【工业大数据】工业大数据：构建制造型企业新型能力
2015年5月8日，国务院公布《中国制造2025》,这是中国版的“工业4.0”规划。该规划提到“加快推动新一代信息技术与制造技术融合发展，把智能制造作为两化深度融合的主攻方向。大数据时代，利用大数据驱动业务发展，打造企业新型能力势在必行
工信部的数据显示：“中国制造业约占整个世界制造业20%的份额，在500余种主要产品中，我国有220多种产量位居世界第一。2014年，我国共有100家企业入选‘财富世界500强’，其中制造业企业占56家”。
但长期粗放式发展之后，中国制造业发展面临着稳增长和调结构的双重困境，进入了“爬坡过坎”的关键时刻。正如国务院发布的《中国制造2025》提到，“新一代信息技术与制造业深度融合，正在引发影响深远的产业变革，形成新的生产方式、产业形态、商业模式和经济增长点……但我国仍处于工业化进程中，与先进国家相比还有较大差距。制造业大而不强…”。
与此同时，德国提出了工业4.0，美国提出了工业互联网的概念希望藉此实现制造业的复兴。中国提出《中国制造2025》正是要推动制造业向中高端迈进，以大数据、物联网、云计算等新一代信息技术将引爆这一轮产业变革，加速传统制造企业的转型升级。
第一节 工业大数据与德国工业4.0、中国制造2025的关系
工业4.0、中国制造2025的核心是工业大数据
2013年4月，德国政府汉诺威工业博览会上正式推出“工业4.0”战略，其目的是为了提高德国工业的竞争力，在新一轮工业革命中占领先机。该战略通过充分利用信息通讯技术和网络空间虚拟系统(信息物理系统Cyber-Physical System)相结合的手段，将制造业向智能化转型。
2015年5月8日，国务院公布《中国制造2025》,这是中国版的“工业4.0”规划。该规划提到“加快推动新一代信息技术与制造技术融合发展，把智能制造作为两化深度融合的主攻方向;着力发展智能装备和智能产品，推进生产过程智能化，培育新型生产方式，全面提升企业研发、生产、管理和服务的智能化水平。
无论是“德国工业4.0”还是“中国制造2025”，都提到了智能化和互联网化，而智能化和互联网化的核心是：
一方面利用互联网技术实现传统的以产品为中心变为以客户为中心，加强客户需求预测并尝试让客户参与产品研发，提供个性化的产品、服务及体验；
另一方面采集大量消费数据动态调整生产方式以快速适应客户需求变化，即变大规模批量生产为大规模定制生产;最后一方面利用企业内部营销、科研、生产、采购等经营数据，为企业经营解决提供依据，实现企业经营透明。随着企业智能化和互联网化水平的提升，企业拥有了越来越多的数据，而这些数据反过来有提升了企业智能化和互联网化的水平。
利用大数据驱动业务发展，打造企业新型能力
制造型企业面临着客户需求个性化，产品上市时间短，研制成本提高等巨大挑战。这种挑战本身更多体现在企业与企业之间如何以更低的成本、更高的质量、更快的速度满足客户多样的需求。所以传统方式很难解决大数据时代的企业问题，需要有创新的手段来解决。目前越来越多的企业通过大数据来驱动业务创新，提升产品质量、降低研制成本、加快上市周期。
全球航空发动机制造企业劳斯莱斯公司，在飞机引擎的制造和维护过程中，都配备了劳斯莱斯引擎健康模块。所有的劳斯莱斯引擎，不论是飞机引擎，直升机引擎还是舰艇引擎都配备了大量的传感器，用来采集引擎的各个部件，各个系统，以及各个子系统的数据。这些信息通过专门的算法，进入引擎监控模块的数据采集系统中。利用这些数据的分析结果，不仅可以帮助劳斯莱斯提前发现故障，还可以帮助客户更及时有效地安排引擎检测和维修。通过算法的不断改进，劳斯莱斯如今已经可以通过数据分析预测可能出现的技术问题。
劳斯莱斯引擎使用寿命在过去30年里延长了10倍，比同行类似引擎的寿命长10年左右;尤其重要的是飞行安全得到了更大的保障。成功之处在于打破了制造业和服务业的界线，并使两者相得益彰：技术先进的制造部门为售后服务提供可靠的技术保证。优质的售后服务不仅巩固现有销售市场份额，还不断挖掘越来越大的潜在市场。
“盘活存量数据、用好增量数据”，推动企业转型升级
