Welcome神灯开户网址為夢而年輕!

首頁 > 大數據 > 正文

工業大數據應用的四大挑戰

2019-06-04 11:10:31  來源:數據觀

摘要:以數據為關鍵要素驅動工業轉型升級,不僅成為宏觀層面的行業共識,也正在微觀層面為企業帶來實際收益。然而,工業大數據的發展,還面臨數據資源不豐富、數據管理滞後、孤島普遍存在以及應用深度不足等四大挑戰。
關鍵詞: 大數據
  以數據為關鍵要素驅動工業轉型升級,不僅成為宏觀層面的行業共識,也正在微觀層面為企業帶來實際收益。然而,工業大數據的發展,還面臨數據資源不豐富、數據管理滞後、孤島普遍存在以及應用深度不足等四大挑戰。為此,需要在企業層面夯實數據基礎,抓住技術創新機遇,在行業層面建立數據互操作與流通的标準與規則。

\
 
  一、以數據為關鍵要素驅動工業轉型升級
 
  2017年12月,習近平總書記在中央政治局第二次集體學習時強調,要深入實施工業互聯網創新發展戰略,系統推進工業互聯網基礎設施和數據資源管理體系建設,發揮數據的基礎資源作用和創新引擎作用,加快形成以創新為主要引領和支撐的數字經濟。在2019年兩會上,李克強總理在《政府工作報告》中提出,要打造工業互聯網平台,拓展“智能+”,為制造業轉型升級賦能。
 
  宏觀上,大力發展工業互聯網,用數據智能助推工業轉型升級相結合,已經成為全國上下的高度共識。
 
  微觀上,大數據技術的應用也開始為諸多企業帶來實際收益。工業互聯網産業聯盟2019年2月發布的《工業互聯網平台白皮書》顯示,數據在工業研發設計、工藝優化、設備維護、質量控制、節能減排等方面的作用日益凸顯。
 
  中國石化對4600個批次的石腦油原料進行分析建模,優化工藝操作參數,使汽油收率提高0.22%,辛烷值提高0.90。中化能源對泵機群、壓縮機、蒸汽輪機等裝備進行健康管理,實現了設備故障的診斷、預測性報警及分析,設備維護成本每年減少15%。
 
  航天電器建立多種因素與質量關鍵KPI的關聯關系模型,對設備、工藝、檢測等數據進行關因分析,不良品率降低56%。山鋼集團對跨工序能效數據進行動态尋優,年化能源降本8000多萬元,能耗成本降低11.4%。
 
  酒鋼集團經過大數據分析實現能耗的智能化管理,單座高爐每年降低成本2400萬元,減少碳排放2萬噸,冶煉效率提升10%。
 
  這樣的星星之火還有很多。可以說,随着這幾年工業互聯網的不斷深入發展,工業領域的數據分析應用取得了令人可喜的進步。
 
  二、工業大數據發展面臨四方面挑戰
 
  然而,也應該看到,成功案例仍然隻是星星之火。由點及面形成燎原之勢,任重道遠。
 
  挑戰1:工業數據資源不豐富
 
  理論上,工業領域的數據應該是非常豐富的,麥肯錫2009年的報告顯示,美國的離散制造業是所有行業中數據儲量最大的。但實際上,有價值的數據非常稀缺,原因是在工業領域,有分析利用價值的機器數據往往需要包含故障情形下的“壞”樣本。但很多工業系統的數據可靠性較高,觀測到故障并且已經标記的有效樣本更是難能可貴。還有一些工業場景,隻有在極短的時間内采集測量數據(如每秒上百萬個測點),才能捕獲機器設備的細微狀況,這就要求時序數據庫和流處理平台等專用的新一代數據存儲軟件提供支撐。
 
  很多工業企業面臨“數到用時方恨少”的尴尬。根據中國信息通信研究院和工業互聯網産業聯盟2018年年底對國内74家工業企業的調研,我國工業企業的數據資源存量普遍不大,66%的企業數據總量都在20TB以下,還不到一個省級電信運營商日增數據量的1/10。數據資源不豐富,與我國工業互聯網發展還處于起步階段有關。企業數字化、網絡化程度普遍較低,數據資源的積累尚需時日。而目前工業系統協議“七國八制”現象非常突出,很多軟件系統的接口不開放,也增加了數據采集的技術難度。
 
  挑戰2:工業數據資産管理滞後
 
  計算機科學家警鐘長鳴:警惕“垃圾進,垃圾出(Garbage in,Garbage out)”。數據質量問題是長期困擾數據分析工作的難題。權威數據專家估計,每年低質量的數據會給企業帶來10%~20%的損失。工業領域很多時候追求确定性的分析結果,對數據分析的可靠性要求高,因而對數據質量的要求也就更高了。美國一直重視數據質量,在1990年還專門頒布了數據質量法案(Data Quality Act),2016年美國《聯邦大數據研發戰略計劃》也專門把确保數據質量與提升數據分析可信性作為七大戰略之一。
 
