作者：DIGITIMES林姿君

制造业正迈向智能制造时代，测量与评估生产数据是精益求精的关键，建立正确的测量标准，有助立即预测故障从而进行紧急维修，并找出生产效率低落的症结。但要建立测量标准，便少不了从庞大数据中得出的分析见解。今日制造商所面临挑战就是，如何搜集分析所需的生产数据，以及如何让这些数据发挥效用。

芯片制造公司Ultimaker总裁John Kawola认为，智能制造已开始发挥其影响力，如新兴的机器人、传感器或物联网(IoT)技术便是用于自动追踪事物。不过，报导指出，想要实现智能制造得先克服两大挑战：

第一，如何从五花八门的生产设备中搜集大数据(Big Data)。在今日的工业设备市场，连接性已是不可或缺的要素，但随着连接性相关的标准与协定迅速增加，也衍生整合问题。此外，几乎每家机器制造商都开始提供使用者专属仪表板分析平台，以便观察追踪机器数据。

这些不同的标准与软件工具自然不是专为同一品牌的设备打造。最重要的是，工厂自动化通常是委外完成，甚至未安装像是测量电机温度的传感器。不仅如此，生产设备可能被放置在不同的厂房甚至不同国家。

要如何从这些不同系统搜集数据便成为一大问题。对此，西门子(Siemens)、PTC与GE Digital等第三方工业物联网(IIoT)厂商提供用户可连接所有数据的平台。这些IIoT平台目的即为搜集不同设备与传感器的数据，并集中管理这些数据以进行分析与监测。

第二，从生产数据中找出可行的洞见。西门子云端物联网作业系统MindSphere业务发展部门经理Ramona Schindler表示，大数据本身无法起作用，制造商需要做的是智慧化这些数据，但这并非易事。

一般而言，机器数据可借由频率分组。传送低频率数据的机器可回报像是电力状态与正在运作的程序等资讯；可传送高频率数据的机器，如激光烧结金属3D打印机，就能每0.1秒传送激光熔池温度的检测数据。不过制造商面临的挑战是如何从一大堆正常状态数据中，大海捞针般找出异常状态的数据。

等到数据汇整至平台后，就可以导入平台运行的分析应用程序(App)。有些平台支持客户所开发的App。大多数的厂商也已推出针对不同类型数据的分析App，如西门子MindSphere的Manage MyMachines便可显示及管理用户全球厂房的机器数据，进而得出所搜集数据的分析洞见。

昨日，首届中国国际进口博览会正式开幕。开幕前夕，进博会重要配套活动之一的“四川省—跨国公司供应链对接会”在上海举行。我市与美国赛仕软件有限公司（SAS）签订签署战略合作协议，双方将在德阳共建“中国西部智能制造大数据分析及处理服务中心”，为德阳智能制造向深度发展再添新活力。

中国西部智能制造大数据分析及处理服务中心将落户德阳经开区，是SAS在中国西部地区布局的主要基地，辐射云、贵、川、渝、藏等西部省份智能制造方面的业务。通过SAS公司大数据功能，将透析德阳市制造业企业从采购、生产、物流到销售的流程，帮助企业提升工作效率，完善生产工艺流程，最大程度降低成本，找到创造附加价值的新形式，并结合大数据推动德阳传统制造业向智能制造转型升级。

作为全球最大的私有软件企业，SAS的主要产品在国际上被誉为统计分析的标准软件，在多个领域广泛应用，在高级分析及预测分析领域处于绝对领先。与德阳共建SAS中国西部智能制造大数据分析及处理服务中心，将加快德阳装备制造业的转型升级，有利于提升政府和企业对大数据的应用水平，加快智慧城市建设的步伐。

按照协议约定，依托美国SAS公司在大数据分析及处理，传统企业向智能制造升级转型，大数据人才培养，产业聚集及成果推广等领域优势，将通过其技术、产品和服务覆盖西部各省的智能制造企业，推动西部各省智能制造企业在大数据、人工智能、互联网+、物联网、敏捷生产、智能制造等新兴领域的大数据分析及处理实践活动，促进产业结构调整与升级转型，最终实现立足德阳市、服务四川省、辐射西部各省的战略计划。

记者了解到，首届中国国际进口博览会是我国坚定支持贸易自由化和经济全球化、主动向世界开放市场的重大举措，是迄今为止世界上第一个以进口为主题的国家级展会，是共建“一带一路”的又一个重要支撑，有利于促进世界各国加强经贸交流合作，促进全球贸易和世界经济增长，推动开放型世界经济发展，展会将于10日结束。我市共组织特变电工、明日宇航、国投经贸等86家采购商136人参会，涉及机电设备、电线电缆、服装、食品等行业，通过展会平台，将进一步推动企业扩大进口，壮大德阳进出口规模，促进对外贸易平衡发展。

>>>新闻链接

SAS公司于1976年创建于美国，是数据分析领域的领导者。目前，SAS公司在59个国家和地区拥有14019名员工。全球范围内149个国家的80000多家客户都在采用SAS解决方案，其中包括《财富》全球500强企业前100家企业中的91家。1989年SAS公司开始进入中国市场，2006年在北京正式成立赛仕软件（北京）有限公司，并在上海、广州、成都、深圳等地设有分支机构，在北京设立了研发中心和用户服务支持中心。

本报记者伍玲陈兰

版权声明：图片来源于网络，图文无关。如涉及版权问题，请作者持权属证明与本网联系

来源：德阳晚报

编者按：在云计算大数据技术日趋成熟的当今，数据挖掘分析与商业智能应用的价值越来越被企业所理解。企业通过对关键业务数据、客户信息以及日志数据的挖掘分析，可进行精准的客户画像并分析客户属性，更准确地发现目标客户和更多的营销机会(市场客户分析、交叉营销等)，实现市场、渠道和产品的细分与创新，动态掌握复杂市场需求的变化，智能数据解决方案提升了市场竞争力。

说到智能数据解决方案供应商，去年刚刚获得6000万元融资的“袋鼠云”最近可谓是“动作频频”，不仅多名前阿里核心技术人员强势加盟，更有硅谷留洋“博士团”鼎力回归，让“袋鼠云”这一新锐品牌迅速被数据行业“特别关注”。

数据智能解决方案新锐品牌“袋鼠云”从数据资源规划及获取、数据质量分析及提升，到基于中台策略的数据整体建模以及数据的资产管理都有切实的解决方案，进一步帮助客户建立标签引擎的实体画像，从而帮助客户实施数据指标体系梳理计算（BI）和数据应用规划及实现(DI),最终用数据可视化大屏的形式呈现出来帮助实时决策。可以说“袋鼠云”的智能数据解决方案的产品线可谓“相当完整”。

“袋鼠云”产品线构建了统一负载的全量数据分析平台与方案，统一的在线实时存储、处理、分析工具，支持PB级海量数据处理，可随业务需求线性扩展，为客户实现“即时刻画、秒级呈现”的数据可视化大屏呈现方式。

记者采访中了解到，目前“袋鼠云”品牌在全产品线的智能数据分析解决方案中，日志大数据分析平台与数据可视化大屏即时呈现两大方面技术积累与产品优势十分明显。

EasyLog日志大数据分析平台—用日志解析为企业做体检

“我们将为客户从大量的数据日志项目中，根据客户业务现状清洗整理出切实可行的关键日志信息，做好日志数据挖掘和分析利用，充分在运维过程中给客户带来价值。” 袋鼠云在采访中给记者解释：“传统企业对于海量日志数据利用效能很低，而每次都靠IT人员查阅日志进行系统运维的方式既成本高昂而且运维稳定性很低，而采用了袋鼠云的日志大数据分析平台EasyLog就可以大大提升企业运维的效率，对于很多潜在的系统问题也能做到良好的预警。”

据介绍，目前袋鼠云日志大数据分析平台EasyLog主要部署在大中型互联网企业以及互联网金融行业，也有大型的金融机构、电信运营商等等，这些行业都非常重视日志大数据对于企业运维的作用。

同时袋鼠云日志大数据分析平台EasyLog也可帮助企业满足《中国网络安全法》日志归档要求、满足《公安部息系统安全等级保护》三级要求；

袋鼠云向记者进一步介绍：“目前企业针对日志大数据分析应用有几种方案，一种是基于开源应用的ELK方案,另一种就是类似袋鼠云提供的日志大数据分析平台。前者由于是开源应用，因此企业的前期开发与后期维护成本比较高，也面临无可预计的开发风险，而后者袋鼠云日志大数据分析平台更像是一个“拎包入住”并自配资深管家的成熟方案平台，让客户省去很多后顾之忧。”

