昆仑大数据_田春华 昆仑数据 - CSDN
  • PHM(Prognostics & Health Management,即故障诊断与健康管理)学会从 2008 年成立一直专注于工业设备故障诊断领域,其每年举办的「PHM 数据竞赛」是国际上高水平的同类赛事之一。首届竞赛由国际 PHM 学会和 NASA ...

    PHM(Prognostics & Health Management,即故障诊断与健康管理)学会从 2008 年成立一直专注于工业设备故障诊断领域,其每年举办的「PHM 数据竞赛」是国际上高水平的同类赛事之一。首届竞赛由国际 PHM 学会和 NASA 共同举办,此后赛事成为一项传统,受到来自欧美工业界乃至军工界的追捧,至今已经有 10 届。往年的竞赛题目包括「涡轮发动机的剩余寿命预测」、「齿轮箱异常检测」、「晶圆化学机械平坦化异常分类」等,今年则聚焦于「城轨车辆悬挂系统异常检测」。

    本次竞赛包括两个问题:

    1)健康诊断:判断城轨车辆悬挂系统是否处于故障状态

    2)故障定位:从故障车辆的 22 个部件中识别出 1~2 个故障部件

    这个题目具有重要的现实意义,可以延伸至高铁、地铁以及汽车等应用领域。

    图为悬挂系统模型,分为一级减震和二级减震,由 22 个部件组成(弹簧/阻尼),共安装 18 个振动传感器(红色标识)

    本次竞赛分两个阶段,阶段一为模型的训练与测试,训练集为 200 个健康车辆轨道运行数据,测试集为 200 个待判轨道车辆运行数据;阶段二是模型的验证,验证集为 200 个待判轨道车辆运行数据。

    「这里的难点在于,训练数据集中都是健康样本,没有异常。」田春华说,「可是往往有价值的则是异常数据,这是工业场景中普遍存在的现象。」实际工业场景中的异常数据较少,而且工业系统进行过多次调优,所以绝大部分工业数据均为正常数据,这与研究人员进行大数据分析的过程中希望具备全模态样本的期望相背。「比如近万台风机中,三年内可能只有个位数的风机出现过重大故障。想想样本得有多么不均衡吧。」他补充道。

    解决这个问题有两种思路,一是用数据模型精确刻画所有的正常情形,只要脱离正常情形就判定为异常,这需要进行细致入微的建模,但会存在误判的情况;二是让模型具备通用性,考虑轨道、速度、负载等外生变量对系统产生的影响,同时考虑系统运行是一个动态的过程,要寻找到不变量。

    K2 团队在 PHM 竞赛中的解题思路

    「好在我们拿到了 18 个传感器的数据,系统内部的相关性非常强,所以可通过信号上下前后的一致性来增加一些判断。」田春华表示,团队为此加工了减振比等特征。「我们过去在这个问题上积累了很多经验,所以一开始就抓住了问题的基本面。在选择了正确的特征加工路径之后,精度可以达到 80% 以上,接下来再进行算法的调整和优化。」此外,团队还使用了基于相似度的轨道位置匹配减弱轨道不平整的影响。

    在判断出系统处于正常还是异常状态后,团队面临着第二个考验,即指出到底是哪些弹簧或阻尼发生了故障。据田春华介绍,由于训练集全部为正常样本,所以这里需要结合自动控制理论中频域分析的知识:弹簧可以控制振幅,阻尼会使振幅衰减。在这个机理的基础上,数据驱动才能实现。

    「其实当初在第二个问题上,我们也只是有一个大概的想法,没有必胜的把握。后来使用了多模型才有了一点突破,这都是我们意料之外的。而且跟往年的题目相比,今年的题目机理较强。虽然过去我们有很多经验,但是为了进行佐证,团队仍然查阅了大量的文献。」田春华回忆道。

    K2 团队在 PHM 竞赛中的调优曲线图

    事实上,竞赛的两个问题原本的分值比重各占 50%。各领先团队在第一个问题上的分数相差不多,但由于第二个问题难度较大,K2 团队占据了绝对领先优势。组委会出于竞赛趣味性的考量,更改了规则,把两个问题的分值比重改为 3:1。

    「我们还是处于领先,只是优势没有那么大了。」田春华说道。最终,K2 团队的模型在第一个问题上的准确率达到 82.5%,在第二个问题上的灵敏度达到 53.5%,以 0.762 的总成绩摘得桂冠。

    在谈到团队夺冠经验时,田春华表示,在短时间内把数据和机理有效结合,这对选手的专业性要求极高。K2 团队成员来自不同的领域,如自动化、统计、计算机,实现了优势互补。特征加工为后续研究奠定了基础,机理确定则帮助团队瞄准了方向。

    在工业领域,企业希望最大程度地挖掘工业大数据的潜在价值并将其高效延伸至实际的细分场景,进而实现对工业业务理解的加深、降低实际决策所带来的不确定性。换言之,这些企业需要一个「医生」,这位「医生」需要通过「望闻问切」掌握工业机器的健康状况,不仅要能诊断出机器是否「生病」以及「病因」,并且对症下药,还要具备预测机器什么时候将会「生病」的能力。

    举例来说,风机叶片受到低温环境因素的影响,可能会面临结冰的问题,这不仅存在安全隐患,也会对风机的效率与健康带来不良的后果。由于许多风机部署于较为偏远的地区,单纯依靠人力难以实现对风机状况的监测。如果可以使用传感器采集风机的数据指标,然后传输回机控中心加以分析,那么企业员工就能够远程掌控每一个风机的状态信息。因此,一个能够适应复杂地形、复杂气象条件的数据分析模型就十分必要了。

