在当今竞争激烈的商业环境中，企业正面临着前所未有的挑战，即如何利用大数据，快速而精确地决策以提高生产力。追溯过去，整个制造业看的是生产力需求。今天我们的需求发生了变化。
　　在工业化不同价值链的体系下，除了从生产端前移到消费端外，也同时从上游往下游突破。从用户的最终价值出发CONTROL ENGINEERING  China版权所有，要实现工业产品的服务与个性化，实现产业链各个环节的融合与协同优化是必然之路。
　　美国人之所以认为未来智能工业的发展从生产制造端到消费端的转变是必然，并且提出工业互联网的理念，是因为美国强调的是互联网与商业模式创新力。
　　美国的工业互联网关注的方向是充分利用其信息技术的巨大优势，实现以消费者为核心的智能服务。
　　德国在制造业的核心优势是装备制造业以及生产线自动化，所以德国的工业4.0实践关注销售、服务能力的提升。因而德国提出的是信息物理产品系统加物联网IOT为中心的管理革命战略。
　　如何理解工业大数据
　　大数据的理念已经广为大众所接受，其核心都强调价值。目前，除了大数据的基础建设之外，从数据到信息的工作，更多的是停留在社交或商业数据挖掘上。例如，销售预测、用户关系挖掘与聚类、推荐系统、观点挖掘等。这些研究都非常重要，也极具创新意义，特别是对拉动消费很有帮助。但是，这些实践都只关注了“人为数据或与人相关的数据”，而忽略了“机器数据或工业数据”，如设备控制器、传感器、制造系统等。
　　产品做出来之后，到底如何使用它？以前关心的是如何生产最好的产品，现在关心的是产品怎么去用，消费体验在哪里？第一，我们现在对工业价值的认知必须从后往前移，从消费端走到生产价值链前端。第二，从关注机器与机器的数据或工业环境数据，到全面协同优化，关注这个价值体系，实现我们对工业4.0的完整理解。
　　工业大数据的核心支撑力

　　在工业大数据的实践中，宏观与微观、规模与定制、个性与共性必然成为主要的几个矛盾。在这三大矛盾的背后，我们要通过工业大数据看到我们以前看不到的因素，处理好这些数据，就像Jay Lee教授讲的，让数据成为有价值的信息。工业4.0的五个支撑力值得我们关注。一是降低生产过程中的浪费。生产过程中的消耗来源于组织与组织之间、人与人之间、材料与工艺之间、流程之间，所以我们首先要考虑的问题是，如何降低消耗、浪费。二是制造工业环保与安全。没有碳排放是不现实的，但排放怎么转移，怎么去消费它是问题。三是根据生产状况，实现系统自我调整。在工业大数据里，我们称之为自适应。整个工业4.0讲的就是自适应、自感应、自调理。大数据分析到最后有很大程度取决于人工智能CONTROL ENGINEERING  China版权所有，指的是自适应能力的强弱，机器自我学习能力的强弱。四是实现制造业的价值化。五是实现用户需求、产品设计、制造和营销的配合。
　　这五大支柱的焦点就是显性因素和非显性因素。我们曾经关心的是产品的制造、产品的制造工艺、产品本身的质量等显性因素。考虑的点都是可触摸的或可量化的。在工业大数据里，想要解决的问题就是那些非显性因素。
　　设备处于亚健康状态，我们看不到。对于未来的智能工业来说，想要达到零宕机、零排放、零维修等目的，必须突破的一个关键点就是关注相关的隐形因素，做好量化与数据交叉关联分析。
　　工业4.0到底会带来什么
　　智能分析和网络物理系统的出现，为我们实现生产管理和工厂转型提供了新的思路。我们今天卖的已经不再是一个产品，卖的是为客户创造价值的能力。这里包含三方面：
　　管理优化的综合价值链：管理是一门艺术CONTROL ENGINEERING  China版权所有，一定是融合的产物。综合价值链体现于信息自动性和主动性到一定的量化后，帮助管理者自动形成生产系统的决策，需要大量的数据交叉模型分析，同时需要全方位地对设备进行综合管理。
　　数字化：数字化是全产业链各个环节相互合作的一种新纬度，这是信息物理系统框架的信息虚拟空间的体现。粗放式制造管理的主要表现是订单式的管理。订单多了，我就生产；订单没有，就假设下个季度它会继续有，继续生产。结果发现产品更新换代了，市场已经对所生产的产品不感兴趣了，企业倒闭的风险就骤然升高。所以工业大数据对工业链的管理能为企业带来价值。数字化就是如何把物理空间全面对应到数字虚拟空间，把整个产业链目前的状态通过数字描述出来，知道消费者在干什么，厂商在干什么，客户心态又是什么样子，甚至可能早于供应商、原厂商掌握这些数字，从而改变产品的设计。