而且在采访中记者了解到：“袋鼠云日志大数据分析平台，也有灵活的部署方式，既可以在客户方线下机房部署，也可以部署在云端服务，甚至针对小型企业袋鼠云还有SaaS版的轻量级产品，针对不同的客户可谓“面面俱到”。并且这样的金融级日志分析、AIOps平台，可用于故障定位、业务监控、安全审计等，袋鼠云日志有着可视化仪表盘、监控告警、数据脱敏、数据转发投递、多租户数据隔离等特色功能，可根据企业实际业务完成分析场景建设，以提升企业故障发现率、运维运营效率。

“目前著名的互联网银行品牌新网银行在旗下十余个核心系统中均采用了袋鼠云的日志大数据分析平台EasyLog，从而提升了各业务系统故障发现率，同时极大降低故障处理时间，也成为了成功的众多案例之一。”采访中记者了解到。

数据可视化实时大屏—实现企业数据化运营

而作为袋鼠云全产品线中另一个亮点的“数据可视化实时大屏”也是目前炙手可热的技术，数据产生价值这个大方向让最后呈现的环节中的数据实时分析产生价值，呈现一切价值数据可视化，最终帮助提升生产效率、促进产业变革，通过客户产业创新让数据价值最大化。

采访中记者了解到，袋鼠云数据可视化实时大屏目前主要服务的行业包括新零售、智能制造、智慧人社、以及业务快速增长的互联网创业公司等。

采访中记者了解到，新零售方面一直是袋鼠云的强项。一方面借助营销引擎帮助品牌商打通线上线下的用户数据，实现精准营销。围绕客户的发展与持续经营，统一管理线上营销渠道，打通全域数据，通过数据个性化线下门店服务体验等，使企业与客户之间可随时无阻碍的连接。这些数据与分析都以精准实时的形式呈现在客户的可视化大屏之上，让客户从容决策。

“要精准呈现数据可视化大屏的最佳效果，数据的实时性采集非常重要，袋鼠云实现了对TB级别甚至是PB级别数据的实时处理，实现秒级反馈是最基本的要求，这得益于袋鼠云的技术团队多数来自于阿里云，在实时数据计算处理与呈现方面有丰富的经验。”可视化大屏将企业实时数据即时呈现，比如电商平台的经营概况、用户画像等信息一目了然。

编后：目前袋鼠云的团队已经超过 150 人，80% 左右为技术人员。当下更多的资深技术专家，包括美国回来的人工智能博士和一批专注企业服务多年的行业专家都纷纷加盟袋鼠云，让数据产生价值。无论是数据可视化实时大屏Easy[V]或是日志大数据分析平台EasyLog，智能数据解决方案最终让更多的数据产生价值，让未来变成现在，袋鼠云这一朝气蓬勃的品牌团队正在朝向探索未来数据价值之路上越跑越快。

本文关注：日志大数据分析平台、数据可视化大屏、数据智能解决方案

转载或分享请注明来源标题《数据可视化大屏+日志大数据分析平台，数据智能解决方案改变世界》

制造过程中应用机器学习是进一步对制造系统进行智能赋能，实现替代或辅助管理人员和专业人员对不确定业务进行决策的能力。

01

为什么要把机器学习应用于智能制造

提到智能制造，不能不提到"机器换人"，如果说利用机器人、自动化控制设备或流水线自动化替代传统的生产线上操作工和物料人员，实现“减员、增效、提质、保安全”的目的，而在制造过程中应用机器学习就是进一步对制造系统进行智能赋能，实现替代或辅助管理人员和专业人员对不确定业务进行决策的能力。

DIKW模型将数据、信息、知识、智慧纳入到一种金字塔形的层次体系，展现了数据是如何一步步转化为信息、知识、乃至智慧的方式。当系统采集到原始的数据后，然后通过加工处理得到有逻辑的信息，再通过提炼信息之间的联系获得规则和知识、形成行动的能力和完成任务，最终使用对各种知识进行归纳和综合形成关注未来不确定性业务的预测能力，这样系统才能真正做到感知、分析、推理、决策、控制功能。

举个简化例子理解上述过程，系统通过传感器采集到实时的温度，再把该数据与其他数据关联(比如批次、条码、机台、原料、产品质量等级等)，同时可以计算生产过程中温度点的各种统计值，这些信息既可以根据已知的知识(工艺要求)进行过程控制，也可以进行相关性分析归纳出模型，当后续出现新的供应商原料或者在新的产线上生产能优化调整工艺要求达到最佳产能和质量。

02

机器学习在智能制造中有哪些应用

机器学习是专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善优化，是提高信息到知识提炼和知识归纳能力的方法。

根据工信部发布的《工业大数据白皮书》对工业大数据集的定义，工业数据包括了企业信息化数据、物联网采集的数据和外部相关的跨境数据，而机器学习也就成了工业大数据分析和挖掘的主要方法之一。

现代的生产制造过程中的专家系统和模式识别技术已经广泛应用，在视觉识别、自然语言理解、机器人多个学科在制造系统都有融合应用。原有专家系统更多是把业务专业人员的经验和实验数据用规则的方式在系统中定义，然后集成数学规划的算法根据给定条件的找出问题最优解，比如说调度排产中处理多目标的动态规划；而模式识别是根据已经设定的特征，通过参数设定的方法给出识别模型从而达到判别目的，重点解决数据变化小、业务目标单一的感知问题，比如生产信号处理、图像识别和SPC控制。而机器学习能够采用标准的算法，学习历史样本来选择和提取特征来构建和不断优化模型,使得企业中原有的系统增加了自主学习的能力，解决生产过程中不确定业务，提升系统的智能化水平。

比如在排产系统实施过程中，实施顾问会与有经验的调度人员去确认规则，比如由于工艺约束产品必须排在甲线而不应该排在乙线，由于切换时间更少应该先排A产品再排B产品等等，生产批次最大100个最小40个等等，通过某些专业领域来制定规则集，在系统中通过数学规划方式得出排产结果；而机器学习首先建立调度任务的模型和衡量度量指标，再通过对大量的生产计划最终执行结果进行主因分析提取出影响度量指标的特征，再用模型对生产批次大小的区间这样的规则参数进行调整优化，甚至归纳出新规则来设定生产批次大小的区间，进而达到优化排产系统模型的目的，并且这个学习的过程是持续的，可以根据最新的特征不断调整，而避免了传统的由专家定时去修改规则参数的方式。

03

怎样在智能制造中应用机器学习

将机器学习应用智能制造系统，一种方式是建设的单个系统本身具备机器学习的功能，另外一种方式是建立企业级的机器学习平台，为企业中的其他系统提供机器学习的能力和服务，后一种机器学习平台系统架构可分成数据采集层、源数据层、数据存储层、数据分析层和应用层。

数据采集层主要作用收集机器学习所需要的原始数据，为平台提供学习的数据集。按照RAMI模型，数据采集层主要来源于外部系统、企业系统、工厂系统、车间系统、控制系统、现场设备和智能产品。外部系统主要采集企业上下游供应链数据和与企业相关的外部数据比如竞品分析数据等；企业系统主要采集企业订单、客户信息、库存信息等；工厂系统主要采集主计划、设备台账等；车间系统采集工单信息、质量信息、操作日志、监控视频等；控制系统提供生产过程数据、环境、能耗等数据；从现场设备中采集仪表读数、启停信号等数据；智能制造生产的智能产品能够采集产品运行和维护数据。

源数据层保存从数据采集层获得的数据和信息，采用关系数据库存储已经组织过的信息；实时数据库存储压缩后的时序数据；用文件系统存储日志和视频等文件。另外如果需要机器学习平台进行流计算的实时数据，需要对应用层系统进行改造，把数据直接发送到数据存储层的消息队列中等待处理，这部分可以采用在企业服务总线中添加新的路径降低对原有系统的影响。

机器学习平台可定时把源数据层的数据抽取到数据存储层的值对数据库或对象数据库中，而实时数据库中的数据可以通过主动推送的方式发送给消息队列，文件系统中的文件通过文件提取的方式保存到分布式文件系统中。