    人工智能技术兴起之后,工业大数据领域的研究人员就开始尝试使用新技术处理问题,并将其应用于一些数据量较大的工业应用案例。田春华介绍,公司在风机结冰问题上就曾使用过深度学习技术进行自动识别,而且表现不错。「在做风机结冰项目的时候,利用深度学习上来就取得 70% 的精度,这样我们对模型精度有了一个基准。然后我们加工特征后,通过白箱模型让精度提升至 80% 以上。」他解释道,「在处理实际工业问题时,我们通常先用深度学习快速得到一个基准,然后再做一个白箱模型,因为工业界的一线操作人员还是希望模型具有可解释性。某种程度上,人工智能技术降低了加工特征的工作量和数据分析的门槛。」

    「当前人工智能存在一定的封闭性,虽然具有巨大的发展空间。在工业大数据领域,基于统计的数据分析方法并不是唯一的技术手段。」昆仑数据 CTO 王晨解释道,「我们认为,工业领域人工智能突破的方向在于,如何把统计模型与领域内的知识与机理模型深度融合。这也是我们研究的一个重要方向。」

    「具体到工业领域中的实际问题,远比竞赛复杂和有趣得多,从大数据分析应用领域来说,除了 PHM 之外,大数据还可以在生产效率提升、产业互联网等方面发挥相当大的价值。」

    在 SMT(印刷电路板)产线,SPI 机台利用光学检测自动研判锡膏涂抹质量,但往往过于严格,导致很多符合工程设计要求的产品被判定不合格。对于高价值产品,SPI 研判为不合格的板子还需要大量的人工复判。使用机器学习方法自动识别,部分筛选出合格品,这将大大降低人的工作量。 

    但在石油管道泄漏检测中,机器学习的重点就是降低虚假预警。利用负压波检测是否存在泄漏相对容易,但造成压力下降的因素较多,除了泄漏,还有不同油品输送压力不同、油罐更换等正常工况变化的影响。幸运的是,我们发现不同原因造成的压力下降曲线形状存在细微差别,有的曾现底部震荡,有的曲线光滑但间杂毛刺。利用模式识别技术可自动匹配出识别出的压力下降的真正故障原因,降低了虚假预警给实际运维带来的困扰。

    工业大数据的三大典型方向

    「一个完整的工业大数据分析要整个流程打通,从开始的接入管理、规划、数据整合、深度分析,到后来的应用、业务流程,以及谁是工业产品的目标用户、选择工业产品的原因及利好等等,这些问题都是工业大数据平台要给出的答案。」田春华说道。

    昆仑数据专注于做工业企业的大数据合伙人,成立于 2014 年底,创始团队来自 IBM、华为、西门子等科技企业,公司于 2015 年 1 月完成天使轮融资,同年 9 月获得来自达晨创投的数千万人民币 A 轮融资,2016 年 8 月完成 1 亿人民币 B 轮融资,如今团队有 100 余人。目前,昆仑数据已推出工业大数据平台产品 KMX,着眼于管理分析海量机器数据,挖掘展现数据价值,帮助企业为数据赋能、实现业务洞察、形成行动闭环。

    以风机的运维场景为例,KMX 平台可以把风机附近的气象信息、地理信息、包含历史养护信息的设备日志等关联起来,为接下来的数据分析提供有力支持。在没有大数据平台的情况下,这些数据是散落在各个系统中的,无法为数据分析提供上下文信息,可能导致数据挖掘和分析结果较为片面。

    目前,昆仑数据主要聚焦于能源行业、装备制造以及电子制造这三个领域。王晨介绍,为了保障企业的数据安全,昆仑数据会施行事前及事后的权限管理策略,设定了严格的访问权限及痕迹追踪管理。王晨表示:「工业大数据领域正处于方兴未艾阶段,市场空间较大,我们也正在积极探索的过程中。」

    今年,昆仑数据参与举办了首届中国工业大数据创新竞赛,该赛事由工信部指导、信通院主办,吸引了来自海内外 1000 多支参赛团队。昆仑数据受邀承担出题任务并担任决赛评审专家。此次竞赛的两道竞赛题目分别为「风机叶片结冰检测」和「风机齿形带断裂预警」。谈及投入不少精力来推动中国自己的工业大数据竞赛,「也是希望大家能多关注这个领域,这里面的确有许多有意思的问题。」田春华笑道。

    至于未来,人工智能是否能在工业大数据领域有所突破?迁移学习是否能在强机理的现实世界中找到落点?工业大数据还隐藏着哪些未被挖掘出的潜力?

    想必随着时间的推移,这些专攻工业大数据的科学家们一定会在实践中找到令人惊喜的答案。


    展开全文
  • “真正的大数据不是有了数据,把这些数据接入之后存起来就可以了,真正要做的事情是智能分析和...昆仑数据科技公司首席运营官陈晨阐述了大数据如何推动中国工业转型升级、产业变革,以及工业大数据的特点难点,行业中
        

    640?wx_fmt=png&wxfrom=5&wx_lazy=1


    640?wx_fmt=png&wxfrom=5&wx_lazy=1


    “真正的大数据不是有了数据,把这些数据接入之后存起来就可以了,真正要做的事情是智能分析和智能决策,通过在两化融合的基础上构建的智能分析优化系统“工业大脑”,进行相应的智能决策。”


    近年来,工业大数据逐渐从概念走向落地阶段,数据基础较好的一些细分工业领域,已经在利用新兴的大数据等技术创造价值。昆仑数据科技公司首席运营官陈晨阐述了大数据如何推动中国工业转型升级、产业变革,以及工业大数据的特点难点,行业中面临的挑战和实施路径。


