工業(yè)視角的轉變
如果說前三次工業(yè)革命分別從機械化、規(guī)?；?、標準化、和自動化等方向大幅度地提高了生產力，那么第四次工業(yè)革命與前面三次最大的區(qū)別在于：不再以制造端的生產力需求為出發(fā)點，而是將客戶端價值作為整個產業(yè)鏈的核心，改變以往的工業(yè)價值鏈從生產端向消費端、上游向下游推動的模式，從客戶端的價值需求出發(fā)提供客制化的產品和服務，并以此作為整個產業(yè)鏈的共同目標使整個產業(yè)鏈的各個環(huán)節(jié)實現(xiàn)協(xié)同優(yōu)化，其本質是工業(yè)視角的轉變。
不可見的問題
在現(xiàn)在的制造中，存在著許多無法被定量、無法被決策者掌握的不確定因素，這些不確定因素既存在于制造過程中，也存在于制造過程之外的使用過程中。前三次工業(yè)革命主要解決的都是可見的問題，例如去避免產品缺陷、避免加工失效、提升設備效率和可靠性、避免設備故障和安全問題等。這些問題在工業(yè)生產中由于可見可測量，往往比較容易去避免和解決。不可見的問題通常表現(xiàn)為設備的性能下降、健康衰退、零部件磨損、運行風險升高等。這些因素由于其很難通過測量被定量化，往往是工業(yè)生產中不可控的風險，大部分可見的問題都是這些不可見的因素積累到一定程度所造成的。因此，工業(yè)互聯(lián)網(wǎng)的關注點和競爭點是對這些不可見因素的避免和透明化。
不可見的需求
從使用過程的體驗角度審視產品功能，制造需要場景思維不可見的另一個特點就是制造過程和制造價值向使用過程的延續(xù)，不僅僅關注將一個產品制造出來，還應該關心如何去使用好這個產品，實現(xiàn)產品價值的最大化。產品的創(chuàng)新和創(chuàng)值不再僅僅是以滿足用戶可見的需求為導向，而是利用用戶的使用數(shù)據(jù)去深刻地理解用戶的使用場景，從場景中找到用戶需求的空缺(GAP)，這些空缺我們稱之為“不可見的需求”，因為即便是用戶自己都很難意識到。例如，買汽車的人大多都會提出省油的需求，于是所有汽車制造商就努力改變車型和發(fā)動機讓車子更加省油。但是很少去關注用戶的駕駛習慣對于油耗的影響，因為駕駛習慣對于用戶而言也是不可見的，因此不會有用戶去要求汽車提供駕駛行為管理的功能。所以新工業(yè)革命時代的市場競爭也會從以往滿足客戶可見的需求向尋找用戶需求的GAP轉變。以往我們將產品賣給客戶之后就幾乎到達了生產價值鏈的終點，而云計算等新技術的普及將價值鏈進一步延伸到使用端，以產品作為服務的載體，以使用數(shù)據(jù)作為服務的媒介，在使用過程中不斷挖掘用戶需求的GAP，并利用數(shù)據(jù)挖掘所產生的信息服務為用戶創(chuàng)造價值。
數(shù)據(jù)依然是為用戶提供客制化產品最重要的媒介，新工業(yè)革命時代中的制造將通過數(shù)據(jù)把終端客戶與制造系統(tǒng)相連接，這些數(shù)據(jù)將自動決定生產系統(tǒng)的各個環(huán)節(jié)的決策，實現(xiàn)生產上下游環(huán)環(huán)相扣的整合，人的工作難度將被大大降低，在這種模式下工廠的組織構架將趨于扁平，生產資源的利用效率也更加優(yōu)化。
有一個例子是最近特別流行的智能手環(huán)，佩戴智能手環(huán)可以采集睡眠過程中的數(shù)據(jù)，醒來之后可以通過查看數(shù)據(jù)分析的結果，睡眠質量如何、多少時間是深睡眠狀態(tài)、深淺睡眠交替的曲線等信息都一目了然。這時我們才發(fā)現(xiàn)決定睡眠質量的并不是一共睡了幾個小時，而是深睡眠所占整個睡眠時間的比例。白天精力好壞是我們可見的現(xiàn)象，但睡眠質量是不可見的，智能手環(huán)通過睡眠數(shù)據(jù)的分析將不可見的睡眠質量變成了可見可測的結果，并利用這些信息幫助用戶去管理可見的生活。