数据分析层从数据存储层抽取样本特征，一般采用定时触发的批数据处理方式，比如一个工单结束后或者交接班时，得到机器学习需要的样本，把样本分成训练集和验证集两个部分，采用聚类、回归、神经网络等算法训练模型，再通过验证集对模型进行评估和调整模型参数。

训练并验证通过的模型就可以进行发布，对于通过机器学习得到的预测类模型（推荐模型、分类、神经网络），这类主要在实时性要求高的场景中根据输入反馈预测结果。采用流数据处理监控消息队列或者文件增量得到测试集，再使用模型计算得到测试结果，测试结果反馈给数据应用层使用。比如说通过根据实时的仪表数据推荐最佳的设备工艺参数集进行生产，或者预测质量异常发送给控制系统进行报警停机。这类模型的应用也可以利用边缘计算，把预测模型发布给生产现场的工控系统或嵌入系统中使用。

04

结语

机器学习在智能制造领域应用前景广阔，但是在应用中需要业务分析人员和数据分析人员紧密合作，从业务目标和解决实际问题出发，明确机器学习的分析目标和可行性，本文介绍了一种制造企业可行的应用架构，希望抛砖引玉，为智能制造领域的从业人员提供思路，形成合适企业的最佳解决方案。

科技的进步不断推动人类生产力的提升，从传统的手工制造到自动化、网络化和智能化的生产。今天，人工智能已经成为新一轮产业变革的核心驱动力，尤其在工业领域，机器学习已经逐渐崭露头角，在视觉识别领域和设备健康管理领域的赋能为制造业企业降本增效提供了有力的支撑。但是有能力掌握机器学习技术的企业还是非常有限。国匠学院开设的课程《AI/机器学习技术及其工业应用》将从人工智能、机器学习、深度学习的技术角度进行详细讲解，并结合2个工业领域的案例，指导学员快速导入AI到制造业企业应用。

详情点击：课程| 12.5-12.7《AI/机器学习技术及其工业应用》开始招生了！

文章来源：CSDN

这是e-work记者熊东旭对我的采访，首发于e-work网站和工业互联网前线公众号。

工业互联网作为推进企业智能化转型的重要支撑，已经受到从政府到行业的普遍关注。但当前工业互联网产业的发展处于怎样的状态？工业互联网与智能制造又是怎样的发展关系？

2018年4月，e-works记者采访了中国新一代IT产业推进联盟物联网专家、中国产业互联网发展联盟特聘专家许永硕，请他就当前工业互联网的发展情况以及工业互联网在推动企业智能制造转型过程中发挥的作用进行了分析和解读。

记者:2017年国务院印发《关于深化“互联网+先进制造业”发展工业互联网的指导意见》，您认为《指导意见》的出台对推动中国工业互联网产业的发展有着怎样的意义？

许永硕：首先，《指导意见》准确的描述了工业发展处于关键时期，是互联网创新与新工业革命的历史交汇期，各个国家都在抢抓新一轮工业革命机遇。互联网对工业的影响将会是颠覆性的，工业互联网将促进传统产业升级，催生新生态、新业态、新模式。这个阶段处于换赛道的过程。在传统的工业领域，中国处于追赶状态，换赛道为中国工业提供了难得的改变工业地位的机会，在这一轮的机会中抓住工业互联网换赛道的机遇，发挥中国制造业完善的产业体系优势，利用中国的大市场改变中国的工业格局。

其次，在对关键期的正确理解基础上，为中国工业发展指明了发展目标。预计在本世纪中叶，工业互联网网将全面支撑国家经济发展，工业互联网创新技术能力、产业体系以及融合应用等全面达到国际先进水平，综合实力进入世界前列。为了达到这个目标，国家政策已经明确了具体任务，并在帮助相关执行机构制定具体的发展任务，共同推进中国工业互联网技术和应用发展。

记者:中国工业互联网产业要实现突破式发展还需要破除哪些障碍？就此请提供一些解决建议？

许永硕：当前中国工业互联网产业发展比较热，各方都比较关注，但发展过程中的困难和障碍也很多，主要体现在：

第一，对工业互联网的理解和认识。工业互联网是融合了工业、通讯、自动化、信息化、互联网、金融的综合系统，一方面概念新，另一方面融合性强。这两方面导致现在大部分人对工业互联网的概念、价值、范围都有一定的片面性，从而阻碍了行业的发展。

第二，工业互联网需要产业融合、共建生态，打破传统企业边界。工业互联网平台涉及的技术和应用面非常广，不是一家或几家企业可以完成的，需要更多的行业企业参与进来发挥自己的特长，以融合的形式共同搭建成一个生态。但这里就存在一个问题，要让多家领先企业共同认可一个生态规则是很困难的，也是产业发展的瓶颈。因此，形成企业共荣的生态规则需要在长期的实践中逐步探索和不断完善。

为了打破这两个障碍，当前尤其需要去做的就是加强行业的培训与交流。在培训交流中让企业、个人从多个维度理解和认识工业互联网的本质和价值，逐步形成对产业互联网发展的共识。在共识的基础上选择企业自身的能力护城河，将自身的能力通过服务的形式为生态内企业赋能，逐步迭带出适合未来的商业规则。

记者:您如何看待工业互联网与智能制造之间的关系？

许永硕：智能制造概念上个世纪就已经存在了，但无法普及，制约因素在于缺少一个跨平台、跨领域、统一的大数据平台。这导致，虽然企业有着强烈的智能制造转型需求，但实现难度很大。而工业互联网平台技术突破了大数据的制约，借助于设备的在线联网、跨企业、跨领域的行业覆盖，形成统一的大数据来源，在利用大数据分析实现智能创造。因此，我认为工业互联网是这一轮智能制造的技术基础，而智能制造则是工业互联网对传统产业影响的方向。

记者:当前国家强调要积极推动“互联网+先进制造业”的融合发展，在实践层面，企业具体应该从哪些方面着手推动融合？

许永硕:工业互联网可以对企业的自动化、信息化、智能化三个领域创造价值，不同企业应该根据特点优先选择不同的方向。根据不同领域，有多种产业互联网的入手点。包括：

第一，原材料行业做产业整合，着手点可以是供应链金融，也可以是物流能力；

第二、设备制造商的产业整合，着手点是设备联网、设备的MRO经验；

第三、工业消耗品的产业整合，着手点是产业的数据目录和渠道能力；

第四、终端消费品行业的产业整合，着手点是终端用户的入口和设计。

当然，所有产业平台成熟后，金融、数据、规模效应都会创造巨大的产业价值。

记者：e-works粗略统计，目前表示能提供工业互联网平台服务的厂商已超过100家，在您看来判断工业互联网平台标准有哪些？

许永硕：我认为，对于根据工业互联网平台的赋能不同可以大致分两类，即技术赋能的工业互联网平台和产业赋能的工业互联网平台。技术赋能的工业互联网平台，其核心是降低在工业互联网平台上开发生态企业降低开发门槛。而产业赋能的工业互联网平台，则能够将行业应用、产业标准、最佳实践通过服务的形式为产业内企业创造价值。基于这两点，我们可以对照分析当前工业互联网平台的服务类别。

记者:请分析一下当前制造企业对工业互联网的应用需求主要体现在哪些层面？

许永硕：基于我对制造业的理解和行业经验，我认为当前制造业对工业互联网的关注点和应用主要集中在以下四个层面：

第一，供应链透明化。供应链体系内（包括上下游，企业内）设备、物料、人的信息的实时可视；供应链体系内历史状态的追溯，根据历史大数据汇总出来的模型；以及供应链体系根据当前数据以及经验模型对未来状态的可视（比如需求预测，可提供未来产品可承诺订单量ATP）。

第二，汇总的数据以及模型，根据实时的状态数据提供的服务，为企业赋能。比如在人力密集型企业，现在最缺的是能做好排产的车间主任或者厂长，不同水平的厂长排产可以决定工厂的效率，为了保证排产的一致性，借助APS工具的赋能，让没有经验的的排产人员借助APS工具可以实现优秀的厂长的排产水平。

第三，质量控制，在生产制造上，借助工业互联网，可以在更大范围实现闭环，提高产品质量管理水平，提升产品质量。

第四，优化产品设计环节，将产品设计、产品生产、产品使用环节信息打通，将最终用户的使用信息反馈到产品设计部门。

记者:对于推进工业互联网平台的规划与实施，您认为应该重点关注哪些问题？

许永硕:首先要考虑企业本身的能力以及对产业的洞察力。工业互联网平台是垄断型，需要通过规模效应、汇聚效应创造价值的，平台型企业的价值巨大，所以平台型企业的竞争异常激烈。在平台初创期，要能够洞察产业的趋势以及痛点，通过解决行业痛点，击穿设备或者用户量，进而成为平台。其次，对厂商而言，在发展工业互联网平台时，需要考虑工业互联网平台上提供的服务，是否有客户愿意买单？如果有企业愿意付钱采购这个服务，说明是创造价值的。通过价值创造的服务，为产业赋能。

