夏沫之夏】：工业大数据的重要性已经业界皆知，但其丰富内容涉及面宽广，数采、存储、传输、边缘计算、主数据管理、数据平台、数据中台、云端一体化、安全等等；以及在不同行业和业务场景呈现差异的众多差异，总之一言难尽。

　　确实，一篇文章很难覆盖上述所有话题，亦不能有效打通整条“数据线”的理解，所以，『工业互联网研习社』在开篇文章（详情： 独家 以数据价值视角，构建工业互联网全景认知“数据线”）之后，以数篇文章形成专门系列，力求在不同层面和环节进行分门别类的分析解读，最终以系统论和全局观来完成对“数据线”的拼图，以此构建『工业互联网全景认知』。

　　在业界专家安筱鹏的描述里，十分强调数据与模型之价值，他认为工业互联网平台的本质是“数据+模型=服务”。

　　“无论是两化融合、智能制造，还是工业互联网平台，都在考虑如何通过‘数据+模型’优化资源配置效率，提供更为优质的服务，并最终把正确的数据以正确的方式，在正确的时间传递给正确的人和机器，以优化制造资源配置效率。”安筱鹏如是说

　　打破“信息孤岛”，拆除“数据烟囱”，实现多源基础数据的按需互通和共享机制，是众多制造型企业从传统企业走向数字化企业的必经之路，是传统决策方式转变为数据驱动的经营管理方式的必然选择。

　　从2018底开始，工业互联网研习社开始关注的“数据中台”及其对业务、产品的支撑价值（详情：当双11“剁手党”来袭，研习社悄然举办“大中台、小前台”讨论），数据治理（建设大数据平台，释放数据价值，从“治理”数据谈起）和搭建方法论（『实施数据治理项目』是数据中心建设的关键，数字化转型的基础）。今天继续延续“数据线”的分享思路。

　　我们发现，一些人士谈工业大数据都是很笼统的谈，结论都是工业大数据驱动工业智能或创新发展等，但对于指导具体的工作还离的很远。在工业互联网研习社看来，要谈工业大数据首先要搞清楚来源和属性分类，否则一股脑的谈实际上什么也谈不清楚。

　　【分类一】：工业大数据即工业数据的总和，我们把它分成三类。即企业信息化数据（离散行业、流程行业）、工业物联网数据和外部跨界数据。

　　【分类三】：从信息的角度还可以分成结构化数据和非结构化数据、半结构化数据（多元异构数据）

　　如此看来，广义范畴的工业大数据包括即企业信息化数据（离散行业、流程行业）、工业物联网数据（设备数据、产线数据）和外部跨界数据（天气、社交等）。而目前业界所谈工业数据（OT数据），主要来自控制系统（DCS、PLC等）和设备传感数据（压力、温度、震动等等）。

　　这个标准以数据为中心，将相关工作分成业务理解→数据理解→数据准备→建模→验证与评估→实施与运行等六个基本的步骤，如下图所示。

　　在该模型中，相关步骤不是顺次完，而是存在多处循环和反复。在业务理解和数据理解之间、数据准备和建模之间，都存在反复的过程。这意味着，这两对过程是在交替深入的过程中进行的，更大的一次反复出现在模型验证评估之后。（详情：《工业大数据分析指南》发布（附PPT解读））

　　本模块内容整理自王建民、郭朝晖、王晨联合编写的《工业大数据分析指南》，如需下载本白皮书，可后台留言

　　从实践来看，业界反馈的难题是数据来源多源和异构，而且数据质量很差，数据的信噪比较低，即使一些擅长数据分析和建模的公司也要花很长时间在数据采集和数据准备上，这样才能得到一些相对高质量可资利用的数据开展建模工作。另外一个难点是，市场上缺乏垂直场景和领域的深厚业务理解能力的人才，很长时间内容还离不开“老师傅”的贴身指导。

　　“由于分析所需的数据横跨五个以上的孤岛系统、且涉及不同部门，工程师需要与不同部门进行沟通，并且切换不同系统以取得数据；而取得的数据格式不尽相同，甚至有些数据为非电子文件，工程师需手动一一将各个脱机数据进行输入、整合、清洗、整理成自己分析所需的格式，如此一来，仅一个问题的数据收集就花费4个小时以上了。”（富士康NPI制造大数据业务痛点）

