2017-工业大数据：挖掘“不可见世界”中的价值_11页-3mb

工业大数据：挖掘“不可见世界”中的价值

核心内容

工业大数据是工业价值转型的重要驱动力，它不仅仅是数据的集合，更是分析问题和解决问题的手段。通过工业大数据，企业可以预测需求、预测制造、挖掘隐藏价值、解决不可见问题，并整合产业链和价值链。工业大数据的分析目标是实现从自造到制造，再到智造，最终达到价值传承的转变。

主要观点

• 工业大数据的定义：不同于互联网和商业大数据，工业大数据强调数据样本的变量全面性，对数据质量要求较高，注重特征之间的物理关联和因果性关系。
• 工业大数据的挑战：工业大数据面临“3B”挑战，包括数据质量差（Bad Quality）、数据碎片化（Broken）、以及隐藏在表面之下的相关性（Below the Surface）。
• 工业大数据的目的：工业大数据的分析目的是实现“3C”，即比较性（Comparison）、相关性（Correlation）和因果性（Consequence），以支持更精准的决策和预测。
• 工业大数据的应用场景：工业大数据可以用于客户价值挖掘、制造环境优化、智能运维服务、以及制造系统的知识管理与传承。
• 工业大数据与智能制造的关系：通过大数据分析，制造系统可以实现从“应激式”到“预防式”再到“预测式”的转变，从而构建无忧虑的制造环境。

关键信息

工业大数据与互联网/商业大数据的区别

工业大数据的“3B”挑战

1. Bad Quality：工业数据质量参差不齐，受传感器、通信协议、组态软件等技术限制。
2. Broken：数据碎片化，缺乏全面性，影响模型的建立和分析的完整性。
3. Below the Surface：关注数据中隐藏的相关性，需通过“贴标签”等手段进行挖掘。

工业大数据的“3C”目的

1. Comparison（比较性）：通过比较相似性与差异性，分类信息并寻找普适规律和因果关系。
2. Correlation（相关性）：挖掘数据之间的关联性，形成记忆和知识，提高信息管理效率。
3. Consequence（因果性）：分析决策带来的结果和影响，实现精准预测和优化，是智能化的核心。

工业大数据的分析技术：CPS 架构

Cyber-Physical System（CPS）是工业大数据分析的核心技术体系，包括以下五个层次：

1. 智能感知层（Connection）：确保数据的质量和全面性，为上层分析提供数据基础。
2. 信息挖掘层（Conversion）：从低价值密度数据中提取高价值密度信息，提升数据的可解读性。
3. 网络层（Cyber）：融合机理、环境与群体信息，构建指导实体空间的网络环境。
4. 认知层（Cognition）：结合机理模型和数据驱动模型，提供面向目标的决策支持。
5. 配置执行层（Configuration）：根据分析结果优化运行决策，保障信息利用的时效性和系统协同。

工业大数据的价值意义

• 客户需求转变：从无到有、从有到精、从精到个性化。
• 生产系统转变：从简单到复杂、从复杂到规模化、从规模化到精益化、从精益化到柔性化、从柔性化到智能化。
• 商业模式转变：从卖产品到卖能力、卖服务、最终到卖价值。
• 制造系统运转模式转变：从应激式解决问题到基于线索和事实的预防式管理。

工业大数据的未来方向

• 推动工业价值转型：通过数据驱动的方式，实现从“大而不强”到“智造”的转变。
• 提升制造附加值：通过数据分析和挖掘，为用户提供增值服务，改善制造附加值较低的问题。
• 实现知识传承：利用数据分析结果，建立智能模型，提升制造系统的知识积累和传承能力。

结语

工业大数据的核心价值在于通过系统式的数据分析手段，实现制造价值的最大化。数据本身并不创造价值，而是通过洞察和行动创造价值，最终成为企业实现智能制造和价值转型的关键媒介。