工業(yè)大數據的三大來源、三大關鍵問題、三個實施案例
2011年麥肯錫全球研究院大數據報告表明，2009年美國以裝備制造為代表的離散工業(yè)領域擁有的數據規(guī)模為各領域之首，比美國政府擁有的數據還要多。近年來，隨著德國工業(yè)4.0和美國工業(yè)互聯(lián)網為代表的新工業(yè)革命深入發(fā)展，以及“中國制造2025”、“互聯(lián)網+”行動計劃與“促進大數據發(fā)展行動綱要”的頒布實施，工業(yè)大數據得到了越來越多的關注。這里分享一下我們的思考與實踐。
1、工業(yè)大數據三大來源
企業(yè)信息系統(tǒng)、裝備物聯(lián)網和企業(yè)外部互聯(lián)網是工業(yè)大數據的三大來源：
企業(yè)信息系統(tǒng)存儲了高價值密度的核心業(yè)務數據。上世紀60年代以來信息技術加速應用于工業(yè)領域，形成了產品生命周期管理(PLM)、企業(yè)資源規(guī)劃(ERP)、供應鏈管理(SCM)和客戶關系管理(CRM)等企業(yè)信息系統(tǒng)。這些系統(tǒng)中積累的產品研發(fā)數據、生產制造數據、物流供應數據以及客戶服務數據，存在于企業(yè)或產業(yè)鏈內部，是工業(yè)領域傳統(tǒng)數據資產。
近年來物聯(lián)網技術快速發(fā)展，裝備物聯(lián)網成為工業(yè)大數據新的、增長最快的來源，它實時自動采集了生產設備和交付產品的狀態(tài)與工況數據。一方面，機床等生產設備物聯(lián)網數據為智能工廠生產調度、質量控制和績效管理提供了實時數據基礎;另一方面，2012年美國通用電氣公司提出的工業(yè)大數據(狹義的)，專指裝備使用過程中由傳感器采集的大規(guī)模時間序列數據，包括裝備狀態(tài)參數、工況負載和作業(yè)環(huán)境等信息，可以幫助用戶提高裝備運行效率，拓展制造服務。
當前互聯(lián)網與工業(yè)深度融合，企業(yè)外部互聯(lián)網已成為工業(yè)大數據不可忽視的來源。本世紀初，日本企業(yè)就開始利用互聯(lián)網數據分析獲取用戶的產品評價，時至今日，小米手機利用社交媒體數據成功實現產品創(chuàng)新研發(fā)。此外，外部互聯(lián)網還存在著海量的“跨界”數據，比如影響裝備作業(yè)的氣象數據、影響產品市場預測的宏觀經濟數據、影響企業(yè)生產成本的環(huán)境法規(guī)數據……
2、工業(yè)大數據實施的關鍵問題
數據質量、多源關聯(lián)和系統(tǒng)集成是工業(yè)大數據實施的關鍵問題：
擁有大數據不是目的，發(fā)掘其價值才是關鍵。由企業(yè)信息化數據、裝備物聯(lián)網數據和外部互聯(lián)網數據匯聚而成的工業(yè)大數據，蘊藏著巨大價值。例如，通過分析用戶使用數據改進產品，通過分析現場測量數據提高工件加工水平，通過工況數據進行產品健康管理等。
▋筆者認為實施工業(yè)大數據項目需要關注以下3個關鍵問題：
1、數據質量控制問題
原始數據(生數據)質量決定分析結果的質量。企業(yè)信息系統(tǒng)數據質量仍然存在問題，例如2014年某大型機車企業(yè)ERP系統(tǒng)中近20%物料存在“一物多碼”問題。裝備物聯(lián)網數據質量堪憂，某大型制造企業(yè)1個月的狀態(tài)工況數據中，無效工況(如盾構機傳回了工程車工況)、重名工況(同一狀態(tài)工況使用不同名字)、時標混亂(當前時間錯誤或時標對不齊)等數據質量問題約30%。
2、多源數據關聯(lián)問題
層次化的物料表(Bill Of Material, BOM)定義了企業(yè)信息系統(tǒng)數據的核心語義結構。針對跨生命周期的研制BOM和實例BOM間結構失配問題，我們提出了中性BOM模型，并以此為核心，向前關聯(lián)設計制造BOM，向后關聯(lián)服務保障BOM，形成星型結構，極大地降低了數據關聯(lián)的復雜度。同時，針對裝備物聯(lián)網數據和外部互聯(lián)網數據,可以根據其綁定的物理對象(零部件或產品)與相應的BOM節(jié)點相關聯(lián)。從而以BOM為橋梁，關聯(lián)3個不同來源的工業(yè)大數據。
3、大數據系統(tǒng)集成問題
工業(yè)大數據其來源更加廣泛，并且裝備物聯(lián)網數據(半結構化數據)和外部互聯(lián)網數據(非結構化數據)都要與企業(yè)信息系統(tǒng)(結構化數據)進行集成，因此要重構數據支撐平臺，甚至替換“舊”系統(tǒng)。
3、工業(yè)大數據實施工程案例
工業(yè)大數據分析提升工程裝備服務保障水平，這里分享兩個工程案例：
案例1 工業(yè)大數據提供故障分析新手段
液壓系統(tǒng)是工程機械的關鍵部件。2013年我們發(fā)現液壓系統(tǒng)的油缸密封套腐蝕故障數量異常。于是依據企業(yè)信息系統(tǒng)記錄的液壓系統(tǒng)維修歷史數據，通過比對相關狀態(tài)工況數據(裝備物聯(lián)網數據)，搜索推薦與故障車輛關系密切的工況，發(fā)現車輛油缸換向頻率的波動幅度與這些故障高度相關。
進一步，引入互聯(lián)網上的行政區(qū)劃數據和歷年工程建設數據(外部互聯(lián)網數據)后，發(fā)現2012～2013年期間這些典型故障均發(fā)生在沿海省份，從而推斷出鹽霧環(huán)境是導致密封套腐蝕故障的主要誘因。
案例2 工業(yè)大數據提升備件需求預測精度
隨著工程裝備增量市場增長乏力，以維修保障為主的存量市場成為企業(yè)盈利新的增長點。我們利用了企業(yè)信息系統(tǒng)中的備件銷售訂單、采購訂單和備件庫存狀態(tài)數據，以及工程物聯(lián)網采集到的工況數據和外部互聯(lián)網數據(如每個省的GDP，建筑、交通等規(guī)劃數據)。
針對30個省市區(qū)進行了備件需要預測，平均預測精度為82%，每旬備件需求預測誤差在5件或真實值的20%以內。庫存水平控制在一個較低的穩(wěn)定水平，僅為原來庫存水平的48%。同時，因為考慮到了20天的配貨周期，基于預測的補貨策略可以保證現貨滿足率，消除緊急臨時訂單。如果按備件庫存占有資金1億元計算，可節(jié)約庫存資金占用5000萬元。
工業(yè)大數據是實現智能制造的基礎原料，是提升工業(yè)生產力、競爭力、創(chuàng)新力的關鍵要素。然而必須看到，工業(yè)大數據是一個正在發(fā)展的學科領域，其內涵外延、模型理論、技術方法及其實施策略等還有待發(fā)展與創(chuàng)新。唯有結合中國國情認真實踐，才能走出中國工業(yè)大數據自主之路，實現制造強國的戰(zhàn)略目標。
朱先生