优德88

怎样打好工业大数据实验与落地"攻坚战"？？——优德88分享

宣布日期：

2021-11-24

近年来，，随着企业所拥有的数据日益富厚，，以及数据驱动意识的一直提升，，越来越多的制造企业增强了大数据应用探索，，并已有一些乐成的应用实例。。。然而，，关于许多制造企业而言，，在推进工业大数据的应用历程中仍面临着以下难题：收罗了许大都据，，怎样来剖析和使用这些数据，，找到与自身营业融合的应用场景以解决现实问题？？怎样务实推进工业大数据的实验与落地？？本文将围绕着以上问题举行讨论和剖析，，希望为企业开展工业大数据的实验与应用提供启示与借鉴。。。

一、合适的场景是工业大数据落地的要害

目今，，工业大数据在制造企业已形成加速产品立异、生产工艺优化、生产流程优化、质量监测、能耗治理、装备故障展望、销量展望、供应链优化、智能化效劳、个性化定制等典范应用场景，，不但资助企业优化了现有营业，，如指导产品设计、监控与优化生产历程、推动精准营销、优化供应链治理、快速效劳响应等，，还增进了企业的转型升级，，为产品、效劳和商业模式的立异提供了有力支持。。。

怎样打好工业大数据实验与落地

工业大数据典范应用场景

（泉源：《工业大数据白皮书（2019版）》）

以上应用场景与突出价值为制造企业推动工业大数据提供了参考，，并加速了其大数据探索的刻意。。。可是，，工业大数据能否落地，，不在于手艺的先进性，，要害是企业能否找到与自身营业融合的应用场景。。。

然而，，工业大数据应用具有很是强的个性化特征，，差别企业基于差别的产品、制造工艺、数据基础、应用需求等，，便会爆发差别的应用方法和条理；；；同时，，工业大数据的门槛较高，，应用场景的效果产出需要企业具备一定的行业知识和数据应用能力与履历，，且目今缺少统一、规范化的工具、标准和流程来支持。。。因此，，怎样找到合适的场景和融合方法成为了众多制造企业推进工业大数据应用的主要难题。。。

在笔者看来，，企业应用工业大数据的焦点目的是创立价值，，合适的应用场景一定是能为企业一连带来价值的，，是拥有较量理想的投入产出比的。。。

基于此，，企业在明确自身焦点需求与痛点的基础上，，可以从以下三个方面着手确定应用场景的选择是否合适。。。

1、营业价值较高。。。

数据驱动价值已成为企业共识，，但并非所有的数据，，都值得去深入开展剖析挖掘，，如一些转变维度低的“死”数据，，基础没有剖析价值；；；也不应为了一些微缺乏道的性能指标提升而投入大宗资源去应用大数据手艺。。。

建议可以从那些采样频率高、转变维度多的数据或者高价值、要害的装备/工序等着手，，探讨营业应用场景，，并基于已有的历史数据资产，，来估算潜在价值崎岖。。。

怎样打好工业大数据实验与落地

好比，，某重汽动力部机加单位有100多台机加装备，，网络了大宗的装备运行使用数据，，并妄想通过大数据手艺提高装备的运维质效。。。通过起源剖析，，该机加装备运行故障频次较少，，但机加生产历程所需的刀具却是易耗品，，需频仍替换，，且刀具在加工历程中泛起一定水平磨损时，，会影响产品的整体加工质量。。。

针对这一突出性问题，，该工厂详细评估了刀具的消耗率和因刀具问题导致的产品不良率影响，，有用估算了智能刀具治理场景应用大数据剖析的潜在价值。。。最后，，通过与产品手艺效劳商、高校研究团队的有用协作，，构建了刀具状态在线监测、使用寿命评估中剖析应用，，提高了产品良率和刀具使用效率与价值。。。因此，，具备较高的营业应用价值，，是大数据手艺应用的主要条件。。。

