大規(guī)模的數(shù)據(jù)應用和平臺架構(gòu)在金融、電信等行業(yè)經(jīng)歷了充分的驗證和演進，加上中國制造2025在政策一側(cè)的催化作用，構(gòu)成了工業(yè)智能拐點到來的先決條件。

工業(yè)一般分為流程工業(yè)和離散工業(yè)。兩者最大的差異在生產(chǎn)的自動化程度、數(shù)據(jù)的可得性和工業(yè)的復雜度，而最大的共性在于，每一個場景都需求各異，進入任何一個細分領域都需要有足夠深厚的行業(yè)knowhow和上下游資源整合能力。

智能，可以理解為數(shù)據(jù)化以及建立于此之上的AI。以產(chǎn)線自動化為始，多源異構(gòu)的工業(yè)數(shù)據(jù)被采集、流轉(zhuǎn)、分析并幫助形成決策和控制，端到端的解決方案就形成了當前行業(yè)player的典型畫像。

為什么是工業(yè)智能?

藍海

工業(yè)尤其是制造業(yè)的GDP總量遠高于零售、金融、建筑等行業(yè)。而工業(yè)領域每天產(chǎn)生的有效數(shù)據(jù)量其實不亞于BAT等互聯(lián)網(wǎng)公司，一個大規(guī)模的工廠每天產(chǎn)生的數(shù)據(jù)量甚至能達到幾十億到上百億條。

壁壘

雖然工業(yè)場景每天產(chǎn)生高頻、海量的數(shù)據(jù)，但是大量的原始數(shù)據(jù)本身并沒有直接意義，且有可能產(chǎn)生大規(guī)模時延和占據(jù)大量帶寬。我們不僅需要在某些場景做實時的監(jiān)控和分析，也需要把更多數(shù)據(jù)采集到云端做更多維和更長期的經(jīng)濟效益及價值分析，這是云計算的價值。而云計算+邊緣計算，這是比傳統(tǒng)消費互聯(lián)網(wǎng)更細的顆粒度和更復雜的架構(gòu)，這也意味著更高的壁壘。

拐點

互聯(lián)網(wǎng)一條邏輯叫做“Copy to China”，“Copy to 工業(yè)”是同樣的道理。大規(guī)模的數(shù)據(jù)應用和平臺架構(gòu)在金融、電信等行業(yè)經(jīng)歷了充分的驗證和演進，加上中國制造2025在政策一側(cè)的催化作用，構(gòu)成了拐點成立的先決條件。

工業(yè)智能的玩家畫像

現(xiàn)階段的用戶需要的不是單個產(chǎn)品，而是端到端的整體解決方案。一個合格的工業(yè)智能公司，應該具備整體解決方案的構(gòu)造能力。

首先，用戶需求永遠是第一位，不滿足需求的技術(shù)都是偽命題。此外，一套好的解決方案從一個完美的架構(gòu)開始。對于工業(yè)場景而言，從內(nèi)、外部多源數(shù)據(jù)的整合開始，到云+端的平臺架構(gòu)，知識庫的建立，合適模型的選擇，再到反向決策和控制，只有完整打通，才能形成閉環(huán)。

整體來說，工業(yè)智能呈現(xiàn)一橫(整體架構(gòu))+N縱(多個細分行業(yè))的格局。

工業(yè)智能的路徑選擇

對于工業(yè)領域的大B客戶來講，現(xiàn)階段需要的不是單個產(chǎn)品，而是端到端的整體解決方案。這雖說是現(xiàn)狀，其實也是工業(yè)創(chuàng)業(yè)者的終極目標。然而路徑選擇很重要。

關(guān)于發(fā)展路徑，業(yè)內(nèi)主流認為自動化-(數(shù)據(jù)化)-信息化-智能化是工業(yè)用戶進階的合理順序，并且前一階段是后一階段開始的必要條件。因此國內(nèi)工業(yè)智能領域的企業(yè)在很長一段時間內(nèi)只關(guān)注自動化領域的機會，甚至將工業(yè)智能等同為“機器人”或者“工業(yè)自動化”。從用戶現(xiàn)場的大量實踐來看，這幾個階段存在著顯著的先后順序，但同時交叉滲透，迭代進行。

具體來看，離散制造行業(yè)大部分客戶自動化程度不夠，所以優(yōu)先完成產(chǎn)線自動化。一些廠商以工業(yè)以太網(wǎng)和板卡實現(xiàn)設備互聯(lián)，打通設備級數(shù)據(jù)，經(jīng)過MES反饋到平臺層，在不更換原有工控設備的基礎上實現(xiàn)初步物聯(lián)，用戶接受度很高，業(yè)績每年翻幾番增長，趨勢非常明顯。這一類模式，我們可以稱之為「以M2M設備物聯(lián)為核心的系統(tǒng)集成」。

更進一步的需求，來自于離散制造業(yè)的超大型頭部客戶和流程制造行業(yè)的絕大多數(shù)客戶，由于產(chǎn)線自動化程度本身較高，我們觀察到這類客戶對于信息化的接受程度本身也較高。

另外有一類廠商可以直接從頂層設計切入，在平臺層以工業(yè)大數(shù)據(jù)平臺或者場景化的AI模型服務用戶，實時的解決業(yè)務問題。反過來在數(shù)據(jù)采集層，在一些數(shù)據(jù)不完善的局部加裝傳感器，加裝智能化的檢測設備，甚至于做小段的產(chǎn)線集成等等。這一類模式，用戶接受度往往更高，這意味著項目的溢價往往也更高，我們可以稱之為「以數(shù)據(jù)應用為核心的系統(tǒng)集成」。

所以，我們可以看到三條發(fā)展路徑，面對不同的客戶，不同的場景，不同的發(fā)展階段，有不同的路徑選擇：

一、以產(chǎn)線自動化為核心的系統(tǒng)集成;

二、以M2M設備物聯(lián)為核心的系統(tǒng)集成;

三、以數(shù)據(jù)應用為核心的系統(tǒng)集成。

當然，殊途同歸，最終都是給用戶提供整體解決方案，以滿足用戶需求為核心。

工業(yè)智能之工業(yè)大數(shù)據(jù)

首先，數(shù)據(jù)在哪里?

