工业大数据的3B与3C

如果说前三次工业革命分别从机械化、规模化、标准化、和自动化等方向大幅度地提高了生产力，那么第四次工业革命与前面三次最大的区别在于：不再以制造端的生产力需求为出发点，而是将客户端价值作为整个产业链的核心，改变以往的工业价值链从生产端向消费端、上游向下游推动的模式，从客户端的价值需求出发提供客制化的产品和服务，并以此作为整个产业链的共同目标使整个产业链的各个环节实现协同优化，其本质是工业视角的转变。

不可见的问题

在现在的制造中，存在着许多无法被定量、无法被决策者掌握的不确定因素，这些不确定因素既存在于制造过程中，也存在于制造过程之外的使用过程中。前三次工业革命主要解决的都是可见的问题，例如去避免产品缺陷、避免加工失效、提升设备效率和可靠性、避免设备故障和安全问题等。这些问题在工业生产中由于可见可测量，往往比较容易去避免和解决。不可见的问题通常表现为设备的性能下降、健康衰退、零部件磨损、运行风险升高等。这些因素由于其很难通过测量被定量化，往往是工业生产中不可控的风险，大部分可见的问题都是这些不可见的因素积累到一定程度所造成的。因此，工业互联网的关注点和竞争点是对这些不可见因素的避免和透明化。

不可见的需求

从使用过程的体验角度审视产品功能，制造需要场景思维不可见的另一个特点就是制造过程和制造价值向使用过程的延续，不仅仅关注将一个产品制造出来，还应该关心如何去使用好这个产品，实现产品价值的最大化。产品的创新和创值不再仅仅是以满足用户可见的需求为导向，而是利用用户的使用数据去深刻地理解用户的使用场景，从场景中找到用户需求的空缺(GAP)，这些空缺我们称之为“不可见的需求”，因为即便是用户自己都很难意识到。例如，买汽车的人大多都会提出省油的需求，于是所有汽车制造商就努力改变车型和发动机让车子更加省油。但是很少去关注用户的驾驶习惯对于油耗的影响，因为驾驶习惯对于用户而言也是不可见的，因此不会有用户去要求汽车提供驾驶行为管理的功能。所以新工业革命时代的市场竞争也会从以往满足客户可见的需求向寻找用户需求的GAP转变。以往我们将产品卖给客户之后就几乎到达了生产价值链的终点，而云计算等新技术的普及将价值链进一步延伸到使用端，以产品作为服务的载体，以使用数据作为服务的媒介，在使用过程中不断挖掘用户需求的GAP，并利用数据挖掘所产生的信息服务为用户创造价值。

数据依然是为用户提供客制化产品最重要的媒介，新工业革命时代中的制造将通过数据把终端客户与制造系统相连接，这些数据将自动决定生产系统的各个环节的决策，实现生产上下游环环相扣的整合，人的工作难度将被大大降低，在这种模式下工厂的组织构架将趋于扁平，生产资源的利用效率也更加优化。

有一个例子是最近特别流行的智能手环，佩戴智能手环可以采集睡眠过程中的数据，醒来之后可以通过查看数据分析的结果，睡眠质量如何、多少时间是深睡眠状态、深浅睡眠交替的曲线等信息都一目了然。这时我们才发现决定睡眠质量的并不是一共睡了几个小时，而是深睡眠所占整个睡眠时间的比例。白天精力好坏是我们可见的现象，但睡眠质量是不可见的，智能手环通过睡眠数据的分析将不可见的睡眠质量变成了可见可测的结果，并利用这些信息帮助用户去管理可见的生活。

新工业革命并不仅仅是制造业的革命，而是一场更加深刻的变革，创新模式、商业模式、服务模式、产业链和价值链都将产生革命性的变化，制造业的文化，从“机器崇拜，流程崇拜”进入到人文主义视角的“价值定义”，今天的零售业逐步向“内容，IP”化转移，制造业的产品或服务，未来也会走向“IP导向的制成品” ，生产线和消费者使用处于永远互动的状态，并延伸基于数据的增值服务，云计算、人工智能、和大数据都是支撑这个转型的基础条件，工业升级，最根本的驱动力来自于商业模式与智能服务体系的创新技术变革，这两者才是未来工业界竞争的蓝海。

工业大数据的3B与3C

什么是工业大数据?

