我們該如何理解工業大數據，工業大數據如何賦能智能制造，以及如何在智能制造的基礎上走向未來的工業互聯網？

工業產生轉型升級作用的路徑

大數據系統軟件國家工程實驗室，將工業產生轉型升級的作用的路徑，總結為“加減乘除”四個象限。

所謂加和減就是智能制造。智能制造更關注于企業內部的事情，狹義的智能制造關注制造，即生產環節，廣義的智能制造則包含企業的全生命周期，從研發設計到生產制造再到運維服務。

智能制造不外乎在現有流程上加了一些東西、減了一些東西，它基本可以被總結為八個字：提質、增效、降本、控險。今天，智能制造做的事情就是加法和減法。

但在這個時代光做加減法是不夠的，比如私募股權機構投資一個企業，企業每年做一點加法，投資人可能不會滿意，而是希望企業實現指數級的增長。

如何實現？工業互聯網可能就是實現乘法和除法的路徑。乘法就是平臺效應。比如淘寶，容納無數的商店在它的平臺上開店掙錢，就是一個案例。但是在工業領域，是否可以構建一個工業互聯網平臺？

以服裝行業為案例。傳統的第一代的服裝企業，有自己的設計、工廠、店面，即完整的產業鏈條。第二代服裝企業，舍棄工廠選擇全代工生產，轉為做營銷，以門店為資產。而互聯網時代的服裝企業，既沒有工廠也沒有店面，成本幾乎為零，所有的店面依賴淘寶，只負責快速設計、把控供應鏈，最后的“總盤子”雖然不一定有傳統企業那么大，但是利潤率高。因此除法就是企業聚焦自己的核心競爭力。

輕資產高利潤運營，這是未來中國中小企業創新創業之道。打造工業互聯網的平臺生態，不是說只有這個平臺才能掙錢，是平臺上的每個人都有可能掙錢。

三個層次：工業大數據行業的分類

大數據系統軟件國家工程實驗室接觸了、也做了很多工業大數據的應用，并將其分為了三個層次。

第一個層次是單元級，即針對工業設備，不僅限于設備的遠程運維，還包括對設備故障的提前預警、故障分析，以及設備的優化運行、資產管理等等。

首先我們需要將設備的運行狀態進行精確的數字化測量，這種測量手段其實是將工業大數據的連續空間離散化。這個連續空間很復雜，而能測量的物理量、精度、傳感器數量都是有限的，所以全空間采樣無法實現。但隨著數字化水平提高、信息化進程推進、智能化應用迭代，未來的測量過程也會升級。

第二個層次是工廠層次。這個層次不是關注單體設備，而關注整個工廠的運營效率、產品質量和安全、環保問題。工業講求的是包括人、物料、工藝、設備、環境在內的因素，在復雜的動態系統中能夠協同作用。

假設把全中國都看作一個大工廠，怎么在產業鏈條上提升自己的效率？我們今天做工業大數據，做“智能+”，就是這個用途。

首先要回答數據在哪里，其實數據在任何一個地方。以前工業上管數據管的相對粗糙，傳統在信息化領域做的相對較好的是管理信息化，而現在很多工業數據只是用來做監控以及做故障發生時做數據的回放。這些數據拿來怎么做兩化融合（信息化和自動化的數據融合）還有待驗證。

第三層次是怎么拿到其他相關的數據？比如說挖掘機要自動化施工，需要了解GIS數據、環境數據，但這些都不是傳統制造業企業擁有的數據。這說明今天工業大數據的內涵，比傳統的數據內涵要大得多。自動化以及跨界整體的數據，構成工業大數據的體系。

工業大數據的分類和挑戰

實際上，工業數據有三個特點：

第一個特點是多模態。過去很簡單粗暴地將數據分成結構化數據、半結構化數據、非結構化數據，但工業企業不是這樣。今天看到的很多好像格式不一樣的、非結構化的工程數據，真正把它打開的時候是不一樣的。非結構化數據的使用效率取決于結構化的程度，只有結構化才可以被高效利用；

第二個特點是高通量。很多設備是不停機的，所有的數據是7*24小時連續產生的，量非常大；

第三個特點是強關聯。在工業的不同行業，數據關聯遵循不同的規律而非簡單的聚合。

所以工業大數據本身的特點帶來了非常多的挑戰。除了數據獲取的挑戰，隨之而來的就是數據分析、應用的挑戰。

這里邊最大的限制是因果關系，即數據驅動的方法只能告訴我們關聯性，而無法不能告訴我們因果性。比如淘寶推薦商品，只知道推薦相關商品，卻不關心這個事情的因果——為什么用戶是這樣的人。但這在工業上是行不通的，尤其是控制方面，因此模型需要長時間的分析和驗證。

工業領域存在白盒模型和灰盒模型，白盒模型即工業機理，企業會根據工業機理設計工序、產品結構和工藝，這是第一步。當它們被設計完之后，運行中又會出現大量的不確定性，這些不確定性的消除靠的就是專家、工匠的經驗，讓整個流程生產變得更加穩定和高效，這是灰盒態。不再對機理和知識本身進行分析和理解的數據模型，是一種黑盒模型。

工業大數據和工業智能的本質就是，將這些經驗和知識量化出來，挖掘心中有口中無的隱性知識，或者嘗試通過數據方法把統計關系找到，再交還給工匠分析。

工業就是工業，它存在的時間比信息化時間長，積淀比信息化多，而大數據和人工智能技術只是給工業上帶來小的變化，嘗試幫它去消除不確定性。

大數據、人工智能在工業中的應用

首先是智能制造。比如某個機床的良品率下降，那么機床可以猜到刀具可能磨損了，主動提出要換刀，或者爐溫過熱，就自主將溫度往下調兩度。如果設備可以自主告知、自主變化，而不是按照事先設定的邏輯來操作，這才是智能化。

真正的數字化車間應該是什么樣的？分了三個層次：

第一層是大數據集成。大數據能夠建立數據集成體系，讓決策者看到每個生產車間發生了什么、控制參數是什么、檢測參數是什么。這樣一個以物料為中心、以工序流程為軸的數據集成體系，能夠為調整工提供更多更好的決策信息；

第二層是大數據統計分析。能不能將好的批次的數據和差的批次的數據進行疊加對比，看控制參數的差異？大數據可以猜測造成問題的原因，至少可以排序，讓調整工按照排序來做檢查和調整；

第三層是機理模型。通過大量的數據和反饋，工業企業可以構建一個相對準確、正向的仿真模型，并在數字孿生體、數字空間進行調試，最后在工廠里進行測試，這就是數字孿生帶來的智能化體系。

那么工業互聯網的邏輯對于智能制造來說改變了什么？從業務的角度來講，工業互聯網更多關注產業互聯網的邊界，而不關注企業內部的生產環節，它可以被總結成三個融合跨界：

一是業務融合跨界，通過對產業鏈上下游業務邊界的拓展，企業可以嘗試整合上游的上游，也可以服務于下游的下游，我們是一個產業鏈協同視角下的大工廠；

二是數據鏈條融合跨界，業務的拓展帶來了數據邊界的拓展，今天的數據不局限于企業原有的數據。比如說要服務于建造商，需要環境數據、操作數據、氣象數據；

三最根本的是技術改變，相比IT技術的發展，工業軟件和IT產業不在一條發展曲線，但現在通過云計算技術可以輕量級地讓用戶做這樣的開發，這樣可以在很多領域產生了技術溢出機會。工業互聯網平臺的出現，讓工業企業能將花大量時間研發的仿真模型有可能沉淀成小而精的新形態工業軟件。