日本av網 匯聚海量最新國內、國際資訊

工業大數據的三個基本問題

2019-06-27已圍觀 來源:互聯網編輯:日本av網

工業大數據的視角。

工業大數據工作框架。

中國航空報訊:隨著雲計算、物聯網、移動計算、大數據、人工智能等新一代信息技術的興起和我國製造業向數字化、網絡化、智能化的持續大力推進,大數據在工業領域的應用引發了製造行業的普遍關注。“數據管理”這個沉寂了幾十年的管理領域重新被重視起來,“數據資產化”為大數據廠商、各大企業所津津樂道。但是,大家對工業大數據的理解還存在很多疑問甚至分歧,作為一個普遍缺乏實踐的工作領域,還存在著諸多未知因素和風險。為此,本文提出工業大數據的三個基本問題與大家共同討論。

WHY |工業大數據,為什麽在今天受到如此高的關注?

首先,工業大數據受到關注是因為互聯網發展,大數據首先是在互聯網行業得到應用,進而推動了大數據相關技術的發展和成熟,在IT廠商、互聯網企業家、政府官員等多方力量的助推下,大數據應用逐步滲透到其他行業,如:醫療、通信、金融、製造業,大數據在製造業的應用,被稱為工業大數據。

其次,工業大數據倍受關注與製造業的數字化、網絡化和智能化的客觀事實密切相關。自動化/智能化的設備、生產單元和生產線,還有智能化的產品,運行過程中產生了大量的數據,這些數據蘊藏著有價值的信息。例如,GE航空發動機每天提供給監控係統的數據超過1PB,福特的插電式混合動力汽車每小時能生成數據25GB,一台數控機床每年的數據量也可達700TB,而一般企業的PDM、ERP等係統十年所產生的數據量也不過幾百TB。

第三,大數據相關的技術日益發展,擁有成本越來越低。例如傳感器技術、通訊技術的發展,獲取實時數據的成本已經不再高昂。嵌入式係統、低耗能半導體、處理器、雲計算等技術的興起使得設備的運算能力大幅提升,具備了實時處理大數據的能力。開源技術的生態完整性,也使得構建一個大數據平台的技術門檻越來越低。

另外,日本av看到,製造資源、製造過程和商業活動變得越來越複雜,管理和決策的複雜度也在提升,依靠人的經驗和分析已經無法應對如此複雜的商業環境。借助數據、算法和軟件代碼,可以突破人腦的限製,開展更加複雜的分析、預測,分析和預測的結果可以優化過程、優化產品、優化決策。

最後,日本av必須承認,美國管理信息係統專家諾蘭在四十年前提出的“諾蘭模型”今天來看,仍然被證明是正確的。從諾蘭模型來看,數據管理是企業信息化的必經之路。目前,國內大型製造企業一般處於集成階段的末期或數據管理階段的早期,而絕大多數的中小企業可能還處於諾蘭模型的前三個階段。事實上,工業大數據也主要是大型企業在關注和投資建設。

WHAT |當日本av提到“工業大數據”時,它的內涵包括什麽?

人們之所以會對工業大數據這個概念存在分歧,是因為每個人看待工業大數據的視角是不一樣的,從不同的視角就會看到不同的視圖,顯然大家看到和討論的內容就有可能不一樣,分歧也就在所難免了。如果溝通存在障礙,工作推進必然受到影響。因此,本文從多個視角討論一下什麽是工業大數據。

數據視角。關於工業大數據的範圍是有爭議的,一種觀點認為工業大數據主要指的是設備數據,因為其符合大數據的4V特征。另一種觀點認為工業大數據指工業企業的所有數據,包括“大”數據,也包括“小”數據。從現實意義上來說,筆者推薦第二種理解。因為,無論是“小”數據還是“大”數據,都是企業“資產”,實際應用過程中,數據集包含了這兩類數據。企業隻有將所有的數據看作一個整體,數據資產的價值才能夠被充分挖掘出來。從數據視角看工業大數據,可以發現企業數據架構的改進機會。

應用視角。與數據相關的應用覆蓋數據的全價值鏈,包括:數據提供、數據采集、數據存儲與管理、數據分析和數據應用。數據提供類的軟件一般為交易型的應用,如:ERP、MES。數據應用類的軟件也稱之為分析型的應用,如:查詢統計、挖掘分析、預測等。從應用視角看工業大數據,可以發現企業應用架構的改進機會。

技術視角。工業大數據涉及一係列技術的使用,如:數據采集技術、數據存儲技術、數據分析技術等,成熟的技術往往已經代碼化並封裝在大數據相關應用當中,但還有一些技術,特別是與特定行業的特定應用場景相關的技術(如:工程軟件的數據獲取),還需要研發。另外,要支撐完整的工業大數據應用,必須對軟件平台、計算機基礎設施、安全體係等進行重新規劃,甚至重建。從技術視角看工業大數據,可以發現企業技術架構的改進機會。

業務視角。從業務視角看工業大數據,有助於發現大數據的應用場景,也就是大數據能夠發揮價值的業務領域,從而挖掘出大數據應用的需求,如:產品優化設計、工藝流程優化、設備健康管理、供應鏈與物流優化、產品運行監控、智能決策等。工業大數據隻有在業務場景中才能發揮價值。從業務視角看工業大數據,可以發現企業業務架構的改進機會。

HOW |推進工業大數據應該從何處入手,注意哪些問題?

工業大數據的推進工作千頭萬緒,各項數據工作之間、數據工作與其他工作之間的關係錯綜複雜,如果沒有一個整體的規劃,看不到一個完整的體係,就不知道從何入手,就無法合理安排資源投入,還有可能重複建設。下麵從推進框架、切入點的選擇和注意事項三個方麵討論工業大數據怎麽建的問題。

推進框架。工業大數據相關工作可以劃分五類,包括:構建知識體、數據識別與定義、數據集成與共享、數據分析與利用、數據治理。構建知識體的目的是為了統一大數據認知,規範相關術語概念,建立統一語言。數據識別與定義的目的是為了摸清數據資產狀況,並規範數據。數據集成與共享的目的是打通信息通道,讓數據流動起來。數據分析與利用的目的為了讓數據產生價值。數據治理的核心目的是為了保障數據安全、數據質量。

切入點的選擇。工業大數據的工作可以從上述五類工作的任何一類切入,或者並行推進。既可以選擇構建數據治理體係為切入點,以落實組織和職責,建立機製。也可以選擇數據模型開發為切入點,以理清數據資產和規範數據。還可以選擇某一個業務域開展大數據分析應用,通過應用拉動數據規範化和數據治理。當然,五類工作也可以並行,因為從宏觀角度來看,它們並沒有必然的次序,隻是在具體工作推進時,通常遵循先識別定義,再集成、治理和分析利用的工作邏輯。

注意事項。工業大數據推進過程中有三個關鍵問題必須予以關注和解決。一是數據標準,核心是數據模型,隻有掌握一套企業級數據模型,並以此為基礎對各項應用的數據庫進行管控,企業的數據資產才真正受控。二是數據整合,數據隻有整合起來,建立數據關聯,才能夠發揮更大的價值,數據整合的前提是有一套數據標準。三是數據安全,對於軍工企業尤其如此,大數據強調數據關聯、整合,這勢必會顯著增加安全風險。為確保數據安全,一方麵是充分利用技術手段,另一方麵是選擇可靠的實施服務提供商。