工业一般分为流程工业和离散工业. 两者最大的差异在生产的自动化程度, 数据的可得性和工业的复杂度, 而最大的共性在于, 每一个场景都需求各异, 进入任何一个细分领域都需要有足够深厚的行业 knowhow 和上下游资源整合能力.
人工智能 + 区块链的发展趋势及应用调研报告
工业一般分为流程工业和离散工业. 两者最大的差异在生产的自动化程度, 数据的可得性和工业的复杂度, 而最大的共性在于, 每一个场景都需求各异, 进入任何一个细分领域都需要有足够深厚的行业 knowhow 和上下游资源整合能力.
智能, 可以理解为数据化以及建立于此之上的 AI. 以产线自动化为始, 多源异构的工业数据被采集, 流转, 分析并帮助形成决策和控制, 端到端的解决方案就形成了当前行业 player 的典型画像.
为什么是工业智能?
1. 蓝海
工业尤其是制造业的 GDP 总量远高于零售, 金融, 建筑等行业. 而工业领域每天产生的有效数据量其实不亚于 BAT 等互联网公司, 一个大规模的工厂每天产生的数据量甚至能达到几十亿到上百亿条.
2. 壁垒
虽然工业场景每天产生高频, 海量的数据, 但是大量的原始数据本身并没有直接意义, 且有可能产生大规模时延和占据大量带宽. 我们不仅需要在某些场景做实时的监控和分析, 也需要把更多数据采集到云端做更多维和更长期的经济效益及价值分析, 这是云计算的价值. 而云计算 + 边缘计算, 这是比传统消费互联网更细的颗粒度和更复杂的架构, 这也意味着更高的壁垒.
3. 拐点
互联网一条逻辑叫做 "Copy to China","Copy to 工业" 是同样的道理. 大规模的数据应用和平台架构在金融, 电信等行业经历了充分的验证和演进, 加上中国制造 2025 在政策一侧的催化作用, 构成了拐点成立的先决条件.
工业智能的玩家画像
现阶段的用户需要的不是单个产品, 而是端到端的整体解决方案. 一个合格的工业智能公司, 应该具备整体解决方案的构造能力.
首先, 用户需求永远是第一位, 不满足需求的技术都是伪命题. 此外, 一套好的解决方案从一个完美的架构开始. 对于工业场景而言, 从内, 外部多源数据的整合开始, 到云 + 端的平台架构, 知识库的建立, 合适模型的选择, 再到反向决策和控制, 只有完整打通, 才能形成闭环.
整体来说, 工业智能呈现一横 (整体架构)+N 纵(多个细分行业) 的格局.
工业智能的路径选择
对于工业领域的大 B 客户来讲, 现阶段需要的不是单个产品, 而是端到端的整体解决方案. 这虽说是现状, 其实也是工业创业者的终极目标. 然而路径选择很重要.
关于发展路径, 业内主流认为自动化 -(数据化)- 信息化 - 智能化是工业用户进阶的合理顺序, 并且前一阶段是后一阶段开始的必要条件. 因此国内工业智能领域的企业在很长一段时间内只关注自动化领域的机会, 甚至将工业智能等同为 "机器人" 或者 "工业自动化". 从用户现场的大量实践来看, 这几个阶段存在着显著的先后顺序, 但同时交叉渗透, 迭代进行.
具体来看, 离散制造行业大部分客户自动化程度不够, 所以优先完成产线自动化. 一些厂商以工业以太网和板卡实现设备互联, 打通设备级数据, 经过 MES 反馈到平台层, 在不更换原有工控设备的基础上实现初步物联, 用户接受度很高, 业绩每年翻几番增长, 趋势非常明显. 这一类模式, 我们可以称之为以 M2M 设备物联为核心的系统集成.
更进一步的需求, 来自于离散制造业的超大型头部客户和流程制造行业的绝大多数客户, 由于产线自动化程度本身较高, 我们观察到这类客户对于信息化的接受程度本身也较高.
