浅谈工业大数据的价值实现方式

罗平

摘要：当前大数据主要应用的领域都集中在社会与商业行业中，其中包括销售预判、客户挖掘等。其所涉及的大数据均来自与人类行为有关的数据，而并不是机械设备所产生的数据。在现代工业时代中，自动化智能分析与物联网的密切结合将会对现存的生产管理与运行方式产生颠覆式的改变。文章主要就工业大数据价值实现方式进行探析。

关键词：工业大数据；数据挖掘；实现方式

引言

在经济全球化的现代社会中信息化自动化的发展已经将早期发展的机械系统升级为高度智能的自动化系统。在现代工业领域中，信息技术与社交网络对产品创新、产品质量、更新速度等因素有着直接的影响，其能够及时调整生产节奏，实现机械设备的自我意识与预测，自我对比与维护。在这一环境中，工业大数据的价值实现是其中的关键环节之一。

1.工业大数据的需求

信息化的制造业不单单需要追寻制造技术的改革与创新，而且还要给予更多的目光在制造业产业链中的重要环节——服务业。制造业与服务业之间的边界逐渐模糊会推动与刺激制造业转向服务化的方向。在这一情况下工业大数据的需求呼之欲出，其将会成为制造业改革转型升级的重要因素[1]。

2.工业大数据的环境

机械设备在运作过程中所产生大量工业数据将会被收集、分析与存储，同时还可以对机械设备产生的所有历史数据进行挖掘与保存，通过整合归类后形成大数据，转化平台将海量的大数据转变为实用的信息。在信息时代中，海量的工业数据信息通过智能化的提炼后将会变为少量的关键信息，其将会转化成为有用的实际信息，这就是现代化工业的关键所在[2]。

3.工业大数据的服务化

3.1设备健康的自我评估

在现代工业领域中，通过获得的大数据以及相关算法，机械设备能够就自己的运行健康以及其在物理环境中的表现进行评估[3]。机械设备开展的自我健康评估能够真实、事实的反映机械设备的性能以及机械设备使用的健康水平。伴随着新数据的不断增加，关于机械设备监控的数据也不断变多，其保真度以及面对现实复杂工作的能力也将会随之提高。机械设备在收集发出的数据后将会采用合理的数据挖掘方式，在对比机械设备的横向数据与纵向数据的同时，对机械设备的健康开展自我评估。在预设算法的基础上，对制定机械设备的健康信息评估也十分重要，只能控制将在数据库中搜索有关的实用信息，然后再进行相应的健康评估。

3.2自我维护的决策分析

机械设备的设计、控制与决策的主要目的就是要实现生产目标，并且提高生产计划以及设备维修、生产调度等的工作效率。通常来说，在现实生产过程中机械设备运行停机或机械设备出现故障一般都是由系统性能所导致的，其大大降低了设备的生产效率与运行效率。影响机械设备设备系统性能的重要关键因素包括减少非计划停机时间，提升机械设备的运营效率；检测影响生产的组件，提升系统有限资源的利用率，从而改善机械设备的应用效率。

3.3CPS架构

CPS架构即为Cyber-Physical Systems，其是一种通过结合传感器数据以及机械设备机组的信息数据来实现自我意识与自我维护的方式。在CPS架构下的策略能够深度挖掘位于大数据中的有价值的信息。在工业大数据下CPS结构的主要特点包括1）架构的统一性。统一性可以对机械设备对机械设备状况的建模，在CPS模式下系统能够从特定的机械设备、与机械设备有关的其他机械设备以及工作人员的周围环境等情况来挖掘历史数据，并且通过与自身数据的对比来对自己的运行情况进行测评。2）自我意识与自我维护。要实现该模式首先要利用自学习PHM算法来实现。值得注意的是，PHM算法可能会遇到低强度以及无效处理的情况。3）智能决策系统维护。根据每个机械设备的实际运行状态来实行平衡与补偿工作，进而使得机械设备的性能可以达到最优化的状态[4]。

3.4工业大数据的监测系统

在智能制造与工艺大数据环境下监测系统是提供服务功能的，其能够对机械设备的运行状态进行预测，进而减少停机时间。监测系统能够被应用于生产线中的信息流与供应链管理工作中，能够帮助企业的产业化经营更加透明化，更加规范化的进行。另外，监测系统的应用还能够用于降低劳动力成本，并且还能够给企业工作人员提供更加良好的环境。同时，监测系统还能够通过实现节能措施来降低企业的运营成本，进而实现完善检测计划与健全的供应链管理[5]。

4.工业大数据的价值实现方式

4.1生产和市场中实现量的积累

我国作为一个全球的制造业大国已经形成了种类齐全，规模巨大的现代化工业体系，工业门类品种繁多，类别齐全，能够形成大量的机械设备时常需求。伴随着的市场经济的发展以及制造模式不断朝着智能化、数据化的创新变动，我国的工业机器等智能自动化机械设备市场规模已经实现了持续扩展与发展[6]。到目前为止，我国已经投入生产线开展生产的机器大约占据了全世界总量的8%，全年的总装机量的增长速度达到了19%，相对与全球9%的增长率，这一速度十分惊人。伴随着国产机器自主开发与生产能力的不断增长，以及国内市场对国产机器的品牌的认可，国内生产的工业机器的应用领域将从汽车、航空、军事、电子制造等各种高端型产业逐渐转向食品加工、金属加工、五金加工等传统行业。可以看出，智能生产应用已经开始了普及推广的步伐。例如，九江石化已经开始建设智能工厂。不论是城市轨道交通、隧道施工开挖亦或是海洋工程设备等机械制造在智能装备的自主设计创新、自主生产上得到了十分显著的成果。在国内，高铁建设已经全面开展，并且逐渐相连成为了国内、国际经济带上重要的交通工具。因此，可以预见工业生产、制造领域中的智能化应用与高端技术的领先发展将会使得我国工业大数据实现惊人的增长速度，给数据挖掘提供充分的资料与对象。图1为2006-2017年国内工业机器年安装量统计预测图.

