01
數智化轉型的緣起
1. 工業數智化轉型正當時
近年來，各種場合常出現“工業大數據”、“工業互聯網”、“工業智能”、“新基建”等一系列熱詞，體現了國家對制造業高質量發展的訴求。從十四五開始，特別是近幾年，大家把數智化與實業相結合提上了日程。從現象上看，國內大廠紛紛投身工業制造業。數智化無論對于提升業務價值，還是對國家經濟建設，都是一件有價值有意義的事情。
隨著企業對數字化的認知越來越清晰，對工業數智化的戰略越來越明確，企業的訴求也在發生轉變。中國的工業企業經過近幾十年的發展，自動化、信息化，以及一些基礎的數據系統建設在不同的行業中慢慢地推進。近兩年，工業企業會更多地在數字化和智能化的道路上邁進。對于企業而言，會更多關注提質增效、節能降耗等能夠給企業帶來實際價值，并且能夠落地的方向。
2. 工業自動化、信息化、數智化
下圖是對工業領域中自動化信息化、數字化和智能化的概念和內容的梳理，幫助企業理解數智化的工作，即在自動化和信息化基礎之上推動的數字化的工作和未來智能化的工作。澄清這三者的區別和關系，可以讓企業認知到，這三者并不是誰可以取代誰的關系，而是不斷循序漸進、做加法、做優化的過程。
自動化、信息化談的更多是把企業的最佳實踐固化到流程管理、經營管理的系統中去，比如PLM/MES/ERP。現在的數字化則更多是以業務為主導，幫助企業更好地利用數據，挖掘數據背后的價值，并與業務結合，為企業帶來以數據為基礎的價值創新。智能化是未來企業和工業制造業一個更長遠更全局的目標，它是在數字化的基礎之上，實現企業內部各個部門的、產業鏈上下游的、跨產業鏈跨行業跨區域的全局最優。目前這一步還是在路上，需要一步一步地走。
3. 工業數智化的典型場景
典型的工業數智化場景有一些可能為大家所熟悉，一類是設備可靠性分析，例如故障的預警預測。從健康評估開始，逐層深入，可以到企業內部生產資料的優化、設備運行的優化、生產制造過程的優化、質量的控制。再往上，會涉及到能源互聯網、產業互聯、產業上下游的供應鏈等方面，例如從備件、物流、配送等不同維度來實現產業鏈或不同領域之間的優化。在不同的行業、不同的領域，都有大量的數字化的場景和數字化的應用需求。
4. 工業數智化的關注點
與消費互聯網不太一樣，這個賽道還是一片藍海，在全球范圍內基本上還處于探索的階段。企業的關注點也在不斷變化。開始的時候，關注點是在平臺上面，怎樣幫助企業搭建大數據及互聯網平臺，怎樣把工業領域的數據收集起來、管理起來，為企業未來的數字化打下數據基礎。也可以看到陸陸續續出現了工業大數據平臺、工業互聯網平臺。再往前走，企業最關注的是這件事情的價值。
怎樣在傳統行業中突出和體現數智化的價值？如何把數據和產業進行結合？在此基礎上，我們做了智能化的落地。工業數字化已經開啟了第三個階段。這一過程并非一蹴而就，不是有了一些數字化的應用，就完成了數字化。這只是起步，未來結合業務的發展，模式的創新，才有未來的業務發展。并且要長期持續，能夠快速地響應企業的需求，隨著企業的變化而變化。
5. 工業數智化業務愿景
大家逐漸認識，不管如何講數字化技術，最終還是要把它與核心業務相結合。讓數據在企業內外部的業務當中，從提質增效、節能降耗、業務模式創新當中去發揮價值，最終為業務發展打開新的業務模式。如何通過數據的匯集和數據知識的挖掘和流動產生價值，這是不同的行業、不同的企業現都在共同思考的一些問題。
--
02
數智化實踐
1. 工業數智化領域的認識概況
工業數智化其實是企業數字化或者企業大的轉型概念下的一個領域。但其實在工業領域里面，數智化其實還可以再細分。從業務場景去展開，從核心的高技術產品、裝備的研發，到生產制造的過程，再到市場營銷，以及整個設備和物聯網的服務，在整個產業鏈過程中，每一塊都有大量的需求，而且都有各自的關注點和目標。對于企業內部，特別是對管理層而言，還涉及數字化和智能化的管理。這幾塊結合起來勾勒出了工業數智化的領域。當然還可以細分，比如供應鏈中的金融化，能耗方面在雙碳目標下的節能降耗等等。不同場景關注點的不同，導致了技術路線的選擇和業務目標的選擇，以及用戶群體都會不一樣。從我們創新中心的角度，我們更多地關注在數智化制造，和基于工業設備、高技術裝備的數智化服務。
2. 數智化研發案例
