重复建设。下面从推进框架、切入点的选择和注意事项三个方面讨论工业大数据怎么建的问题。

推进框架。工业大数据相关工作可以划分五类，包括：构建知识体、数据识别与定义、数据集成与共享、数据分析与利用、数据治理。构建知识体的目的是为了统一大数据认知，规范相关术语概念，建立统一语言。数据识别与定义的目的是为了摸清数据资产状况，并规范数据。数据集成与共享的目的是打通信息通道，让数据流动起来。数据分析与利用的目的为了让数据产生价值。数据治理的核心目的是为了保障数据安全、数据质量。

切入点的选择。工业大数据的工作可以从上述五类工作的任何一类切入，或者并行推进。既可以选择构建数据治理体系为切入点，以落实组织和职责，建立机制。也可以选择数据模型开发为切入点，以理清数据资产和规范数据。还可以选择某一个业务域开展大数据分析应用，通过应用拉动数据规范化和数据治理。当然，五类工作也可以并行，因为从宏观角度来看，它们并没有必然的次序，只是在具体工作推进时，通常遵循先识别定义，再集成、治理和分析利用的工作逻辑。

注意事项。工业大数据推进过程中有三个关键问题必须予以关注和解决。一是数据标准，核心是数据模型，只有掌握一套企业级数据模型，并以此为基础对各项应用的数据库进行管控，企业的数据资产才真正受控。二是数据整合，数据只有整合起来，建立数据关联，才能够发挥更大的价值，数据整合的前提是有一套数据标准。三是数据安全，对于军工企业尤其如此，大数据强调数据关联、整合，这势必会显著增加安全风险。为确保数据安全，一方面是充分利用技术手段，另一方面是选择可靠的实施服务提供商。

来源：网络  侵权删