新工業(yè)革命并不僅僅是制造業(yè)的革命，而是一場更加深刻的變革，創(chuàng)新模式、商業(yè)模式、服務模式、產業(yè)鏈和價值鏈都將產生革命性的變化，制造業(yè)的文化，從“機器崇拜，流程崇拜”進入到人文主義視角的“價值定義”，今天的零售業(yè)逐步向“內容，IP”化轉移，制造業(yè)的產品或服務，未來也會走向“IP導向的制成品” ，生產線和消費者使用處于永遠互動的狀態(tài)，并延伸基于數(shù)據(jù)的增值服務，云計算、人工智能、和大數(shù)據(jù)都是支撐這個轉型的基礎條件，工業(yè)升級，最根本的驅動力來自于商業(yè)模式與智能服務體系的創(chuàng)新技術變革，這兩者才是未來工業(yè)界競爭的藍海。
工業(yè)大數(shù)據(jù)的3B與3C
什么是工業(yè)大數(shù)據(jù)？
一提到大數(shù)據(jù)，人們首先會想到在互聯(lián)網(wǎng)和商業(yè)等環(huán)境中，利用大量的行為數(shù)據(jù)來分析用戶行為和預測市場趨勢等應用。但是對工業(yè)大數(shù)據(jù)的定義和應用卻很難直觀地理解和想象?，F(xiàn)在對大數(shù)據(jù)最為流行的定義來自于維克托·邁爾-舍恩伯格和肯尼斯·克耶編寫的《大數(shù)據(jù)時代》中提出的4V特性，即Volume(數(shù)據(jù)量大)、Velocity(流動速度快)、Veracity(準確性難把握)、和Variety(來源多樣性)。這個定義是針對互聯(lián)網(wǎng)和社會環(huán)境中的大數(shù)據(jù)，從數(shù)據(jù)工程的技術挑戰(zhàn)方面所提出的。而工業(yè)大數(shù)據(jù)的挑戰(zhàn)和目的則要通過“3B”和“3C”來理解：
工業(yè)大數(shù)據(jù)應用的“3B”挑戰(zhàn)：
- Bad Quality： 在工業(yè)大數(shù)據(jù)中，數(shù)據(jù)質量問題一直是許多企業(yè)所面臨的挑戰(zhàn)。這主要受制于工業(yè)環(huán)境中數(shù)據(jù)獲取手段的限制，包括傳感器、數(shù)采硬件模塊、通信協(xié)議、和組態(tài)軟件等多個技術限制。對數(shù)據(jù)質量的管理技術是一個企業(yè)必須要下的硬功夫。
- Broken： 工業(yè)對于數(shù)據(jù)的要求并不僅在于量的大小，更在于數(shù)據(jù)的全面性。在利用數(shù)據(jù)建模的手段解決某一個問題時，需要獲取與被分析對象相關的全面參數(shù)，而一些關鍵參數(shù)的缺失會使分析過程碎片化。舉例而言，當分析航空發(fā)動機性能時需要溫度、空氣密度、進出口壓力、功率等多個參數(shù)，而當其中任意一個參數(shù)缺失時都無法建立完整的性能評估和預測模型。因此對于企業(yè)來說，在進行數(shù)據(jù)收集前要對分析的對象和目的有清楚的規(guī)劃，這樣才能夠確保所獲取數(shù)據(jù)的全面性，以免斥巨資積累了大量數(shù)據(jù)后發(fā)現(xiàn)并不能解決所關心的問題。
3456下一頁>
- Background (Below the Surface)： 除了對數(shù)據(jù)所反映出來的表面統(tǒng)計特征進行分析以外，還應該關注數(shù)據(jù)中所隱藏的背景相關性。對這些隱藏在表面以下的相關性進行分析和挖掘時，需要一些具有參考性的數(shù)據(jù)進行對照，也就是數(shù)據(jù)科學中所稱的“貼標簽”過程。這一類數(shù)據(jù)包括工況設定、維護記錄、任務信息等，雖然數(shù)據(jù)的量不大，但在數(shù)據(jù)分析中卻起到至關重要的作用。
工業(yè)大數(shù)據(jù)分析的“3C”目的：
- Comparison(比較性)：從比較過程中獲取洞察，既包括比較相似性，也包括比較差異性。比較的維度既可以是在時間維度上與自身狀態(tài)的比較，也可以是在集群維度上與其他個體的比較。這種比較分析能夠幫助我們將龐大的個體信息進行分類，為接下來尋找相似中的普適性規(guī)律和差異中的因果關系奠定基礎。
