工业大数据应用的四大挑战

  

 

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。然而，工业大数据的发展，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等四大挑战。为此，需要在企业层面夯实数据基础，抓住技术创新机遇，在行业层面建立数据互操作与流通的标准与规则。

 

来源 | 中国信息通信研究院CAICT （转载请注明来源）

作者 | 魏凯

编辑 | 方茶云

 

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局第二次集体学习时强调，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系建设，发挥数据的基础资源作用和创新引擎作用，加快形成以创新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+”，为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，大数据技术的应用也开始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。

 

工业大数据发展面临四方面挑战

 

 

然而，也应该看到，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。

 

2

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。工业领域很多时候追求确定性的分析结果，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“养”数据。从信息化程度较高的金融、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，我国工业企业只有不到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，已经有越来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，随着机器学习技术的发展，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。

 

3

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，推进难度非常大。而且，企业越大，管理和技术包袱越重。

 

 

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、商业模式和技术标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）方面进行模式上的探索。与此同时，同态加密（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技术正在走向实用，也为用技术打破数据共享僵局提供了一条有前景的路线。国内如何打破数据孤岛，促进工业数据流通，仍需加快探索。

 

 

4

挑战4：工业数据应用还不深入

 

大数据在工业领域的作用，纵向可以从3个层次来看：

 

01

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状。

 

02

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。

03

最高层次，是根据数据分析结果，绕过人工干预，自动地直接指导企业运作，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。

 

然而，工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，而在涉及数据范围更广、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技术创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。

 

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”。只有工业数据越来越丰富、全面，质量越来越高，“双胞胎”才可能长得像，才能“心心相印”。也只有这样，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，只有地基牢固了，工业大数据才能可信、可用，成为价值源泉。

 

 

（2）抓住技术创新机遇

数据技术正在进入新的发展阶段，时序数据库、知识图谱、深度学习、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新技术结合，有望带来新的突破。

 

（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，扫清技术层面互通的障碍。同时，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。