2、复制性强。。。

若是项目选定的大数据应用场景，，只适用于单个或少数的产品，，不具备较强的复制性或推广空间，，很可能会由于项目界线本钱高难以一连。。。建议企业选择复制性强的应用场景和应用模式。。。如上例中，，无论是100台照旧更多的机加装备，，基于统一的手艺架构和模子，，收罗各装备运行的数据，，就能实现同样的场景扩展应用，，大大降低项目本钱。。。

3、数据可支持。。。

由于大数据剖析应用类项目，，在早期对营业场景、影响因素的熟悉很难完整，，现有数据资产能否支持、现实剖析结论与假设是否相符等均有待随着实验深化来验证。。。这些不确定性需要在后面的阶段，，通过强化数据资产（如增添数据收罗点、加大现有数据收罗频率/维度等），，多次迭代数据模子，，并从多个维度去论证建模思绪合理性，，才有可能形成相对完整的问题明确与目的告竣。。。

二、八步实验法助推工业大数据项目有序推进

企业在确定了工业大数据应用主要偏向的条件下，，详细的实验可参考如下办法，，该办法基于CRISP-DM（Cross-Industry Standard Process for Data Mining，，跨行业数据挖掘应用标准流程）并增补了新的内在。。。

1、营业明确

从营业角度明确项目目的，，并将其转化为一个可解且可告竣的数据剖析问题，，包括厘清要害因素，，确定剖析问题的规模和目的等。。。工业数据剖析需要将专业领域的知识和数据模子有机融合，，才华获得有价值的剖析效果。。。而数据剖析师通常对工业历程缺乏深入相识，，营业职员则对数据剖析的手艺要领与思绪相识不深。。。因此，，营业明确的历程需要企业的营业专家和数据剖析师通力相助。。。

2、数据明确与数据的可收罗性剖析

在明确营业的基础上，，准确建设数据和营业间的关联关系，，包括需要哪些数据、这些数据是从哪儿来，，是生产装备、智能产品、重大装备等爆发的工业物联网数据，，照旧来自ERP、MES、SCM等的信息化数据，，照旧装备在运行历程中所处的情形数据等？？是否需要线上、线下相连系的数据等。。。同时，，确定制造企业目今的历史数据存量和可获取的数据增量，，即在不增添收罗点、收罗频率、收罗维度等的情形下，，可以收罗到的数据有哪些。。。

这一阶段需要数据剖析师凭证履历对数据颗粒度、数据质与量和数据间的关联关系等举行起源判断论证，，确定目今的数据是否知足营业场景的要求。。。

3、数据准备

对所需的数据举行数据加工与治理，，包括原始数据抽取、大都据源融合、数据洗濯与质量提升等。。。一样平常需要企业建设专项数据治理组织，，通过数据集成和按期运维等方法包管营业系统和线下数据准确与完整，，包括剔除掉那些假的、错的、误差大的、缺失的、不对理的、暂时性的脏数据等。。。数据准备与预处置惩罚环节不但由数据剖析师组成，，还包括懂行业know-how的专家，，关于一些不对理、不切合物理纪律的数据，，如燃气燃煤加热装备在极短时间内泛起温度数据的急剧转变是不对理的，，数据剖析师很难发明，，需要连系行业专家的履历认知判断。。。

4、特征提取

特征提取即借助统计学要领对数据举行转换、映射、剖析，，找到数据中的纪律，，并举行特征提取，，即最大限度地从原始数据中提取特征以供算法和模子使用。。。这一步很是主要，，只有对数据特征有了清晰的熟悉，，企业才华更好地完成拓扑数据结构的搭建，，开展数据建模。。。部分企业由于缺乏对数据的深入探索和明确，，一有了原始数据就直接着手构建大数据模子，，效果失败率很是高。。。