图12006-2017年国内工业机器年安装量统计预测图（台）

4.2改进数据质量和数据管理短板

虽然相对于其他国家来说我国在数据数量与规模上占据了一定的优势。但是在数据的质量与管理方面却存在明显的缺陷[7]。数据质量方面，中国制造这一词汇已经被认定始终处于产业链末端的零部件组装环境中，在产品核心价值的高端环节中没有参与和控制的权利。而大数据的质量将必然受到简单制造流程的影响。同时，在大规模的人口时代，我国制造行业已经延续了长时间的劳动密集型生产模式，所创造的工业价值十分依赖于人口的规模，并不是依赖机械设备的生产，因此对全产业链的管理与企业各个部门之间的资源协作共同并没有强烈的意识。由于当前我国制造行业生产流程各个环节都是相互孤立的，因此难以保证各个阶段的数据能够相互共享利用。但是就目前国内制造企业应用大数据的现状来看，其主要还是停留在以内部数据为主的状态，大多停留在扩大数据来源，增加数据数量的阶段，尚未性有效的应用规模。因此可以看出，我国在数据管理方面资产思维管理思维严重缺失，导致大数据价值无法有效发挥。

4.3分析创造获得质的突破

工业大数据不单单在数据规模上实现了突破，而且包含了声音、图像、符合等各种类型的数据，来源渠道广泛、类别多样复杂、实时生产、信息冗长，给信息价值挖掘增加了难度。要挖掘数据价值数据分析是十分关键的环节之一。先进科学的分析技术能够对数据个体的内在关系进行深入挖掘，进而获得有价值的信息给企业决策提供依据。目前我国的大数据分析技术尚未成熟，也没有形成垄断机制，当前开展大数据技术集成研发与产品创新的初期成本十分低廉，给企业团队在这一方面的突破与研究创造了更多的价值。

5.实现工业大数据应用创新建议

5.1变革传统制造流程

工业企业是工业大数据的源头，同时也是工业大数据应用的受益者。工业企业制造流程与大数据的质量与应用效益有着直接的联系。因此，工业企业应该对传统制造行业的流程进行变革创新，不断学习、引进先进的制造理念与思维，优化原有的生产流程，打造能够满足工业大数据集成应用的生产模式[8]。政府方面可以支持部分有条件的企业先行建设示范工程，以引导劳动密集型产业转向智能制造产业。

5.2建设行业特性的大数据标准体系

工业行业的大数据标准体系是工业大数据应用的重要基础。虽然全球大数据标准化工作都处于初始化阶段，但是能够第一时间的组织力量与资源开展工业大数据标准，实现自主知识产权，对于推动我国工业大数据的发展有着决定性的作用。因此，国家可以颁布相关政策，允许部分行业与地方试行，率先探索我国工业大数据标准体系的建立。

5.3重视培养数据工程师

目前我国的工业企业，尤其是中小型工业企业大多都是将与大数据有关的工作外包给其他机构进行。这些分析大数据的机构大多为科技企业，对工业的全产业链的生产缺乏合理地把握，也不具备将大数据技术与工业生产紧密联系的经验。基于此情况，工业企业需要大力开展大数据技术培训，与高校建立起紧密的合作关系，建立数据工程师培养平台，培养打造能够满足企业发展需求的数据专业工程师，重点培养数据转移工程师的理论学习与实践操作应用上，为实现我国工业大数据价值提供保障。

6.结束语

德国作为传统的制造行业强国为了应对新兴的市场需求、新兴的国家以及全球供应链的威胁，正在不断努力调整原有的经济体系，创新改革传统的制造业运行模式，以期维持其制造行业在国际上的领先位置。相对于发展中国家来说，中国与印度也开始积极的创新升级传统的制造行业，以应对科技革命与发展带来的挑战。工业大数据的价值实现方式是一个重要的课题，需要我国制造行业予以足够的重视，不断培养创新型探索型人才，改善制造行业环境，优化制造行业运行，从而最大程度的实现工业大数据的价值。（作者单位：中国人民大学）

参考文献：

[1]何振威，于雷，周受钦.基于工业大数据的压缩机全寿命周期管理系统开发[J].自动化与信息工程，2014，（06）：11-15.

[2]衡星辰，周力.分布式技术在电力大数据高性能处理中的应用[J].电力信息与通信技术，2013，（09）：40-43.

[3]夏德海.第24届中国国际测量控制与仪器仪表学术会议暨展览会（MICONEX+FA/PA2013）见闻与观感（下）来源：[J].自动化与仪表，2013，（12），pp.50-55

[4]丁涛，齐建军，杜林.基于工业大数据的柔性生产线智能控制模型[J].信息技术与标准化，2015，（07）：15-17.

[5]钟海.大数据在工业制造业的应用与研究[J].企业技术开发，2015，（13）：104-105+119.

[6]Junchang Xin，Zhiqiong Wang，Chen Chen.ELM：distributed extreme learning machine with MapReduce[J].World Wide Web，2014，Vol.17（5）：1189-1204.

[7]李占舟，松子.中国工业企业1000大数据发布酒会——50余家媒体出席盛宴新闻巨头们把脉中国工业经济[J].英才，2005，（10）；109-111.

[8]Sapna Tyagi，Ashraf Darwish，Mohammad Yahiya Khan.Managing Computing Infrastructure for IoT Data[J].Advances in Internet of Things，2014，Vol.04（03）：29-35.