从制造到服务:工业互联网重新定义价值链

在美国,GE倡导的“工业互联网”革命正如火如荼。与工业4.0的基本理念相似,它同样倡导将人、数据和机器连接起来,形成开放而全球化的工业网络,但其内涵已经超越制造过程以及制造业本身,跨越产品生命周期的整个价值链,涵盖航空、能源、交通、医疗等更多工业领域。

从创造价值的角度来看,GE认为工业互联网的价值可以从三方面体现:第一,提高能源的使用效率;第二,提高工业系统与设备的维修和维护效率;第三,优化并简化运营,提高运营效率。

相比于工业4.0,工业互联网更加注重软件、网络、大数据等对于工业领域的服务方式的颠覆—— 与德国强调的“硬”制造不同,“软”服务恰恰是软件和互联网经济发达的美国经济最为擅长的。

2011年,GE在加州硅谷建立全球软件研发中心,开发工业互联网,研发内容包括工业互联网平台、应用以及数据分析,目前研发团队已经达到上千人。在GE公司2012年11月发布的《工业互联网—— 打破智慧与机器的边界》的报告中预测:在美国,如果工业互联网能够使生产率每年提高1%-1.5%,那么未来20年,它将使美国人的平均收入比当前水平提高25%-40%;如果世界其他地区能确保实现美国生产率增长的一半,那么工业互联网在此期间会为全球GDP增加10万亿-15万亿美元—— 相当于再创一个美国经济。2013年,GE宣布将在未来3年投入15亿美元开发工业互联网。

“智能”是工业互联网的关键词。作为全球最主要的飞机引擎制造商,在商用航空领域,GE正在用智能飞机引擎让飞机更智能。飞机引擎上的各种传感器会收集飞机在空中飞行时的各种数据,这些数据传输到地面,经过智能软件系统分析,可以精确检测飞机运行状况,甚至预测飞机故障,提示做预防性保养等等,以提升飞机安全性以及引擎使用寿命。

工业互联网正在改变工业企业的商业模式:从销售产品变为销售服务。“在GE飞机引擎整个产品生命周期的价值创造中,物理产品的销售只占30%,而引擎的保养、维修等服务占总收入的70%,我们的主要利润点在服务,而不在引擎产品本身。” GE软件卓越中心总经理胡晓博士透露说。目前全球约有2万架商用飞机,其中包含4.3万个商用喷气发动机。未来15年,将有3万个新的喷气发动机投入服务。

不仅仅在航空领域,服务型导向的商业模式正在改变更多传统工业企业的商业模式。拥有100多年历史的老牌工业企业英格索兰(Ingersoll Rand)正将这一模式应用到销售空调压缩机的业务中。“我们现在销售的是安全、舒适的环境,而不是单一的产品。”英格索兰北美地区空调压缩机系统与服务总经理博格曼(Joe Bergman)表示。几年前,英格索兰发现空调压缩机市场的竞争日趋激烈,而一台寿命15年的空调压缩机如果没有持续的服务难以销售,于是把空调压缩机变成了智能的可联网产品。

“现在我们的每一台空调压缩机都具备联网能力,在产品销售的同时,服务为我们创造了更多利润。”博格曼说。在商用市场上,英格索兰正试图引入类似“合同能源管理”模式,通过为客户提供持续不断的、满足需求的服务而收取费用。“如果我告诉你,你购买的不是空调压缩机,而是新鲜空气,并且我们的方案可以帮你在产品整个生命周期节约至少1/3的开支,这绝对会改变你的购买方式,”博格曼说,“当然,我们的销售模式也会随之变化。”类似的模式还在照明领域发生,在用LED颠覆传统照明的进程中,飞利浦就从以往卖灯泡的模式变为了卖照明服务,从节约的电费中取得收入。


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值