    640?wx_fmt=jpeg

    图:12月26日,清数大数据产业联盟与清华校友总会AI大数据专委会(筹)共同主办的清数思享会系列活动首次在天津武清举办。陈晨在会上做了相关分享。


    我们对本次分享的精彩内容进行了整理,在不改变原意的前提下有删改:

     

    工业革命的关键技术要素是工业大数据。各个产业大国都面临着从传统制造业向制造服务业转型的压力。美国的应对方法是工业互联网革命,德国提出实施工业4.0战略,我们国家提出“中国制造2025”战略规划。美国的工业互联网侧重于用互联网激活传统工业带动产业变革,关键是通过大数据的分析能力实现智能决策。德国4.0的本质是基于“信息物理系统”实现“智能工厂”标准化,”中国制造2025”战略将工业互联网和智能制造两者进行有机的结合。

     

    面对新一轮的工业革命,要以信息化和工业化的深度融合为基础进行智能化升级。真正的大数据不是有了数据,把这些数据接入之后存起来就可以了,真正要做的事情是智能分析和智能决策,通过在两化融合的基础上构建的智能分析优化系统“工业大脑”进行相应的智能决策。这些智能分析与决策离不开原有的信息化系统和自动化系统的支撑,更离不开产生这些数据的实体设备与装备。工业大数据的来源其中一部分是生产经营领域的数据,另外很大一部分则是生产设备和生产出来的高端产品与装备在运营过程中产生的机器数据。基于这些数据集成实体运行所在环境数据,在信息管理系统和自动化系统基础之上,构建具备智能分析优化能的大数据系统 ,达成提质、增效、降耗和控险的目的。

     

    工业大数据可以分为三类,一部分是工业物联网数据,比如生产设备、智能产品、复杂装备24小时不断产生的数据。一部分企业信息化数据,同时还有很重要的一部分数据是外部跨产业链的数据,包括设备在运行过程中所处的环境数据,比如气象数据、地理数据、相应的环境数据,这三种数据合计才能称之为工业大数据。

     

    工业大数据的挖掘就是把工业物联网数据与跨产业链数据以及企业信息化数据相结合,把分散在企业各个角落里的数据进行整合,挖掘这些数据融合所能产生的价值。


    工业大数据的特点:多模态、高通量以及强关联


    多模态。

    在工业系统里数据种类、数据格式以及数据结构非常多,结构关系复杂。一个汽轮机里面会有上万个零部件,一个复杂装备的制造企业,它的数据种类多达三百余种,所以在工业领域里会存在数据多模态特征。

     

    高通量。

    即无论是生产设备还是智能装备有可能是24小时不间断产生数据的,我们以分、秒的频率采集数据,在很多应用场合甚至是毫秒级的数据。这些数据的数据量非常大,海量的设备与测点,数据采集频度高、数据吞吐总量大、数据的实时性要求高,呈现出工业大数据的“高通量”特征。

     

    强关联。

    真正做一个产品设计的时候,它涉及到学科与专业是非常多的,比如设计复杂装备的时候,不仅仅是涉及到结构分析,流体力学、声学、动力学、电磁辐射等等各个学科的数据都要进行关联。数据之间的“强关联”反映的就是工业的系统性及其复杂的动态关系。

     

    基于工业大数据的特点,工业大数据的数据分析与消费互联网领域里的数据分析是有相当大的差别的。消费互联网大数据的分析对象更多的是以互联网为支撑的交互,工业大数据实际上是以物理实体和物理实体所处的环境为分析对象,物理实体就是我们的生产设备以及生产出来的智能装备及复杂装备。在商业数据里面关注数据的相关性关系,但是在工业领域里面一定要强调数据因果性,以及模型的可靠性,一定要提升分析结果的准确率才能把分析结果反馈到真正的工业控制过程中。


    工业大数据面临的挑战


    企业应用工业大数据面临的技术挑战。企业普遍面临数据基础薄弱的境况,企业收集的数据不够,甚至没有数据。企业真的要在数据转型有战略上的调整,它才会有较大的投入,如果它没有这种战略规划的时候,很难负担得起专业数据人才的成本。市场上也缺乏工业大数据所需的复合型人才。另外每个工业领域里都有独特的知识领域和机理形成的行业门槛,没有一个普适性的解决方案可以在工业领域里通用。行业解决方案,只会对某一个行业才能发挥相应的价值。

     

    企业应用工业大数据面临的管理挑战。很多合作伙伴或者客户初期并不知道数据和业务问题之间怎么关联,怎么和业务结合都不清楚,不知道数据到底能不能解决业务问题。有的企业有应用工业大数据的愿景,但是业务与工业大数据的实施路径都没有统一。


    大数据不仅仅是物联网数据采集与存储,包括数据的管理、分析与反馈,需要在数据生命周期内构建一个闭环系统,构建这个闭环需要一个过程,不可能一蹴而就。同时,大数据的应用会涉及到企业内部管理流程和经营理念的变革,工业大数据是把工业领域内三类数据进行融合应用,真正发挥大数据的价值的场景不仅是智能制造,同时也包括产业互联网里业务模式创新,所以相应的经营理念和管理机制都要发生变革。这是企业在管理方面面临的最大的挑战。所以有时候大家会看到,工业企业的大数据应用甚至都不仅是一个企业的CIO所能牵引的,这需要整个企业在战略层面去推动,要有明确的数据驱动的业务战略规划。