一提到大数据，人们首先会想到在互联网和商业等环境中，利用大量的行为数据来分析用户行为和预测市场趋势等应用。但是对工业大数据的定义和应用却很难直观地理解和想象。现在对大数据最为流行的定义来自于维克托·迈尔-舍恩伯格和肯尼斯·克耶编写的《大数据时代》中提出的4V特性，即Volume(数据量大)、Velocity(流动速度快)、Veracity(准确性难把握)、和Variety(来源多样性)。这个定义是针对互联网和社会环境中的大数据，从数据工程的技术挑战方面所提出的。而工业大数据的挑战和目的则要通过“3B”和“3C”来理解：

工业大数据应用的“3B”挑战：

- Bad Quality: 在工业大数据中，数据质量问题一直是许多企业所面临的挑战。这主要受制于工业环境中数据获取手段的限制，包括传感器、数采硬件模块、通信协议、和组态软件等多个技术限制。对数据质量的管理技术是一个企业必须要下的硬功夫。

- Broken: 工业对于数据的要求并不仅在于量的大小，更在于数据的全面性。在利用数据建模的手段解决某一个问题时，需要获取与被分析对象相关的全面参数，而一些关键参数的缺失会使分析过程碎片化。举例而言，当分析航空发动机性能时需要温度、空气密度、进出口压力、功率等多个参数，而当其中任意一个参数缺失时都无法建立完整的性能评估和预测模型。因此对于企业来说，在进行数据收集前要对分析的对象和目的有清楚的规划，这样才能够确保所获取数据的全面性，以免斥巨资积累了大量数据后发现并不能解决所关心的问题。

- Background (Below the Surface): 除了对数据所反映出来的表面统计特征进行分析以外，还应该关注数据中所隐藏的背景相关性。对这些隐藏在表面以下的相关性进行分析和挖掘时，需要一些具有参考性的数据进行对照，也就是数据科学中所称的“贴标签”过程。这一类数据包括工况设定、维护记录、任务信息等，虽然数据的量不大，但在数据分析中却起到至关重要的作用。

工业大数据分析的“3C”目的：

- Comparison(比较性)：从比较过程中获取洞察，既包括比较相似性，也包括比较差异性。比较的维度既可以是在时间维度上与自身状态的比较，也可以是在集群维度上与其他个体的比较。这种比较分析能够帮助我们将庞大的个体信息进行分类，为接下来寻找相似中的普适性规律和差异中的因果关系奠定基础。

- Correlation (相关性)：如果说物联网是可见世界的连接，那么所连接对象之间的相关性就是不可见世界的连接。对相关性的挖掘是形成记忆和知识的基础，简单的将信息存储下来并不能称之为记忆，通过信息之间的关联性对信息进行管理和启发式的联想才是记忆的本质。相关性同时也促进了人脑在管理和调用信息的效率，我们在回想起一个画面或是情节的时候，往往并不是去回忆每一个细节，而是有一个如线头一样的线索，你去牵它一下就能够引出整个场景。这样的类似记忆式的信息管理方式运用在工业智能中，就是一种更加灵活高效的数据管理方式。

- Consequence (因果性)：数据分析的重要目的是进行决策支持，在制定一个特定的决策时，其所带来的结果和影响应该被同等地分析和预测。这是以往的控制系统所不具备的特性，也是智能化的本质。工业系统中的大部分活动都具有很强的目的性，就是把目标精度最大化，把破坏度最小化的“结果管理”。结果管理的基础是预测，例如在现在的制造系统中，如果我们可以预测到设备的衰退对质量的影响，以及对下一个工序质量的影响，就可以在制造过程中对质量风险进行补偿和管理，制造系统的弹性和坚韧性就会增加。

