“第二届互联网与工业融合创新峰会”于2016年7月28日在北京国宾酒店举办。飞象网作为直播媒体将对会议做全程报道。
中国信息通信研究院信息化与工业化融合研究所 李铮
李铮：各位领导、各位来宾大家下午好。很高兴有这个机会可以跟大家一起分享我们研究院对于工业大数据技术发展和应用的理解。
首先我的今天演讲题目是数据驱动的工业智能。这里面三个关键词我介绍也是围绕这三个关键词展开，第一个是数据。就是我们为什么要谈数据，数据已经成为我们现在媒体上出现次数非常多的词。我们可以看到工业大数据的研究、工业大数据的价值应用体现。第二个关键词就是驱动，我们要探究一下为什么我们现在说数据能够产生价值。这个背后有哪些驱动力量。第三个关键词就是智能我们智能的表现是什么。我们带来的价值什么怎么样去体现。我会从一些简单的案例来跟大家进行一些分享。
首先是第一部分我们来看一下我们现在为什么要这么多的提及工业数据，它的背景是什么。我们融合ITCG数据是带来工业数据的应用创新。大数据已经成为影响制造业颠覆性的技术。近年来我们看到大数据商业的主要推动力量，那现在这个力量传导到工业领域。众所周知德国工业4.0这些政策的提出为重要的背景，都是各国制造业根据他们不同的发展基础，以及他们制造业的优势而提出一个政策特点，而这政策中不约而同作为数据变为技术力量。比如说美国认为大数据三大变革制造技术的之一，德国也认为工业4.0的关键支撑技术。发展也将工业大数据作为未来工业战略的九大核心领域之一。根据全球的一个制造业的市场研究调查显示。超过47%应该说近半数的企业认为大数据将成为未来影响制造业最大的一个影响因素。下面包括了物联网、移动技术等等。那在这里面大数据是排第一位。同时也有49%的企业他们正在使用或者说正在试着使用大数据，去感受大数据为他们带来的价值。
这一现象的出现是伴随着工业的自动化、信息化、以及智能制造这个发展的历程。我们从90年代开始的自动化是我们当时实现了生产管控和组织管理的全面自动化、数字化，我们实现了一些自动化的生产和运营。那在2005年左右，我们开始了信息化阶段，那在这个地方这阶段我们进行了一些生产计划资金运作以及资源配置的局部优化。我们当时提出了丰田的精密制造，在2015前后我们工业互联网智能制造各要素的融合，我们在进行一个全局优化是一个智能制造的一个工业变革的时代。同时融合也意味着这我们的数据在向非结构化的数据融合。在我们发展过程中电子邮件、网页、视频文件以及多媒体都在涌入我们的数据事件，所以说这些也带来我们数据的广度和深度的提升。
融合意味着我们数据的来源多样性。主要来源于产品的生命周期的各个环节，包括市场、设计、制造服务以及再利用的这些环节，都会产生数据。那这边有一项经济学人的报告，这一项报告是在2004年做，当时做了统计，就是把企业使用的数据我们分为13类，包括客户的反馈投诉的数据。财务数据、ERP数据等等。那在这些13类数据中其中有9类管理系统就是供应链ERP等等。那在基于这些数据我们一直在做的商业智能都是基于这些数据进行分析。同时我们可以发现有一些数据也在涌入这些企业的视角，比如说外部传感器的数据，家装到产品当中，我们会带来一些产品的数据，还有联网机器的数据，还有一些机器的操作日志，以及RFID的数据，这意味着我们现在智能制造领域，机器产生的数据已经成为了我们工业领域、应用数据一个重要的来源。
在这里数据来源可以分为三类，一类就是我们现在觉得是一个发展变化最快的一个领域就是机器设备的数据。这里面包括了一些状态、位置以及使用状况的数据。这个数据可以是通过机器、自身的控制系统获得的数据。也可以是根据在加装在传感器的数据。此外还有传统信息数据的ERP等等。同时我们企业外产业外的跨界数据也是不可忽视的数据来源。这些数据本身就具有一个不菲的价值，我们可以用这些数据做一些潜层次的分析，为我们企业、客户和合作伙伴带来一些价值。但同时我们也可以把它们融在一起。当我们这些数据全部融在一起，形成一个很大的弧之后，我们可以更好的利用数据的本身工具。比如说当把这一数据用在描述的数据时，我们捕捉生产状态和运行状态的信息。我们可以去检查故障或者是性能降低的发生原因，做一些诊断性的分析，我们也可以通过这历史数据去预测未来可能发生的状况，甚至说我们可以提出我们如何改进找到这种方法或者改善结果或者纠正问题进行一些决策性的分析。
那在这基础上，我们做的是一个对数据深入洞察。这里面它将会为企业、客户合作伙伴带来一个更大的价值。当然我们这些数据所有做的分析，我们可以反作用于数据来源，我们可以通过一些控制、通过一些优化，我们去优化数据来源。因此我们现在可以说，数据已经成为人才、技术资本之外的企业又一项的核心资源。
多领域的数据融合，也激发的应用创新，这些在工业领域全产业链、全产值链都产生了巨大价值，我们设备的预测性维护可以降低损耗的成本，然后在快速响应领域我们通过客户的需求预测，我们可以实现个性化定制，在一方面我们可以提高我们的货币，同时也能提升客户的满意度。比如说流程优化的领域，我们可以一些虚拟设计，甚至我们把生产数据集中起来，进行一个更加优化的排查。那在这些都对我们的整个应用产生了一些模式的创新，以及可以产生一些更大的价值体现。