　　这也说明，目前工业数据分析和价值释放仍处于非常基础的阶段，需要不断夯实数据采集基础和能力，推进数据质量守护工程，然后就按照CRISP-DM逻辑循环展开了，在反复验证中增进分析能力。

　　纵观目前各行业的典型应用，工业大数据建模与分析的应用场景主要包括：预测性维护、半监督学习、产品追溯、数据驱动的能源管理等。

　　预测性维护是通过对设备状况实施周期性或持续监测，基于机器学习算法和模型来分析评估设备健康状况的一种方法，以便预测下一次故障发生的时间以及应当进行维护的具体时间。预测性维护是以设备/装备的状态作为依据的维护，状态监测和故障诊断是基础，状态预测是重点，维修决策得出最终的维修活动要求。

　　预测性维护技术的有效运用，将极大地改变高价值设备类厂商（如风电设备、医疗设备及工程机械类公司）设备维护与生产的战略，也将推动其服务供应商商业模式的转型，在国内比较多见，也很活跃。

　　关于具体设备场景方面，涉及行业和产品设备主要是发动机、机车、风电、工程机械、发电设备、工业机器人等高价值设备；在技术迁移方面，预测性维护技术的扩散一般遵循从高价值设备向中低价值设备转移，要兼顾技术性和经济性才能把握好扩散节奏，技术服务商才能在兼顾长远利益和当前利益中获得成长机会。

　　这是目前以数据分析维度和应用覆盖范围两个维度展开的框架分析，从数据价值挖掘来看，分为描述——诊断——预测——洞察，四个环节渐次递进，目前大部分场景以监控和诊断为主，部分场景可以达到“预测”层次。

　　从应用范围和场景来看，在设备/工艺/产品、管理/流程及更大范围的产业/资源，皆以开展实际应用，这种应用导向以主体企业所占据行业产业价值链的角色为始发点，不断进化的。

　　以汽车油漆车间积漆问题状态监测场景为例，积漆，是油漆间产运营过程中始终存在但发位置不确定，产时间随机，看似问题，却存在潜在巨影响的故障问题。

　　通过大制科技收集数据，建立预测性维护模型，明显改变了现状，同时对未来一段周期都具有效益产出：

　　合理化布局各类有针对性的诊断模型， 使得已知关键故障的查全率达到100%，意外停机消除100%从历史数据来看， 各类法利数字化监控与预判的问题， 仅凭每年依旧不可避免的会发 2-3次意外故障，影响很， 每次停机约 4~6 个时， 经济损失约320万~720万；

　　提OEE： 以积漆为例， 周的产过程中， 可减少计划停机铲漆时间45～120分钟， 具备增加30～80台整产量的潜， 整产效率可提空间达0.71%～1.9%（假设100时产量为4200台）；

　　投： 减少维护作3～8次， 减少19%～38%的维护作量， 少降低此项作19%～38%的维护成本

　　工业互联网研习社（ID：junguancha）认为，预测性维护技术所释放的数据价值，以及由此引发的商业模式重塑被低估。

　　主要原因涉及到技术供应方和企业应用方的双边角色，一方面技术带来的直接价值厚度不够，另一方面应用场景的实际更高职务者（甚至CEO）的参与，认知维度要升级，而不仅仅是技术加持的维度。有必要跨越从技术到运营到商业模式的变迁去思考，只有站到更高维度，才能从覆盖和彻底解决低维度的难题。

　　⊙【报告下载】：《工业互联网平台创新发展白皮书（2018）》《埃森哲PPT：“如何系统化做好数据分析”》《工业互联网APP发展白皮书》《工业物联网互联互通白皮书》 《工业数据采集产业研究报告》 《云计算发展白皮书（2018年）》国家智能制造标准体系建设指南（2018年版） 《2018全球数字经济发展指数》 《国务院发展研究中心报告：传统产业数字化转型的模式和路径》