制造型企业在信息化的每个发展阶段都会有大量的数据处理要求并且会因为大量的业务活动产生各式的数据各样，只要采用数据驱动业务的方式进行业务活动就是大数据，大数据是企业信息化发展到当前阶段的必然结果。所以工业大数据的利用不仅仅是信息化基础设施建设，更重要的是采用数据思维来管理和创新业务，大数据应是管理创新的手段，优化全业务流程和提供业务管理工具。所以制造型企业大数据应用的难点是打通企业数据采集、集成、管理、分析的产业链条，帮助业务人员养成使用数据的习惯。在这方面互联网企业走在前面，值得制造型企业学习。
2012年12月，阿里宣布在集团管理层面设立首席数据官(Chief Data Officer)岗位，负责全面推进阿里巴巴集团成为“数据分享平台”的战略并成立了数据委员会，委员会的成员是各个数据部门的领导。该数据委员会主要职责是协同不同数据部门的工作，制定整个集团数据应用的方向和规划，协同各个部门使用数据，打通商业运营、做(基础)数据、(构建)数据模型等产业链条各环节。避免传统上做数据的人不知道别人怎么用，用数据的人不知道数据怎么来的;而做数据模型不知道数据是否稳定;用数据模型的人不知道数据模型究竟是怎样的，甚至不相信数据模型的问题。
第二节 工业大数据的产生及特点
工业大数据是制造型企业创新转型的驱动力和催化剂，随着三维设计、3D打印、机器人技术等在制造型企业广泛应用。工业大数据广泛分布在产品设计、制造、物流、服役等各环节，具体如下：
数字化设计：如飞机全数字化设计：波音公司利用CATIA软件设计波音777的300万个零部件的尺寸和形状数据;
智能化制造：以智能工业机器人为典型代表的智能制造装备已经开始在多个领域得到应用;我国今年的工业机器人超过日本。
网络化监控：大型工业装备运行状态网络化远程动态监测：例如，波音737发动机在飞行中每30分钟产生10TB数据;陕鼓动力实现数百台旋转机械远程在线监测及故障诊断。
物联化管理：工业生产过程开始大量使用RFID实现零件与产品管理。
工业大数据区别其他行业大数据有自身的特点和挑战：
一是多源性获取，数据分散、非结构化数据比例大：
工业大数据来源广泛且分散，有来源于产品制造现场工控网监控数据，有来源于互联网的客户、供应商数据，有来源于企业内网的经营管理数据。海量异构多源多类数据难以有效集成，语义描述困难，不能实现面向系统生命周期管理的数据协同管理;
二是数据关联性强，有关联也要有因果：
工业大数据的产生和应用都围绕产品全生命周期、企业主价值链等，数据间关联性强且分析准确性要求高。不但要利用大数据给出决策也要用大数据给出决策依据。工业大数据预测精度低，准确性和可靠性不高，无法满足安全性要求;
三是持续采集、具有鲜明的动态时空特性：
工业大数据来源于工控网络和传感设备，具有实时性强、连续性、稳定性要求高等特点，需要采用可靠的数据采集、存储、管理的工具进行管理，另外涉及国计民生领域还要求整个平台安全可控。工业大数据分析的实时性要求高，动态控制困难，量化难度大;
四是与具体工业领域紧密相关：
工业大数据产生依赖于CPS网络和智能产品，但目前面向信息物理融合系统的分析方法单一，无法实现闭环、多层次、多阶段、自比较等的综合分析;面向智能设备和智能产品的故障检测能力不足，健康预测管理水平低，无法实现面向产品可靠性的深层次分析。
第三节 工业大数据的重点研究方向
为了应对工业大数据分散、形式多样、预测精度高等挑战，国内外研究机构与厂商开展了基于产品全生命周期的数据集成和管理，基于数据挖掘的数据分析应用等方面的技术研究与实践，下面分别介绍。
研究方向1：基于MBD和物联网的数据集成技术
CAX工具数据集成技术：面向产品设计过程中结构设计、电气设计、仿真、试验等过程，一方面定义产品所需标准件、材料、元器件的参数模型和实体模型及标准标准，供不同CAX工具共享使用，另一方面集中管理CAX工具输入输出参数等过程数据并形成设计知识。
智能装备数据集成技术：面向车间各类对象的实时监控和管理，底层采用传感器对环境和设备进行信息采集，采用电子标签对物料、人员、工具工装等进行标识和跟踪，通过数据采集和处理实现信息的可靠高效传输，实现人机料法环测等生产要素的状态监控和集成管理。
