15201033833
智能，可以理解為數據化以及建立于此之上的AI。以產線自動化為始，多源異構的工業(yè)數據被采集、流轉、分析并幫助形成決策和控制，端到端的解決方案就形成了當前行業(yè)player的典型畫像。
工業(yè)一般分為流程工業(yè)和離散工業(yè)。兩者最大的差異在生產的自動化程度、數據的可得性和工業(yè)的復雜度，而最大的共性在于，每一個場景都需求各異，進入任何一個細分領域都需要有足夠深厚的行業(yè)knowhow和上下游資源整合能力。
智能，可以理解為數據化以及建立于此之上的AI。以產線自動化為始，多源異構的工業(yè)數據被采集、流轉、分析并幫助形成決策和控制，端到端的解決方案就形成了當前行業(yè)player的典型畫像。
為什么是工業(yè)智能？
藍海
工業(yè)尤其是制造業(yè)的GDP總量遠高于零售、金融、建筑等行業(yè)。而工業(yè)領域每天產生的有效數據量其實不亞于BAT等互聯(lián)網公司，一個大規(guī)模的工廠每天產生的數據量甚至能達到幾十億到上百億條。
壁壘
雖然工業(yè)場景每天產生高頻、海量的數據，但是大量的原始數據本身并沒有直接意義，且有可能產生大規(guī)模時延和占據大量帶寬。我們不僅需要在某些場景做實時的監(jiān)控和分析，也需要把更多數據采集到云端做更多維和更長期的經濟效益及價值分析，這是云計算的價值。而云計算+邊緣計算，這是比傳統(tǒng)消費互聯(lián)網更細的顆粒度和更復雜的架構，這也意味著更高的壁壘。
拐點
互聯(lián)網一條邏輯叫做“Copy to China”，“Copy to 工業(yè)”是同樣的道理。大規(guī)模的數據應用和平臺架構在金融、電信等行業(yè)經歷了充分的驗證和演進，加上中國制造2025在政策一側的催化作用，構成了拐點成立的先決條件。
工業(yè)智能的玩家畫像
現階段的用戶需要的不是單個產品，而是端到端的整體解決方案。一個合格的工業(yè)智能公司，應該具備整體解決方案的構造能力。
首先，用戶需求永遠是第一位，不滿足需求的技術都是偽命題。此外，一套好的解決方案從一個完美的架構開始。對于工業(yè)場景而言，從內、外部多源數據的整合開始，到云+端的平臺架構，知識庫的建立，合適模型的選擇，再到反向決策和控制，只有完整打通，才能形成閉環(huán)。
整體來說，工業(yè)智能呈現一橫（整體架構）+N縱（多個細分行業(yè)）的格局。
工業(yè)智能的路徑選擇
對于工業(yè)領域的大B客戶來講，現階段需要的不是單個產品，而是端到端的整體解決方案。這雖說是現狀，其實也是工業(yè)創(chuàng)業(yè)者的終極目標。然而路徑選擇很重要。
關于發(fā)展路徑，業(yè)內主流認為自動化-（數據化）-信息化-智能化是工業(yè)用戶進階的合理順序，并且前一階段是后一階段開始的必要條件。因此國內工業(yè)智能領域的企業(yè)在很長一段時間內只關注自動化領域的機會，甚至將工業(yè)智能等同為“機器人”或者“工業(yè)自動化”。從用戶現場的大量實踐來看，這幾個階段存在著顯著的先后順序，但同時交叉滲透，迭代進行。
具體來看，離散制造行業(yè)大部分客戶自動化程度不夠，所以優(yōu)先完成產線自動化。一些廠商以工業(yè)以太網和板卡實現設備互聯(lián)，打通設備級數據，經過MES反饋到平臺層，在不更換原有工控設備的基礎上實現初步物聯(lián)，用戶接受度很高，業(yè)績每年翻幾番增長，趨勢非常明顯。這一類模式，我們可以稱之為「以M2M設備物聯(lián)為核心的系統(tǒng)集成」。
更進一步的需求，來自于離散制造業(yè)的超大型頭部客戶和流程制造行業(yè)的絕大多數客戶，由于產線自動化程度本身較高，我們觀察到這類客戶對于信息化的接受程度本身也較高。
