智能製造下一個風口：工業智能

工業通常分爲流程工業和離散工業。二者最大的差別在生產的自動化程度、數據的可得性和工業的複雜度，而最大的共性在於，每個場景都需求各異，進入任何一個細分領域都須要有足夠深厚的行業knowhow和上下游資源整合能力。

智能，能夠理解爲數據化以及創建於此之上的AI。以產線自動化爲始，多源異構的工業數據被採集、流轉、分析並幫助造成決策和控制，端到端的解決方案就造成了當前行業player的典型畫像。

爲何是工業智能？

藍海

工業尤爲是製造業的GDP總量遠高於零售、金融、建築等行業。而工業領域天天產生的有效數據量其實不亞於BAT等互聯網公司，一個大規模的工廠天天產生的數據量甚至能達到幾十億到上百億條。

壁壘

雖然工業場景天天產生高頻、海量的數據，可是大量的原始數據自己並無直接意義，且有可能產生大規模時延和佔據大量帶寬。咱們不只須要在某些場景作實時的監控和分析，也須要把更多數據採集到雲端作更多維和更長期的經濟效益及價值分析，這是雲計算的價值。而云計算+邊緣計算，這是比傳統消費互聯網更細的顆粒度和更復雜的架構，這也意味着更高的壁壘。

拐點

互聯網一條邏輯叫作「Copy to China」，「Copy to 工業」是一樣的道理。大規模的數據應用和平臺架構在金融、電信等行業經歷了充分的驗證和演進，加上中國製造2025在政策一側的催化做用，構成了拐點成立的先決條件。

工業智能的玩家畫像

現階段的用戶須要的不是單個產品，而是端到端的總體解決方案。一個合格的工業智能公司，應該具有總體解決方案的構造能力。

首先，用戶需求永遠是第一位，不知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。對於工業場景而言，從內、外部多源數據的整合開始，到雲+端的平臺架構，知識庫的創建，合適模型的選擇，再到反向決策和控制，只有完整打通，才能造成閉環。

總體來講，工業智能呈現一橫（總體架構）+N縱（多個細分行業）的格局。

工業智能的路徑選擇

對於工業領域的大B客戶來說，現階段須要的不是單個產品，而是端到端的總體解決方案。這雖然說是現狀，其實也是工業創業者的終極目標。然而路徑選擇很重要。

關於發展路徑，業內主流認爲自動化-（數據化）-信息化-智能化是工業用戶進階的合理順序，而且前一階段是後一階段開始的必要條件。所以國內工業智能領域的企業在很長一段時間內只關注自動化領域的機會，甚至將工業智能等同爲「機器人」或者「工業自動化」。從用戶現場的大量實踐來看，這幾個階段存在着顯著的前後順序，但同時交叉滲透，迭代進行。

具體來看，離散製造行業大部分客戶自動化程度不夠，因此優先完成產線自動化。一些廠商以工業以太網和板卡實現設備互聯，打通設備級數據，通過MES反饋到平臺層，在不更換原有工控設備的基礎上實現初步物聯，用戶接受度很高，業績每一年翻幾番增加，趨勢很是明顯。這一類模式，咱們能夠稱之爲「以M2M設備物聯爲核心的系統集成」。

更進一步的需求，來自於離散製造業的超大型頭部客戶和流程製造行業的絕大多數客戶，因爲產線自動化程度自己較高，咱們觀察到這類客戶對於信息化的接受程度自己也較高。

另外有一類廠商能夠直接從頂層設計切入，在平臺層以工業大數據平臺或者場景化的AI模型服務用戶，實時的解決業務問題。反過來在數據採集層，在一些數據不完善的局部加裝傳感器，加裝智能化的檢測設備，甚至於作小段的產線集成等等。這一類模式，用戶接受度每每更高，這意味着項目的溢價每每也更高，咱們能夠稱之爲「以數據應用爲核心的系統集成」。

