最新新闻
热点文章
我要投稿
联系电话：027-87592219/20/21转188
投稿邮箱：tb@e-works.net.cn
投稿邮箱：tb@e-works.net.cn
文章推荐
视频推荐
- 未来汽车工厂，在线下单支持私人定制
- 2018-02-02
- 基于云端的三维CAD系统Autodesk Fusion 360
- 2018-01-31
- 通过PTC物联网技术实现Flowserve泵的预测性维护
- 2018-01-31
- 微软预测性维护保障电梯高效服务
- 2018-01-30
智能制造的“四多四少”
现在，随着德国“工业4.0”、美国GE“工业互联网”在全球的风靡，以及“中国制造2025”战略的如火如荼地推进，以新一代信息技术与制造业深度融合为特点的智能制造已经引发了全球性的新一轮工业革命，智能制造已经成为制造业转型升级的重要抓手与核心动力。
4，多关注工业大数据，少套用商业大数据
近几年来，大数据已经成了一个大家耳熟能详的术语了。
大数据方面经典的著作当数牛津大学维克托·迈尔·舍恩伯格教授写的《大数据时代》，作者重点强调了大数据时代最大的转变就是放弃对因果关系的追求，取而代之的是关注相关性。也就是说只要知道“是什么”，而不需要知道“为什么”。
有关大数据(实质就是商业大数据)最有名的案例就是尿布与啤酒的故事。据说故事发生在20世纪90年代的美国沃尔玛超市中，沃尔玛的超市管理人员分析销售数据时发现了一个令人难于理解的现象：在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品，但销量却有很强的相关性，即啤酒销量大时，尿布的销量也大。后来经过分析后得出结论，原来周末时，年轻的父亲要肩负起照看孩子的重任，他们在边看足球边喝啤酒时还需要照看孩子，在购买啤酒时就顺手买了些尿布。沃尔玛根据这个现象，将啤酒与尿布放在一起，方便这些年轻的父亲购买，于是，两者的销量大增。
该故事形象地说明，商业大数据强调数据挖掘，强调数据的相关性，而不强调数据之间的因果关系。尽管该故事经过考证是杜撰出来的，但该故事一直被作为了大数据研究的经典，推波助澜地推动着大数据概念的迅猛发展。
近些年来，大数据成了大家张口必谈的热点，并明显地影响到了制造业，好像不说说大数据，就有不懂智能制造的感觉。但笔者认为，很多人讲的都是商业大数据的特征与理念，对制造业除了市场营销等部分业务有帮助以外，对制造业的价值实际并不大，制造业更应该关注自己最擅长、自己最有优势的工业大数据。
国际数据公司IDC的统计表明，制造业具有数量最多的数据
工业大数据与商业大数据到底有什么区别呢？笔者做了一些研究，并于2016年5月份专门请教了工业大数据著名专家、《工业大数据》作者李杰教授。李杰教授指出：“大数据具有发散性，工业大数据具有收敛性，同为大数据，表象相同，本质不同。工业大数据具有更强的专业性丶关联性丶流程性丶时序性和解析性等特点。”
笔者认为工业大数据同商业大数据相比，除了都具有数据量大的相同点外，还有如下明显的不同点。
1)工业大数据具有更高的价值密度
为讲清楚商业大数据与工业大数据的区别，我们先看一下著名的DIKW体系模型。
DIKW模型
从上图可以看出，最底层是数据层(原始数据)，然后是信息层(有逻辑的数据)，再上面是知识层，最上面是智慧层。
举个例子，我说39，大家知道39是数据，假如带上量纲，39oC就是信息了，我们知道这是温度。如果说39oC是发烧，那就是知识了。发烧吃XX药，并注意休息，我们说这就是智慧了。
我们回到刚才尿布的例子，1000(尿布的月销量)对计算机系统而言，由于没有逻辑，这只能算是数据了，不应该算为信息。