异构业务系统数据集成技术：面向工厂内部ERP、PDM、MES、QIS、TDM等业务系统，利用企业门户、企业服务总线、流程平台等集成工具实现各业务系统间界面、服务、流程和数据的集成，最终达到跨业务部门和业务系统的数据融合和流程贯通。
研究方向2：基于产品全生命周期数据管理技术
产品全生命周期管理不同于传统的PDM，它将分散在设计单位、生产单位、供应商、客户等地理分散、形式不同的“产品数据”通过工作流平台和产品全生命周期模型，连接为一种单一的、标准的、真正的产品信息资源的能力。它包括产品设计、仿真、试验制造的数据，还集成来自企业内外部数据，如销售、市场、质量、制造、供应商、客户使用、产品报废处理等数据，从而建立起规范的产品信息来源。
这种信息资源保存整个产品开发决策过程的信息，包括产品的特征描述、功能描述以及对设计和资源的考虑，从而跟踪整个项目进度，并为将来启动的新项目或产品改进项目提供知识。
产品全生命周期管理的关键在于产品生命周期的建模技术、集成数据环境技术和设计制造协同技术。
产品全生命周期建模技术：产品全生命周期建模的目的是建立面向产品生命周期的统一的、具有可扩充性的能表达完整信息的产品模型，该模型能随着产品研制自动扩张，并从设计模型自动映射为不同目的的模型，如可制造性评价模型，成本估算模型、可装配性模型、可维护性模型等，同时产品模型应能全面表达和评价与产品全生命周期相关的性能指标。
集成数据环境技术：产品全生命周期的数据分开存放，系统提供数据的联邦机制，分散在网络上的用户对数据进行存取时，所有数据对用户都应是透明的，所以需要一个电子仓库对分散在企业内外部产品及相关数据进行存储和增删修改操作。当然产品全生命周期数据符合大数据的4V特征，传统数据库管理系统难以支撑，需要大数据平台和技术支撑。
产品研制协同技术：异地设计与制造是指在异地异时、异构系统、异种平台间进行实时动态设计和制造，它是企业内部或供应链之间进行产品全生命周期管理的重要技术手段。
研究方向3：面向智慧工厂的数据分析方法
在工业4.0及大数据应用背景下，“智慧工厂”的建设将以大数据中心为平台，辅以智能技术、数字技术、信息技术，构建精益化的大融合研制体系，形成基于知识工程的产品研发设计、仿真、试验、制造、检验、售后等一体化的服务型研制模式，打造具有自主创新能力、透明管控能力、自我优化能力的智慧化生态环境。
智慧工厂“智慧”的体现应涵盖企业的各个业务领域，能够实现科研院所信息流、物流、资金流、知识流、服务流的高度集成与融合，使得企业持续创新，并不断开发新产品、新服务。但工业大数据具有数据量大、来源广泛、形式多样、种类繁杂等特点，传统的数据分析手段难以实现数据分析和利用。所有要实现各业务领域的智慧就必须结合数据挖掘、文本视频挖掘、统计分析、高维可视化等技术实现工业大数据的充分利用，具体介绍如下：
数据挖掘技术：“数据海量、信息缺乏”是相当多企业在信息化建设和技术手段更新后遇到的问题，数据挖掘又称为知识发现(Knowledge Discovery)，是通过分析每个数据，从大量数据中寻找其规律的技术。知识发现过程通常由数据准备、规律寻找和规律表示3个阶段组成。数据准备是从数据选取所需数据并整合成用于数据挖掘的数据集;规律寻找是用分类、聚类、回归、预测、关联等算法将数据集所含规律尽可能以用户理解的方式将找出来。第三节的案例详细描述了整个过程。
图像挖掘技术：产品制造使用过程中有大量的视频、文本、图纸等非结构化数据，这些数据占到了企业数据的80%以上，如何进行非结构化数据挖掘分析是工业大数据利用的核心问题。
例如，某汽轮机企业通过X光机进行叶片虚焊质量监测，传统采用人工方式进行看片，工作量巨大且长时间在高亮度环境下工作对人体有害。该企业对历史二十万张X光机底片进行扫描，并提取存在虚焊的底片利用聚类算法提取虚焊特征，并采用机器学习技术进行算法优化并建立专家库。现在通过X光扫描仪就可以进行疑似虚焊底片的识别，人工在进行复查，提高了检验准确率并减低人员工作强度。