　　颠覆性商业模式：应该关注商业模式，尤其是商业模式引导下的服务价值体系创新。德国的战略就是要改变只卖一次设备、挣到一笔钱的现状。通过产品的服务，可以一直跟随着消费者。在全产业环节中，做好做强产品的服务升级换代，能享受更多的服务利润。
　　今天工业数据并没有给企业带来竞争力，因为数据本身没有竞争力。 要实现数据竞争力，系统自我学习能力很重要，数学模型就是不断自我学习和发展的产物。大数据给数据打上标签就是一个行业模式的数字化体现，标签是跟着管理思路走而不是数据。如何形成全信息空间与物理空间的映射，然后做分析才是我们面临的挑战。
　　数据信息驱动工业革命
　　首先，今天面临的第一个挑战是怎么让用户有更好的消费体验。其次，企业各部门的竖井没有打通，缺乏环境数据，包括类似地理位置信息、设备的生命状态等。产品的设定和生产要素，跟流程、工艺都有千丝万缕的关系，数字化能够帮我们把这个轮廓勾勒出来。
　　工业数据通过哪些能力最终形成商业机会？有四个方面需要关注：
　　一是沟通。即设备环境信号识别。信号识别的关键点是信息收集过程中实时性还不够，信号识别的对象不够完整和全面，这是建立工业大数据能力需要考虑的第一个问题。
　　二是集成与融合。即大数据的数据平台。所谓融合就是说，OA、知识库、ERP、采购系统等所有可触摸和非可触摸的数据都应该串联起来。这一串联工作还有非常漫长的路要走。
　　三是分析与决策。我们大数据的建模能力不差，缺的是对行业理解的投入以及形成模型的能力，以及不断推倒重建和调整的持续投入。
　　四是创建自助服务文化。机器能够自我学习和自我调节。通过焦点转移到不可见的因素，数据给了我们发现创新的全新多视角，最终导向了革命性的商业机会。
　　工业数据“富有”vs.信息“贫穷”
　　数据本身不会为你带来价值，数据的技术也不会让你的产业更先进，数据必须转成信息后才会对产业产生价值。智能工厂通过与环境系统的无缝交互，设备能够有自我意识和自学能力，在未来可以实现更高程度的智能控制和优化控制。目前自学设备还远未达到工业实施阶段。
　　工业大数据给了我们一个看世界的新角度。通过360度全景的数字视角，可能给我们带来些新的优势，这就是所谓信息技术成为创新驱动核心动力的来源。
　　那么工业数据来源于内源数据和外源数据。企业内部在运行中，积累了大量的内源数据。互联网的今天，外源数据更多。事实上，很多企业不缺数据，主要问题是数据质量低下以及采集手段不科学。
　　工业数据到底在哪里？我们要什么样的数据？对于生产价值来讲，核心就是工业物联网（IOT）。从智能设备角度，普适计算有很大的空间，现代工人可以带一个普适感应器等设备来参加生产和管理。所以工业数据源是大量设备（250亿左右）之间的关联，这才是我们未来真正需要去采纳的数据。
　　从今天的制造业现代化转型到未来的智能工厂，我们要把管理员与操作员互动的数据、设备机群的数据、流程质量相关的数据，通过传感器与控制器网络整合。
　　大数据和云技术是整合的核心科技。大数据环境中的数据管理与分配对实现自我意识设备和自学设备至关重要。
　　数据丰富，但我们的信息很贫乏。目前存在两个问题：第一个就是数据的有效利用率很低。数据80%在过滤，80%的时间在洗数据，80%的数据是在收集又在重复被洗。由于垃圾数据过多，捕获数据的效率有时候更低。第二个就是缺乏分析能力，需要大量的好工具。
　　我们再看大数据2.0的概念，要做到三个“实”，那就是实时、现实和真实。
　　我们今天的大数据工作大多还在基础建设。要真正形成工业“大数据”，我们需要一个集成平台、预测分析工具和虚拟化工具作为核心的三大构件。
　　决策的价值随着做出决策的时间的增加而削弱。洞察能力时效性非常重要，更好的商业决策，包括确定决策、收集数据、分析和探索、可视化和交流、执行和提高，都离不开洞察力。
　　走进“大数据湖”
　　数据仓库架构是大家熟悉的数据分析架构，它对于企业数据分析有很多贡献。而工业大数据湖架构具有数据集中、数据类型全面以及所有数据可实时访问的三大特性。