    工业大数据的业务落地


    通常来讲,在与企业规划工业大数据业务落地可以从两个维度与企业一同进行思考。一方面是从业务驱动角度来看,要思考企业的整体业务目标是什么,为了实现这个业务目标要做什么样的转型以及哪方面的能力提升,具体的业务提升和转型方向是什么;为了实现业务目标,理想的业务流程是什么,如何让这个流程跟数据流进行相应的结合和映射。这是一个由上而下的思考过程,是企业的高层管理者、战略管理者进行思考并牵引,通过中间管理层完善与丰富,最后落地实施的过程。很多时候大数据应用确实可以解决业务问题,但也可能解决不了所有的业务问题。大数据应用真正帮助企业的不仅仅是在于具体业务问题的解决层面,它是要让企业构建对数据驾驭的能力,当企业具备了这种能力后,才能够真正让企业在内部的生产管理、对外的经营模式上产生变化,真正形成持续的创新与应用的能力。

     

    如何利用数据进行驱动。第一是去看现在手里有什么样的数据,这些数据从哪儿来,如果没有这些数据要怎么收集,以及这些数据的特点到底是什么,是时序数据、时空数据、智能产品产生的数据、生产设备产生的数据,数据量到底有多大;第二是对这些数据有了了解以后,这些数据怎么保存、管理、使用,另一个比较重要的则是数据质量怎么保证。第三是用什么样的系统、什么样的工具保证数据存储、数据管理、数据处理?同时这些数据到底如何进行集成、关联,不仅仅要把设备产生的数据拿来进行分析管理,还要在分析过程中关联周边的环境数据、地理数据等跨界数据。


    工业大数据价值实现的场景


    工业大数据应用场景主要可以归纳为两个场景,一个是围绕制造全生命周期的业务创新即先进制造,通过大数据驱动的创新产品设计、智能制造、智能服务,实现“提质、增效、降耗、控险”,达到提升企业在行业内竞争力的目的;另一个是产业互联网新业务创新(制造+互联网):以智能联网的工业产品为载体承载服务产品周边生态系统的产业互联网业务,达到开创新兴市场和业务模式的目的。


    工业大数据应用案例


    工业大数据在工程机械领域应用案例:工程机械设备大都在野外作业,作业环境恶劣,作业工况复杂。基于工程机械大数据解决方案实时监测设备状况,实现对设备的预防性维修及服务,在设备发送故障前,主动预警并触发维保方案, 基于设备运行状况大数据分析,为企业带来新的决策创新-助力企业准确判断市场热度、实现产品精准营销、产品改进和企业风险管控。


    工业大数据在风电领域应用也体现出巨大的价值。基于工业大数据分析平台,从故障预警、运营优化等方面着手挖掘大数据价值,取得明显成效。风机的设计/仿真数据、运维档案、风机状态监测数据、测风塔观测数据、气象数据、地理信息等风电数据资源池统一整合到工业大数据分析平台,通过装备智能化、供应链协同、跨生态整合三条路径,逐步实践风电装备制造的数字化升级。在既有业务提质增效的基础上,进一步驱动产业互联新业务。


    0?wx_fmt=png

    参会人员合影


    清数 • 思享会

    思享会,亦私想汇,亦私享会,亦思想汇,是由清数大数据产业联盟与清华校友总会AI大数据专委会(筹)共同发起的思想交流平台,定位为小范围的深度交流,目标是希望通过思想交流与碰撞促进产业的数据创新,以及大数据与产业和资本的融合,帮助各产业发现和挖掘数据的价值,促成联盟成员及校友之间的互助与合作,为参会嘉宾带来新灵感和新启发。

     

    0?wx_fmt=png

    0?wx_fmt=jpeg

    展开全文
  • “真正的大数据不是有了数据,把这些数据接入之后存起来就可以了,真正要做的事情是智能分析和...昆仑数据科技公司首席运营官陈晨阐述了大数据如何推动中国工业转型升级、产业变革,以及工业大数据的特点难点,行业中
        

    “真正的大数据不是有了数据,把这些数据接入之后存起来就可以了,真正要做的事情是智能分析和智能决策,通过在两化融合的基础上构建的智能分析优化系统“工业大脑”,进行相应的智能决策。”


    近年来,工业大数据逐渐从概念走向落地阶段,数据基础较好的一些细分工业领域,已经在利用新兴的大数据等技术创造价值。昆仑数据科技公司首席运营官陈晨阐述了大数据如何推动中国工业转型升级、产业变革,以及工业大数据的特点难点,行业中面临的挑战和实施路径。


    640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

    图:12月26日,清数大数据产业联盟与清华校友总会AI大数据专委会(筹)共同主办的清数思享会系列活动首次在天津武清举办。陈晨在会上做了相关分享。


    大数据文摘对本次分享的精彩内容进行了整理,在不改变原意的前提下有删改:

     

    工业革命的关键技术要素是工业大数据。各个产业大国都面临着从传统制造业向制造服务业转型的压力。美国的应对方法是工业互联网革命,德国提出实施工业4.0战略,我们国家提出“中国制造2025”战略规划。美国的工业互联网侧重于用互联网激活传统工业带动产业变革,关键是通过大数据的分析能力实现智能决策。德国4.0的本质是基于“信息物理系统”实现“智能工厂”标准化,”中国制造2025”战略将工业互联网和智能制造两者进行有机的结合。

     

    面对新一轮的工业革命,要以信息化和工业化的深度融合为基础进行智能化升级。真正的大数据不是有了数据,把这些数据接入之后存起来就可以了,真正要做的事情是智能分析和智能决策,通过在两化融合的基础上构建的智能分析优化系统“工业大脑”进行相应的智能决策。这些智能分析与决策离不开原有的信息化系统和自动化系统的支撑,更离不开产生这些数据的实体设备与装备。工业大数据的来源其中一部分是生产经营领域的数据,另外很大一部分则是生产设备和生产出来的高端产品与装备在运营过程中产生的机器数据。基于这些数据集成实体运行所在环境数据,在信息管理系统和自动化系统基础之上,构建具备智能分析优化能的大数据系统 ,达成提质、增效、降耗和控险的目的。