高维数据可视化技术： 该技术旨在用图形表现高纬度的数据，并辅以交互手段，帮助人们对其分析和理解高维数据。例如，一个机电产品包含了型号、厂家、价格、性能、售后服务等多种属性，传统BI手段很难直观的表现三维以上的数据关系，人们也很难直观快速的理解。高纬数据可视化是将多维度的原始数据通过聚类算法转换成可显示的低纬度数据，并通过分类算法进行规律总结并通过计算机以图形和图像的技术表达。
例如复杂机电产品寿命数据是一序列的时间记录，利用高纬数据可视化技术将产品失效率的演变规律用图像方式ibiaoda，帮助用户直观地了解到运行环境的可靠性。
第四节 工业大数据的典型应用场景
1、企业经营管控
现状：对企业的掌控依赖于纸质的、离散的报表及总结报告等，获取的信息往往存在滞后、缺乏综合性分析意见的反馈等;
目标：实时的、准确的、全面的获取企业运营现状，实现管控透明化，及时发现问题，为科学决策提供支撑;
应用示例：
通过问题看板展示相关负责人或领导可直观的了解现行问题及项目进展等情况，追溯科研能力及生产能力相关的缺失，及时予以科研流程及生产流程的干涉，从根本上解决问题，达到企业价值及客户需求。
大数据对于企业透明化的经营管控可实时的、直观的、全面的展现企业现状、及时地发现问题、快速的定位问题根源并提出相应措施，最终回归到企业价值体现及经营目标建设。
2、产品研制协同
现状：各学科设计分散，缺乏综合考虑;知识以经验的形式掌握在少数人手中;设计工作对少数人的依赖性强，传承性差;存在未考虑上下游客户需求的问题等;
目标：开展多学科融合的协同设计、产品货架支撑的并行设计、以产品全生命需求为依据的综合设计(以客户为中心，向产品定制转型)。
应用示例：
通过建立统一的设计开发环境，实现知识的积累和重用。建立设计平台，对产品研制过程中的各种工作内容进行集成展现和管理，并根据用户角色和工作内容的不同，管理并查看相应的内容，用户可通过研发设计工作台直接开始设计工作。
协同设计研发平台一方面通过数据、产品数据、运营数据管理为基础，将设计经验、工艺信息、制造信息、产品服役过程信息(零部件寿命、质量问题记录等)、客户需求等统一纳入设计需求范畴，也即完成客户等纳入需求考虑，保证设计需求的全面响应，实现定制化奠定基础，逐步协助企业服务化转型;另一方面具体执行设计研发业务支持基于多学科融合的综合，支持多学科并行设计等。
3、全面质量控制
现状：由于质量问题等原因的工程变更追踪困难、变更范围难以确定;
目标：可通过BOM集成管理的数据，进行产品问题的向上及向下追溯，一方面追踪问题根源并对其影响范围进行确定(如存在多少在制品等)并干预，保证后续产品的质量;另一方面根据问题根源，改进原材料或设计工艺等，从根源上解决问题，降低问题重复带来的损失。
应用示例：
以某零部件服役过程产生质量问题为例说明。当产品产生问题时回馈制造商形成质量问题记录单，零部件制造企业基于完整的产品全生命周期数据管理可通过BOM追溯实现零部件批次、设计信息、工艺信息、制造过程信息的快速定位，进而由专业人员进行分析质量原因并采取响应的改进措施：
一方面：保证后续零部件/半成品按更改后的文件制造生产，使问题重复再现得到改善;
另一方面：对同一样已交付使用的零部件采取一定的维护更换或召回处理，规避由某零部件问题造成工程停产的更大损失。
注：于洋，美林数据技术股份有限公司技术总监，国家信标委工业大数据标准编制组成员，参与多个国家大型集团公司数据中心及数据架构设计工作，参与军工制造，电力装备等行业智能制造方案论证与申报工作，拥有多年的信息化建设经验。
来源：数据猿（www.datayuan.cn）
智能制造：有大数据不一定能成，但没有一定不能成
数据猿导读一份来自麦肯锡的调查报告显示，制造企业在利用大数据技术后，其生产成本能够降低10%—15%，大数据对于工业企业的重要性不言而喻。不同层面的制造企业在发展过程中，应该采取相应的大数据策略，才能离智能制造更近一步。
记者 | 春夏
工业是国民经济不可或缺的一环，也是一个国家强大竞争力背后的力量支撑。而我国工业目前的现状是，位居世界第一，但却大而不强。
目前，我国劳动力成本较高、产品质量和生产效率较低、资源和环境压力大，这些是工业领域面临的主要问题。
