導 讀
大規模的資料應用和平台架構在金融、電信等行業經曆了充分的驗證和演進，加上政策的催化作用，構成了工業智能拐點到來的先決條件——
工業一般分為流程工業和離散工業。兩者最大的差異在生産的自動化程度、資料的可得性和工業的複雜度，而最大的共性在于，每一個場景都需求各異，進入任何一個細分領域都需要有足夠深厚的行業knowhow和上下遊資源整合能力。
智能，可以了解為資料化以及建立于此之上的AI。以産線自動化為始，多源異構的工業資料被采集、流轉、分析并幫助形成決策和控制，端到端的解決方案就形成了目前行業player的典型畫像。
為什麼是工業智能？
藍海
工業尤其是制造業的GDP總量遠高于零售、金融、建築等行業。而工業領域每天産生的有效資料量其實不亞于BAT等網際網路公司，一個大規模的工廠每天産生的資料量甚至能達到幾十億到上百億條。
壁壘
雖然工業場景每天産生高頻、海量的資料，但是大量的原始資料本身并沒有直接意義，且有可能産生大規模時延和占據大量帶寬。我們不僅需要在某些場景做實時的監控和分析，也需要把更多資料采集到雲端做更多元和更長期的經濟效益及價值分析，這是雲計算的價值。而雲計算+邊緣計算，這是比傳統消費網際網路更細的顆粒度和更複雜的架構，這也意味着更高的壁壘。
拐點
網際網路一條邏輯叫做“Copy to China”，“Copy to 工業”是同樣的道理。大規模的資料應用和平台架構在金融、電信等行業經曆了充分的驗證和演進，加上中國制造2025在政策一側的催化作用，構成了拐點成立的先決條件。
工業智能的玩家畫像
現階段的使用者需要的不是單個産品，而是端到端的整體解決方案。一個合格的工業智能公司，應該具備整體解決方案的構造能力。
首先，使用者需求永遠是第一位，不滿足需求的技術都是僞命題。此外，一套好的解決方案從一個完美的架構開始。對于工業場景而言，從内、外部多源資料的整合開始，到雲+端的平台架構，知識庫的建立，合适模型的選擇，再到反向決策和控制，隻有完整打通，才能形成閉環。
整體來說，工業智能呈現一橫（整體架構）+N縱（多個細分行業）的格局。
工業智能的路徑選擇
對于工業領域的大B客戶來講，現階段需要的不是單個産品，而是端到端的整體解決方案。這雖說是現狀，其實也是工業創業者的終極目标。然而路徑選擇很重要。
關于發展路徑，業内主流認為自動化-（資料化）-資訊化-智能化是工業使用者進階的合理順序，并且前一階段是後一階段開始的必要條件。是以國内工業智能領域的企業在很長一段時間内隻關注自動化領域的機會，甚至将工業智能等同為“機器人”或者“工業自動化”。從使用者現場的大量實踐來看，這幾個階段存在着顯著的先後順序，但同時交叉滲透，疊代進行。
具體來看，離散制造行業大部分客戶自動化程度不夠，是以優先完成産線自動化。一些廠商以工業以太網和闆卡實作裝置互聯，打通裝置級資料，經過MES回報到平台層，在不更換原有工控裝置的基礎上實作初步物聯，使用者接受度很高，業績每年翻幾番增長，趨勢非常明顯。這一類模式，我們可以稱之為「以M2M裝置物聯為核心的系統內建」。
更進一步的需求，來自于離散制造業的超大型頭部客戶和流程制造行業的絕大多數客戶，由于産線自動化程度本身較高，我們觀察到這類客戶對于資訊化的接受程度本身也較高。
另外有一類廠商可以直接從頂層設計切入，在平台層以工業大資料平台或者場景化的AI模型服務使用者，實時的解決業務問題。反過來在資料采集層，在一些資料不完善的局部加裝傳感器，加裝智能化的檢測裝置，甚至于做小段的産線內建等等。這一類模式，使用者接受度往往更高，這意味着項目的溢價往往也更高，我們可以稱之為「以資料應用為核心的系統內建」。
