工业大数据转型，赋能制造业是一道“加减乘除”题

【编者按】打造工业互联网的平台生态，不是说只有这个平台才能挣钱，是平台上的每个人都有可能挣钱。

本文转自公众号信风智库，原作者清华大学王晨。经亿欧编辑，供业内人士参考。

我们该如何理解工业大数据，工业大数据如何赋能智能制造，以及如何在智能制造的基础上走向未来的工业互联网？

工业产生转型升级作用的路径

大数据系统软件国家工程实验室，将工业产生转型升级的作用的路径，总结为“加减乘除”四个象限。

所谓加和减就是智能制造。智能制造更关注于企业内部的事情，狭义的智能制造关注制造，即生产环节，广义的智能制造则包含企业的全生命周期，从研发设计到生产制造再到运维服务。

智能制造不外乎在现有流程上加了一些东西、减了一些东西，它基本可以被总结为八个字：提质、增效、降本、控险。今天，智能制造做的事情就是加法和减法。

但在这个时代光做加减法是不够的，比如私募股权机构投资一个企业，企业每年做一点加法，投资人可能不会满意，而是希望企业实现指数级的增长。

如何实现？工业互联网可能就是实现乘法和除法的路径。乘法就是平台效应。比如淘宝，容纳无数的商店在它的平台上开店挣钱，就是一个案例。但是在工业领域，是否可以构建一个工业互联网平台？

以服装行业为案例。传统的第一代的服装企业，有自己的设计、工厂、店面，即完整的产业链条。第二代服装企业，舍弃工厂选择全代工生产，转为做营销，以门店为资产。而互联网时代的服装企业，既没有工厂也没有店面，成本几乎为零，所有的店面依赖淘宝，只负责快速设计、把控供应链，最后的“总盘子”虽然不一定有传统企业那么大，但是利润率高。因此除法就是企业聚焦自己的核心竞争力。

轻资产高利润运营，这是未来中国中小企业创新创业之道。打造工业互联网的平台生态，不是说只有这个平台才能挣钱，是平台上的每个人都有可能挣钱。

三个层次：工业大数据行业的分类

大数据系统软件国家工程实验室接触了、也做了很多工业大数据的应用，并将其分为了三个层次。

第一个层次是单元级，即针对工业设备，不仅限于设备的远程运维，还包括对设备故障的提前预警、故障分析，以及设备的优化运行、资产管理等等。

首先我们需要将设备的运行状态进行精确的数字化测量，这种测量手段其实是将工业大数据的连续空间离散化。这个连续空间很复杂，而能测量的物理量、精度、传感器数量都是有限的，所以全空间采样无法实现。但随着数字化水平提高、信息化进程推进、智能化应用迭代，未来的测量过程也会升级。

第二个层次是工厂层次。这个层次不是关注单体设备，而关注整个工厂的运营效率、产品质量和安全、环保问题。工业讲求的是包括人、物料、工艺、设备、环境在内的因素，在复杂的动态系统中能够协同作用。

假设把全中国都看作一个大工厂，怎么在产业链条上提升自己的效率？我们今天做工业大数据，做“智能+”，就是这个用途。

首先要回答数据在哪里，其实数据在任何一个地方。以前工业上管数据管的相对粗糙，传统在信息化领域做的相对较好的是管理信息化，而现在很多工业数据只是用来做监控以及做故障发生时做数据的回放。这些数据拿来怎么做两化融合（信息化和自动化的数据融合）还有待验证。

第三层次是怎么拿到其他相关的数据？比如说挖掘机要自动化施工，需要了解GIS数据、环境数据，但这些都不是传统制造业企业拥有的数据。这说明今天工业大数据的内涵，比传统的数据内涵要大得多。自动化以及跨界整体的数据，构成工业大数据的体系。

工业大数据的分类和挑战

实际上，工业数据有三个特点：

第一个特点是多模态。过去很简单粗暴地将数据分成结构化数据、半结构化数据、非结构化数据，但工业企业不是这样。今天看到的很多好像格式不一样的、非结构化的工程数据，真正把它打开的时候是不一样的。非结构化数据的使用效率取决于结构化的程度，只有结构化才可以被高效利用；

第二个特点是高通量。很多设备是不停机的，所有的数据是7*24小时连续产生的，量非常大；

第三个特点是强关联。在工业的不同行业，数据关联遵循不同的规律而非简单的聚合。

所以工业大数据本身的特点带来了非常多的挑战。除了数据获取的挑战，随之而来的就是数据分析、应用的挑战。

这里边最大的限制是因果关系，即数据驱动的方法只能告诉我们关联性，而无法不能告诉我们因果性。比如淘宝推荐商品，只知道推荐相关商品，却不关心这个事情的因果