《工业大数据》 ----工业4.0时代的工业转型与价值创造 读书笔记 李杰（Jay Lee）

1. 基本概念

• 工业4.0：以Cyber-Physical Production System(CPPS，信息物理生产系统)为核心的制造系统变革。工业视角的转变，与前3次工业革命最大的区别在于不再以制造端的生产力需求为起点,而是将用户端的价值需求作为整个产业链的出发点。
• 工业互联网：核心三要素包括智能设备、先进的数据分析工具、人与设备的交互接口；是智能制造体系和智能服务体系的深度融合，是工业产业链和价值链的整合与外延。
• 信息物理系统(CPS):是通过网络虚拟端的数据分析、建模和控制对实体活动内容的深度对称性管理。
• 物联网（IoT）：实体之间通过传感器数据与控制信号实现相互索引、相互连接、相互通信和相互协同的集群网络。主要的技术元素包括智能传感网、M2M(机器对机器通信)和云计算与存储技术等。
• 互联网+:本质是利用互联网技术颠覆传统行业商业模式和服务模式的经济新形态，是生产系统革命引起生产关系和商业模式变革的必然趋势。
• 数据分析与预测：从人和设备的各类活动中通过统计分析、特征提取、关联挖掘、模式识别和深度学习等智能分析方法，实现对实体活动内容的认知和预测。
• 故障诊断与健康管理：利用工业系统中产生的各类数据，经过信号处理和数据分析等运算手段，实现对复杂工业系统的健康状态进行检测、预测和管理。

工业4.0以CPS为核心，具体如下图所示：

 

工业4.0有三个支撑点：

• 制造业本身的价值化，不仅做好产品，而且将产品生产过程的浪费降到最低，实现设计、制造过程与用户需求相配合
• 系统有“自省”功能，即在制造过程汇总根据产品加工状况的改变自动进行调整
• 制造的最高境界----无忧生产，在整个制造过程中实现零故障、零意外、零污染。

工业4.0的机会空间

通过数据预测需求，预测制造，利用数据去整合产业链和价值链。

 

1. 以价值制造为核心的工业转型思维

• 有之以为利，无之以为用

 可理解为，一切事物的实体为我们提供可以凭借的、可见的基础条件，而其中所隐藏的空间和可变化的无限可能才是被我们真正使用并创造价值的所在。因此提出以价值导向为核心的变革新思维，不仅关注产品，更加注重产品带给生活的价值，我们最主要的目的就是在使用中创造价值。

• 煎蛋模型：以价值创造为目标

李杰教授认为，做蛋白最重要的是以价值为导向的变革思维。“数据不等于信息，不等于价值，要以数据价值的创造力为导向，其核心在于以数据分析的能力创造新价值。

 

6M：

• Marteril--材料.包括特性和功能

• Machine--机器,包括精度,自动化和生产能力等。

• Methods--方法,包括工艺。效率和产能等,

• Measurement-测量,包括六西格玛,传感器监测等

• Maintenance--维护 ,包括使用率,故障率和运维成本等

• Modeling- -数据和知识建模,包括监测,预测，优化和防范等。

6C：

• Connection- 连擅,涉及传感器和网络,物联网等;

• Cloud- 云,即在任何时间按需获取的存储和计算能力;

• Cyber- 虚拟网络,包括模型和记忆等

• Content/Context- 数据内容与来源背景包括相关性含义决策等

• Community- 社群，包括交互,分享,协同等;

• Customization- 定制化,即个性化的服务与价值。

• 中国工业4.0的竞争力缺口

需求驱动—>效率驱动—>创新驱动，以推动中国制造的技术创新，模式创新，服务创新。

工业环境下的大数据价值创造体系

• 6V

普遍认可的大数据有“4V”：量（Volume），速度（Velocity）， 多样性（Variety），真实性（Veracity）； 在工业场景中，还有两个“V”：

可见性（Visibility）：通过大数据分析使以往不可见的重要因素和信息变得可见

价值性（Value）：通过大数据分析得到的信息应该被转换为价值

• 3B

有别于互联网大数据，工业大数据的分析技术核心是要解决重要的“3B” 问题：

1. Below Surface,隐匿性，即需要洞悉特征背后的意义
2. Broken，碎片化，即需要避免断续、注重时效性
3. Bad Quality，低质性，即需要提高数据质量、满足低容错性

• 核心技术—CPS

工业人工智能由一套完整的技术系统和标准化的方法架构组成，其核心技术包括数据技术、分析技术、平台技术与运筹技术, Cyber physical system (CPS)的 5C体系结构用作实现此闭环过程的功能框架。CPS 作为一种整合网络世界和物理世界的多维度的变革性智能技术体系, 以大数据、网络与海量计算为基础,通过核心的智能感知、分析、挖掘、评估、预测、优化等技术手段, 融合计算、通信与控制, 做到以数据为模型驱动的自治和智能支持促进工业的智能化发展. 如图所示, 5C 作为 CPS 在制造领域的架构为其在制造领域的开发和部署提供了完整的指导方针。5C 分别代表 Connection (智能感知层)、Conversion (智能分析层)、Cyber (网络层)、Cognition (智能认知层)、Configuration (智能决策与执行层), 具体含义如下:

1) 智能感知层 (Connection): 高效率和高可靠性来采集数据是在机器或是组件层面上的首要任务一方面为了确保数据采集的质量和全面性，另一方面是按照我们所要采集的目标信息自动选择所偏好的数据采集方式。

2) 智能分析层 (Conversion): 在工业中采集的各种不同类型的数据代表着机器的不同状况, 我们应当将原先采集到的低价值数据转化为有意义且实际的信息。智能分析层的作用是对数据进行特征工程、分类和优先级排列，从而确保信息的可读性。

3) 网络层 (Cyber): 即网络化的管理, 网络环境中信息的融合和建模, 将机台状况、周围环境与群体结合, 包括精确同步、关联建模、变化记录、分析预测等以构建能够指导实体空间的分析环境。

4) 智能认知层 (Cognition):依照我们所要达到的目标以及前面分析的结果，对决策进行优化，并将相关数据反馈给管理系统，保证最终决策的最优以及时效性。

5) 智能执行层(Configuration):依照目标的不同与前一层的分析结果,对决策进行优化,并将结果回馈给管理系统,使管理人员能基于信息做出正确的决策,保证时效性和管理的协同性。

 

5C:以CPS为核心的数据价值创造体系架构

工业人工智能4个核心技术中,平台与数据技术是工业智能化的首要条件,有效的数据连接与传输和成熟的平台技术是其系统实现的前提，分析技术是设备展现智能化的灵魂，而运筹技术是创造价值的关键。

 

• 6S

在通往工业4的道路上中国应该在6S方向投入更多的资源和精力：  新传感（Sensing）,软平台（Software Platform）,网安全（Security）,标准化（Standard） , 靠速度（Speed）,连服务（Service）

暂时总结到这里，有看过的小伙伴可以一起交流呀