     

    工业大数据可以分为三类,一部分是工业物联网数据,比如生产设备、智能产品、复杂装备24小时不断产生的数据。一部分企业信息化数据,同时还有很重要的一部分数据是外部跨产业链的数据,包括设备在运行过程中所处的环境数据,比如气象数据、地理数据、相应的环境数据,这三种数据合计才能称之为工业大数据。

     

    工业大数据的挖掘就是把工业物联网数据与跨产业链数据以及企业信息化数据相结合,把分散在企业各个角落里的数据进行整合,挖掘这些数据融合所能产生的价值。

     

    工业大数据的特点:多模态、高通量以及强关联


    多模态。

    在工业系统里数据种类、数据格式以及数据结构非常多,结构关系复杂。一个汽轮机里面会有上万个零部件,一个复杂装备的制造企业,它的数据种类多达三百余种,所以在工业领域里会存在数据多模态特征。

     

    高通量。

    即无论是生产设备还是智能装备有可能是24小时不间断产生数据的,我们以分、秒的频率采集数据,在很多应用场合甚至是毫秒级的数据。这些数据的数据量非常大,海量的设备与测点,数据采集频度高、数据吞吐总量大、数据的实时性要求高,呈现出工业大数据的“高通量”特征。

     

    强关联。

    真正做一个产品设计的时候,它涉及到学科与专业是非常多的,比如设计复杂装备的时候,不仅仅是涉及到结构分析,流体力学、声学、动力学、电磁辐射等等各个学科的数据都要进行关联。数据之间的“强关联”反映的就是工业的系统性及其复杂的动态关系。

     

    基于工业大数据的特点,工业大数据的数据分析与消费互联网领域里的数据分析是有相当大的差别的。消费互联网大数据的分析对象更多的是以互联网为支撑的交互,工业大数据实际上是以物理实体和物理实体所处的环境为分析对象,物理实体就是我们的生产设备以及生产出来的智能装备及复杂装备。在商业数据里面关注数据的相关性关系,但是在工业领域里面一定要强调数据因果性,以及模型的可靠性,一定要提升分析结果的准确率才能把分析结果反馈到真正的工业控制过程中。

     

    工业大数据面临的挑战


    企业应用工业大数据面临的技术挑战。企业普遍面临数据基础薄弱的境况,企业收集的数据不够,甚至没有数据。企业真的要在数据转型有战略上的调整,它才会有较大的投入,如果它没有这种战略规划的时候,很难负担得起专业数据人才的成本。市场上也缺乏工业大数据所需的复合型人才。另外每个工业领域里都有独特的知识领域和机理形成的行业门槛,没有一个普适性的解决方案可以在工业领域里通用。行业解决方案,只会对某一个行业才能发挥相应的价值。

     

    企业应用工业大数据面临的管理挑战。很多合作伙伴或者客户初期并不知道数据和业务问题之间怎么关联,怎么和业务结合都不清楚,不知道数据到底能不能解决业务问题。有的企业有应用工业大数据的愿景,但是业务与工业大数据的实施路径都没有统一。


    大数据不仅仅是物联网数据采集与存储,包括数据的管理、分析与反馈,需要在数据生命周期内构建一个闭环系统,构建这个闭环需要一个过程,不可能一蹴而就。同时,大数据的应用会涉及到企业内部管理流程和经营理念的变革,工业大数据是把工业领域内三类数据进行融合应用,真正发挥大数据的价值的场景不仅是智能制造,同时也包括产业互联网里业务模式创新,所以相应的经营理念和管理机制都要发生变革。这是企业在管理方面面临的最大的挑战。所以有时候大家会看到,工业企业的大数据应用甚至都不仅是一个企业的CIO所能牵引的,这需要整个企业在战略层面去推动,要有明确的数据驱动的业务战略规划。

     

    工业大数据的业务落地


    通常来讲,在与企业规划工业大数据业务落地可以从两个维度与企业一同进行思考。一方面是从业务驱动角度来看,要思考企业的整体业务目标是什么,为了实现这个业务目标要做什么样的转型以及哪方面的能力提升,具体的业务提升和转型方向是什么;为了实现业务目标,理想的业务流程是什么,如何让这个流程跟数据流进行相应的结合和映射。这是一个由上而下的思考过程,是企业的高层管理者、战略管理者进行思考并牵引,通过中间管理层完善与丰富,最后落地实施的过程。很多时候大数据应用确实可以解决业务问题,但也可能解决不了所有的业务问题。大数据应用真正帮助企业的不仅仅是在于具体业务问题的解决层面,它是要让企业构建对数据驾驭的能力,当企业具备了这种能力后,才能够真正让企业在内部的生产管理、对外的经营模式上产生变化,真正形成持续的创新与应用的能力。

     

    如何利用数据进行驱动。第一是去看现在手里有什么样的数据,这些数据从哪儿来,如果没有这些数据要怎么收集,以及这些数据的特点到底是什么,是时序数据、时空数据、智能产品产生的数据、生产设备产生的数据,数据量到底有多大;第二是对这些数据有了了解以后,这些数据怎么保存、管理、使用,另一个比较重要的则是数据质量怎么保证。第三是用什么样的系统、什么样的工具保证数据存储、数据管理、数据处理?同时这些数据到底如何进行集成、关联,不仅仅要把设备产生的数据拿来进行分析管理,还要在分析过程中关联周边的环境数据、地理数据等跨界数据。

