联系我们
新闻详情
NEWS
您当前所在的位置:首页 > 新闻资讯 > 工业大数据 > 新闻详情

工业大数据应用的四大挑战

来源:数据观                发布时间:2019-06-12

       以数据为关键要素驱动工业转型升级,不仅成为宏观层面的行业共识,也正在微观层面为企业带来实际收益。?#27426;?#24037;业大数据的发展,还面临数据资源不丰富、数据管理滞后、孤岛普遍存在以及应用深度不足?#20154;?#22823;挑战。为此,需要在企业层面夯实数据基础,抓住?#38469;?#21019;新机遇,在行业层面建立数据互操作与流通的标准与规则。

\

 

  一、以数据为关键要素驱动工业转型升级

 

  2017年12月,习近平总书记在中央政治?#20540;?#20108;次集体学习时强调,要深入实施工业互联网创新发展战略,系统推进工业互联网基础设施和数据资源管理体?#21040;?#35774;,发挥数据的基础资源作用和创新引擎作用,加快形成?#28304;?#26032;为主要引领和支撑的数字经济。在2019年两会上,李克强总理在《政府工作报告》中提出,要打造工业互联网平台,拓展“智能+?#20445;?#20026;制造业转型升级赋能。

 

  宏观上,大力发展工业互联网,用数据智能助推工业转型升级相结合,已经成为全国上下的高度共识。

 

  微观上,大数据?#38469;?#30340;应用?#37096;?#22987;为诸多企业带来实际收益。工业互联网产业联盟2019年2月发布的《工业互联网平台白皮书》显示,数据在工业研发设计、工艺优化、设备维护、质量控制、节能减排等方面的作用日益凸显。

 

  中国石化对4600个批次的石脑油原料进行分析建模,优化工艺操作参数,使汽油收率提高0.22%,辛烷值提高0.90。中化能源对泵机群、压缩机、蒸汽轮机等装备进行健康管理,实现了设备?#25910;?#30340;诊断、预测性报警及分析,设备维护成本每年减少15%。

 

  航天电器建立多种因素与质量关键KPI的关联关?#30340;?#22411;,对设备、工艺、检测等数据进行关因分析,不良品率降低56%。山钢集团对跨工序能效数据进行动态寻优,年化能源?#24403;?000多万元,能耗成本降低11.4%。

 

  酒钢集团经过大数据分析实现能耗的智能化管理,单座高炉每年降?#32479;?#26412;2400万元,减少碳排放2万吨,冶炼效率提升10%。

 

  这样的星星之火还有很多。可?#36816;擔?#38543;着这几年工业互联网的?#27426;?#28145;入发展,工业领域的数据分析应用取得了令人?#19978;?#30340;进?#20581;?/span>

 

  二、工业大数据发展面临四方面挑战

 

  ?#27426;?#20063;应?#27599;?#21040;,成功案例仍然只是星星之火。由点及面形成燎原之势,任重道远。

 

  挑战1:工业数据资源不丰富

 

  理论上,工业领域的数据应该是非常丰富的,麦肯锡2009年的报告显示,美国的离散制造业是所?#34892;?#19994;中数据储量最大的。但实际上,有价值的数据非常稀缺,原因是在工业领域,有分析利用价值的机器数据往往需要包含?#25910;?#24773;形下的“坏”样本。但很多工业系统的数据可靠性较高,观测到?#25910;喜?#19988;已经标记的?#34892;?#26679;本更是难能可贵。还有一些工业场景,?#25381;性?#26497;短的时间内采集测量数据(如每秒上百万个测点),才能捕获机器设备的细微状况,这就要求时序数据库?#22303;?#22788;理平台等专用的新一代数据存储软件提供支撑。

 

  很多工业企业面临“数到用时方恨少”的尴尬。根据中国信息通信研究院和工业互联网产业联盟2018年年底对国内74家工业企业的调?#26657;?#25105;国工业企业的数据资源存量普遍不大,66%的企业数据总量都在20TB以下,?#20849;?#21040;一个省级电信运营商日增数据量的1/10。数据资源不丰富,与我国工业互联网发展还处于起步阶段有关。企业数字化、网络化程度普遍?#31995;停?#25968;据资源的积累?#34892;?#26102;日。而目前工业系统协议“七国八制”现象非常突出,很多软件系统的接口不开放,也增加了数据采集的?#38469;蹌讯取?/span>

 

  挑战2:工业数据资产管理滞后

 

  计算机科学家警钟长鸣:警惕“垃圾进,垃圾出(Garbage in,Garbage out)”。数据质量问题是长期困扰数据分析工作的难题。权威数据专家估计,每年低质量的数据会给企业带来10%~20%的损失。工业领域很多时候?#38750;?#30830;定性的分析结果,对数据分析的可靠性要求高,因而对数据质量的要求也就更高了。美国一直重视数据质量,在1990年还专门颁布了数据质量法案(Data Quality Act),2016年美国《联邦大数据研发战略计划》也专门把确保数据质量与提升数据分析可信性作为七大战略之一。

 