- Correlation (相關性)：如果說物聯(lián)網(wǎng)是可見世界的連接，那么所連接對象之間的相關性就是不可見世界的連接。對相關性的挖掘是形成記憶和知識的基礎，簡單的將信息存儲下來并不能稱之為記憶，通過信息之間的關聯(lián)性對信息進行管理和啟發(fā)式的聯(lián)想才是記憶的本質。相關性同時也促進了人腦在管理和調用信息的效率，我們在回想起一個畫面或是情節(jié)的時候，往往并不是去回憶每一個細節(jié)，而是有一個如線頭一樣的線索，你去牽它一下就能夠引出整個場景。這樣的類似記憶式的信息管理方式運用在工業(yè)智能中，就是一種更加靈活高效的數(shù)據(jù)管理方式。
- Consequence (因果性)：數(shù)據(jù)分析的重要目的是進行決策支持，在制定一個特定的決策時，其所帶來的結果和影響應該被同等地分析和預測。這是以往的控制系統(tǒng)所不具備的特性，也是智能化的本質。工業(yè)系統(tǒng)中的大部分活動都具有很強的目的性，就是把目標精度最大化，把破壞度最小化的“結果管理”。結果管理的基礎是預測，例如在現(xiàn)在的制造系統(tǒng)中，如果我們可以預測到設備的衰退對質量的影響，以及對下一個工序質量的影響，就可以在制造過程中對質量風險進行補償和管理，制造系統(tǒng)的彈性和堅韌性就會增加。
總結而言，互聯(lián)網(wǎng)和商業(yè)大數(shù)據(jù)與工業(yè)大數(shù)據(jù)在技術挑戰(zhàn)、數(shù)據(jù)屬性、和分析目的等方面有很多區(qū)別，這也決定了兩者技術手段的不同。
雖然互聯(lián)網(wǎng)大數(shù)據(jù)與工業(yè)大數(shù)據(jù)的核心問題與技術路徑不同，但并不意味著兩者是格格不入的。相反，將互聯(lián)網(wǎng)大數(shù)據(jù)與工業(yè)大數(shù)據(jù)相整合，能夠相得益彰產生更大的價值。舉例而言，制造系統(tǒng)正在改變過去生產驅動銷售的“Push”模式和銷售驅動生產的“Pull”模式，雖然已經(jīng)具備滿足不同訂單需求的“柔性”生產模式，但依然無法改變對市場應激式的生產模式。未來的智能制造系統(tǒng)將以數(shù)據(jù)來驅動，體現(xiàn)在設計過程的數(shù)據(jù)化(PLM、CAD)、制造系統(tǒng)驅動的數(shù)據(jù)化(MES、DCS)、和生產資源管理的數(shù)據(jù)化(ERP)等方式。但是這些都還只看到了制造系統(tǒng)本身，而忽略了這些數(shù)據(jù)化的源頭應該是對市場和客戶的數(shù)據(jù)化。利用商業(yè)大數(shù)據(jù)對市場進行預測、繪制客戶需求畫像、和分析供應狀態(tài)實時評估等方式，能夠從本質上將制造系統(tǒng)從應激式轉變成為預測型的生產模式。
“不可見的世界”的價值
“有之以為利、無之以為用”是出自老子《道德經(jīng)》中的一句話，其中的智慧放在當今工業(yè)的價值模式中依然十分受用。這句話可以理解為：一切事物的實體為我們提供可以憑借的可見的基礎條件，而其中所隱藏的空間和可變化的無限可能才是被我們真正使用并創(chuàng)造價值的所在。我們在《工業(yè)大數(shù)據(jù)》一書中，曾用煎蛋模型來闡述產品與服務價值之間的關系(圖一)：蛋黃代表的是產品自身，其差異性和客制化程度并不明顯，例如一臺電視機在擋住了Logo之后就很難被區(qū)分出來是哪家公司生產的。而蛋白所代表的增值服務卻是差異化和客制化的重要體現(xiàn)，也是企業(yè)的品牌和可持續(xù)性價值的所在。這些價值存在于用戶的使用場景、隱形因素的相關性、和產品被制造和使用的全生命周期這些“不可見世界”中。數(shù)據(jù)將成為挖掘這些價值的重要手段，主要體現(xiàn)在：利用數(shù)據(jù)挖掘在使用中獲得新的知識和技術對現(xiàn)有產品進行改進；利用數(shù)據(jù)去發(fā)現(xiàn)和定義用戶未知的需求；以數(shù)據(jù)作為媒介向用戶提供增值服務。
圖一：工業(yè)價值的煎蛋模型新思維