先來看一個數智化研發案例。在涉及到各專業學科的交叉過程當中，背后都會有大量的研發類的數據需要被統一地管理起來，并且能夠快速為研發過程提供支撐。
過去在傳統的工業軟件架構中，會用一些關系型的數據庫。比如原來的風電比較粗放，一個風電廠在平原上有一些風機。但現在風機在山地在海上，它每一個點位的風向以及湍流強度是不一樣的，所以每個點位都需要去進行精細化的設計，這對設計提出了更高的要求。為了讓這些設備能夠更高效地在這些點位上運行，并且做到最合理的成本，我們需要對每一個點結合風況進行精準地運轉。因此在這個過程當中，有大量的仿真數據，需要去進行相應后處理，再進行精準的設計。數據量也非常大，通常幾輪批次運行下來會超過PB級別。
設備的生產制造也是一個產業協同過程，從上游零部件，到我們的整機廠商，以前是各自為政，但現在有了統一的數據平臺。這樣統一的、以數據驅動的，協同研發的過程，可以保證協同、統一地來做全局的優化，從而把設備運行、制造成本，以及周期降低下來。
3. 數智化服務案例
設備的可靠性包括預測性維護、遠程設備的故障診斷。
① 風電結冰預警
第一塊是設備故障預警，風電結冰檢測案例。冬天風機經常會被凍住，導致無法發電。新能源的占比越來越高，所以問題也越來越嚴重。怎樣及時發現、及時干預，能夠對發電量進行合理的預測和管控是備受關注的一個問題。我們要利用設備運行數據，比如結冰時間，機器震動，旋轉速度，提前進行診斷來避免更大的次生災害。但在工業的領域，其實有很多的挑戰，比如復雜的氣象條件，同樣是結冰，北方與南方的結冰條件是不一樣的。
② 車輛懸掛系統故障診斷
第二塊是故障診斷。車輛診斷是一個很經典的案例。一個車輛高速運行中，放個硬幣或者放杯水，它都不晃不倒。這一方面要靠軌梁的穩定和平穩，另外就靠車輛懸掛系統。同樣的一輛車，運貨以及運人的重量速度都不一樣，故障的發現和診斷，不僅要發現故障，還得診斷是哪個部位出的問題。根據列車的運行數據和一些基礎信息，最終要實現將故障定位和識別出來。
③ 設備運行優化問題
第三個是設備的運行優化問題。設備可能沒有大的故障，在某種程度也沒有報警。但設備是否處在一個最優的運行狀況，也是可以通過結合歷史數據去進行分析的。比如風電領域，同樣的風速，同樣的功況下，它的發電效率和以往比有沒有變化。類似地，芯片的制造生產，不同批次質量良率和生產效率是否有變化，以及變化背后的影響因素，這些都需要固化到系統當中去。
前面講到的案例都是一個個的點，這些點都可以關聯起來，去形成一個完整的整體，去幫助更好地刻畫設備和這個設備運行的方方面面，從整機到核心組件，以確保設備能夠健康穩定地運行。
4. 數智化制造案例
這里更關心的是產成品的質量以及生產效率問題。通過分析生產過程當中產生的質檢數據、運行數據、設備工藝參數，幫助企業去建立圍繞良率的一些統計性的分析，比如良率出現的波動、時間分布、空間分布，以及潛在的問題之處。
找到提升良率的方法，規避降低良率的操作，固化到系統當中去產生價值。
最后把體量、運行效率、能耗等各個領域，綜合起來放到我們企業生產過程當中。比如現在比較火的數字化工廠、智能化工廠等，都是綜合性地運用數據，全方位地幫助企業提高智能化的決策和生產水平。
5. 其他實踐與探索
除了以上介紹的案例之外，我們還在其他領域做了大量的探索，也發現了工業的數字化過程中廣闊的前景和面臨的挑戰。
--
03
思考
1. 工業數智化技術特征
工業軟件有其專業性，每一個行業都有它背后深厚的基礎。由于這個行業背后的一些機理、生產工藝流程，工業軟件也會更復雜。從研發到生產制造的過程，所有的行業都是不一樣的，甚至同一個行業里面也是千差萬別的，而且數據類型也很多。比起消費互聯網，工業數據質量其實更參差不齊。工業數據分析的另外一個難度在于對精度的高要求。比如控制類，精度甚至要做到99%，細微的差別都可能會導致整個產線運行的不安全。
2. 工業數智化需要3T深度融合
工業數據還有一些從數據分析角度來講的難點。
首先，這些設備本身、特別是大型的裝備，其實是很少壞的，所以拿到的很多數據通常都是正常的。很多時候要通過正向的數據去做分析，對它潛在的故障進行發現、挖掘。
