2019-06-21

李颖:充分发挥数据价值,推进工业互联网创新发展

分享:

随着第四次工业革命的探索逐渐走向深入,数据作为数字经济时代新驱动要素的作用日益凸显,与传统要素相比,数据具有更强的可复制性、更易共享、且可无限增长和供给,使突破有限自然资源供给对经济增长制约成为可能,对培育经济发展新动能、开辟发展新道路具有重要意义。制造业是国民经济的主体和根基,工业数据的深度开发利用既是数字经济实质发展的标志,也是传统产业数字化转型的难点和关键。随着新一代信息技术的不断扩散和深度应用,工业互联网平台应运而生,工业产品和生产经营活动全生命周期数据的采集、存储、分析、共享、应用、服务增值等正呈现日新月异的勃勃生机,催生了一系列新产品、新模式、新业态,推动制造业加速向数字化、网络化、智能化变革。

 

工业互联网平台使数据价值充分释放成为可能

在消费互联网的发展过程中,一批企业通过对消费者行为数据的深度挖掘,已在商业变革中取得显著成效,并催生出一批数据驱动的新商业模式。但在工业领域,由于数据采集更困难、数据种类更复杂、数据应用专业难度更大,对数据应用的开发利用显得相对滞后。工业互联网平台的发展使得工业数据在采集、分析和应用方式上发生巨大转变,为工业数据创造价值开辟了广阔空间。

 

一是工业互联网平台带来了数据采集方式的根本改变。传统的工业数据采集主要通过人工录入、调查问卷、电话随访等方式进行。这种采集方式得到的数据数量少、时效性差、精度低、成本高。随着条形码、二维码、RFID、工业传感器、工业自动控制系统、CAD/CAM/CAE/CAI、5G等技术在工业领域得到广泛应用,工业数据的采集方式出现了本质的改变,工业企业可获得的数据来源更丰富、更全面、更及时,数据种类更多(不仅可获得来自信息化系统的IT数据,还能获得来自设备、员工、生产环境的OT数据),为工业数据创新应用奠定了更具时效性、准确性、完整性的数据基础。
 

二是工业互联网平台加速了工业数据分析方式的创新突破。工业设备可不间断产生数据,并且可实现毫秒级频率的数据采集,数据量庞大,且涉及的数据种类、数据格式以及数据结构多样,专业关系复杂,传统的数据分析方式无法有效应对。此外,传统数据分析往往将数据存储在边缘侧或独立的系统中,使数据互联、互通、互操作受阻,无法有效提取和协同应用所需的相关数据,阻碍了数据的相关分析、系统利用和价值转化。以工业互联网平台为基础,创新应用边缘计算、大数据、人工智能等新兴技术可突破主观认知局限和传统数据分析的因果范式,从海量工业数据中识别数据间的相关性,深入挖掘数据潜在关联价值,形成决策新范式和新洞察。

 

三是工业互联网平台成为数据价值创造的最佳载体。传统工业数据应用方式大多是基于企业部分历史数据开展局部分析,将部分个体经验提炼成因果规则,并加以推广应用。工业互联网平台的出现可实现工业数据的在线、实时、动态、跨界分析应用,为工业企业的产品服务、生产经营决策等方面提供更全面、更快速、更精确的大数据支持,将因果规则转变为基于相关数据的个性化精准决策。在此基础上,工业互联网平台可支持企业加速打破传统业务烟囱式的发展模式,大大提高了数据流动的自动化水平,实现跨越地域、跨越组织的设备、业务、市场数据的创新协同应用,构建开放生态体系和创新发展模式。

 

基于工业互联网平台的数据创新应用取得明显实效

得益于工业数据在采集、分析、应用方式的变革,数据驱动型创新应用对于推动工业互联网平台价值落地和快速发展成效显现。根据数据流动范围和复杂程度,工业互联网平台的创新应用已在设备、企业和供应链等不同层级上产生了明显实效。

 

一是设备级数据应用,实现在线、实时设备管理。设备级数据应用是最基础的数据应用,无论是工业企业对于来自联网设备运行信息的高级分析,还是设备制造商对自身产品在全生命周期中的理解、管理、诊断和维护,都需要从原先单纯依赖人工、经验转变成基于数据所得出的更科学和更高效的决策。设备级数据应用通过实现工业设备的互联互通,将设备的运行状态转化为数字,实现可视化,并基于采集来的数据对工业设备进行进一步的数据分析,如故障诊断通过设备运行中的相关信息来识别其技术状态是否正常,确定故障的性质与部位、寻找故障起因、预报故障趋势,并提出相应对策;预测性维护是基于历史数据和实时数据对即将出现的问题进行预判,可有效缩短设备非计划停机时间、保证生产计划、降低运维成本;产品即服务是设备制造商从出售产品向提供服务(如远程运维、预测性维护等)的商业模式转变,可为客户带来创新价值、为制造商提供新的收入来源。