  用数据,更要?#25226;?#25968;据。?#26377;?#24687;化程度较高的金融、电信、互联网等行业经验来看,如果不开展专门的数据治理,就难以确保数据质量。而调查显示,我国工业企业?#25381;?#19981;到1/3的企业开展了数据治理,51%的企业仍在使用文档或更原始的方式进行数据管理。工业企业应该把数据视为与机器设备同等重要甚至更宝贵的资产,加强数据资产管理。好消息是,已经?#24615;?#26469;越多的工业企业从主数据或元数据切入,着手开展数据资产管理。而且,随着机器学习?#38469;?#30340;发展,智能化的数据资产管理工具也越来越完善,工业数据资产的管理,可以更多依赖人工智能高效完成。但相比信息化程度较高的金融、电信、互联网等行业,工业数据的管理,还有很多欠账要补。

 

  挑战3:工业数据孤岛普遍存在

 

  数据孤岛几乎是所有企业都面临的困境。从单一企业内部来看,存在着不同时期由不同供应商开发建设的客户管理、生产管理、销售采购、订单仓储、财务人力等众多IT系统,可谓烟囱林立。而要深度推进智能制造,不仅是上述IT系统要横向互通,还要进一步纵向打通IT(Information Technology)和OT(Operation Technology)两界的数据,推进?#35759;?#38750;常大。而且,企业越大,管理和?#38469;?#21253;袱越重。

 

  从全行业看,发展工业互联网,实现从单一企业内的局部优化,到整个产业链的全局优化的跨越,必然要实现整个供应链上跨企业的数据流通,这就进一步面临着安全合规、商业模式和?#38469;?#26631;准等方面的更大挑战。前述调查显示,超过半数的企业表示需要使用外部数据或对外提供数据,仅有2.7%的企业觉得不会涉及到数据合作,但数据流通由于涉及确权、安全合规等问题,风险和阻力都很大。

 

  德国工业4.0计划已经把数据流通作为重点议题,在构建工业数据空间(Industrial Data Space)方面进?#24515;?#24335;上的探索。与此同时,同态?#29992;?Homomorphic Encryption)、安全多方计算(Secure Multi-party Computation)、零知识证明(Zero-knowledge Proof)、区块链与智能合约等?#38469;?#27491;在走向实用,也为用?#38469;?#25171;破数据共享僵局提供了一条?#26143;?#26223;的路线。国内如何打破数据孤岛,促进工业数据流通,仍需加快探索。

 

  挑战4:工业数据应用?#20849;?#28145;入

 

  大数据在工业领域的作用,纵向可?#28304;?个层次来看:

 

  最基础的,是可以根据数据来描述工业产线、营销和企业经营活动的历史与现?#30784;?/span>

 

  更上一层楼,可以基于数据预测设备、车间和整个企业的未来状况。

 

  最高层次,是根据数据分析结果,绕过人工干预,?#36828;?#22320;直接指导企业运作,形成智能化的数据闭环。

 

  而大数据在工业领域的作用,横向则可以跨越设计、生产、销售、服务全链条。

 

  ?#27426;?#24037;业企业的数据分析应用还普遍处于浅层阶段。最近,工业互联网产业联盟对国内外366个工业互联网平台应用案例进行了分析,40%的平台应用集中在产品或设备数据的检测、诊断与预测性分析领域,而在涉及数据?#27573;?#26356;广、分析复杂度更高的经营管理优化和资源匹配协同等场景中,多数平台现有数据分析能力还无法满足应用要求,还需要进一步推动数据分析?#38469;?#21019;新以及实现长期的工业知识积累。

 

  未来,工业数据分析还需以问题为导向,把工业机理与数据科学方法紧密结合,让数据应用的层次再上台阶,从而产出更大价值。

 

  三、推进工业大数据发展的思考

 

  工业互联网的长期目标,是构建“数字双胞胎”。?#25381;?#24037;业数据越来越丰富、全面,质量越来越高,“双胞胎”才可能长得像,才能“心?#21335;?#21360;”。?#20179;挥?#36825;样,才能让物理世界的万物得以在数字世界重现,通过数字世界里的计算、分析、预测、优化,来指导物理世界的最优运行,从而开辟新的增长空间。为此,还需直面上述挑战,做好几个方面的工作:

 

  (1)夯实数据基础,高度重视数据资产管理的战略价值

 

  企业不仅要关注最终数据分析的显性价值,更要重视数据采集、资产管理、治理、互操作与标准化等基础性工作的价值。磨刀不误砍柴工,?#25381;?#22320;基牢固了,工业大数据才能可信、可用,成为价值源泉。

 

  (2)抓住?#38469;?#21019;新机遇

 

  数据?#38469;?#27491;在进入新的发展阶段,时序数据库、知识?#35745;住?#28145;度学习、安全多方计算等为工业大数据采集、整合与分析孕育着新的动力,将特定应用场景与这些?#24405;际?#32467;合,?#22411;?#24102;来新的突破。

 

  (3)建立行业标准与规则

 

  在行业层面,可以发挥行业联盟作用,在数据采集协议、数据模型等方面建立行业标准,扫清?#38469;?#23618;面互通的?#20064;?#21516;时,还要推动形成工业企业间数据共享的行业规则,创造安全可信、利益均衡的数据流通生态,为打破全行业数据孤岛铺平道路。


大家乐湖北麻将APP 极速时时官方结果 北京时时的官网 旺旺重庆时时计划制作软件 河南二十二选五开奖结果 pc蛋蛋预测大神吧 北京赛pk10技巧 极速赛车定胆 秒速时时彩一期一计划 福建时时快三 北京11选5开奖号码走势图 福建体的225走势图 快速赛车计划规律 时时软件超准计划 金星彩票 重庆时时彩APP苹果 内蒙古时时开奖公告查询