【工业大数据】工业大数据如何成为智能制造的核心动力

工业大数据的重要性众所周知，但究其根本，大数据是手段而不是目的，人工智能也是如此。如果仅仅因为工业互联网的概念很热，企业就要去盲目拥抱工业互联网和工业大数据、人工智能技术，实际上是一个非常错误的观点。

在新一代信息技术出现之前，工业企业已经正常运转了上百年，我们应该清晰地认识到信息技术手段的加入更像催化剂的作用。首先需要明确需要达到怎样的业务目标，可以使得今天已经存在的生产工艺、工业产品、管理方法变得更好。

其实大数据支撑制造业的业务变革最根本的目标就是提质增效，在自动化与信息化基础之上，实现智能化的制造体系。在智能制造的基础上，然后才是打造平台，构建产业生态，与产业链进行更有效的协同，实现工业互联网的乘法式发展。

工业大数据的三个典型应用方向，也是我们实现工业互联网的目标，包括智能装备、服务型制造和跨界融合。第一个层次是设备级的，就是提高单台设备的可靠性、识别设备故障、优化设备运行等；第二个层次更多是针对产线、车间、工厂，提高运作效率，包括能耗优化、供应链管理、质量管理等；第三个层次是跨出了工厂边界的产业跨界，实现产业互联。

工业大数据并不是凭空而来，传统工业信息化一直在进行，我们已经有大量的数据来自于研发端、生产制造过程、服务环节，工业信息化过程一直在产生大量的数据，工业从数据到大数据，其实更多要考虑的是与自动化域数据的叠加，这是数据的两化融合。而在工业互联网时代，我们还需要纳入更多来自产业链上下游以及跨界的数据。

工业大数据有哪些特点？我们总结为"多模态、高通量、强关联"的特性。我们在工业领域总结了约有130多种不同类型的数据，数据模态多样，结构关系复杂。高通量是指数据持续不断地产生，采集频率高，通量大。强关联是指工业场景下的数据有非常强的机理支撑，不同学科之间的数据是在机理层面的关联，而不是数据字段上的关联。

而对工业大数据的分析应用，也不是将深度学习、强化学习的方法放到这里就可以有结果。我们需要获知研究对象的机理模型与定量领域知识，而这在当前基础上前进很困难。我们希望找出数据在输入、输出之间的统计关系，对机理和模型不确定、不清晰的部分加以补足，这是工业大数据应用的基础。

智能制造在不断获得数据的驱动，从智能制造到工业互联网平台，核心都是利用数据和模型，优化制造资源的配置效率。

工业互联网并不等同于智能制造，区别在于数据的跨界和业务的边界上是否有所突破。当下，太多人过于重视平台能力，而真正的工业互联网讲的是生态，资源优化从描述、诊断向预测、决策不断深入，从单机设备、生产线、产业链再到产业生态不断拓宽。

我们的生态如何来构建业务体系，如何跨界，才是工业互联网成功与否的关键。而决定工业互联网发展方向的，一定是业务驱动。我们从一开始就反对拎着一把锤子，满世界找钉子，现在很多大数据、人工智能公司就存在这个问题。

我们需要深入到一个工业领域，造一把可靠的锤子，刚好可以去敲有需求的钉子，业务驱动和问题驱动才是产业发展的本质，而不是技术驱动。将业务、数据理清楚，评估数据，真正实现业务落地，要点就是三个要素的协同——人、场景、算法。