　　德勤《中国人工智能产业报告》 《德勤·2018中智能制造报告》《德勤·人工智能产业报告》《埃森哲技术展望报告2018》 埃森哲《中国企业数字转型指数》 德勤《工业4.0与数字孪生》 《数字化工厂2020》

　　罗兰贝格：《预测性维护报告》 罗兰贝格《工业数字化》 《中国机器人产业发展报告（2018）》 《人工智能发展白皮书-技术架构篇（2018年）》

　　朱森第《中国制造走向智能制造之路》 《基于数字孪生的工业大数据智能分析与实践》

　　《清华孙富春教授：人工智能技术与产业发展》 邬贺铨《从互联网和物联网到工业互联网》 邬贺铨《工业物联网的技术与挑战》 《大数据分析在上汽通用的应用》

　　⊙【独家观察】：智能制造 腾讯战略升级 阿里战略升级 工业互联网 工业互联网App（一） （二） （三） 工业互联网政策 工业互联网理论 工业互联网创业 富士康工业互联网上市 Predix售卖传闻 G7物联网公司 引领智能变革 工业互联网省级行动：浙江样本 工业互联网战略咨询专家委员会 安筱鹏：拥抱“数据+算法”定义的新世界 深度好文

　　⊙【独家专访】：凯文-凯利 汉诺威时间 金蝶徐少春 数字化工厂唐咚 重磅 博世董事会成员施维纳 MES分会理事长沈斌教授 西门子全球CEO凯飒 微软AI研发掌舵人沈向洋 夏淳 宋海涛 独家专访 孙伟国 陈萍生博士（1） 陈萍生（2） 陈萍生（3） 机联网张步翔 大制科技郭云 大数据应用王真震 跨媒介智能专网顾永海

　　⊙【公司人物】：安筱鹏 马云新制造 华为任正非 华为轮值董事长徐直军 华为轮值董事长梁华 牛文文 周其仁 华为CIO陶景文 中海油董事长杨华 万科郁亮 新安集团董事长吴建华 李毅中数字经济 李国飞腾讯观察 《未来简史》作者尤瓦尔·赫拉利 杨叔子院士

　　⊙【拆书专栏】：《平台革命》拆书专栏 第①弹 第②弹 第③弹 第④弹 第⑤弹 第⑥弹 第⑦弹 第⑧弹 第⑨弹 第⑩弹 第11弹 第12弹

　　⊙ 【重磅解读】：《先进制造业美国领导力战略》上篇 下篇；大数据平台发展史(上篇) 下篇 移动互联网十年 日本制造业兴衰启示录 Gartner：十大科技趋势 GE Digital为什么会失败？

　　⊙ 【认知升级】：做正确的事，正确的做事 深度思考 “指数型思维” 陈春花1 陈春花2 陈春花3 曾鸣1 曾鸣2 廖建文1 廖建文2 陈威如平台 梁漱溟思考问题

　　国内较早成立并开展运营的智能制造产业新媒体及内容服务、社群运营机构，聚焦新工业革命与智能时代的价值创造，以“深度影响智能制造进程，守望智能制造产业成长”为使命，聚焦智能制造、工业互联网、工业4.0、数字化转型及人工智能、大数据技术在工业领域的应用。

　　联接产业企业、大学、研究机构、政府、资本等产业核心力量，通过创新和融合力量，打造深度观察、行业洞见、丰富资讯于一体的原创型、产业新媒体平台，凭借有洞见的思考观点，在产业界独树一帜。目前已覆盖工业和制造领域行业人士数万人，总阅读量数百万人次。

　　2018年1月1日，[造奇智能]新媒体独家推出、业界首份聚焦工业互联网领域的高质量实名付费社群——工业互联网研习社。致力于打通工业互联网从资讯→信息→知识→认知→见识的链式通路，助力您的职业发展和机遇把握。同期推出数期工业互联网知识沙龙（付费版），助力社友走出“舒适区”。

　　“研习社社友”遍布上海、北京、深圳、苏州、杭州、武汉、芜湖、郑州等工业重镇，初步构建起覆盖工业互联网平台、工业软件、底层数据采集、工业数据分析、系统集成商、大学及产业资金、产业联盟在内的全国价值网络。