     

    工业大数据价值实现的场景


    工业大数据应用场景主要可以归纳为两个场景,一个是围绕制造全生命周期的业务创新即先进制造,通过大数据驱动的创新产品设计、智能制造、智能服务,实现“提质、增效、降耗、控险”,达到提升企业在行业内竞争力的目的;另一个是产业互联网新业务创新(制造+互联网):以智能联网的工业产品为载体承载服务产品周边生态系统的产业互联网业务,达到开创新兴市场和业务模式的目的。

     

    工业大数据应用案例


    工业大数据在工程机械领域应用案例。


    工程机械设备大都在野外作业,作业环境恶劣,作业工况复杂。基于工程机械大数据解决方案实时监测设备状况,实现对设备的预防性维修及服务,在设备发送故障前,主动预警并触发维保方案, 基于设备运行状况大数据分析,为企业带来新的决策创新-助力企业准确判断市场热度、实现产品精准营销、产品改进和企业风险管控。


    工业大数据在风电领域应用也体现出巨大的价值。基于工业大数据分析平台,从故障预警、运营优化等方面着手挖掘大数据价值,取得明显成效。风机的设计/仿真数据、运维档案、风机状态监测数据、测风塔观测数据、气象数据、地理信息等风电数据资源池统一整合到工业大数据分析平台,通过装备智能化、供应链协同、跨生态整合三条路径,逐步实践风电装备制造的数字化升级。在既有业务提质增效的基础上,进一步驱动产业互联新业务。

     

    往期精彩文章

    点击图片阅读

    2017败北清单:人工智能在这些游戏中战胜了人类

    0?wx_fmt=jpeg

    640?wx_fmt=jpeg

    640?wx_fmt=jpeg

    展开全文
  • 来源:清华校友三创大赛8月27日下午,“深度走访清华校友上市公司/独角兽企业系列活动”第二期如期举行。此次走访,校友们来到了工业大数据与工业互联网领域的准独角兽企业——昆...
        

    640?wx_fmt=png

    来源:清华校友三创大赛

    8月27日下午,“深度走访清华校友上市公司/独角兽企业系列活动”第二期如期举行。此次走访,校友们来到了工业大数据与工业互联网领域的准独角兽企业——昆仑数据昆仑数据创始人&CEO陆薇出席,与校友们深入交流。清华校友总会秘书长唐杰和各专委会秘书长邓永强、王霞、郭海峰等30余位校友参与本次走访活动。

    活动开场,清华校友总会秘书长、清华大学校友工作办公室主任唐杰对参加走访的校友表示欢迎,他说,校友工作将朝着精细化服务方向发展,组织校友深度走访是一种新形式的活动,在实际走访和深度交流中,能够为企业和校友带来更多合作契机。唐杰希望通过本系列活动,让参加的每一位校友都有所收获。校友总会今年上线“清华人”小程序,并将继续逐步梳理77级以前的校友信息以及五道口金融学院并入前的校友信息,未来还要上线信息发布和活动报名等系列功能,更好地为校友服务,也欢迎各位校友对校友工作提出更好的意见和建议,共同帮助建设更好的校友工作生态。

    640?wx_fmt=jpeg

    唐杰致辞

    640?wx_fmt=jpeg

    陆薇致辞

    640?wx_fmt=jpeg

    校友合影

    接下来,昆仑数据创始人陆薇介绍了创业历程和昆仑数据的产品及服务,她表示,工业大数据应时代而生,对中国这个制造业大国来说,这是十年难遇的一个机会,同时也颇具挑战。昆仑数据凭借自身技术优势迅速扩张,搭建工业互联网平台,帮助工业企业实现数据价值变现。陆薇感谢母校给予的支持,希望和校友们能更加紧密合作共赢,希望公司成为工业企业的大数据合伙人。

    640?wx_fmt=jpeg

    座谈会现场

    640?wx_fmt=jpeg

    高档汇报

    随后,昆仑数据总经理助理高档就公司产品和案例等做了详细报告。他介绍,基于数据和业务的交互,昆仑数据在创新研发、效率提升、质量改善等多维度形成上下协同,提供新的工业互联网服务,重构行业生态,以工业互联网平台为基础构建业务价值闭环。昆仑数据依托平台产品和解决方案,已与中石油、国家电网、金风科技等多家企业开展合作。以与国家电网青海电力合作的“绿能互联”为例,绿能互联能源互联网平台覆盖源网荷一体化,汇集了风电场、光伏电场等发电端数据和下游企业用电数据,基于这些数据可以为发电企业提升发电效率、优化新能源消纳,为下游企业提高电能质量,用电成本优化等。

    640?wx_fmt=jpeg

    昆仑数据内部参观

    640?wx_fmt=jpeg

    会后合影留念

    昆仑数据简介 

    昆仑数据是工业互联网领域的领军企业,创始团队来自IBM、华为、西门子等信息科技与工业企业,以及清华大学等国内外知名研究机构,蝉联“中国大数据企业50强”,受邀参与制订《中国制造2025》工业大数据技术路线图,发起成立并主导运营工业大数据制造业创新中心,致力于用大数据和人工智能技术,推动中国工业智慧升级。

    拥有荣获“2017年制造业与互联网融合发展试点示范项目”、“中国工业大数据最佳产品奖”的自主工业大数据管理分析平台,以及荣获工业数据分析知名国际赛事PHM Data Challenge 2017世界冠军的业界资深数据科学团队,立志做工业企业的大数据合伙人,和企业肩并肩敏捷实现数据价值变现,提升质量及效率、降低风险及资源消耗、推动产品和业务模式的创新。目前已服务新能源、石油天然气、电子制造、工程机械、环保、动力装备、生物制药等领域。

    640?wx_fmt=jpeg

    展开全文
  • 11月6日晚间下班时段,清数大数据产业联盟秘书处刘道全、范增伟和杨海变前往昆仑数据交流工业大数据行业的发展情况。巧遇昆仑数据CEO陆薇、副总秦磊和陈晨等正在休息区匆匆吃加班餐,而此次交流的对象CTO王晨还在...