另外有一類廠商可以直接從頂層設計切入，在平臺層以工業(yè)大數據平臺或者場景化的AI模型服務用戶，實時的解決業(yè)務問題。反過來在數據采集層，在一些數據不完善的局部加裝傳感器，加裝智能化的檢測設備，甚至于做小段的產線集成等等。這一類模式，用戶接受度往往更高，這意味著項目的溢價往往也更高，我們可以稱之為「以數據應用為核心的系統(tǒng)集成」。
所以，我們可以看到三條發(fā)展路徑，面對不同的客戶，不同的場景，不同的發(fā)展階段，有不同的路徑選擇：
一、以產線自動化為核心的系統(tǒng)集成；
二、以M2M設備物聯(lián)為核心的系統(tǒng)集成；
三、以數據應用為核心的系統(tǒng)集成。
當然，殊途同歸，最終都是給用戶提供整體解決方案，以滿足用戶需求為核心。
工業(yè)智能之工業(yè)大數據
首先，數據在哪里？
一類是管理數據：結構化的SQL數據為主，如產品屬性、工藝、生產、采購、訂單、服務等數據，這類數據一般來自企業(yè)的ERP、SCM、PLM甚至MES等系統(tǒng)，數據量本身不大，卻具有很大的挖掘價值；
另一類則是機器運行和IoT的數據：以非結構化、流式數據居多，如設備工況（壓力、溫度、振動、應力等）、音視頻、日志文本等數據，這類數據一般采集自設備PLC、SCADA以及部分外裝傳感器，數據量很大，采集頻率高，需要結合邊緣計算在本地做一些預處理。
總的來講，由于場景的割裂和分散，工業(yè)數據本身具有量大、多源、異構、實時性要求高等特點，而且隨著未來280億設備逐步接入，這些特性將會進一步加強，這是做工業(yè)大數據服務的核心難點之一，和互聯(lián)網大數據不僅量級不同，結構不同，應用也完全不同。
其次，基于這些工業(yè)數據，平臺層應該提供哪些服務？
完整的協(xié)議解析：數據采集首先要完成工業(yè)協(xié)議的打通。以應用層協(xié)議為例，EtherNet/IP和PROFINET的市場占有率最大，其次是EtherCAT、Modbus-TCP和EtherNetPOWERLINK；
標準化的數據整合：采集上來的數據要做統(tǒng)一的主數據管理，第一步是建立標準。一般來講，我們先要用ISO或其他業(yè)內標準，制定統(tǒng)一的編碼、結構、流轉方式和屬性，確保數據的一致性，這一點非常重要。
在項目實施的歷程中，逐步積累行業(yè)知識庫、合適的算法組件以及相關機理模型，這一點也很重要，這是從數據標準進化到業(yè)務標準化的關鍵一步，是為實現真正的產品層面的微服務化打下基礎。
強大的PaaS支持：工業(yè)數據本身的特殊性導致平臺必須要有強大的中層支撐能力。我們以時序數據庫為例，它是設備工況和傳感器數據的典型品種。這類數據頻率高、量大，用傳統(tǒng)關系型數據庫處理，需要每次把所有值拉出來計算，吞吐量極大，性能很差。所以，一個高壓縮、高性能的時序數據庫，就是平臺層必備的能力之一。
最后，我們應該做哪些應用？
●設備級：質量控制。在工業(yè)智能時代，如果我們能夠采集到合適的實時數據，結合該設備所適用的機理模型，就有可能用機器學習的方法挖掘出產品質量與關鍵數據之間的關聯(lián)或因果關系，也就有可能實現實時在線的質量控制和故障預警，如果數據頻率能對工藝流程形成完美包絡，我們還有可能實現最大限度的效率提升。
●廠級：計劃排產。工業(yè)智能的最終目的是要實現大規(guī)模的個性化定制，即C2M。這一問題的目標是實現當時當地的產能最優(yōu)，約束條件來自企業(yè)的產線設備、人員、產品屬性、供應鏈數據等等，通過歷史數據的學習和訓練，不難形成一個較好的預測模型。
這一模型能根據產線和工廠的實時數據動態(tài)分析，動態(tài)調整，以幫助企業(yè)實現準確把控，最大化經濟效益。
在可以預見的未來，隨著數據的完整性和可靠性越來越高，場景越來越豐富，數據應用層面會誕生相當多的優(yōu)先企業(yè)，他們幫助工業(yè)用戶降低成本，提高效率，能解決實實在在的業(yè)務問題。
