资讯

工业大数据的三个基本问题

igoseo.net   2021年06月21日

  随着云计算,物联网,移动计算,大数据,人工xpj等新一代信息技术的兴起和我国制造业向数字化,网络化,xpj化的持续大力推进,大数据在工业领域的应用引发了制造行业的普遍关注。“数据管理”这个沉寂了几十年的管理领域重新被重视起来,“数据资产化”为大数据厂商,各大企业所津津乐道。但是,大家对工业大数据的理解还存在很多疑问甚至分歧,作为一个普遍缺乏实践的工作领域,还存在着诸多未知因素和风险。为此,本文提出工业大数据的三个基本问题与大家共同讨论。

  工业大数据,为什么会在今天受到如此高的关注?

  首先,工业大数据受到关注是因为互联网发展,大数据首先是在互联网行业得到应用,进而推动了大数据相关技术的发展和成熟,在IT厂商,互联网企业家,政府官员等多方力量的助推下,大数据应用逐步渗透到其他行业,如:医疗,通信,金融,制造业,大数据在制造业的应用,被称为工业大数据。

  其次,工业大数据倍受关注与制造业的数字化,网络化和xpj化的客观事实密切相关。自动化/xpj化的设备,生产单元和生产线,还有xpj化的产品,运行过程中产生了大量的数据,这些数据蕴藏着有价值的信息。例如,GE航空发动机每天提供给监控系统的数据超过1PB,福特的插电式混合动力汽车每小时能生成数据25GB,一台数控机床每年的数据量也可达700TB,而一般企业的PDM,ERP等系统十年所产生的数据量也不过几百TB。

  第三,大数据相关的技术日益发展,拥有成本越来越低。例如传感器技术,通讯技术的发展,获取实时数据的成本已经不再高昂。嵌入式系统,低耗能半导体,处理器,云计算等技术的兴起使得设备的运算能力大幅提升,具备了实时处理大数据的能力。开源技术的生态完整性,也使得构建一个大数据平台的技术门槛越来越低。

  最后,我们看到,制造资源,制造过程和商业活动变得越来越复杂,管理和决策的复杂度也在提升,依靠人的经验和分析已经无法应对如此复杂的商业环境。借助数据,算法和软件代码,可以突破人脑的限制,开展更加复杂的分析,预测,分析和预测的结果可以优化过程,优化产品,优化决策。

  当我们提到“工业大数据”时,它的内涵包括什么?

  人们之所以会对工业大数据这个概念存在分歧,是因为每个人看待工业大数据的视角是不一样的,从不同的视角就会看到不同的视图,显然大家看到和讨论的内容就有可能不一样,分歧也就在所难免了。如果沟通存在障碍,工作推进必然受到影响。因此,本文从多个视角讨论一下什么是工业大数据。

  数据视角。关于工业大数据的范围是有争议的,一种观点认为工业大数据主要指的是设备数据,因为其符合大数据的4V特征。另一种观点认为工业大数据指工业企业的所有数据,包括“大”数据,也包括“小”数据。从现实意义上来说,笔者推荐第二种理解。因为,无论是“小”数据还是“大”数据,都是企业“资产”,实际应用过程中,数据集包含了这两类数据。企业只有将所有的数据看作一个整体,数据资产的价值才能够被充分挖掘出来。从数据视角看工业大数据,可以发现企业数据架构的改进机会。

  应用视角。与数据相关的应用覆盖数据的全价值链,包括:数据提供,数据采集,数据存储与管理,数据分析和数据应用。数据提供类的软件一般为交易型的应用,如:ERP,MES。数据应用类的软件也称之为分析型的应用,如:查询统计,挖掘分析,预测等。从应用视角看工业大数据,可以发现企业应用架构的改进机会。

  技术视角。工业大数据涉及一系列技术的使用,如:数据采集技术,数据存储技术,数据分析技术等,成熟的技术往往已经代码化并封装在大数据相关应用当中,但还有一些技术,特别是与特定行业的特定应用场景相关的技术(如:工程软件的数据获取),还需要研发。另外,要支撑完整的工业大数据应用,必须对软件平台,计算机基础设施,安全体系等进行重新规划,甚至重建。从技术视角看工业大数据,可以发现企业技术架构的改进机会。

  业务视角。从业务视角看工业大数据,有助于发现大数据的应用场景,也就是大数据能够发挥价值的业务领域,从而挖掘出大数据应用的需求,如:产品优化设计,工艺流程优化,设备健康管理,供应链与物流优化,产品运行监控,xpj决策等。工业大数据只有在业务场景中才能发挥价值。从业务视角看工业大数据,可以发现企业业务架构的改进机会。

  推进工业大数据应该从何处入手,注意哪些问题?

  工业大数据的推进工作千头万绪,各项数据工作之间,数据工作与其他工作之间的关系错综复杂,如果没有一个整体的规划,看不到一个完整的体系,就不知道从何入手,就无法合理安排资源投入,还有可能重复建设。下面从推进框架,切入点的选择和注意事项三个方面讨论工业大数据怎么建的问题。

  推进框架。工业大数据相关工作可以划分五类,包括:构建知识体,数据识别与定义,数据集成与共享,数据分析与利用,数据治理。构建知识体的目的是为了统一大数据认知,规范相关术语概念,建立统一语言体系。数据识别与定义的目的是为了摸清数据资产状况,并规范数据。数据集成与共享的目的是打通信息通道,让数据流动起来。数据分析与利用的目的是为了让数据产生价值。数据治理的核心目的是为了保障数据安全,数据质量。

  切入点的选择。工业大数据的工作可以从上述五类工作中的任何一类切入,或者并行推进。既可以选择构建数据治理体系为切入点,以落实组织和职责,建立机制。也可以选择数据模型开发为切入点,以理清数据资产和规范数据。还可以选择某一个业务域开展大数据分析应用,通过应用拉动数据规范化和数据治理。当然,五类工作也可以并行,因为从宏观角度来看,它们并没有必然的次序,只是在具体工作推进时,通常遵循先识别定义,再集成,治理和分析利用的工作逻辑。

  注意事项。工业大数据推进过程中有三个关键问题必须予以关注和解决。一是数据标准,核心是数据模型,只有掌握一套企业级数据模型,并以此为基础对各项应用的数据库进行管控,企业的数据资产才真正受控。二是数据整合,数据只有整合起来,建立数据关联,才能够发挥更大的价值,数据整合的前提是有一套数据标准。三是数据安全,对于军工企业尤其如此,大数据强调数据关联,整合,这势必会显著增加安全风险。为确保数据安全,一方面是充分利用技术手段,另一方面是选择可靠的实施服务提供商。

  来源:腾讯网

标签:工业大数据 我要反馈 
专题报道
2021世界人工xpj大会专题报道

今年大会已举办到第四届,将围绕“AI赋能城市数字化转型”方向,探讨人工xpj技术创新与产业落地的前沿进展,广泛传递城市数字

智·能融合 迈向“碳中和”——2021WAICxpj趋势论坛直播

从技术革新的视角,电气化,数字化,xpj化并举是达成双碳目标的关键所在。2021xpj趋势论坛以“智·能融合,迈向碳中和”为

2021世界人工xpj大会专题报道

今年大会已举办到第四届,将围绕“AI赋能城市数字化转型”方向,探讨人工xpj技术创新与产业落地的前沿进展,广泛传递城市数字

Baidu