    640?wx_fmt=png&wxfrom=5&wx_lazy=1


    11月6日晚间下班时段,清数大数据产业联盟秘书处刘道全、范增伟和杨海变前往昆仑数据交流工业大数据行业的发展情况。巧遇昆仑数据CEO陆薇、副总秦磊和陈晨等正在休息区匆匆吃加班餐,而此次交流的对象CTO王晨还在接待前一拨客人,虽然已过下班点,仍有许多人在加班。

     

    640?wx_fmt=png&wxfrom=5&wx_lazy=1


    下面是基于此次与王晨交流讨论的部分内容,并结合我们对行业的观察理解,整理的关于工业大数据发展的一些看法,欢迎更多业界朋友一起深入交流,您的见解、问题和需求可以邮件发送到刘道全邮箱(daoquan.liu@tsingdata.com),我们将及时给予反馈。 

     

    工业大数据是工业企业转型升级的主要技术支撑,目前是增量市场,前景广阔。但当下仍处于发展初期,需要进行更多的市场教育和宣传。要与工业客户共同完成工业大数据平台的搭建,引导工业客户发掘数据的价值,把工业大数据的行业驱动力展现出来,才能做大整体行业市场规模。当前工业大数据的发展存在一些挑战,同时也潜藏着相应的机遇。

     

    1、中小工业企业数据基础薄弱,开展相关业务需要另辟蹊径。

     

    相对而言,大型工业企业的数据基础较好,前期的自动化和信息化工作相对比较完备,对大数据技术应用的认识相对理性,并且对大数据项目具有较强的付费意愿和能力,同时对国际市场竞争更为敏感,成为目前尝试和应用工业大数据的主体。所以,各类工业大数据产品与服务的提供商首先瞄准的都是这类大型企业客户,昆仑数据也是如此,目前主要客户来自风电、电子制造、石油石化等领域的龙头企业。要服务好这类大型企业并不容易,需要工业大数据产品和服务提供商的技术等各方面的软硬实力都足够强大。

     

    与此同时,中国大部分中小企业对工业大数据的理解参差不齐,总体上自动化和信息化水平相对较弱,开展工业大数据的基础条件并不完备,至少大部分中小型工业企业应用工业大数据往往需要前期完成一系列的设备和系统改造等工作,很难在短时间内看到并获取实际的成效。由此造成大部分中小型工业企业,一方面试图与行业趋势接轨,接触和认识工业大数据,其中部分企业也在积极尝试大数据升级改造;但另一方面短期内投入成本与收益并不成正比,更多的中小型企业对工业大数据仍然处于观望和犹豫之中。试图直接将适用于大型企业的工业大数据产品与服务卖给中小型工业企业的方法至少目前来看并不合适。

     

    那针对中小型工业企业的大数据产品和服务是否完全没有市场呢?首先,从行业发展的总体趋势上看,这类市场未来发展空间巨大,特别在长三角和珠三角等工业集中区,大量中小型工业企业具有转型升级的需求;另外,从我们观察到的行业情况来看,针对中小企业的工业大数据产品或服务需要在商业模式上进行创新,而传统互联网的部分经验在一定程度上可以借鉴,政府等更多相关方也可以参与到整个服务链路中来,但目前并没有适合所有地方和所有工业行业的模式,所以需要从事相关业务的企业继续摸索与验证。

     

    2、工业大数据领域资本的能动作用有限,需要真正解决工业客户的需求和问题。

     

    在传统互联网消费领域,资本频频推动行业的爆炸增长和整合,比如曾经的打车领域以及如今的共享单车等领域。然而工业大数据领域与消费互联网领域的基本逻辑不同,工业大数据领域的准入门槛极高,不同行业不同客户对工业大数据的具体需求并不完全一致,并且工业企业客户对交付成果的要求较高,每个客户要求交付的成果也并非完全标准化的产品。如果没有核心技术、没有对工业客户需求的理解,投入再多的资本都是白搭。纯粹依靠资本推动某家或某几家工业大数据产品与服务提供商占领大部分市场几乎是不可能的。

     

    在工业大数据领域如要立足,不仅需要工业领域的专业知识,去理解工业客户的业务问题和需求,还要综合运用数据分析的技术和方法,去解决生产、运维等环节的实际业务问题。由于工业产业链涉及的环节众多,工业大数据的应用将逐渐渗透各个环节,工业客户对大数据产品和服务的需求也将越来越精细化。这就要求工业大数据产品与服务提供商切入大型工业客户后,需要提升演进服务的能力以满足这些日益精细化的大数据需求,即便服务的工业客户数量不是很多,但只要把握机会伴随工业客户共同成长,就能逐渐形成一定的行业影响力,且保持较高水平的业务增长。

     

    3、工业大数据产品与服务的标准化和规模化之路漫漫,苦修内功延伸客户价值。

     

    按照国民经济分类标准,工业制造涉及30个大的门类,200余个细分行业,每个行业均有许多独特的行业知识和原理,每个行业对大数据的需求和应用不尽相同,基本上需要为每个行业定制一套满足行业需求的大数据解决方案。这就决定了任何一家工业大数据企业不可能做到所有行业通吃。每进入一个新行业,都需要经过大量的行业调研,理解行业的主要业务和关键环节,所以工业大数据产品与服务在行业间的标准化至少短期来看存在较大困难。