以風力發(fā)電為例，風機本身的差異化并不明顯，用戶的定制化需求也并不強烈，但是風機在運行過程中的發(fā)電能力、運行穩(wěn)定性、和運維成本等卻是用戶價值的核心。利用風機的運行大數(shù)據(jù)可以對風機進行健康管理、對潛在的運行風險進行預測、和對風場的運維進行優(yōu)化，從而提升風機的可用率、改善發(fā)電效率、和降低運維成本。風機的制造廠商也可以不再僅僅通過賣出裝備獲得一次性的盈利，還可以通過向用戶提供使用過程中的增值服務實現(xiàn)持續(xù)性的盈利。
圖二：可見與不可見的轉型思維
人類社會在經(jīng)歷了200多年的科技革命后，已經(jīng)積累了巨大的工業(yè)產品存量，工業(yè)的基礎設施和大量基本生產要素，如機床、電力設施、動力設施、制造裝備、交通裝備等需求都已逐漸趨于飽和。因此德國的“工業(yè)4.0”戰(zhàn)略中將面向制造系統(tǒng)的集成和軟件服務作為重點，具體表現(xiàn)在“縱向集成”、“橫向集成”和“端到端集成”。同樣發(fā)現(xiàn)這個問題的還有美國GE公司，他們意識到裝備銷售過程中的獲利遠遠不及在產品使用過程中的價值服務，客戶需要的價值也遠不止對產品狀態(tài)的保持，更在于如何去使用這些能力來實現(xiàn)更高效的價值再創(chuàng)造。
以數(shù)據(jù)為核心使產品發(fā)揮最大的能力，歸根結底是利用數(shù)據(jù)建模實現(xiàn)對狀態(tài)、環(huán)境和任務的精確評估，對管理和控制活動進行實時的決策優(yōu)化，并協(xié)同和調度相關產品高效率運行的過程。
“無憂”的制造環(huán)境
制造系統(tǒng)中的問題同樣也有 “ 可見” 和“ 不可見”之分，我們對待這些問題的方式既可以在問題發(fā)生后去解決，也可以在問題發(fā)生前去避免。生產系統(tǒng)中存在的“不可見”問題包括設備性能的衰退、精度的缺失、易耗件的磨損、和資源的浪費等，可見的問題往往是這些不可見因素積累到一定程度所引起的，比如設備的衰退最終導致停機、精度的缺失最終導致質量偏差等。就如同冰山一樣，可見的問題僅僅是冰山一角，而隱性的問題則是隱藏在冰山下面的惡魔。通過大數(shù)據(jù)對“不可見”問題獲得深刻的洞察，是實現(xiàn)無憂慮制造環(huán)境的基礎，也是智能制造的本質。
制造改進與轉型的機會空間可以被分為四個部分(圖二)，第一個部分是去滿足用戶可見的需求和解決可見的問題，這個空間內依然有中國制造需要補的課，比如質量、污染、和浪費等問題，需要的是持續(xù)的改善與不斷完善的標準化。第二個空間在于避免可見的問題，需要從使用數(shù)據(jù)中挖掘新的知識對原有生產系統(tǒng)和產品做加值改善。第三個空間在于利用創(chuàng)新的方法與技術去解決未知的問題與創(chuàng)造新的競爭力，例如具有自省能力的設備，以及利用傳感器與大數(shù)據(jù)使不可見的問題透明化，進而去管理和解決不可見的問題。第四個象限是尋找和滿足不可見的價值缺口，避免不可見因素的影響，這部分需要利用大數(shù)據(jù)分析產生的智能信息去創(chuàng)造新的知識和價值與傳承力，這也是工業(yè)互聯(lián)網(wǎng)的最終目標。
通過分析數(shù)據(jù)，預測需求、預測制造、利用數(shù)據(jù)去整合產業(yè)鏈和價值鏈，這就是工業(yè)大數(shù)據(jù)的思維。工業(yè)互聯(lián)網(wǎng)是一場在不可見世界中的戰(zhàn)爭，而工業(yè)數(shù)據(jù)分析的競爭力則是連接可見與不可見世界的橋梁。
利用大數(shù)據(jù)實現(xiàn)無憂的制造環(huán)境有三個方向，數(shù)據(jù)在每一個階段中扮演的作用也并不相同。第一個方向是在解決可見問題的過程中積累經(jīng)驗和知識，從而去避免這些問題。在這個過程中，數(shù)據(jù)可以作為經(jīng)驗和知識的載體。第二個方向是依靠數(shù)據(jù)去分析問題產生的隱性線索(evidence)、關聯(lián)性、和根原因等，進而利用預測分析將不可見問題顯性化，從而實現(xiàn)解決不可見問題的目的?，F(xiàn)在的制造系統(tǒng)正在經(jīng)歷從第一個階段到第二個階段的轉變過程，在完成這個過程后，制造系統(tǒng)將不再有‘surprise’，使得所有隱性問題在變成顯性問題和影響之前都可以被提前解決。第三個方向是通過對數(shù)據(jù)的深度挖掘，建立知識和問題之間的相關性，從數(shù)據(jù)中啟發(fā)出新的知識，并能夠利用知識對制造系統(tǒng)進行精確的建模，產生能夠指導制造系統(tǒng)活動的鏡像模型，從系統(tǒng)的設計端避免可見及不可見問題的發(fā)生。