另外有一类厂商可以直接从顶层设计切入, 在平台层以工业大数据平台或者场景化的 AI 模型服务用户, 实时的解决业务问题. 反过来在数据采集层, 在一些数据不完善的局部加装传感器, 加装智能化的检测设备, 甚至于做小段的产线集成等等. 这一类模式, 用户接受度往往更高, 这意味着项目的溢价往往也更高, 我们可以称之为以数据应用为核心的系统集成.
所以, 我们可以看到三条发展路径, 面对不同的客户, 不同的场景, 不同的发展阶段, 有不同的路径选择:
以产线自动化为核心的系统集成;
以 M2M 设备物联为核心的系统集成;
以数据应用为核心的系统集成.
当然, 殊途同归, 最终都是给用户提供整体解决方案, 以满足用户需求为核心.
工业智能之工业大数据
1. 首先, 数据在哪里?
一类是管理数据: 结构化的 SQL 数据为主, 如产品属性, 工艺, 生产, 采购, 订单, 服务等数据, 这类数据一般来自企业的 ERP,SCM,PLM 甚至 MES 等系统, 数据量本身不大, 却具有很大的挖掘价值;
另一类则是机器运行和 IoT 的数据: 以非结构化, 流式数据居多, 如设备工况(压力, 温度, 振动, 应力等), 音视频, 日志文本等数据, 这类数据一般采集自设备 PLC,SCADA 以及部分外装传感器, 数据量很大, 采集频率高, 需要结合边缘计算在本地做一些预处理.
总的来讲, 由于场景的割裂和分散, 工业数据本身具有量大, 多源, 异构, 实时性要求高等特点, 而且随着未来 280 亿设备逐步接入, 这些特性将会进一步加强, 这是做工业大数据服务的核心难点之一, 和互联网大数据不仅量级不同, 结构不同, 应用也完全不同.
2. 其次, 基于这些工业数据, 平台层应该提供哪些服务?
完整的协议解析: 数据采集首先要完成工业协议的打通. 以应用层协议为例, EtherNet/IP 和 PROFINET 的市场占有率最大, 其次是 EtherCAT,Modbus-TCP 和 EtherNetPOWERLINK;
标准化的数据整合: 采集上来的数据要做统一的主数据管理, 第一步是建立标准. 一般来讲, 我们先要用 ISO 或其他业内标准, 制定统一的编码, 结构, 流转方式和属性, 确保数据的一致性, 这一点非常重要.
在项目实施的历程中, 逐步积累行业知识库, 合适的算法组件以及相关机理模型, 这一点也很重要, 这是从数据标准进化到业务标准化的关键一步, 是为实现真正的产品层面的微服务化打下基础.
强大的 PaaS 支持: 工业数据本身的特殊性导致平台必须要有强大的中层支撑能力. 我们以时序数据库为例, 它是设备工况和传感器数据的典型品种. 这类数据频率高, 量大, 用传统关系型数据库处理, 需要每次把所有值拉出来计算, 吞吐量极大, 性能很差. 所以, 一个高压缩, 高性能的时序数据库, 就是平台层必备的能力之一.
3. 最后, 我们应该做哪些应用?
设备级: 质量控制. 在工业智能时代, 如果我们能够采集到合适的实时数据, 结合该设备所适用的机理模型, 就有可能用机器学习的方法挖掘出产品质量与关键数据之间的关联或因果关系, 也就有可能实现实时在线的质量控制和故障预警, 如果数据频率能对工艺流程形成完美包络, 我们还有可能实现最大限度的效率提升.
厂级: 计划排产. 工业智能的最终目的是要实现大规模的个性化定制, 即 C2M. 这一问题的目标是实现当时当地的产能最优, 约束条件来自企业的产线设备, 人员, 产品属性, 供应链数据等等, 通过历史数据的学习和训练, 不难形成一个较好的预测模型.
这一模型能根据产线和工厂的实时数据动态分析, 动态调整, 以帮助企业实现准确把控, 最大化经济效益.
在可以预见的未来, 随着数据的完整性和可靠性越来越高, 场景越来越丰富, 数据应用层面会诞生相当多的优先企业, 他们帮助工业用户降低成本, 提高效率, 能解决实实在在的业务问题.
来源: http://iot.51cto.com/art/201805/573790.htm