    此外,同一行业间不同企业对工业大数据的需求不尽相同,需要针对工业客户的具体需求提供定制化的技术和数据服务也是现阶段行业的普遍现象,工业大数据规模化发展之路仍然存在较大挑战。

     

    在探索标准化、规模化发展的漫漫长路上,工业大数据产品与服务提供商发展策略也需要适当调整以适应行业的不同发展阶段。类似昆仑数据等已经在工业大数据领域初步立足的企业,通常拥有几家、十几家或者几十家客户不等,现有客户大多数是行业龙头的大型企业,而成为该类型客户的长期合作伙伴后,以每年取得几百万到几千万不等的合同总额估算,如果能够长期为5~10家这类大型客户提供服务,即有可能实现亿元量级的年营收。当然这就要求工业大数据产品与服务提供商能够苦修内功,深入理解客户的业务,从而不断为工业客户创造价值。

     

    作者:刘道全

    校对:丁楠雅

    为保证发文质量、树立口碑,数据派现设立“错别字基金”,鼓励读者积极纠错

    若您在阅读文章过程中发现任何错误,请在文末留言,或到后台反馈,经小编确认后,数据派将向检举读者发8.8元红包

    同一位读者指出同一篇文章多处错误,奖金不变。不同读者指出同一处错误,奖励第一位读者。

    感谢一直以来您的关注和支持,希望您能够监督数据派产出更加高质的内容。

    0?wx_fmt=png

    0?wx_fmt=jpeg

    展开全文
  • 机器之心原创作者:高静宜在刚刚结束的国际 PHM 数据竞赛中,昆仑数据的 K2 代表队以绝对优势一举夺冠,成为 PHM Data Challenge 十年竞赛史上首个完全由中国本土成员组成的冠军团队。团队由昆仑数据首席数据...
  • 2018 年12 月 6 -8日,由中国计算机学会主办,CCF大数据专家委员会承办的2018 中国大数据技术大会(BDTC),在北京隆重召开。超过140多位海内外技术专家及知名企业、高校、科研院所代表组成的实力讲师团、上千名技术...
  • “真正的大数据不是有了数据,把这些数据接入之后存起来就可以了,真正要做的事情是智能分析和...昆仑数据科技公司首席运营官陈晨阐述了大数据如何推动中国工业转型升级、产业变革,以及工业大数据的特点难点,行业中
  • 工业大数据也是一个全新的概念,从字面上理解,工业大数据是指在工业领域信息化应用中所产生的大数据。随着信息化与工业化的深度融合,信息技术渗透到了工业企业产业链的各个环节,条形码、二维码、RFID、工业传感器...
  • 2017年,大数据这把火烧了六年,依然没有减弱的征兆。过去一年,话题的热点已经不再是大数据概念和定义,而是集中在大数据的应用。大多数企业老板已经明白什么是大数据,开始关心数据如何与业务结合,提升企业盈利...
  • 短短五年间,大数据从浮在空中的概念成为落在实地的案例,在金融、电信、公安、工业等领域,大数据都在发挥价值。企业效率的改变,生活的便捷的迅速突破,也预示着这一块“数据金矿”将迎来越来越多的野心和变革。 ...
  • 3、百融金服(金融大数据) 4、国双科技(营销大数据) 5、国信优易(媒体大数据) 6、百分点(营销大数据) 7、华院集团(解决方案) 8、个推(数据平台) 9、奥维云网(数据平台) 10、数梦工场(解决方案...
  • 18各行业、100个中国大数据应用最佳实践案例—为您打开万亿元大数据产业的财富之门。
  • 工业大数据解说

    2019-08-07 13:06:46
    无论是欧美老牌国家制造业的重振,还是中国制造业的转型提升,工业大数据都将发挥不可替代的作用。 当前,全球主要国家掀起了新一轮以“信息技术与制造业融合”为共同特征的工业革命,加速发展新一代信息技术,并...
  • 摘要:2016年12月8日,作为大数据领域规模最大、最具影响力的IT盛会, 2016中国大数据技术大会(BDTC 2016)在北京新云南皇冠假日酒店盛大开幕,本届大会的主题是“聚焦行业最佳实践,应用与数据深度融合”。...
  • 【CSDN现场报道】2016年12月8-10日,由中国计算机学会(CCF)主办,CCF大数据专家委员会承办,中国科学院计算技术研究所、中科天玑数据科技股份有限公司与CSDN共同协办,以“聚焦行业最佳实践,数据与应用的深度融合...
  • 制造执行系统(MES)在过去几年中逐渐被用于工业制造中。然而,为了满足市场不断变化的需求,MES还需要改变和适应。 现代市场的需要越来越复杂,而且经常需要个性化定制,市场对产品的质量期望也更高。...
  • 计算芯片:大数据和人工智能的基石 大数据推动信息通信产业迈入“新摩尔定律”时代。近年来,信息通信技术产业加速向万物互联、万物感知、万物智能时代演进,海量数据资源集聚增速远超摩尔定律,据IDC的数字宇宙报告...
  • 2016中国大数据技术大会“工业与制造业大数据论坛”于12月10日上午9:00准时开始。论坛主席、宝钢首席研究员郭朝晖先生对工业大数据进行简短的介绍,并对现场来宾致以热烈欢迎。 宁振波——中国新工业革命 中航...
1 2 3 4 5 ... 19
收藏数 369
精华内容 147
关键字:

昆仑大数据