记者：如果让您选择几家工业互联网平台厂商做点评，您会关注哪几家？

许永硕:我接触和了解较多的工业互联网平台有PTC Thingworx、IBM Waston、西门子MindSphere、用友精智、汉威电子物联网。具体来说：

1、PTC Thingworx。是我接触最早的工业用的物联网平台，最近PTC将ThingWorx定位为工业创新平台，更多强调ThingWorx是一个技术平台。基本实现互联、建模、分析、体验的综合能力，能为行业合作伙伴提供广泛的平台开发支撑能力。同时整合了Axeda的管理经验，一直都是工业互联网平台的标杆企业。

2、IBM Waston。拥有通用软件能力，特别在认知计算（大数据处理能力）方面有着非常领先的技术实力。不仅能支持结构化数据的分析，也能支持非结构化的应用场景。特别适合于上下文关联性比较强的应用场景。IBM Waston不仅可以为工业互联场景提供数据采集和分析服务，还能应用于更高级别的人工智能。

3、西门子 MindSphere。作为工业自动化领域的巨头，西门子将丰富的行业经验转化为工业互联服务能力。作为工业自动化软硬件设备提供商，西门子深刻理解设备的技术、功能和特性，建立了诸多行业工业标准。作为制造企业，西门子也深刻理解工业企业的管理特点和业务需求。正因如此，MindSphere才受到制造企业的广泛关注。

4、用友精智。最早我是做企业应用软件开发、实施和管理的，因此我对企业管理型软件比较关注，随着智能制造和工业互联网的发展，用友推出了精智工业互联网平台引起了我的高度关注。用友基于服务制造企业的行业积淀，提出了5层架构的全局化智能制造解决方案：在基础平台iuap上，构建智能互联的智能工厂，同时向上接通企业智慧管理体系，与产业链上下游互联，最终企业所有数据汇聚云端实现智能分析与决策。

5、汉威电子物联网。这是一家从传感器起步的企业，目前已经向下游延展仪器仪表。其产品主要用于智能家居、智能交通、智能安全以及燃气、石油等行业危险气体安全监测领域，作为国内制造企业做工业互联网的一个典型企业，汉威电子在物联网的发展真在引起我的关注。

许永硕：中国新一代IT产业推进联盟物联网专家，中国产业互联网发展联盟特聘专家，廊庭（北京）科技创始人。熟悉信息化、自动化、物联网三个智能制造的关键领域。十余年企业应用软件开发、实施、项目管理经验，5年物联网行业经验，对物联网发展趋势的判断多数都得到了验证；了解自动化行业，为西门子工业撰写了2013-2014的典型案例。著有：《中国制造新起点：服务业革命开启服务业文明》

前言

智能制造管理的优势

智能制造管理模式，突出了知识在制造活动中的价值地位，而知识经济又是继工业经济后的主体经济形式，所以智能制造将成为影响未来经济发展过程的制造业的重要生产模式。

01公司介绍

核心价值观与经营理念

做好每一个项目，留住每一个客户。立足于长期合作，实现可持续经营。

成为国内最专业的软件服务商

软件服务引领者

1999年创立，位于先进制造业聚集的苏州园区，拥有200多名员工，拥有80多项软件著作权的高新技术企业；向超过1000+制造业客户提供信息化服务，是国内一体化管理软件的领先者；是国内唯一的，拥有自主品牌的，制造业管理软件服务提供商。

研发理念：

专注于制造业引领智能制造开放与世界互联互通

服务模式

将客户、顾问、普实利益捆绑，驱动顾问提高服务质量，确保项目成功，并不断推动客户持续提升。

项目化服务能力

超过70人次通过了由美国项目管理协会(PMI)发起的，严格评估项目管理人员知识技能是否具有高品质的项目管理专业(PMP)资格认证考试。

持续改善的实施

实施理念：

总体规划分布实施持续改善

02系统概述与应用架构

系统架构

产品结构模型是在标准三层客户/服务器体系结构的基础上，通过增加 Internet/Intranet层，构建的多级体系结构。

一体化设计

基于一体化设计理念系统，结合移动互联网设备，实现了全业务流程、全员参与、全天候、无纸化的高效连接和协同办公。

柔性与可扩展设计

强大、便利、无损升级的二次开发机制，配备了专用的二次开发工具，主要由数据库、应用程序配置、数据录入交互界面、数据查询分析界面、企业流程定义、用户体验、EDI数据接口等七方面构成。