這三個方向對企業(yè)都非常具有借鑒意義，但是需要根據(jù)不同的情況側重于不同的方向?？偟膩砀艣r，這三個方向分別適用于以下幾類情況中問題的解決：
第一個方向：適合在某一個領域已經(jīng)經(jīng)營了很久，有了一定的經(jīng)驗積累，但是卻很難總結出為什么做的好或是不好。
第二個方向：在解決了可見的問題之后，仍然存在一些不可見問題對制造系統(tǒng)造成的影響，希望能夠了解不可見因素的變化過程和相互的關聯(lián)性，積累更加深入的制造知識。
第三個方向：在制造基礎還較為薄弱的領域，并沒有形成太多有效的數(shù)據(jù)，但是擁有非常豐富的使用數(shù)據(jù)和經(jīng)驗，則可以借助使用過程中積累的知識對制造系統(tǒng)提出設計的要求。
圖三：問題、數(shù)據(jù)、與知識的關系及管理方式
圖三簡明地闡述了大數(shù)據(jù)與智能制造之間的關系：制造系統(tǒng)中“可見”和“不可見”問題的發(fā)生及解決的過程中會產生大量的數(shù)據(jù)，通過對這些數(shù)據(jù)的分析可以了解問題產生的過程、造成的影響和解決的方式。通過對數(shù)據(jù)的深度挖掘和抽象化建模后可以形成知識，進而利用知識去認識、避免、和重新定義問題。數(shù)據(jù)在其中起到的作用，是使這個過程從以往依靠人的經(jīng)驗(Experience based)轉向依靠挖掘數(shù)據(jù)中隱性的線索(Evidence based)，使得制造知識能夠被更加高效和自發(fā)地產生、利用和傳承。因此，問題和知識是目的，而數(shù)據(jù)則是一種手段。今天我們來談利用大數(shù)據(jù)實現(xiàn)智能制造，是因為大數(shù)據(jù)正在逐漸成為易得的資源，而在制造系統(tǒng)和商業(yè)環(huán)境變得日益復雜的今天，利用大數(shù)據(jù)去解決問題和積累知識將是更加高效和便捷的方式。
數(shù)據(jù)本身不會說話，也并不會直接創(chuàng)造價值，真正為企業(yè)帶來價值的是數(shù)據(jù)分析和挖掘之后產生的洞察和行動的價值，是數(shù)據(jù)經(jīng)過實時分析后及時地流向決策鏈的各個環(huán)節(jié)，是讓數(shù)據(jù)成為面向客戶創(chuàng)值服務的媒介和依據(jù)。工業(yè)大數(shù)據(jù)的目的并不是追求數(shù)據(jù)量的龐大，而是通過系統(tǒng)式地數(shù)據(jù)收集和分析手段，實現(xiàn)價值的最大化。所以推動工業(yè)價值轉型和智能制造的并不是大數(shù)據(jù)本身，而是大數(shù)據(jù)分析技術所帶來的洞察，行動的準確性與速度。在新制造革命的轉型中，更加有效地積累和利用數(shù)據(jù)資源與知識的傳承，決定了能否在新競爭環(huán)境中脫穎而出。工業(yè)大數(shù)據(jù)定義了制造價值的新主張，這個價值的應用既可以外向，也可以是內向。內向是利用大數(shù)據(jù)去解決和避免制造系統(tǒng)中的“不可見”問題，實現(xiàn)無憂的制造環(huán)境。外向是利用大數(shù)據(jù)在產品的使用過程向用戶提供智能增值服務，實現(xiàn)制造價值的延續(xù)。這兩者對于中國制造而言，一方面是解決制造“大而不強”的挑戰(zhàn)，另一方面是改善制造附加值較低的瓶頸。中國應該利用好使用數(shù)據(jù)的資源，不斷提升企業(yè)對制造的理解和知識積累速度，才能彌補中國在裝備制造和核心零部件等方面的弱勢，逐步彌補這些弱勢領域造成的短板，讓世界看到中國在工業(yè)大數(shù)據(jù)中創(chuàng)知和創(chuàng)值的成功經(jīng)驗。
