从数据资产到工业智能

原载 第一财经 2019-3-12，有删改

数据驱动，已成共识

2017年12月，习近平总书记在中央政治局第二次集体学习时强调，要深入实施工业互联网创新发展战略，系统推进工业互联网基础设备和数据资源管理体系建设，发挥数据的基础资源作用和创新引擎作用，加快形成以创新为主要引领和支撑的数字经济。2019年两会，李克强总理在《政府工作报告》中再次提出，要打造工业互联网平台，拓展“智能+”，为制造业转型更新赋能。

宏观上，大力发展工业互联网，把数据技术和工业转型更新结合，已经成为全国上下的高度共识。微观上，大数据技术的应用已经开始给企业带来实实在在的收益。

星星之火

工业互联网产业联盟2019年2月发布的《工业互联网平台白皮书》显示，工业研发设计、工艺优化、设施维护、质量控制、节能减排等方面的作用越来越凸显。

中国石化对4600个批次的石脑油原料进行分析建模，优化工艺操作参数，使汽油收率提高0.22%，辛烷值提高0.90。中化能源对泵机群、压缩机、蒸汽轮机等装备进行健康管理，实现了设施故障的诊断、预测性报警及分析，设施维护成本每年减少15%。

航天电器建立多种因素与质量关键KPI的关联关系模型，对设施、工艺、检测等数据进行关因分析，不良品率降低56%。山钢集团对跨工序能效数据进行动态寻优，年化能源降本8000多万元，能耗成本降低11.4%。

酒钢集团过大数据分析实现能耗的智能化管理，单座高炉每年降低成本2400万元，减少碳排放20000吨，冶炼效率提升10%。这样的案例还有很多。

可以说，随着这几年工业互联网的不断深入发展，大数据在工业领域的应用获得了令人可喜的巨大进步。然而，我们也应该看到，成功案例依然只是星星之火。由点及面形成燎原之势，任重道远，还需要跨越“缺数”、“低质”、“浅层”、“孤岛”等障碍。

“缺数”

理论上，工业领域的数据应该是非常丰富的，麦肯锡2009年的报告显示，美国的离散制造业是所有行业中数据储量最大的。而我国情况如何呢？根据中国信息通信研究院和工业互联网产业联盟2018年底对国内74家工业企业的调研，我国工业企业的数据资源存量普遍不大，66%的企业数据总量都在20TB以下，还不到一个省级电信经营商日增数据量的十分之一。很多工业企业面临遭遇“数到用时方恨少”的尴尬。

缺数的背后的起因主要是我国工业互联网发展还处于起步阶段，企业数字化网络化程度普遍较低，数据资源的积累尚需时日。而目前工业系统协议七国八制现象非常突出，很多软件系统的接口不开放，也添加了数据采集的技术难度。

“低质”

计算机科学家警钟长鸣：警惕“垃圾进，垃圾出（Garbage in, garbage out）”！数据质量问题是长期困扰数据分析工作的难题。权威数据专家预计，每年低质量的数据会给企业带来10%-20%。工业领域很多时候追求确定性的分析结果，对数据分析的可靠性要求高，因此对数据质量的要求也就更高。美国一直重视数据质量，在1990年代还颁布数据质量法案（Data Quality Act），2016年《联邦大数据研发战略计划》还专门把确保数据质量、提升数据分析可信性作为七大战略之一。

用数据，更要“养”数据。从信息化程度较高的金融、电信、互联网等行业的经验看，假如不展开专门的数据治理，就难以确保数据质量。而调查表明，我国工业企业只有不到1/3的企业展开了数据治理，51%的企业仍在使用文档或者更原始的方式进行数据管理。数据治理，大部分工业企业还需加快补课。

“孤岛”

数据孤岛是几乎所有企业都面临的困境。从单一企业内部来看，存在着不同时期由不同供应商建设的用户管理、生产管理、销售采购、订单仓储、财务人力等众多IT系统，烟囱林立，而要深度推进智能制造，更要打通IT和OT，推进难度非常大，而且越大的企业包袱越重。

从全行业看，发展工业互联网，实现从单一企业内部的局部优化，跨越到整个产业链的全局优化，必然要实现产销与供应链上跨企业的数据流通，这就进一步面临着安全合规、商业模式和技术标准的更大挑战。调查显示，超过半数的企业表示需要使用外部数据或者对外提供数据，仅有2.7%企业觉得不会涉及到数据合作，但数据流通因为涉及确权、安全合规等问题，阻力较大。德国工业4.0计划已经把数据流通作为重点议题。国内促进工业数据流通方面工作还需加快。

“浅层”

大数据在工业领域的作用，纵向可以从三个层次来看：最基础的，是可以根据数据来形容工业产线、营销和企业运营活动的历史与现状；进一步的，可以基于数据预测设施、车间和整个企业的未来状况；最高层次，是根据数据分析结果，绕过人工干预，自动的直接指导企业运作，形成智能化的数据闭环。横向则可以跨越设计、生产、销售、服务等全链条。

但推进情况如何呢？最近，工业互联网联盟对国内外 366个工业互联网平台应用案例进行了分析，40%的平台应用集中在产品或者设施数据的检测、诊断与预测性分析领域，而在涉及数据范围更广、分析复杂度更高的运营管理优化和资源匹配协同等场景中，多数平台现有数据分析能力还无法满足应用要求，还需要进一步推动数据分析技术创新以及实现长期的工业知识积累。工业数据分析的深度还需加快爬坡更新。

数据与数字双胞胎

工业互联网的长期目标，是构建“数字双胞胎”，使得物理世界的万物得以在数字世界重现，通过数字世界里的计算、分析、预测、优化，来指导物理世界的最优化运行。这就要求在物理和数字这对双胞胎之间架设畅通的“大动脉”。数据就是这大动脉里流淌的血液。

只有工业数据越来越丰富、全面，质量越来越高，“数字双胞胎”才能长得像。在这基础上，对工业数据的分析利用，还需要结合对物理机理模型的透彻了解，甚至老师傅几十年积累的经验，不断迭代、走向深入。做好了这些，数据对制造业转型的基础资源作用和创新引擎作用就能真正发挥出来。