集团化应用架构

满足制造业集团化、多元化、智能化与供应链互联互通的发展方向和趋势。

基于互联网架构

基于高可靠、数据安全、硬件兼容、移动互联的网络架构。

03ERP系统功能介绍

财务管理

总账管理与系统的其它业务模块完全集成，通过自动分录工具抛转凭证，以实现与存货、应收应付、现金银行、固定资产、成本数据等完全匹配。

常用分析：

资产负债表现金流量表利润表科目账出纳账核算属性账财务分析

人力资源管理

HR系统将人力资源管理过程数字化，并结合知识管理、办公自动化、项目管理等技术，将人力资源管理提升到更高的管理层次。

常用工具：

人事管理招聘管理成长发展排班考勤绩效管理薪资计算

物料采购管理

按分类设计不同的采购模式，有助于降低采购资金和仓储占用，满足生产需求。

常用分析：

材料库存状态表

物料呆滞缺料表

采购订单跟踪表

供应商交货及时率

供应商供货合格率

应付款付款计划表

应付款欠款账龄表

产品销售管理

销售管理包括从客户订单开始、到仓库的发退货管理与财务发票收款形成管理闭环。

常用分析：

产品库存状态表

产品呆滞超期表

销售订单跟踪表

订单交货及时率

订单供货合格率

应收款收款计划表

应收款欠款账龄表

物料仓储管理

仓储管理的有效性，直接影响计划、采购、生产和财务工作的开展和绩效表现

常用分析：

库存状态表

物料呆滞表

物料批次库存表

物料库存余额表

物料存货周转率

物料分仓库存表

物料盘点统计表

物料需求管理

物料需求计划是一个综合运算系统，主要根据需求计划和库存状态，计算还需要生产多少？什么时候生产？还需要采购多少？什么时候采购？

主要功能：

BOM清单及版本

工艺路线及指示

工程变更管理

MRP日视图

MRP周视图

MRP规划调整向导

MRP规划下达向导

生产车间管理

车间是制造业管理的重点，价值增值的主要部门，围绕人、机、料、法、环等关键要素，进行数据采集和关键绩效指标的统计分析。

常用分析：

生产订单跟踪表

车间WIP在制表

车间工序分析表

车间工序计件统计

生产订单材料损益

生产订单工时损益

生产订单成本分析

质量管理

普实AIO7.5集成质量管理的基本功能，保证企业更好的实施质量保证和质量控制，快速反馈质量缺陷，及时做好质量纠正和预防改善措施。

04车间制造执行系统（MES）

ManufacturingExecutionSystem

MES是制造企业车间执行层的生产信息化管理系统 。

MES解决制造业的痛点

MES主要功能

简要说明：

为了生产出高品质的具有国际竞争力的产品，引入MES实时监测、控制、统计、分析各个生产环节的细节，达到精益生产。

工位机联网

简要说明：

1 支持多种（1070CK、MT800、工业电脑）工位机

2 通过刷卡或条形码流程卡过数

3 1070CK可外接条形码枪、MT800自带RFID读取

车间看板展示

准时生产方式的看板旨在传达：“何物，何时，何处，计划、进度等信息”，而使生产过程中的物料流动顺畅。

常用看板：

工序流量表

日均工序净流量

工序在制存量表

模具实时状态表

工序调度排程表

生产质量状态表

订单进度状态表

生产自动排程

新型排产应用鼓绳约束理论，以瓶颈工序资源为突破口进行排产，前拉后推至全流程，快捷灵活。

简要说明：

根据订单交付和生产能力，基于资源约束的优化排程，以瓶颈工序资源为突破口，准确预估产品交付日期。

工艺SOP发布

利用工位联网设备，随时获取产品加工图纸、工序工艺说明，及时获取设计变更通知。

简要说明：

现场查阅CAD图纸

查阅标准作业指导书、操作视频等

设备模具管理

通过对设备、模具状态数据的采集、统计分析，加强设备模具管控，提供设备综合利用效率。

常用看板：

Andon统计分析

设备运行状态

模具使用状态

设备OEE统计

设备安灯系统

设备安灯系统，旨在快速反馈设备故障，及时跟进维修，以及相关的设备文档和维修绩效统计。

主要功能：

故障登记与呼叫

设备维修履历

设备维修登记

设备文档

备件库存

质量统计系统

通过对产品检验项目的检测数据采集，实时反馈产品生产质量状态，检测质量波动和异常预警。

常用看板：

质量目标

不合格品统计

最近检测数据

质量追溯

统计分析

05OA协同功能介绍

OA-ERP一体化

一体化设计的ERP+OA系统，结合移动互联网设备，实现了全业务流程、全员参与、全天候、无纸化的高效连接和协同办公。

实施理念：

总体规划

分步实施

持续改善

岗位桌面

根据不同工作职责及授权，自动将紧急的、重要的、未清的、订阅的、计划中的事项推送到首页。使自己的工作一目了然。

财务KPI：

盈利能力

成长能力

运营能力

营业利润

杜邦分析

移动办公

集成手机APP，实现跨部门、跨地域、移动化的协同办公，随时随地的完成审批、查询、通知、公告、知识管理等。

审批工作流

只需在电脑或手机上填写表单，上级审批者可以根据需要修改、跟踪、管理、转交，代替手工纸质签核，提高了效率。

文档管理

用于公司文档的集中存储管理，支持ERP表单进行附件关联，实现文档的业务高度关联和快速检索，大大提高了文档使用的便捷性和安全性。

主要功能：

文档结构

文档授权

断点续传

文件检索

使用日志

企业社区

创造长期的成长和改善，建立以员工成长和企业创新为基础框架的学习型组织，建设以知识积累和经验分享的信息化平台。

06SCM系统功能介绍

CRM客户管理管理

CRM与ERP集成， 利用信息技术以及互联网技术来协调企业与顾客间在销售和服务上的交互，提升其管理方式。

主要功能：

我的客户

商机管理

计划活动

费用管理

日程管理

供应商协同

供应商在线平台支持在线的订单报价、确认、送检、送货、退货、对账等，以及消息通讯。

防伪追溯和售后

应用数码伪码技术、二维码技术，利用微信扫一扫，实现产品信息、防伪验证信息的查询。

数码防伪：

利用概率随机原理，结合在线防伪查询技术，可以有效的避免仿冒、仿制和串货，维护市场和消费者合法权益。

产品售后服务

以客户需求为关注焦点，通过有效的售后服务管理和快速反应，提高顾客的满意度。

心志坚，行致远

Ready for your future , Ready for your industry！

2017年5月17日国务院召开常务会议，指出下一步深入实施《中国制造2025》，把发展智能制造作为主攻方向。

扩大试点示范城市（群）覆盖面，选择20至30个基础条件好、示范带动作用强的城市（群），继续开展“中国制造2025”试点示范创建工作，以试点示范推进《中国制造2025》深入实施。

面对国际产业竞争形势、国内经济转型的改革需求，我们认为下一阶段最重要的风口在“智能制造”。2017年智能制造试点正在申报中，值得市场关注。

一 、下一阶段最重要的风口在“智能制造”

落子智能制造， 紧跟全球发展竞争形势。前三次工业革命都有明显的标志，如蒸汽、电力、可编程计算机，第四次工业革命已经到来，以互联网产业化、工业智能化、工业一体化为代表，各个国家都尝试定义。

美、德先后于2012年2月、2013年4月推出工业4.0、工业互联网等先进制造业战略计划，其实质即是智能制造。我国为了适应全球经济发展新形势，也适时提出了中国制造2025、互联网+等一系列战略计划，因为智能制造可能成为我国在此次技术创新竞争中实现弯道超车的契机。

第四次工业革命带来的智能制造对我国影响巨大，一是7000-8000万产业就业人群；二是大量制造业产品出口；三是涉及我国军事安防，以上均需要未来的互联网和工业融合的智能制造来实现。如果错失紧跟这一轮工业革命的步伐，对整个国家的发展有较大的影响。

互联网进入工业化第二阶段，未来十年发展方向具有确定性。互联网来到中国，首先进入的是第三产业，迎来“消费互联网”的黄金15年，其间产生了阿里巴巴等重量级企业。现在工业4.0到来，实际上即宣布互联网开始进入工业，这是互联网产业化的第二个时期。

2013年全球的第四次工业革命迎来战略升级，目前中国有450万制造业企业，这些企业在未来10年或20年，至少有20%的企业要转型成自动化、智能化生产，一个数以十万亿计的市场正在缓缓展开。

供给侧改革初现成果，制造业升级正当时。自2016年中央经济工作会议明确提出深化供给侧结构性改革以来，推进“三去一降一补”任务已有实质性进展，产能过剩、库存过大、杠杆偏高、成本高企、短板约束等重大结构性失衡问题均有所破解，为经济转型升级扫清障碍、蓄积动能。

中国经济注入新动力无外乎两种途径：一是将经济增长由投资导向型逐渐转向消费导向型，目前“消费互联网”已有所发力；二是提升制造业的水平，让制造业重新成为驱动中国经济的核心力量。

过去制造业由于加工贸易和中低端商品加工并不要求技术和创新，中国制造业水平并未随经济总量一同攀升，同时导致大量高附加值产品依赖进口，由于无法输出高附加值产品，我国高端制造业中只有少数领域有企业能够在世界立足。

当下时点，传统资源型工业领域进行供给侧改革已初现成果，此后的经济动能培养将逐步提上重要日程，2017年5月17日国务院召开常务会议，指出下一步深入实施《中国制造2025》，把发展智能制造作为主攻方向。

二 、产业链及细分行业重点梳理

智能制造体系是基于新一代信息技术，贯穿设计、生产、管理、服务等制造活动各个环节，是先进制造过程、系统与模式的总称。

其中智能制造过程是指通过自动化装备及通信技术实现生产自动化，并能够通过各类数据采集技术，以及应用通信互联手段，将数据连接至智能控制系统，并将数据应用于企业统一管理控制平台，从而提供最优化的生产方案、协同制造和设计、个性化定制，最终实现智能化生产。

智能制造发展需经历自动化、信息化、互联化、智能化四个阶段。智能制造发展需经历不同的阶段，每一阶段都对应着智能制造体系中某一核心环节的不断成熟，分为四个阶段。

分别为自动化（淘汰、改造低自动化水平的设备，制造高自动化水平的智能装备）、信息化（产品、服务由物理到信息网络，智能化元件参与提高产品信息处理能力）、互联化（建设工厂物联网、服务网、数据网、工厂间互联网，装备实现集成）、智能化（通过传感器和机器视觉等技术实现智能监控、决策）。

我国目前仍处于“工业2.0”（电气化）的后期阶段,“工业3.0”（信息化）还待普及，“工业4.0”正在尝试尽可能做一些示范，制造的自动化和信息化正在逐步布局。

1. 自动化生产线集成

国内系统集成商正在崛起。系统集成方案解决商处于相对于智能设备的下游应用端，为终端客户提供应用解决方案，负责工业机器人软件系统开发和集成。目前我国系统集成商多是从国外购买机器人整机，根据不同行业或客户的需求，制定符合生产需求的解决方案。

业务形式主要以大型项目（关键设备生产线的集成，如机器人工作岛）和工厂的产线技术改造为载体，对现有设备进行升级和联网，提供工业控制、传动、通讯、生产与管理信息等方面的系统设计、系统成套、设备集成及EPC工程等服务。

在系统集成应用领域，外资系统集成商包括ABB、柯玛、KUKA等，国内领先的系统集成商包括新松机器人、大连奥托、成焊宝玛、晓奥享荣等。

应用市场主要集中于汽车工业，市场规模已超百亿。目前国内智能制造系统集成领域，大部分集中于汽车工业，2016年国内机器人下游应用领域中，占比最大的是汽车制造（48%），其次是3C制造（24%）。