  用數據,更要“養”數據。從信息化程度較高的金融、電信、互聯網等行業經驗來看,如果不開展專門的數據治理,就難以确保數據質量。而調查顯示,我國工業企業隻有不到1/3的企業開展了數據治理,51%的企業仍在使用文檔或更原始的方式進行數據管理。工業企業應該把數據視為與機器設備同等重要甚至更寶貴的資産,加強數據資産管理。好消息是,已經有越來越多的工業企業從主數據或元數據切入,着手開展數據資産管理。而且,随着機器學習技術的發展,智能化的數據資産管理工具也越來越完善,工業數據資産的管理,可以更多依賴人工智能高效完成。但相比信息化程度較高的金融、電信、互聯網等行業,工業數據的管理,還有很多欠賬要補。
 
  挑戰3:工業數據孤島普遍存在
 
  數據孤島幾乎是所有企業都面臨的困境。從單一企業内部來看,存在着不同時期由不同供應商開發建設的客戶管理、生産管理、銷售采購、訂單倉儲、财務人力等衆多IT系統,可謂煙囪林立。而要深度推進智能制造,不僅是上述IT系統要橫向互通,還要進一步縱向打通IT(Information Technology)和OT(Operation Technology)兩界的數據,推進難度非常大。而且,企業越大,管理和技術包袱越重。
 
  從全行業看,發展工業互聯網,實現從單一企業内的局部優化,到整個産業鍊的全局優化的跨越,必然要實現整個供應鍊上跨企業的數據流通,這就進一步面臨着安全合規、商業模式和技術标準等方面的更大挑戰。前述調查顯示,超過半數的企業表示需要使用外部數據或對外提供數據,僅有2.7%的企業覺得不會涉及到數據合作,但數據流通由于涉及确權、安全合規等問題,風險和阻力都很大。
 
  德國工業4.0計劃已經把數據流通作為重點議題,在構建工業數據空間(Industrial Data Space)方面進行模式上的探索。與此同時,同态加密(Homomorphic Encryption)、安全多方計算(Secure Multi-party Computation)、零知識證明(Zero-knowledge Proof)、區塊鍊與智能合約等技術正在走向實用,也為用技術打破數據共享僵局提供了一條有前景的路線。國内如何打破數據孤島,促進工業數據流通,仍需加快探索。
 
  挑戰4:工業數據應用還不深入
 
  大數據在工業領域的作用,縱向可以從3個層次來看:
 
  最基礎的,是可以根據數據來描述工業産線、營銷和企業經營活動的曆史與現狀。
 
  更上一層樓,可以基于數據預測設備、車間和整個企業的未來狀況。
 
  最高層次,是根據數據分析結果,繞過人工幹預,自動地直接指導企業運作,形成智能化的數據閉環。
 
  而大數據在工業領域的作用,橫向則可以跨越設計、生産、銷售、服務全鍊條。
 
  然而,工業企業的數據分析應用還普遍處于淺層階段。最近,工業互聯網産業聯盟對國内外366個工業互聯網平台應用案例進行了分析,40%的平台應用集中在産品或設備數據的檢測、診斷與預測性分析領域,而在涉及數據範圍更廣、分析複雜度更高的經營管理優化和資源匹配協同等場景中,多數平台現有數據分析能力還無法滿足應用要求,還需要進一步推動數據分析技術創新以及實現長期的工業知識積累。
 
  未來,工業數據分析還需以問題為導向,把工業機理與數據科學方法緊密結合,讓數據應用的層次再上台階,從而産出更大價值。
 
  三、推進工業大數據發展的思考
 
  工業互聯網的長期目标,是構建“數字雙胞胎”。隻有工業數據越來越豐富、全面,質量越來越高,“雙胞胎”才可能長得像,才能“心心相印”。也隻有這樣,才能讓物理世界的萬物得以在數字世界重現,通過數字世界裡的計算、分析、預測、優化,來指導物理世界的最優運行,從而開辟新的增長空間。為此,還需直面上述挑戰,做好幾個方面的工作:
 
  (1)夯實數據基礎,高度重視數據資産管理的戰略價值
 
  企業不僅要關注最終數據分析的顯性價值,更要重視數據采集、資産管理、治理、互操作與标準化等基礎性工作的價值。磨刀不誤砍柴工,隻有地基牢固了,工業大數據才能可信、可用,成為價值源泉。
 
  (2)抓住技術創新機遇
 
  數據技術正在進入新的發展階段,時序數據庫、知識圖譜、深度學習、安全多方計算等為工業大數據采集、整合與分析孕育着新的動力,将特定應用場景與這些新技術結合,有望帶來新的突破。
 
  (3)建立行業标準與規則
 
  在行業層面,可以發揮行業聯盟作用,在數據采集協議、數據模型等方面建立行業标準,掃清技術層面互通的障礙。同時,還要推動形成工業企業間數據共享的行業規則,創造安全可信、利益均衡的數據流通生态,為打破全行業數據孤島鋪平道路。





責編:pingxiaoli