是以，我們可以看到三條發展路徑，面對不同的客戶，不同的場景，不同的發展階段，有不同的路徑選擇：
一、以産線自動化為核心的系統內建；
二、以M2M裝置物聯為核心的系統內建；
三、以資料應用為核心的系統內建。
當然，殊途同歸，最終都是給使用者提供整體解決方案，以滿足使用者需求為核心。
工業智能之工業大資料
首先，資料在哪裡？
▲一類是管理資料：結構化的SQL資料為主，如産品屬性、工藝、生産、采購、訂單、服務等資料，這類資料一般來自企業的ERP、SCM、PLM甚至MES等系統，資料量本身不大，卻具有很大的挖掘價值；
▲另一類則是機器運作和IoT的資料：以非結構化、流式資料居多，如裝置工況（壓力、溫度、振動、應力等）、音視訊、日志文本等資料，這類資料一般采集自裝置PLC、SCADA以及部分外裝傳感器，資料量很大，采集頻率高，需要結合邊緣計算在本地做一些預處理。
總的來講，由于場景的割裂和分散，工業資料本身具有量大、多源、異構、實時性要求高等特點，而且随着未來280億裝置逐漸接入，這些特性将會進一步加強，這是做工業大資料服務的核心難點之一，和網際網路大資料不僅量級不同，結構不同，應用也完全不同。
其次，基于這些工業資料，平台層應該提供哪些服務？
▲完整的協定解析：資料采集首先要完成工業協定的打通。以應用層協定為例，EtherNet/IP和PROFINET的市場占有率最大，其次是EtherCAT、Modbus-TCP和EtherNetPOWERLINK；
▲标準化的資料整合：采集上來的資料要做統一的主資料管理，第一步是建立标準。一般來講，我們先要用ISO或其他業内标準，制定統一的編碼、結構、流轉方式和屬性，確定資料的一緻性，這一點非常重要。
在項目實施的曆程中，逐漸積累行業知識庫、合适的算法元件以及相關機理模型，這一點也很重要，這是從資料标準進化到業務标準化的關鍵一步，是為實作真正的産品層面的微服務化打下基礎。
強大的PaaS支援：工業資料本身的特殊性導緻平台必須要有強大的中層支撐能力。我們以時序資料庫為例，它是裝置工況和傳感器資料的典型品種。這類資料頻率高、量大，用傳統關系型資料庫處理，需要每次把所有值拉出來計算，吞吐量極大，性能很差。是以，一個高壓縮、高性能的時序資料庫，就是平台層必備的能力之一。
最後，我們應該做哪些應用？
▲裝置級：品質控制。在工業智能時代，如果我們能夠采集到合适的實時資料，結合該裝置所适用的機理模型，就有可能用機器學習的方法挖掘出産品品質與關鍵資料之間的關聯或因果關系，也就有可能實作實時線上的品質控制和故障預警，如果資料頻率能對工藝流程形成完美包絡，我們還有可能實作最大限度的效率提升。
▲廠級：計劃排産。工業智能的最終目的是要實作大規模的個性化定制，即C2M。這一問題的目标是實作當時當地的産能最優，限制條件來自企業的産線裝置、人員、産品屬性、供應鍊資料等等，通過曆史資料的學習和訓練，不難形成一個較好的預測模型。
這一模型能根據産線和工廠的實時資料動态分析，動态調整，以幫助企業實作準确把控，最大化經濟效益。
在可以預見的未來，随着資料的完整性和可靠性越來越高，場景越來越豐富，資料應用層面會誕生相當多的優先企業，他們幫助工業使用者降低成本，提高效率，能解決實實在在的業務問題。
專家合作：nq1919