而工业大数据就不一样了。比如我们对零件进行热处理时，要求炉温500度，保持半小时。现在采集上来的数据是600，我们就知道，这个600，实际上是600度的温度，这已经突破数据层面，属于信息了。600度高温，我们(包括相关管理系统，如兰光设备物联网系统)就知道要出废品，这就是知识层面，甚至要去采取相关措施去干预，这是智慧层面了。
由此可见，工业大数据不是简单的数据，在相关系统支撑下可以很轻松地加载上信息属性，甚至是知识属性，乃至智慧属性。
2)工业大数据具有强关联性
商业大数据具有发散性。啤酒的销量高低也许与跑步机销量有相关性，也许与花生米有关系，美国人就充分发挥他们计算能力的优势，在海量数据中寻相关性，有点像荒野中寻找黄金。
工业大数据具有强关联性。比如，在工厂里出现废品，无非就是人、机、料、法、环等几个方面的因素，有经验的师傅可以很快进行定位，这就是强关联性，而不会考虑零件废了是否与雾霾有关，也不会考虑是否与窗外驶过的汽车有关。
工业大数据具有很强的行业知识特征，具有相对“精准”的判断方向，这些都是商业大数据所不具备的。
3)工业大数据具有因果性
制造业具有很强的因果关系，你3D模型设计错了，制造出来就是废品；材料用错了，制造出来合格品的可能性就几乎为零；机床精度不够，零件就容易超差。这些都具有比较强的因果性。
而商业大数据强调的是相关性，比如发现两个批次产品废品率在某一时间内具有相关性，这些相关性可能对发现问题很有指导价值，但如果你靠这个相关性去指导生产，很可能就是荒谬的了。
4)德国喜欢称之为Smart Data
这里面有个细节，擅长IT与商业的美国人叫Big Data，而擅长制造业的德国人喜欢称之为Smart Data，甚至还对大数据表示出了一定程度的轻视。
德国人喜欢叫Smart Data而非Big Data
西门子前研发中心总监Wolfgang Heuring博士在2015年时说：“数据只是“大”，并没有太大意义，关键是如何最佳地挖掘高价值的数据，使这些数据成为“灵性数据”(Smart Data)”，在未来，灵性数据可以帮助我们了解一个智能系统每时每刻发生了什么，更能够告诉我们为什么会发生。甚至还可以告诉我们接下来会发生什么，以及我们应该如何应对。”
这里，笔者将Smart Data翻译成灵性数据，而不是智能数据。笔者认为数据本身不具有自分析、自决策等功能，不应该算为智能数据，但经过分析，可从这些数据挖掘出很多有价值的信息，从而做出智能化决策。所以说，这些数据是有灵性的，而不仅仅是“大”而已。
工业大数据是包含了丰富的工业信息的数据，制造业没必要去追风与套用商业大数据的理念与特征，花费大力气去研究什么相关性，踏踏实实地采集好、利用好企业的研发、生产、设备、质量等工业大数据，就会取得很大的收益，这是制造业触手可及的金矿。
结束语
笔者始终认为，实施智能制造，不是面子工程，不是政绩工程，而是企业智能化转型升级的内在需要。在这个过程中，企业一定不要好高骛远，不要追求过于理想化的智能，不要追风与套用所谓的商业大数据概念，不要只聚焦在设备等看得见的自动化上，还要多关注研发技术、生产工艺、人才素质、企业管理、企业文化等看不见的内在因素。借鉴国内外先进理念，结合企业实际情况，在正确应用自动化、数字化、网络化、智能化的基础上，扬长补短，以人为本，充分发挥人才优势、管理优势、文化优势，就能实现企业智能化转型升级的成功。
智能制造，务实、落地最重要！
- 第1页：智能制造的“四多四少”(1)
- 第2页：智能制造的“四多四少”(2)
本文来源于互联网，e-works本着传播知识、有益学习和研究的目的进行的转载，为网友免费提供，并以尽力标明作者与出处，如有著作权人或出版方提出异议，本站将立即删除。如果您对文章转载有任何疑问请告之我们，以便我们及时纠正。联系方式：editor@e-works.net.cn tel：027-87592219/20/21。
- 上一篇文章：智能制造三大发展阶段
- 下一篇文章：厉害了马云，几句话就把工业4.0讲明白了
相关资料推荐