从中国工业企业方面来看，企业创新能力不足，高端和高价值产品欠缺，在国际产业分工中处于中低端状态。虽然不少中小型制造企业实现了机械化，但仍有很多农业机械装备企业没有达到工业2.0阶段。制造企业整体的规模化、标准化、自动化和信息化水平发展不一、参差不齐，中国工业企业急需转型和升级。
一份来自麦肯锡的调查报告显示，制造企业在利用大数据技术后，其生产成本能够降低10%—15%，大数据对于工业企业的重要性不言而喻。不同层面的制造企业在发展过程中，应该采取相应的大数据策略，才能离“工业4.0”、“工业互联网”和“中国制造2025”更近一步。
工业大数据发展背景
从国际发展形势看，无论是德国“工业4.0”、美国“工业互联网”，还是“中国制造2025”，各国制造业创新战略的实施都是基于工业大数据采集和分析，并以此为制造系统搭建应用环境。
“中国制造2025”这一目标，没有大数据就一定不能达到吗？美林工业大数据业务总监李琼接受数据猿记者采访时表示，从严格意义上说，工业大数据不是一切，有了工业大数据不一定就可以做到智能制造和智能服务，但是如果没有工业大数据，实现智能制造就会比较困难。换句话说，工业大数据是实现智能制造和智能服务的重要工具和手段。
先进制造企业基于工业大数据的应用，把产品、机器、资源和人有机结合在一起，不但能够推动传统制造企业向智能化方向转型，还能够形成企业与消费者之间的信息主动反馈机制，为建立以服务为核心的整体数据解决方案提供可行路径，同时能够提升产品服务价值，为制造业转型升级开辟新途径。
从数据来源方面看，工业数据源愈来愈丰富，主要包括信息管理系统数据、机器设备数据和外部数据。信息管理系统数据指传统工业自动化控制与信息化系统产生的数据，如ERP、MES等。机器设备数据来源于工业生产线设备、机器、产品等方面，多由传感器、设备仪器仪表产生。外部数据是指来源于工厂外部的数据，主要包括互联网市场、环境、客户、政府、供应链等外部环境产生的信息和数据。
从实际应用场景来看，超算科技HPC事业部总监丁峻宏认为，如今工业企业从产品设计到制造环节，很多工具软件和流程都实现了数字化和自动化，这样就可以记录海量数据。在这种情况下，工业企业的运营模式也将发生一些转变，工厂生产完产品以后，后期还要关注其运维、维修情况，传统制造业在向服务化转变。另外，在企业生产各环节，可以利用大数据技术，降低产品制造成本。
工业大数据的应用
发展大数据是个过程，最终目的是为了利用大数据，对工业企业起到作用。因此，企业需要冷静思考，坚持以业务应用为驱动，才能最大化实现数据价值。
其中，工业大数据在实际应用过程中，有三大关键问题需要企业关注：
一，数据质量控制问题。企业信息系统的数据质量仍然存在问题，例如2014年某大型机车企业ERP系统中有近20%物料存在“一物多码”问题；
二，多源数据关联问题。针对装备物联网数据和外部互联网数据，可以根据其绑定的物理对象（零部件或产品）与相应的BOM节点相关联，从而以BOM为桥梁，关联3个不同来源的工业大数据；
三，大数据系统集成问题。工业大数据来源广泛，并且装备物联网数据（半结构化数据）和外部互联网数据（非结构化数据）都要与企业信息系统（结构化数据）进行集成，因此要重构数据支撑平台，甚至替换“旧”系统。
美林工业大数据业务总监李琼告诉数据猿记者，在工业企业生产制造产品的过程中，通过数据采集和分析，可以提供信息决策支持，在产品的生产流程、上游供应链、产品质量、生产管理控制、研发设计、下游供应链、远程维修维护等环节起到重要作用。
1，生产流程：有些企业在各生产环节的状态并非最优，导致开机率不高。为了提高产品生产线的运转效率，可以利用大数据技术进行分析和处理，帮助企业提升效率和收益；
2，上游供应链：在工业领域上游供应链中，如果产品零部件生产过多，不仅会产生大量库存，还会占用企业现金流，资产产生损失。大数据可以帮其预测订单量，降低产品库存压力和生产成本；
3，产品质量：以某企业为例，以前该企业生产的产品合格率为95%，存在一定量不合格产品。通过数据分析，可以找出产品不合格的生产环节和原因，从而改善生产流程或原材料；