 

二是企业级数据应用,实现企业精益管理。企业级数据应用是指打通企业OT数据与IT数据,基于数据分析为企业整体业务和运营优化提供科学决策,实现企业精益管理。企业级数据应用种类较为丰富,包括质量管理、能源管理、安全管理、生产过程管理等。全面质量管理是企业级数据应用的典型例子。传统的质量管理方式主要在生产制造结束之后进行质量检测。这种单环节的检测方式对人员经验的依赖性较高,容易造成漏检、标准不一致等问题;这种检测方式不能识别出不合格产品的原因和环节,从而无法从根本上提升产品合格率。数据驱动型全面质量管理应用可整合设备、员工、工艺、环境、质检等多方数据,以点到面形成全面质量管理解决方案。在制造环节,针对设备(基于设备管理保证生产过程质量一致性)、员工(基于机器视觉识别员工错误操作)、环境(实现环境智能监控)、工艺(基于机器学习识别参数最优解)方面,形成基于数据的单点质量管理应用;在质检环节采用基于机器视觉的质检方法,可确保质检结果一致性和准确性比其他质检方法有显著的提升,基于机器学习分析质检结果,利用缺陷智能追踪,确定出现质量问题的原因和环节,并采取相应改善措施,形成质量管理闭环,实现全面质量管理。

三是供应链级数据应用,实现供应链动态精准协同。供应链级数据应用是工业数据在企业间的延伸、交互,涉及企业、供应商、分销商、客户等多个参与方,包括计划、采购、生产、物流等一系列环节。高级排程是供应链级数据应用的典型例子。企业根据需求预测形成生产计划的同时,可将订单计划自动拆解成相应的采购计划、物流计划等,并与零部件供应商、物流服务商的系统进行数据交互,根据实际情况预测可能出现的变化(如某特定产品供应商出现产能不足的情况、货运公司无法正常运输等),或针对出现的突发状况(如紧急订单、零部件丢失等)调整生产安排,实现供应链动态精准协同。


供应链级数据应用通过企业间的数据共享、数据交易,还可实现社会制造能力开放共享、供应链金融、UBI、融资租赁等产融创新模式,为我国经济发展提供新动能。

 
 
进一步加快数据驱动型创新应用落地推广
 
进一步加快数据驱动型创新应用落地推广,需要构建完善的工业数据治理体系,以数据价值为牵引不断拓展数据应用规模、提升数据应用价值,最大化释放数据效能。

 

一是完善数据治理体系,持续优化数据开发利用环境。健全工业数据交易、共享制度。从法律层面对工业数据资源的产权属性予以界定,完善数据价值评估,建立健全工业数据资源交易机制和定价机制,探索成立全国性工业数据交易中心;完善工业数据安全和隐私保护体系。推动完善工业数据安全等级保护制度,建立兼顾安全与发展的工业数据管理和保障体系,加强对商业秘密、敏感数据及隐私的保护。

 

二是加强应用价值挖掘,拓展数据开发利用规模。加强数据开发利用项目的价值落地。以数据应用价值为牵引,将大数据技术、机理模型和分析结果更为便捷、精准、低成本地运用到各业务场景,切实帮助企业实现降本提质增效、决策优化和业务延伸;扩大数据协作范围,实现数据应用规模与效益倍增。通过打通产业链、价值链数据,提升工业数据的跨行业适用性,实现数据一次采集、多方反复使用,实现规模和价值倍增,推动形成工业数据应用的新模式、新业态。

 

三是开展数据创新试点示范,加快数据开发利用模式迭代创新。打造一批典型数据应用案例,加强试点示范引路。鼓励有基础、有需求、有动力的企业深度开展数据开发利用,加强基于新一代信息技术的工业机理模型研发,加快形成一批基于数字孪生、大数据分析、人工智能的数据驱动型典型案例和解决方案;培育数据创新生态体系,加快数据驱动型制造业发展模式的迭代创新。在数据范围、应用规模、开发深度不断拓展的基础上,加强涵盖数据技术、应用、产业、资本、人才等要素的数据创新生态体系建设,为探索形成和迭代创新数据驱动型制造业发展模式提供强大支持。