根据中汽协数据，2015年汽车整车、零部件制造业固定资产投资额分别为2724.16 亿、8685.49亿，若按整车及零部件行业机器人占固定资产投资额比值分别为1%、0.2%来估计机器人本体市场规模，并在此基础上估计系统集成市场规模，则2016年系统集成市场空间就已达134-178亿。

中投顾问产业研究中心预测显示，至2020年系统集成规模有望接近830亿，2016-2020年期间复合增速可达20%。

其他应用领域不断扩围。随着国内自主品牌整车企业的崛起，近年来国内系统集成企业份额开始不断提升，机器人产品认可度的不断提高，系统集成应用领域也扩展至一般工业；

根据中国机器人产业联盟的数据，2016年上半年国产工业机器人应用行业进一步拓宽至农副食品加工业，酒、饮料和精制茶制造业，医药制造业，餐饮业等，较2014年增加6个行业中类、21个行业小类；

其中金属制造业行业和以家用电器制造、电子元器件、计算机和外部设备制造等为代表的电器机械和器材制造行业，在国产工业机器人销售总量中的占比最高，分别占31%和23%，汽车以外其它领域的系统集成正在迅速增加。

2.自动化装备

工业机器人

工业机器人销量得到快速提升。由于人工成本的增加和产业转型升级的需求，我国的工业机器人自2010年始，表现了大幅增长，此后销量增速保持在20%-50%的较高水平。

根据IFR初步统计数据，2016年我国工业机器人销量已高达9万台，较2015年增长31.28%，显著高于全球工业机器人14%的销量增速，其中中国工业机器人销量占全球销量比重以达31%，我国工业机器人的需求有了显著增长，成为全球的重要市场。

目前工业机械人需求仍高度依赖进口，每年的进口量往往高于当年销量，但2015年数据已显示进口量4.67万台低于当年销量的6.85万台，可见我国自主生产的工业机器人也逐步得到市场的认可。

我国工业机器人密度仍偏低。从工业机器人的普及使用情况看，截止2015年我国每万人拥有工业机器人的数量已升至49台，虽然仍显著低于全球每万人69台，但较2011年我国每万人10台已有显著提升，目前水平已接近2010年时全球的每万人50台。

2013年工信部曾下发《关于推进工业机器人产业发展的指导意见》，提出到2020年机器人密度达到100。由此预计，截止2020年，我国工业机器人有50万台的需求空间，按照年均10万台及均价10万/台来估算，在不考虑出口的情况下，国内工业机器人本体的市场空间未来5年每年保守估计均有100亿。

行业发展主要受制于重要核心零部件 、工控系统依赖于进口。工业机器人的核心零部件主要包括减速器、伺服系统、控制系统三部分，对应着执行系统、驱动系统、控制系统，多轴工业机器人的成本中分别占比分别为36%、24%、12%。

其中减速器成本占比较最大且对精度要求高，而全球减速器行业集中度较高，目前基本被日本的纳博特斯克（Nabtesco）和哈默纳科（Harmonic Drive）所垄断，全球市场份额超75%；控制器方面，复杂高端工业机器人的控制器对进口依赖较高，中低端机器人的控制器国内基本能够实现自给；

而伺服电机的技术门槛相对较低，与国际差距相对较小，目前国内部分企业已能实现自给，如埃斯顿、新时达的部分机器人已开始使用自行研制的控制器和伺服系统，但高端市场仍被日本、欧美名企占据，占据近80%的市场份额。

数控机床

目前我国数控机床已有较高产量水平。数控机床是一种装有程序控制系统的自动化机床，该控制系统能够处理具有控制编码或其他符号指令规定的程序，通过信息载体输入到数控装置，经运算处理由数控装置发出控制信号，控制机床动作，从而自动进行零件加工。

数控机床主要用于金属切削和金属成形，从结构上来看，2015年1-10月年中国数控金属切削机床、数控金属成形机床（数控锻压设备）产量分别为19.7万台、2.0万台，同比下降7.1%、4.6%，但仍保持较高产量水平。

根据中国产业信息网预测，预计我国2017年数控金属切削机床、数控金属成形机床（数控锻压设备）产量将分别达到25.3万台、2.76万台，未来五年（2017-2021）年均复合增长率约分别为3.47%、6.33%。

高端数控仍处于起步阶段。我国目前处于数控机床的智能化技术起步阶段，现阶段大部分的数控机床还不具备智能化功能，自主生产的数控机床主要以中低端产品为主，高端数控机床（数控系统）主要依靠进口，2016年我国数控机床进口额约26亿美元。

国内机床行业市场集中度并不高，主要的市场参与者包括沈阳、大连、济南、秦川等机床厂，进口数控机床主要来自西门子、发那科、三菱等外企；数控系统方面，国产数控系统厂家主要为华中数控、广州数控、大连光洋、沈阳高精和航天数控等。

目前这5家数控企业均对数控系统软硬件平台等一批高端数控系统关键技术有所突破，高端数控机床被列入“中国制造2025”目标，到2020年，国内市场占有率超过70% 。

目前该行业的示范效用已取得了一定成果， 由云南CY集团承担的工信部《高档数控车床制造数字化车间的研制与示范应用》于2016年8月通过验收，该项目的关键设备数控化率100%。

3. 工业信息化

工业信息化以工业软件为主，工业软件是指在工业领域进行设计、生产、管理等环节应用的软件，可以被划分为系统软件、应用软件和中间件（介于这两者之间），其中系统软件为计算机使用提供最基本的功能，并不针对某一特定应用领域；

应用软件则能够根据用户需求提供针对性功能，在智能制造流程中，工业软件主要负责从事生产控制、运营管理、研发设计等方面进行优化、仿真、呈现、决策等职能。

全球各类工业软件发展呈较大差异。由于制造企业的不同发展阶段，对工业软件的功能和技术需求也会出现差异，从而导致每一类工业软件在产业发展中呈现较大差异。

根据Gartner统计，2011年以来，全球工业软件市场规模每年保持约6%的速度增长。其中研发设计类软件的重要性有所提升，制造企业在产品生命周期各阶段对仿真软件的应用增多，CAE软件在制造业各领域的应用日益广泛，保持8%左右的增速；

传统管理软件稳步增长，管理软件市场进入成熟期，规模保持平稳上升，增速有所放缓；ERP等相对成熟的市场加快转向按需付费的软件服务模式，在一定程度上影响了行业收入的增长速度。近年来，生产管理类软件市场空间进一步打开，MES软件成为智能工厂多个环节数据交换的核心。

截止2015年全球MES软件的规模达到78亿美元，维持17%左右的高增长率。客户管理和供应链管理软件的高速增长也反映出制造企业顺应“网络化协同制造”的要求，更加重视与消费者和产业链的信息交流。

目前产业格局仍是欧美企业主导。从产业格局看，目前全球工业软件产业主要由欧美企业主导，呈“两极多强”态势，SAP、Siemens在多个领域均崭露头角，而IBM、达索系统和Salesforce在各自专业领域形成了一定优势。

其中ERP软件产业格局相对稳定，SAP和Oracle两家企业占据主导，属于一线ERP软件，Infro、Sage、Microsoft隶属二线；在CRM领域中，Salesforce 占据全球CRM市场第一位，且发展迅速，其成功来自基于SaaS的云服务模式；

CAD产业的主导者是Autodesk和达索系统，且随着仿真、设计技术与先进技术的结合，逐渐出现新的参与者；MES软件具有较强的行业应用特性，与特定的行业关系紧密，需要大量行业领域知识的积累，因此形成不同MES厂家占据不同行业的局面。

国内企业市占比偏低，水平与领先企业有较大差距。在国内市场方面，国产软件企业在研发设计、业务管理和生产调度、过程控制三类软件中均有一定市场份额，但在某些细分领域仍...