4，生产管理控制：很多大型制造企业有多条产品生产线，从企业核心管理角度来看，把不同工厂的产品数据汇集在一起，用可视化分析方式呈现给核心管理层，帮助其调整企业的生产安排和生产策略，大数据在里面能够起到更高层次的决策支持作用；
5，研发设计：中国制造业在产品设计方面的自主创新能力比较弱，很多企业的研发设计不成体系和流程，很多设计图纸的数据化程度不高，大数据技术可以做到知识有效积累。当企业招募新工程师后，可以通过以往设计数据，接受新的工作知识和任务。
6，下游供应链：即在产品生产完以后，给到客户的环节。对于大中型制造企业来说，当客户下完订单以后，可以积累产品备料时间、出库时间、物流公司等数据，让客户知道订单状态。从下游供应链来说，这也是对制造企业的提升；
7，远程维修维护：在产品售后服务和产品改进过程中，利用传感器、互联网产生的数据，将产品故障实时诊断变为现实。以工程机械中的液压系统为案例，当企业的液压系统油缸密封套出现腐蚀故障后，可以依据信息系统记录的液压系统维修历史数据，比对相关状态工况数据（装备物联网数据），以及引入互联网上的历年工程建设数据，推断出密封套腐蚀故障的主要诱因。
将大数据技术应用在以上工业场景中，目的是为了帮助企业通过技术创新，取得技术优势和抢占市场先机，为企业创造价值。宝信软件项目总监王奕表示，在实现智能制造过程中，产品的质量、价值、价格是永恒的话题。在利用大数据提供高品质产品的同时，也要提高产品生产效率，可持续的控制产品成本。
另外，用户个性化需求是必然发展趋势。利用大数据搭建用户画像，得知用户心理，企业做产品时才能快速做出决策，提供给客户高品质的产品。同时，通过产品制造过程中的信息分析和处理，能够柔性生产、组织产品，满足整个产业链的需求，才能提升制造企业的智能化水平。
数之联CTO方育柯：大数据时代下的传统制造业
数据猿导读无论是物联网的建设，或者是内部数据、外部数据的收集整合，以及平台建设和后续的数据分析，做规划都是自上而下的，做实施是自下而上的，要有一个统一的方法论去支撑。
作者 | 方育柯
随着我国经济发展进入新常态，大数据在稳增长、促改革、调结构、惠民生中承担着越来越重要的角色。同时，大数据也在重构信息技术体系和产业格局，为我国工业的信息化建设发展提供巨大的机遇。
4月24日，《魔方大数据系列应用圆桌论坛之智能工业创新应用论坛》活动在美丽的江苏盐城大数据产业园顺利举行。
智能制造大概是在2015年正式提出来的，我今天主要是讲一些干货，讲我们在这方面实践的一些案例。
中国不单单提了2025这个计划，其实还有2035、2045，大概要用30年的时间让中国从制造业大国转变为制造业强国。"2025计划"给出了10个重点发展领域，比如：信息通信、数控机床、轨道交通等等。
这里的几个维度，横向是指在整个农产品的生命周期来，从设计、生产、物流、销售、服务给了一个含义。其次是从整个物理层级上，从设备、车间、企业之间的互联上。最后是从资源要素的互联互通、智能工程里去发挥我们的价值。
我们需要让企业领导知道未来3、5年要建什么样的系统，他的成本、收益、周期如何？有没有统一的路径规划。
无论是物联网的建设，或者是内部数据、外部数据的收集整合，以及平台建设和后续的数据分析，做规划都是自上而下的，做实施是自下而上的，要有一个统一的方法论去支撑。
工业、制造业企业来，数据、大数据在里面发挥的价值如何？在这里面可以做5件事。
1、产品设计与优化
基于互联网舆情分析、客户反馈、竞争对手分析、客户使用习惯、维修记录、售后历史等指导新产品的设计与开发，提升产品竞争力。比如说京东、天猫，这里面包含着用户对产品的评价，包括口感、质量、包装。根据这些信息就可以发现产品的缺陷，这是一个产品跟用户的交互。用户希望改进的点、创新点在什么地方，我们就可以在什么地方进行产品优化，做市场想要的产品。
2、供应链决策的优化
通过分析产品生产上下游企业信息，为制造企业选择更好的供货商提供指导意见，提升产品整体质量，降低成本。比如汽车，在上游的供应链，差不多有10万家，我们怎么去甄别哪些是靠谱的，哪些是不靠谱的？我们就要去分析生产、营销的活跃度。
3、产品生产优化
