如何用好工业大数据

今天，大数据的理念已经深入人心，其核心都会强调“价值”。目前，除了对大数据基础建设的关注之外，制造企业越来越关注数据挖掘和数据的价值，例如销售预测、用户关系挖掘与聚类、推荐系统、观点挖掘等。这些研究都非常重要，也极具创新意义，特别是对拉动消费十分有帮助。但是，这些实践只关注了“人为数据或与人相关的数据”，而忽略了“机器数据或工业数据”，如设备控制器、传感器、制造系统等。

以前，人们关心的是如何生产出最好的产品，现在则关心产品怎么用起来，消费体验如何？这些变化说明，我们对工业价值的认知必须从后往前移，从消费端走到生产价值链前端，从关注机器与机器的数据或工业环境数据，到建立全面协同优化的价值体系。

大数据分析到最后很大程度上取決于人工智能。所谓的人工智能，就是要看自适应能力强不强、机器自我学习的能力强不强。如果自我调节能力不强，这个系统肯定是不好的。智能分析和网络物理系统的出现，为实现生产管理和工厂的转型提供了新的思路。

数据本身不会为企业带来价值，数据的技术也不会让产业更先进，数据必须形成信息后，才会对产业产生价值。智能工厂通过那些在环境中，与能直接影响设备性能的各种不同环境系统交互，可实现更高程度的智能控制和优化控制。通过与环境系统的无缝交互，普通设备能够有自我意识和自学能力，全面提高性能和维修管理。工业大数据给了我们一个看世界的新角度，但不能解决我们的所有问题，只是能够帮助我们发现某些我们做得不够的地方。

在工业革命中，制造企业想要什么样的数据？核心就是工业物联网（IoT）。从今天的制造业现代化转型发展到未来的智能工厂，我们要把管理人员与操作员互动的数据、机器M2M的数据、产品和流程质量相关的数据，通过传感器与控制器网络进行整合。大数据和云技术或互联网是实现整合的核心工具之一。大数据环境中的数据管理与分配对实现自我意识设备和自学设备至关重要。

一个事实是，数据很丰富，但是信息很贫乏。这涉及两个问题：一是数据的有效利用率很低，80%的时间都用于清洗数据，80%的数据在收集后重复被洗，由于垃圾数据过多，捕获数据的有效率反而更低;二是分析能力不足，做情报分析需要大量好用的工具，而实际上非常缺乏。

工业大数据要做到三个“实”，即实时、现实和真实。制造企业需要一个集成平台、预测分析工具和虚拟化工具，更好地实现“三实”。

为了更好地利用工业在数据，工业大数据湖的构建变得十分必要。工业大数据湖架构具有数据集中、数据类型全面、所有数据可实时访问的三大特性。

工业大数据湖针对工业工作量优化设计，包括关键任务优化，解决工业互联网软件安全性等关键SLA问题;快速获取与储存数据，支持多种模式与数据类型;高性能分析，使用大规模并行处理架构;数据治理和联邦，即利用位置分散的部署方案。

用好工业大数据，还要考虑全空间的资产管理目录。我们可以把数据全部保留、管理，以提高信息价值，其中包括质量、生命周期、合规性、元数据和追踪等要素。相关的解决方案包括安全、数据保护、访问控制、数据可视等。

工业大数据能够助力实现供应链的优化与创新。一般的供应链与优异的全数字供应链的区别在于，公司是否有能力高效地对全供应链实现监控、报警、预测及优化。面对越来越庞大的数据量，以及日益复杂的数据分析任务，通过工业大数据建立智能工业，其本质是利用自适应机器人与先进传感器等先进技术，促进数字化制造环境的发展，形成全方位综合优化管理价值链。通过全供应链的数字优化按需定制和信息实时访问，供应链将变得更灵活。

未来，智能供应链可以从生产、需求、服务三个方面来实现。首先从市场需要着手，通过工业大数据，分阶段实现需求预测，做好需求与库存对接的优化工作，让需求对口，实现分配最优;其次，加强对生产质量生命周期的分析，对生产资产或设备做好实时预测性维修，以提高生产的质量，提升产量和可靠性;最后，产品以服务的方式在市场上流通，实现供应链配件的优化，以及售前到售后的服务运营优化和保值分析，同时建立可疑索赔监测等增值的售后服务盈利模式。

更加智能的供应链除了做好智能的支出分析、物料数据分类等，还要实现移动互联网、大数据、云计算、物联网等与制造业的结合，利用先进的数据分析和预测工具，对实时需求进行预测与分析，从而改善商业运营及用户体验。

云计算带给制造企业的不仅仅是“敏捷红利”，更多的是借助互联网的灵活和广阔，结合大数据行业的数据管理与分析技术，通过信息物理系统和决策支持系统，让工业物理和信息空间同步融合，从而实现工业生产的自我意识和自我学习，形成具有预测监控能力的智能制造业大数据环境，帮助企业做出更明智的决策。