总结而言，互联网和商业大数据与工业大数据在技术挑战、数据属性、和分析目的等方面有很多区别，这也决定了两者技术手段的不同。

虽然互联网大数据与工业大数据的核心问题与技术路径不同，但并不意味着两者是格格不入的。相反，将互联网大数据与工业大数据相整合，能够相得益彰产生更大的价值。举例而言，制造系统正在改变过去生产驱动销售的“Push”模式和销售驱动生产的“Pull”模式，虽然已经具备满足不同订单需求的“柔性”生产模式，但依然无法改变对市场应激式的生产模式。未来的智能制造系统将以数据来驱动，体现在设计过程的数据化(PLM、CAD)、制造系统驱动的数据化(MES、DCS)、和生产资源管理的数据化(ERP)等方式。但是这些都还只看到了制造系统本身，而忽略了这些数据化的源头应该是对市场和客户的数据化。利用商业大数据对市场进行预测、绘制客户需求画像、和分析供应状态实时评估等方式，能够从本质上将制造系统从应激式转变成为预测型的生产模式。

“不可见的世界”的价值

“有之以为利、无之以为用”是出自老子《道德经》中的一句话，其中的智慧放在当今工业的价值模式中依然十分受用。这句话可以理解为：一切事物的实体为我们提供可以凭借的可见的基础条件，而其中所隐藏的空间和可变化的无限可能才是被我们真正使用并创造价值的所在。我们在《工业大数据》一书中，曾用煎蛋模型来阐述产品与服务价值之间的关系(图一)：蛋黄代表的是产品自身，其差异性和客制化程度并不明显，例如一台电视机在挡住了Logo之后就很难被区分出来是哪家公司生产的。而蛋白所代表的增值服务却是差异化和客制化的重要体现，也是企业的品牌和可持续性价值的所在。这些价值存在于用户的使用场景、隐形因素的相关性、和产品被制造和使用的全生命周期这些“不可见世界”中。数据将成为挖掘这些价值的重要手段，主要体现在：利用数据挖掘在使用中获得新的知识和技术对现有产品进行改进;利用数据去发现和定义用户未知的需求;以数据作为媒介向用户提供增值服务。

图一：工业价值的煎蛋模型新思维

以风力发电为例，风机本身的差异化并不明显，用户的定制化需求也并不强烈，但是风机在运行过程中的发电能力、运行稳定性、和运维成本等却是用户价值的核心。利用风机的运行大数据可以对风机进行健康管理、对潜在的运行风险进行预测、和对风场的运维进行优化，从而提升风机的可用率、改善发电效率、和降低运维成本。风机的制造厂商也可以不再仅仅通过卖出装备获得一次性的盈利，还可以通过向用户提供使用过程中的增值服务实现持续性的盈利。

人类社会在经历了200多年的科技革命后，已经积累了巨大的工业产品存量，工业的基础设施和大量基本生产要素，如机床、电力设施、动力设施、制造装备、交通装备等需求都已逐渐趋于饱和。因此德国的“工业4.0”战略中将面向制造系统的集成和软件服务作为重点，具体表现在“纵向集成”、“横向集成”和“端到端集成”。同样发现这个问题的还有美国GE公司，他们意识到装备销售过程中的获利远远不及在产品使用过程中的价值服务，客户需要的价值也远不止对产品状态的保持，更在于如何去使用这些能力来实现更高效的价值再创造。

以数据为核心使产品发挥最大的能力，归根结底是利用数据建模实现对状态、环境和任务的精确评估，对管理和控制活动进行实时的决策优化，并协同和调度相关产品高效率运行的过程。

“无忧”的制造环境

制造系统中的问题同样也有 “ 可见” 和“ 不可见”之分，我们对待这些问题的方式既可以在问题发生后去解决，也可以在问题发生前去避免。生产系统中存在的“不可见”问题包括设备性能的衰退、精度的缺失、易耗件的磨损、和资源的浪费等，可见的问题往往是这些不可见因素积累到一定程度所引起的，比如设备的衰退最终导致停机、精度的缺失最终导致质量偏差等。就如同冰山一样，可见的问题仅仅是冰山一角，而隐性的问题则是隐藏在冰山下面的恶魔。通过大数据对“不可见”问题获得深刻的洞察，是实现无忧虑制造环境的基础，也是智能制造的本质。