“真正的大数据不是有了数据，把这些数据接入之后存起来就可以了，真正要做的事情是智能分析和智能决策，通过在两化融合的基础上构建的智能分析优化系统“工业大脑”，进行相应的智能决策。”

近年来，工业大数据逐渐从概念走向落地阶段，数据基础较好的一些细分工业领域，已经在利用新兴的大数据等技术创造价值。昆仑数据科技公司首席运营官陈晨阐述了大数据如何推动中国工业转型升级、产业变革，以及工业大数据的特点难点，行业中面临的挑战和实施路径。

图：12月26日，清数大数据产业联盟与清华校友总会AI大数据专委会（筹）共同主办的清数思享会系列活动首次在天津武清举办。陈晨在会上做了相关分享。

大数据文摘对本次分享的精彩内容进行了整理，在不改变原意的前提下有删改：

工业革命的关键技术要素是工业大数据。各个产业大国都面临着从传统制造业向制造服务业转型的压力。美国的应对方法是工业互联网革命，德国提出实施工业4.0战略，我们国家提出“中国制造2025”战略规划。美国的工业互联网侧重于用互联网激活传统工业带动产业变革，关键是通过大数据的分析能力实现智能决策。德国4.0的本质是基于“信息物理系统”实现“智能工厂”标准化，”中国制造2025”战略将工业互联网和智能制造两者进行有机的结合。

面对新一轮的工业革命，要以信息化和工业化的深度融合为基础进行智能化升级。真正的大数据不是有了数据，把这些数据接入之后存起来就可以了，真正要做的事情是智能分析和智能决策，通过在两化融合的基础上构建的智能分析优化系统“工业大脑”进行相应的智能决策。这些智能分析与决策离不开原有的信息化系统和自动化系统的支撑，更离不开产生这些数据的实体设备与装备。工业大数据的来源其中一部分是生产经营领域的数据，另外很大一部分则是生产设备和生产出来的高端产品与装备在运营过程中产生的机器数据。基于这些数据集成实体运行所在环境数据，在信息管理系统和自动化系统基础之上，构建具备智能分析优化能的大数据系统 ，达成提质、增效、降耗和控险的目的。

工业大数据可以分为三类，一部分是工业物联网数据，比如生产设备、智能产品、复杂装备24小时不断产生的数据。一部分企业信息化数据，同时还有很重要的一部分数据是外部跨产业链的数据，包括设备在运行过程中所处的环境数据，比如气象数据、地理数据、相应的环境数据，这三种数据合计才能称之为工业大数据。

工业大数据的挖掘就是把工业物联网数据与跨产业链数据以及企业信息化数据相结合，把分散在企业各个角落里的数据进行整合，挖掘这些数据融合所能产生的价值。

工业大数据的特点：多模态、高通量以及强关联

多模态。

在工业系统里数据种类、数据格式以及数据结构非常多，结构关系复杂。一个汽轮机里面会有上万个零部件，一个复杂装备的制造企业，它的数据种类多达三百余种，所以在工业领域里会存在数据多模态特征。

高通量。

即无论是生产设备还是智能装备有可能是24小时不间断产生数据的，我们以分、秒的频率采集数据，在很多应用场合甚至是毫秒级的数据。这些数据的数据量非常大，海量的设备与测点，数据采集频度高、数据吞吐总量大、数据的实时性要求高，呈现出工业大数据的“高通量”特征。

强关联。

真正做一个产品设计的时候，它涉及到学科与专业是非常多的，比如设计复杂装备的时候，不仅仅是涉及到结构分析，流体力学、声学、动力学、电磁辐射等等各个学科的数据都要进行关联。数据之间的“强关联”反映的就是工业的系统性及其复杂的动态关系。

基于工业大数据的特点，工业大数据的数据分析与消费互联网领域里的数据分析是有相当大的差别的。消费互联网大数据的分析对象更多的是以互联网为支撑的交互，工业大数据实际上是以物理实体和物理实体所处的环境为分析对象，物理实体就是我们的生产设备以及生产出来的智能装备及复杂装备。在商业数据里面关注数据的相关性关系，但是在工业领域里面一定要强调数据因果性，以及模型的可靠性，一定要提升分析结果的准确率才能把分析结果反馈到真正的工业控制过程中。

工业大数据面临的挑战

企业应用工业大数据面临的技术挑战。企业普遍面临数据基础薄弱的境况，企业收集的数据不够，甚至没有数据。企业真的要在数据转型有战略上的调整，它才会有较大的投入，如果它没有这种战略规划的时候，很难负担得起专业数据人才的成本。市场上也缺乏工业大数据所需的复合型人才。另外每个工业领域里都有独特的知识领域和机理形成的行业门槛，没有一个普适性的解决方案可以在工业领域里通用。行业解决方案，只会对某一个行业才能发挥相应的价值。

企业应用工业大数据面临的管理挑战。很多合作伙伴或者客户初期并不知道数据和业务问题之间怎么关联，怎么和业务结合都不清楚，不知道数据到底能不能解决业务问题。有的企业有应用工业大数据的愿景，但是业务与工业大数据的实施路径都没有统一。

大数据不仅仅是物联网数据采集与存储，包括数据的管理、分析与反馈，需要在数据生命周期内构建一个闭环系统，构建这个闭环需要一个过程，不可能一蹴而就。同时，大数据的应用会涉及到企业内部管理流程和经营理念的变革,工业大数据是把工业领域内三类数据进行融合应用，真正发挥大数据的价值的场景不仅是智能制造，同时也包括产业互联网里业务模式创新，所以相应的经营理念和管理机制都要发生变革。这是企业在管理方面面临的最大的挑战。所以有时候大家会看到，工业企业的大数据应用甚至都不仅是一个企业的CIO所能牵引的，这需要整个企业在战略层面去推动，要有明确的数据驱动的业务战略规划。

工业大数据的业务落地

通常来讲，在与企业规划工业大数据业务落地可以从两个维度与企业一同进行思考。一方面是从业务驱动角度来看，要思考企业的整体业务目标是什么，为了实现这个业务目标要做什么样的转型以及哪方面的能力提升，具体的业务提升和转型方向是什么；为了实现业务目标，理想的业务流程是什么，如何让这个流程跟数据流进行相应的结合和映射。这是一个由上而下的思考过程，是企业的高层管理者、战略管理者进行思考并牵引，通过中间管理层完善与丰富，最后落地实施的过程。很多时候大数据应用确实可以解决业务问题，但也可能解决不了所有的业务问题。大数据应用真正帮助企业的不仅仅是在于具体业务问题的解决层面，它是要让企业构建对数据驾驭的能力，当企业具备了这种能力后，才能够真正让企业在内部的生产管理、对外的经营模式上产生变化，真正形成持续的创新与应用的能力。

如何利用数据进行驱动。第一是去看现在手里有什么样的数据，这些数据从哪儿来，如果没有这些数据要怎么收集，以及这些数据的特点到底是什么，是时序数据、时空数据、智能产品产生的数据、生产设备产生的数据，数据量到底有多大；第二是对这些数据有了了解以后，这些数据怎么保存、管理、使用，另一个比较重要的则是数据质量怎么保证。第三是用什么样的系统、什么样的工具保证数据存储、数据管理、数据处理？同时这些数据到底如何进行集成、关联，不仅仅要把设备产生的数据拿来进行分析管理，还要在分析过程中关联周边的环境数据、地理数据等跨界数据。

工业大数据价值实现的场景

工业大数据应用场景主要可以归纳为两个场景，一个是围绕制造全生命周期的业务创新即先进制造，通过大数据驱动的创新产品设计、智能制造、智能服务，实现“提质、增效、降耗、控险”，达到提升企业在行业内竞争力的目的；另一个是产业互联网新业务创新（制造+互联网）：以智能联网的工业产品为载体承载服务产品周边生态系统的产业互联网业务，达到开创新兴市场和业务模式的目的。

工业大数据应用案例

工业大数据在工程机械领域应用案例。

工程机械设备大都在野外作业，作业环境恶劣，作业工况复杂。基于工程机械大数据解决方案实时监测设备状况，实现对设备的预防性维修及服务，在设备发送故障前，主动预警并触发维保方案， 基于设备运行状况大数据分析，为企业带来新的决策创新-助力企业准确判断市场热度、实现产品精准营销、产品改进和企业风险管控。

工业大数据在风电领域应用也体现出巨大的价值。基于工业大数据分析平台，从故障预警、运营优化等方面着手挖掘大数据价值，取得明显成效。风机的设计/仿真数据、运维档案、风机状态监测数据、测风塔观测数据、气象数据、地理信息等风电数据资源池统一整合到工业大数据分析平台，通过装备智能化、供应链协同、跨生态整合三条路径，逐步实践风电装备制造的数字化升级。在既有业务提质增效的基础上，进一步驱动产业互联新业务。

制造业是一个国家综合国力最重要的表现，在国民经济中占有重要份额，也是决定民众生活质量的重要条件。在经历了21世纪初的互联网泡沫和2008年全球经济危机之后，世界各国，尤其是发达国家都意识到，制造业是推动科技创新、经济增长和社会稳定的重要力量，成为各国发展和转型的机遇以及形成新竞争力的战场。