我们这一变革是怎么发生的？就为什么我们会认为数据驱动是一个驱动型的力量。这里面我们认为ICT技术在这变革中起了一个重要的力量。ICT技术是对数据四个核心环节，就是数据采集集成、计算和分析。四个核心环节进行了不断的推动和技术创新，从而实现驱动我们的工业智能。那首先在采集环节，采集环节我们认为传感技术的进步，是使得我们数据的采集更灵活，更广泛，以及精准，我们在采集环节一个最重要的作用，我们需要充分掌握、设备、产品资源，或者一些虚拟的数据，并且保证这些数据的实时性和有效性，这些领域我们可以看到近十年来传感技术正在朝着智能化、移动化还有微型化发展。这传感器为我们数据采集提供了一个重要的基础，一方面降低了部署成本，比如说有一些传感器它只仅仅3.6伏的电池就用10年到20年有一些甚至下降了100倍。另一方面传感器技术的进步也带来了我们未来采集的数据更加精准，甚至可以说传感器这一阶段，就可以做到更加职能预判。
比如说APP公司配备了视觉传感器之后，可以通过先进的视觉去引导技术，然后实现对这环境的感知和应变，我们可以收集更多更精确环境方面的数据。可以针对预测性维护和环境监控做一些数据的初步预判那在这里面技术的进步，我们正在解决生产线中采集数量不足，采集类型不全、采集频率不足的一些种种问题。
其次在数据集成环节，网络技术和IT技术的进步，我们驱动整个数据集成体系是日趋完善。这里面主要是通过一些协议转换，实现网络集成、同时也可以面向各种应用实现数据集成，最终我们是把不同的数据来源格式和特征的数据在逻辑或者物理上有机的集中。在此基础上也可以通过数据可视化的呈现，获得数据的全局的试图。那在这过程ICT的技术起了重要的作用，但是不可忽略在技术发展进程中也起了核心的作用，比如说工业网络的协议，这基本上工业进行主导还有一些物联网的协议，通用网络的协议，这一些是ICT技术还有一些行业企业去主导。所以说数据集成日趋完善的过程中，都在技术不断的融合中发挥了巨大的价值。
就是数据计算的环节，数据计算这技术的进步，我们为企业的分析应约，提供了灵活、高效和低成本的提升能力，这一方面是计算，我们都向上崩集中，我们在上层通过云的方式获得这种计算能力的提升。比如说农夫山泉用了SAP先进技术手段，同时云平台也提供了丰富的资源，去灵活的部署计算资源，大大降低了工业企业的一些数据处理成本。但在另外一般方面我们计算能力的提升也有一个向端的发展。这个端点代表有初步计算处理功能的终端和设备的冗现。最终传到我们上层比如说ERP环节更上层我们进行数据的分析。那在现在我们在底层在生产的设备层，我们可以进行一些数据的预判，一些控制终端，可以在本地过滤和管理数据，将有价值的和需要的数据再上传到上层，这不仅能分担计算能力，同时也可以降低一些网络传输的压力。
我们说的数据分析这一核心环节，数据分析主要是基于一些大量的历史和实时的数据，我们可以通过大数据、机器学习、人工智能等技术，持续动态模型，使得应用场景更加丰富。因为这里面应用数据都比较抽象，我们用一个数据来判断，一个很重要的环节它主要是在地面上去人为的制造气流，通过不断的模拟空中各种复杂的状态，可以为飞机的设计提供一些优化的数据支撑这里面是波音公司从80年代开始，它是先开使用一些仿真模型的软件，去取代传统的风动试验，都会耗费巨大的成本，在这一段时间里近十年中我们降低了风动的次数从77次降到18次。这一数据在1995年之后遭遇了瓶颈，因为我们传统的统计分析方法，已经无法再将这次数下降。那在这近两年取得了突破，这主要是我们的数据分析技术又有了新的提升，我们可以用机器学习和算法去优化这模型，最终我们实现了某一个机型分析，结果与实际情况误差1%，同时将这仿真次数占到仅仅只需要一次风动试验就可以完成。
最后我们简单讲几个就是整体供应数据的利用案例，工业数据我们讲不仅是提升企业的运用效率，就是从企业一个微观或者纵观的层面，同时可以宏观到促进发展。第一个是GE推它的解决方案，但同时GE本身工厂智能化水平，分为三个阶段，第一阶段就是把所有的机器连接上，第二阶段我实现数据集成，第三个阶段我通过把机器的数据，信息系统的数据，各类以及外部的数据进行分析。最后它得到预期价值减少停机10%到15%，减少库存30%，减少人力成本14%，缩短交付周期60%，这是一个完整的解决方案，这从全局化的角度发挥价值。
第二个例子是飞机运维零部件，飞机运维零部件的库存，当一个飞机发生故障我们检修非常快的把客户需要的备件送到客户手中，那在这里面他在设立了一个零备件的仓库，同时在新加坡、北京、华盛顿都有仓库网络，尽管有了很多的零配件还是远远不够，他通过零配件的数据还有一些库存的数据。进行了分析优化，建立了一个需求预测，以及库存优化的模型，最终实现库存优化5%。同时他把数据大量的积累之后，又能够进一步进行一个零配件的需求预测，就是通过一个主动式的维修服务，可以预测客户是这零配件大概什么时间换了我可以提前进行库存和采购，提高客户的服务感知。
最后一个例子是一个比较宏观，这是受工信院委托我们院承担了制造强国大数据平台，这平台收集的数据是在国家工业基础上，我们汇集了政府、园区、协会、企业、互联网相关的数据，我们编织了产业前景图重点产业、生产力不足以及一带一路国际产能合作的模块，这些我们收集这些数据，我们利用这些供应领域的数据，可以面向工业企业，建立公共服务平台，也为加强供给侧的结构性改革提供了一个有效的工具。
在未来智能制造的时代，我们认为工业数据会带来越来越多的价值，让我们拭目以待，谢谢。