制造改进与转型的机会空间可以被分为四个部分(图二)，第一个部分是去满足用户可见的需求和解决可见的问题，这个空间内依然有中国制造需要补的课，比如质量、污染、和浪费等问题，需要的是持续的改善与不断完善的标准化。第二个空间在于避免可见的问题，需要从使用数据中挖掘新的知识对原有生产系统和产品做加值改善。第三个空间在于利用创新的方法与技术去解决未知的问题与创造新的竞争力，例如具有自省能力的设备，以及利用传感器与大数据使不可见的问题透明化，进而去管理和解决不可见的问题。第四个象限是寻找和满足不可见的价值缺口，避免不可见因素的影响，这部分需要利用大数据分析产生的智能信息去创造新的知识和价值与传承力，这也是工业互联网的最终目标。

通过分析数据，预测需求、预测制造、利用数据去整合产业链和价值链，这就是工业大数据的思维。工业互联网是一场在不可见世界中的战争，而工业数据分析的竞争力则是连接可见与不可见世界的桥梁。

利用大数据实现无忧的制造环境有三个方向，数据在每一个阶段中扮演的作用也并不相同。第一个方向是在解决可见问题的过程中积累经验和知识，从而去避免这些问题。在这个过程中，数据可以作为经验和知识的载体。第二个方向是依靠数据去分析问题产生的隐性线索(evidence)、关联性、和根原因等，进而利用预测分析将不可见问题显性化，从而实现解决不可见问题的目的。现在的制造系统正在经历从第一个阶段到第二个阶段的转变过程，在完成这个过程后，制造系统将不再有‘surprise’，使得所有隐性问题在变成显性问题和影响之前都可以被提前解决。第三个方向是通过对数据的深度挖掘，建立知识和问题之间的相关性，从数据中启发出新的知识，并能够利用知识对制造系统进行精确的建模，产生能够指导制造系统活动的镜像模型，从系统的设计端避免可见及不可见问题的发生。

这三个方向对企业都非常具有借鉴意义，但是需要根据不同的情况侧重于不同的方向。总的来概况，这三个方向分别适用于以下几类情况中问题的解决：

第一个方向：适合在某一个领域已经经营了很久，有了一定的经验积累，但是却很难总结出为什么做的好或是不好。

第二个方向：在解决了可见的问题之后，仍然存在一些不可见问题对制造系统造成的影响，希望能够了解不可见因素的变化过程和相互的关联性，积累更加深入的制造知识。

第三个方向：在制造基础还较为薄弱的领域，并没有形成太多有效的数据，但是拥有非常丰富的使用数据和经验，则可以借助使用过程中积累的知识对制造系统提出设计的要求。

数据本身不会说话，也并不会直接创造价值，真正为企业带来价值的是数据分析和挖掘之后产生的洞察和行动的价值，是数据经过实时分析后及时地流向决策链的各个环节，是让数据成为面向客户创值服务的媒介和依据。工业大数据的目的并不是追求数据量的庞大，而是通过系统式地数据收集和分析手段，实现价值的最大化。所以推动工业价值转型和智能制造的并不是大数据本身，而是大数据分析技术所带来的洞察，行动的准确性与速度。在新制造革命的转型中，更加有效地积累和利用数据资源与知识的传承，决定了能否在新竞争环境中脱颖而出。工业大数据定义了制造价值的新主张，这个价值的应用既可以外向，也可以是内向。内向是利用大数据去解决和避免制造系统中的“不可见”问题，实现无忧的制造环境。外向是利用大数据在产品的使用过程向用户提供智能增值服务，实现制造价值的延续。这两者对于中国制造而言，一方面是解决制造“大而不强”的挑战，另一方面是改善制造附加值较低的瓶颈。中国应该利用好使用数据的资源，不断提升企业对制造的理解和知识积累速度，才能弥补中国在装备制造和核心零部件等方面的弱势，逐步弥补这些弱势领域造成的短板，让世界看到中国在工业大数据中创知和创值的成功经验。