美国人之所以认为未来智能工业的发展必然从生产制造端转变到消费端，并且提出“工业互联网”的理念与“国家制造业创新网络计划”，是因为互联网与商业模式创新是美国的强项。德国在制造业的核心优势是装备制造业以及生产线自动化，通过配置和自控的优化系统使得工业生产全自动化，所以德国工业4.0的实践关注销售、服务能力的提升。虽然角度不同，无不围绕着制造业这个核心展开。

服装智能制造精英俱乐部专家说，中国的制造业在改革开放30多年来取得了举世瞩目的成就，连续几年成为“世界制造力竞争指数”最强的国家，中国已然成为世界制造业的新中心。2015年中，国务院印发《中国制造2025》，部署全面推进实施制造强国战略。配套“互联网+”和“供给侧改革”等多项措施，“智能制造”被定位为中国制造的主攻方向。

一、大数据是智能制造核心驱动力

如何实现智能制造?从哈佛商学院到宾夕法尼亚大学沃顿商学院，有一个普遍的共识，即数字化转型是智能制造实现的途径。更为重要的是，这一共识同样来自众多的世界级制造业企业家们。

这一共识是基于无数技术趋势的融合。例如物联网、信息物理系统技术(CPS)、工业物联网、移动技术、人工智能、云计算、虚拟／增强现实（VR／AR）、大数据分析等。我们一定要保持头脑清醒，不要简单认为有了这些技术，未来五年就是制造业的黄金时期，因为新制造业文化的变革进程是相当复杂、缓慢和艰难的，没有行业与企业与用户的融合推进，这次变革无法实现。数字化转型不仅仅意味着企业简单的数字化，而是把数字作为智能制造的核心驱动力，需要利用数据去整合产业链和价值链。

在过去的3到5年中，上面列出的技术一直都是热门商业话题，单独使用时，其中每一项都能使商业中的一些程序或活动实现数字化。而如果将这些技术融合起来利用，就有可能实现数字化转型。

服装智能制造精英俱乐部表示，数据基本就是两类，一类是人类轨迹产生的数据，另一类是机器自动产生的数据。这两类数据构成了我们今天的大数据多结构化数据源。自工业革命以来，为了改进运营，制造商一直以来都在有意采集并存储数据。随着时间的推移，数据在制造业分析的需求将越来越大。然而在过去的250年间，利用数据的根本动因并没有改变，但数据的复杂性增强，将数据转化为情报的能力将有越来越大的需求。

对于数字化转型的其他方面而言，服装智能制造精英俱乐部给出的大数据定义里面，特别强调大数据是多样化信息资产，大数据不仅要关注实际数据量的多少，而且最重要的是关注大数据的处理方法，让数据产生巨大的创新价值。数据量大还是量小本身并不是判断大数据价值的核心指标，而数据的实时性和多元性应该对大数据的定义和价值更具直接的影响。

如果不投资大数据及大数据分析，从中获得信息，智能制造所追求的卓越运营将功亏一篑。如果通过利用大数据、预测性分析及云技术衡量产品性能只为了解客户需求，这意味着你正在失去数字化转型最大的价值。在工业大数据的领域里，我们除了要继续关心“人为数据或与人相关的数据”，更多的要关注“机器数据或工业数据”与人的行为数据的融合。

二、大数据以及工业大数据的特性

数据本身不会为你带来价值，数据的技术也不会让我们的制造业更先进，数据必须转成信息后才会对产业产生价值。智能工厂通过与环境系统的无缝交互，设备能够有自我意识和自学能力，在未来可以实现更高程度的智能控制和优化控制。目前自学设备还远未达到工业实施阶段。

制造业企业有着大量的数据，从内部而言，积累了大量的内源数据，包括运维、管理、流程、质量等。而在互联网时代，外源数据更多，包括供应商、竞争对手、客户反馈等等。事实上，制造业企业不缺数据，问题在于数据质量低下，采集手段不科学。造成的现象是数据丰富但信息贫乏。目前表现出两大问题：第一是数据的有效利用率很低；第二是缺乏分析能力，需要大量的工具。

由此可见，推动智能制造的并不是大数据本身，而是大数据的分析技术。工业大数据給了我们一个看世界的新角度。通过360度全景的数字视角，可能给我们带来新的优势，这就是它成为创新驱动核心动力的来源。

在智能制造的工业大数据中，数据类型多样性是大数据的重要属性。大量的数据不是大数据，单一的数据类型也不足以构成大数据。人们一直设法收集并弄清楚不断变化的数据类型。在制造业中，大数据分析需要利用通用的数据模型，将库存记录、交易记录和财务交易记录等结构性商业系统数据与预警、流程参数和质量事件、社交媒体或其他协作平台获得的文本信息、图像数据、地理或地质信息等非结构性操作系统数据以及供应商、公共网络数据结合起来，进而通过先进的分析工具发现新的洞见。

三、大数据与智能制造的关系

服装智能制造精英俱乐部专家说，在工业大数据的实践中，宏观与微观、规模与定制、个性与共性必然成为主要的几对矛盾。未来制造业经济是由企业流程以及产业链接口能力所决定的，而机器的能力是基础。

制造业企业在力求降低生产过程中的浪费，提高制造工业环保与安全水平，根据生产状况实现系统自我调整、实现自适应，以及全面服务个性化需求的过程中，都会实时产生大量数据。

在现代工业供应链中，随着大数据应用的普及，我们可以感受到从采购、生产、物流到销售市场都是大数据的战场。大数据可以帮助我们实现客户的分析和挖掘，它的应用场景包括了实时核心、交易、服务、后台服务等。其载体包括手机、传感器、穿戴设备、3D打印机和平板电脑等。传感器数据属于工业大数据类别之一，这些机器数据可以帮助我们找到已经发生的问题，协助预测类似问题未来重复发生的几率与时间，帮助我们保障生产，满足法律法规的要求，提升环保水平，改善客户服务。

因此，利用大数据的工具，通过数据分析和挖掘，我们可以了解问题产生的过程、造成的影响和解决的方式，找到创造附加价值的新形式。利用大数据的工具和思维，帮助制造业实现商业模式的转变，改造和提升客户体验，完善内部操作流程，或许是最佳途径之一。（未完待续）

随着智能制造的强势推进，中国制造业亟需构建自己的大数据分析平台，深入连接用户和工厂数据，驱动产业升级和创新，提升竞争力，占据全球产业链更高端。

制造业大数据不仅仅意味着企业简单的数字化，而是把数据作为智能制造的核心驱动力，利用大数据去整合产业链和价值链。目前来看，制造业大数据基本就是两类，一类是人类轨迹产生的数据，另一类是机器自动产生的数据。这两类数据构成了我们今天的大数据多结构化数据源。随着时间的推移，进行制造业大数据分析的需求将越来越大。

如果不进行大数据及大数据分析，从中获得信息，智能制造所追求的高效智能将无法实现。如果通过利用大数据、预测性分析及云技术衡量产品性能只为了解客户需求，这意味着你正在失去数字化转型最大的价值。在工业大数据的领域里，我们除了要继续关心“人为数据或与人相关的数据”，更多要关注“机器数据或工业数据”与用户行为数据的融合。

事实上，制造业企业不缺数据，从内部而言，积累了大量的内源数据，包括运维、管理、流程、质量等。而在互联网时代，外源数据更多，包括供应商、竞争对手、客户反馈等等。但问题在于：第一是缺乏整合平台，大数据的有效利用率很低；第二是缺乏分析能力，需要高效的大数据分析工具。

作为能从制造业生产现场获取第一手数据信息的MES系统，尤其5G时代即将来临，制造企业向智能制造转型升级时，大数据的需求将空前具大，而MES最核心的功能如下：

数据采集：通过融合消费者与制造业的交易数据，实现智能互联；通过生产线、设备安装传感器获取实时数据，实现智能生产；MES系统可以有效通过汇集生产、设备及外部数据，指导生产、销售、决策。

设备故障监测：具有数据采集、分析结果、用户收益、分析模型汇总、故障预警、设备生命周期、识别并发故障、设备分群等功能。

智能仓储：具有数据采集、分析方法果、用户收益、库存时长分析、短期库存分析、长期库存分析、出入库分析、领料智能推荐等功能。

在未来，推动智能制造的并不是大数据本身，而是大数据的整合和分析，它是成为创新核心驱动力的来源。

编辑：Nisotne乐石