因此，咱們能夠看到三條發展路徑，面對不一樣的客戶，不一樣的場景，不一樣的發展階段，有不一樣的路徑選擇：

1、以產線自動化爲核心的系統集成；

2、以M2M設備物聯爲核心的系統集成；

3、以數據應用爲核心的系統集成。

固然，異曲同工，最終都是給用戶提供總體解決方案，以知足用戶需求爲核心。

工業智能之工業大數據

首先，數據在哪裏？

▲一類是管理數據：結構化的SQL數據爲主，如產品屬性、工藝、生產、採購、訂單、服務等數據，這類數據通常來自企業的ERP、SCM、PLM甚至MES等系統，數據量自己不大，卻具備很大的挖掘價值；

▲另外一類則是機器運行和IoT的數據：以非結構化、流式數據居多，如設備工況（壓力、溫度、振動、應力等）、音視頻、日誌文本等數據，這類數據通常採集自設備PLC、SCADA以及部分外裝傳感器，數據量很大，採集頻率高，須要結合邊緣計算在本地作一些預處理。

總的來說，因爲場景的割裂和分散，工業數據自己具備量大、多源、異構、實時性要求高等特色，並且隨着將來280億設備逐步接入，這些特性將會進一步增強，這是作工業大數據服務的核心難點之一，和互聯網大數據不只量級不一樣，結構不一樣，應用也徹底不一樣。

其次，基於這些工業數據，平臺層應該提供哪些服務？

▲完整的協議解析：數據採集首先要完成工業協議的打通。以應用層協議爲例，EtherNet/IP和PROFINET的市場佔有率最大，其次是EtherCAT、Modbus-TCP和EtherNetPOWERLINK；

▲標準化的數據整合：採集上來的數據要作統一的主數據管理，第一步是創建標準。通常來說，咱們先要用ISO或其餘業內標準，制定統一的編碼、結構、流轉方式和屬性，確保數據的一致性，這一點很是重要。

在項目實施的歷程中，逐步積累行業知識庫、合適的算法組件以及相關機理模型，這一點也很重要，這是從數據標準進化到業務標準化的關鍵一步，是爲實現真正的產品層面的微服務化打下基礎。

強大的PaaS支持：工業數據自己的特殊性致使平臺必需要有強大的中層支撐能力。咱們以時序數據庫爲例，它是設備工況和傳感器數據的典型品種。這類數據頻率高、量大，用傳統關係型數據庫處理，須要每次把全部值拉出來計算，吞吐量極大，性能不好。因此，一個高壓縮、高性能的時序數據庫，就是平臺層必備的能力之一。

最後，咱們應該作哪些應用？

▲設備級：質量控制。在工業智能時代，若是咱們可以採集到合適的實時數據，結合該設備所適用的機理模型，就有可能用機器學習的方法挖掘出產品質量與關鍵數據之間的關聯或因果關係，也就有可能實現實時在線的質量控制和故障預警，若是數據頻率能對工藝流程造成完美包絡，咱們還有可能實現最大限度的效率提高。

▲廠級：計劃排產。工業智能的最終目的是要實現大規模的個性化定製，即C2M。這一問題的目標是實現當時當地的產能最優，約束條件來自企業的產線設備、人員、產品屬性、供應鏈數據等等，經過歷史數據的學習和訓練，不難造成一個較好的預測模型。

這一模型能根據產線和工廠的實時數據動態分析，動態調整，以幫助企業實現準確把控，最大化經濟效益。

同時幫助生產企業優化生產管理及做業流程，下降生產成本，提升整個生產及管理效率，縮短生產週期，加快市場響應速度，從而全面提升企業服務水平和競爭力。

在能夠預見的將來，隨着數據的完整性和可靠性愈來愈高，場景愈來愈豐富，數據應用層面會誕生至關多的優先企業，他們幫助工業用戶下降成本，提升效率，能解決實實在在的業務問題。