　　工业数据湖针对工业工作量优化设计包括：关键任务优化，解决工业互联网软件安全性等关键SLA问题；快速获取与储存数据，其中包括设备数据；支持多种模式与数据类型；高性能分析，使用大规模并行处理架构；数据治理和融合，利用位置分散的部署方案。
　　数据湖的应用非常广泛。其一，关注客户（包括消耗：指数据的交易及结果；分析：指数据预测性、规定性分析及视觉化）；其二，关注整个工业数据湖的结构（包括管理：指集中管理数据及数据类型；流程：指高性能计算）。核心点是在管理和流程改进之后对安全的关注。
　　大数据治理规则与架构。工业大数据要考虑的是全空间的资产管理目录，我们可以把数据全部保留、管理，以提高信息价值。其中包括：质量、生命周期、合规性、元数据及追踪的要素。相关的解决方案主要集中在：主要安全、数据保护、访问控制、数据可视等四个方面。
　　工业大数据使用案例之一：预测自主维修决策支持分析
　　在目前的制造业里面，大数据可以做两件事情：一是打造未来的智能化供应链，二是把预防性维修、生产转化成预判性、预测性。这就是一个绿色产业，包括零排放、零宕机、零维护、供应链管理的零库存等。
　　物联网（IOT）的发展以及感应技术的兴起，开创了一个能紧密连接物理空间许多事物的信息网络。随着分析技术的发展，特别是预测分析的发展，结合互联网云化的广泛应用，物理空间与虚拟信息空间的形成与同步，离不开设备的自我意识和自主维修机械系统。智能设备的未来，一定是能够自主评估健康状况和退化情况并主动预防潜在性能故障，并且做出维修决策，以避免潜在故障的系统。
　　按照Jay Lee教授的看法，一个机械系统，自我意识指能够评估设备当前或历史条件，并对评估结果做出反应。要实现健康条件评估，就需要利用数据驱动算法分析从机械设备及其周边环境中的数据。实时设备条件信息可反馈至机械控制器以实现自适应控制，同时信息也会反馈至设备管理人员方便及时维修。然而，对大多数工业应用程序而言，尤其是设备机群而言，设备自我意识还远未实现。当前诊断或预测算法通常适用于具体设备或应用程序，而在处理复杂信息时自适应和灵活性稍显不足。由于同一机群中的设备和设备条件彼此互联，任务和维修计划可在机群级得到制定和优化。操作员可根据每台设备的健康条件平衡和调节每台设备工作量和工作压力，从而最大程度优化生产和设备性能，实现主动检修计划的智能决策。
　　工业大数据使用案例之二：助力实现供应链优化与创新
　　第四次工业革命已在全球爆发，为各行业提供了机遇。其商业模式的特征在于价值链横向合作大幅增长，通过全产业的数字化互连与设备的实时监控，综合利用分析数据与预见分析，从而更好地满足客户的要求。
　　一般的供应链与全数字供应链的区别在于企业是否有能力高效地对全供应链实现监控、报警、预测及优化。面对庞大的数量以及日益复杂的数据分析任务控制工程网版权所有，通过工业大数据来建立智能工业，其本质是利用自适应机器人与先进传感器等先进技术融合，实现一个数字化制造环境的发展，形成全方位综合优化管理价值链。通过在全供应链的数字优化按需定制和信息实时访问，供应链将变得更灵活。
　　未来智能供应链可以从生产、需求、服务的三个大方面来实现。首先从市场需要着手，通过工业大数据，分阶段实现需求预测，做好需求与库存对接的优化工作，实现分配最优。其次，加大生产质量生命周期的分析，对生产设备做好实时的预测性自维修以提高生产的质量，实现最大化产量和可靠性。最终，产品以服务的方式在市场上流通，实现供应链配件的优化、售前到售后的服务运营优化、保值分析以及建立增值的售后服务盈利模式。
　　智能供应链应该建立在高度自动化的分析技术和管理平台上，通过信息技术与运营技术结合形成，来帮助供应链的厂商从繁琐低效的手动工作中解放出来，实现供应链智能中心。未来的更智能的供应链除了实现智能的支出分析、物料数据分类等主要功能外，其核心旨在加速发展移动互联网、大数据、云计算、物联网及其相结合的制造业。利用先进数据分析和预测工具，对实时需求进行预测与分析，增强商业运营及用户体验，战胜更复杂的供应链挑战。
　　工业创新要以用户需求为转型的核心驱动，借助互联网的灵活和广阔，结合大数据行业的数据管理与分析技术，通过信息物理系统和决策支持系统，让我们的工业物理和信息空间融合同步，实现工业生产的自我意识和自我学习，形成预测监控系统的智能制造业大数据环境，帮助企业做出更“明智”的决策。