第二，工業有很多背后的機理可以去結合，比如風力發電的機理、燃燒的機理，幫助提升數據分析，以及指導數據分析的方向。然而很多機理是偏理想化的，比如標準大氣壓下，拿到當前溫度等，而在很多工業現場，很多量是不可測的，例如高溫高壓，環境和理論是有非常大的偏差的，需要通過擬合、軟測量的方式去做工藝數據的分析。
第三，專家的經驗可能沒有量化，是否準確也都是要去考慮的。
以上難點可以歸納為：量大但不充足，要素全但不精準，實用但不完備。要在工業領域落地，一定還是需要將IT計算能力、DT數據分析能力、工業領域的知識OT，這3T深度融合起來。
3. 工業數智化是長期持續，迭代演進的
工業數智化是需要長期持續不斷去迭代演進的，不停有新的場景、新的需求出來，并且不斷有新的工藝、新的設備、新的量測手段和新的分析方法可以引入，是一個不斷迭代的過程。
4. 工業數智化是一項周期長、試錯成本高、落地效率低的復雜工作
工業數智化的流程包括，從業務梳理到數據收集清洗，到特征的提取算法的研究，然后再去做大規模的驗證，并行算法的改造，還有可視化，最后上線部署，是一個非常長的過程，基本都以年為單位。
--
04
在路上
1. 工業數智化中的共性設備及其數據模型
工業行業不一樣，關注點不一樣，分析課題不一樣，生產的東西也不一樣。但是在工業生產過程中，還是有很多共性的，比如很多基礎工業單元是共同的，比如基礎的泵、閥、電機，通過不同的組合，用來生產水泥、芯片、汽車等等，生產的內容不同，但是背后很多設備是有一些共性的。這些設備監測的內容也有很多共性，首先在數據類型上存在共性，如電流、電壓、震動、圖像等；另外，在分析的課題上也存在共性，如分析軸承開裂等問題；還有在數據模型上也存在共性。
2. 工業數智化中的共性分析方法論和算法基礎
不同的設備有不同的分析的思路，但是如果將其結構化，從拿到原始的數據，從工況的識別到關鍵特征的提取，再到引入像一些比如深度學習，再到最后把結果與一些專家經驗結合，最后變成上線的模型，這其中其實有很多相似的方法。做出的模型不同，但過程中存在著一些共性或相似性。
3. 工業數智化中的共性分析應用方式
工業領域中，建模要和很多工業現場的數據去結合，有些數據要回到中心端來，比如數據是隸屬于不同的公司，不可能把所有的數據用來做分析，需要依托樣本數據和知識經驗，去構建一個模型，再把模型下發到現場去，這種云端結合的應用方式，在對數據安全性要求比較高的場景非常常見。
4. 工業數智化工作核心要素
基于上述共性，我們總結出一些核心要素，比如數據的問題總結為數據資源化管理，建模總結為知識結構化沉淀，如何把建好的模型應用到工業現場去，我們把它提升成應用敏捷化服務。
5. 基于統一工業物理對象模型的數據服務
應用本質上，關心的不是數據，而是我們的研究對象。所以我們提出了一個基于工業物理對象的數據服務，來統一底層的數據接口、存儲等，讓上層的數據理解和價值挖掘更容易。
6. 知識結構化方法論和算子
我們把共性提取出來形成了一些方法論。
有了這些方法論，我們一方面以方法論作為指導，另一方面還將方法論背后的共性提取出來，變成“算子”。這樣工程師就可以用拖拽的方式，低代碼的方式，去進行現場的工業數據的建模和處理。
最后，我們要把建好的模型部署到現場去用，我們實踐了云端的協同，中心端建模，現場端應用，批流一體等。
7. 數智化創新體系
工業領域最核心的還是工業企業的深度參與，包括工業企業內部的數字化創新團隊的參與。以工業企業自身之主為核心，以我們的平臺工具為輔助，再結合數字化創新方法論，注重企業在過程當中的數字化創新成果的積累，才能夠把工業數字化的工作長期持續地推進下去，才能為企業在數字化領域帶來更多的價值。
今天的分享就到這里，謝謝大家。
分享嘉賓：鐘虓 北京工業大數據創新中心
編輯整理：郭永濤 復旦大學
出品平臺：DataFunTalk
01/分享嘉賓
鐘虓｜北京工業大數據創新中心 產品業務總經理
鐘虓，北京工業大數據創新中心產品業務總經理，負責工業大數據平臺產品研發及其在能源電力等行業的應用推廣。擁有多年云計算，物聯網和大數據平臺等相關領域的技術研究和產品研發經驗，主持過國內多個重量級工業大數據、工業互聯網平臺的建設實施。在中國、美國等地擁有20余項相關領域專利，并且在Middleware、IPDPS、ICDCS等國際頂級會議及《計算機學報》、《軟件學報》等國內頂級期刊上發表過多篇論文。曾任職IBM中國研究院高級研究員。