▲一類是管理數(shù)據(jù)：結(jié)構(gòu)化的SQL數(shù)據(jù)為主，如產(chǎn)品屬性、工藝、生產(chǎn)、采購、訂單、服務等數(shù)據(jù)，這類數(shù)據(jù)一般來自企業(yè)的ERP、SCM、PLM甚至MES等系統(tǒng)，數(shù)據(jù)量本身不大，卻具有很大的挖掘價值;

▲另一類則是機器運行和IoT的數(shù)據(jù)：以非結(jié)構(gòu)化、流式數(shù)據(jù)居多，如設備工況(壓力、溫度、振動、應力等)、音視頻、日志文本等數(shù)據(jù)，這類數(shù)據(jù)一般采集自設備PLC、SCADA以及部分外裝傳感器，數(shù)據(jù)量很大，采集頻率高，需要結(jié)合邊緣計算在本地做一些預處理。

總的來講，由于場景的割裂和分散，工業(yè)數(shù)據(jù)本身具有量大、多源、異構(gòu)、實時性要求高等特點，而且隨著未來280億設備逐步接入，這些特性將會進一步加強，這是做工業(yè)大數(shù)據(jù)服務的核心難點之一，和互聯(lián)網(wǎng)大數(shù)據(jù)不僅量級不同，結(jié)構(gòu)不同，應用也完全不同。

其次，基于這些工業(yè)數(shù)據(jù)，平臺層應該提供哪些服務?

▲完整的協(xié)議解析：數(shù)據(jù)采集首先要完成工業(yè)協(xié)議的打通。以應用層協(xié)議為例，EtherNet/IP和PROFINET的市場占有率最大，其次是EtherCAT、Modbus-TCP和EtherNetPOWERlink;

▲標準化的數(shù)據(jù)整合：采集上來的數(shù)據(jù)要做統(tǒng)一的主數(shù)據(jù)管理，第一步是建立標準。一般來講，我們先要用ISO或其他業(yè)內(nèi)標準，制定統(tǒng)一的編碼、結(jié)構(gòu)、流轉(zhuǎn)方式和屬性，確保數(shù)據(jù)的一致性，這一點非常重要。

在項目實施的歷程中，逐步積累行業(yè)知識庫、合適的算法組件以及相關(guān)機理模型，這一點也很重要，這是從數(shù)據(jù)標準進化到業(yè)務標準化的關(guān)鍵一步，是為實現(xiàn)真正的產(chǎn)品層面的微服務化打下基礎。

強大的PaaS支持：工業(yè)數(shù)據(jù)本身的特殊性導致平臺必須要有強大的中層支撐能力。我們以時序數(shù)據(jù)庫為例，它是設備工況和傳感器數(shù)據(jù)的典型品種。這類數(shù)據(jù)頻率高、量大，用傳統(tǒng)關(guān)系型數(shù)據(jù)庫處理，需要每次把所有值拉出來計算，吞吐量極大，性能很差。所以，一個高壓縮、高性能的時序數(shù)據(jù)庫，就是平臺層必備的能力之一。

最后，我們應該做哪些應用?

▲設備級：質(zhì)量控制。在工業(yè)智能時代，如果我們能夠采集到合適的實時數(shù)據(jù)，結(jié)合該設備所適用的機理模型，就有可能用機器學習的方法挖掘出產(chǎn)品質(zhì)量與關(guān)鍵數(shù)據(jù)之間的關(guān)聯(lián)或因果關(guān)系，也就有可能實現(xiàn)實時在線的質(zhì)量控制和故障預警，如果數(shù)據(jù)頻率能對工藝流程形成完美包絡，我們還有可能實現(xiàn)最大限度的效率提升。

▲廠級：計劃排產(chǎn)。工業(yè)智能的最終目的是要實現(xiàn)大規(guī)模的個性化定制，即C2M。這一問題的目標是實現(xiàn)當時當?shù)氐漠a(chǎn)能最優(yōu)，約束條件來自企業(yè)的產(chǎn)線設備、人員、產(chǎn)品屬性、供應鏈數(shù)據(jù)等等，通過歷史數(shù)據(jù)的學習和訓練，不難形成一個較好的預測模型。

這一模型能根據(jù)產(chǎn)線和工廠的實時數(shù)據(jù)動態(tài)分析，動態(tài)調(diào)整，以幫助企業(yè)實現(xiàn)準確把控，最大化經(jīng)濟效益。

在可以預見的未來，隨著數(shù)據(jù)的完整性和可靠性越來越高，場景越來越豐富，數(shù)據(jù)應用層面會誕生相當多的優(yōu)先企業(yè)，他們幫助工業(yè)用戶降低成本，提高效率，能解決實實在在的業(yè)務問題。