在产品生产环节基于工业数据的大数据分析，实现生产参数的优化，潜在故障的提前预测以及故障的诊断，降低维修成本，提升生产力。
4、产品精准营销
基于客户特征数据分析，精准把握客户需求，将产品推送给合适的客户。
5、客户需求与舆情分析
分析客户的反馈数据，及互联网公开渠道的舆情数据，分析产品的质量、优劣势等，获取客户需求，为产品设计、公司公关提供依据。
今天的主题是智能制造，接下来我要说四个案列。
第一个案列是某大型制造集团。我们跟他合作去做智能工厂里车间的优化。
我们会建立一个模型，然后按照数据去进行进一步的量化，我们会定期去采集生产的数据情况。基于这套数据，我们就可以去选择多个模型。
在新的生产数据产生是时，我们会做实时校正，检测当前指标是否会导致抛率增高。如果有增高，就会通知线上去校正模型，并且提供校正的参数。这样就可以使抛料率大幅下降。
第二个案列是核电站。核电站对安全的要求非常高，收益也是非常高的。我们要做的就是对电站高精度的安全监控。核电站随着控制棒的振动，会导致电站里的零件松脱，如果时间长了就会出现损坏。我们会在电站部署传感器，及时检测振动的情况，以及松脱部件的撞击信号。
第三个案例是我们合作的某大型酒业集团。我们会对数据质量较好的车间进行分析。我们找出最有经验、最优的参数，帮助他们去提升一级酒的产量、转化率。后期我们还可以通过分析帮助提升真正影响酒的口感、质量的微生物指标。以及基于天猫、淘宝的价格、用户评价去做市场分析。
第四个案例是常州瑞声科技。他们是中国最大的手机后壳加工企业。这里一台机床每天加工手机壳大概要消耗5000把刀具，这是一个很大的成本。
我们的做法是我们通过其他的信号、信息，帮他去分析这把刀还可以加工多少个手机壳，记录刀具的磨损情况。我们可以提高道具20%的使用频率，生产成本也进行了大幅度的缩减。
人工智能赛博物理操作系统
AI-CPS OS
“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。
AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：
重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？
AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：
精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：
创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。
给决策制定者和商业领袖的建议：
超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。
子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和 人工智能，像君子一般融合，一起体现科技就是生产力。
如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！
新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。
产业智能官 AI-CPS
用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
长按上方二维码关注微信公众号： AI-CPS，更多信息回复：
新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能金融”、“智能零售”、“智能驾驶”、“智能城市”；新模式：“财富空间”、“工业互联网”、“数据科学家”、“赛博物理系统CPS”、“供应链金融”。
官方网站：AI-CPS.NET
本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！
版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：[email protected]