值得注重的是，，针对一些特定领域问题，，特征提取应充分使用行业已有的专业知识，，不要将时间过多铺张在该领域早已熟知的行业纪律发明上。。。

5、小数据验证

若是说在实验工业大数据项现在，，是通过历史数据估算场景价值点，，来起源判断应用场景是否合适。。。那么，，到了详细的应用落地实验阶段，，则需要依赖现有的预处置惩罚数据，，对营业场景的价值举行更详细的盘算，，得出一个可量化的值，，从而来验证数据剖析的价值。。。

6、数据建模

基于营业知识和合适的算法及建模工具，，输出数据剖析模子。。。目今，，机械学习、数据挖掘中剖析理论、手艺生长较成熟，，也有许多明确的指导原则和富厚的算法和建模工具，，可以资助企业优选出合适的算法模子。。。因此，，真正的数据建模历程在项目实验历程中破费的时间并不是最多。。。但值得一提的是，，算法不是越重大越先进越好，，应用可诠释、较简朴的算法去解决营业现实问题更值得被关注。。。

7、模子的验证和评估

模子的验证是对剖析模子从数据和手艺的角度举行充分磨练评估，，确认数据剖析的效果或模子是否知足详细工业应用场景的使用需求；；；任何模子都有一定的适用条件，，模子的评估即是从营业的角度审阅模子在什么规模内有用，，有用水平是什么，，在什么情形下不适用，，需要分场景去验证和评估。。。

8、模子上线与迭代

模子的上线是将模子以便于企业使用的方法和要求重新固化，，形成便于模子效劳挪用的形式，，如可重复使用的数据挖掘程序、模子效劳程序等。。。同时，，模子在运行历程中，，还应对模子举行一连的修正、迭代和完善。。。

如前文所述，，与一样平常的信息化项目差别，，工业大数据项目的实验是一个循环迭代、螺旋上升的历程。。。因此，，以上8个办法会保存多处循环和重复迭代，，如在建模阶段，，若是现有的特征无法知足模子的开发或者保存过拟合的问题，，则需要返回到数据准备，，甚至会泛起营业明确的修正调解。。。另外，，纵然企业基于现有数据完成模子的上线后，，还需进一步评估，，是否需要增添现有数据量，，是增添数据的收罗频率，，照旧增添特殊数据收罗点，，进一步迭代模子，，云云重复，，从而一直优化模子，，获得更可靠的剖析效果。。。

三、实验案例-水泥生产结缘大数据开启“智控”新时代

某水泥企业拥有两条日采5000吨水泥的熟料生产线，，每条产线每年的耗电量抵达约8万万度，，耗煤约20万吨标煤，，能耗消耗重大。。。该企业希望通过大数据优化能耗实现节能减排，，降本增效。。。

通过起源剖析，，该企业水泥产线在工业场景中工艺机理相对标准化，，主要包括“两磨一烧”环节，，但每一条生产线装备、物料、操作职员习惯差别，，导致每条窑的工况都纷歧样，，控制参数也没有通用标准。。。因此，，聚焦“两磨一烧”的工艺优化，，通过自动化的生产控制来实现节能降耗，，成为了该企业实验的解题思绪。。。

该企业首先连系工艺专家的专业履历获取了现有的400多组采样点的数据，，包括泉源于生产系统、控制系统、装备治理系统、能源系统等的质检数据、DCS数据、荧光剖析仪数据、情形数据等，，并对历史数据举行洗濯和预处置惩罚，，剔除噪音数据和无效数据，，增补不完整数据或缺失数据；；；然后，，对所网络到的多维度数据举行特征提取与数据拓扑结构搭建，，并针对生料磨、水泥磨、回转窑3个要害装备的“两磨一烧”工艺，，建设了生料电耗优化控制模子、回转窑能耗优化控制模子、熟料质量展望模子；；；待模子建设后，，对生料磨及熟料烧成流程举行工艺参数推荐，，并将推荐参数放在生产线上试验，，确定模子的适用规模，，对其准确率与效果举行验证，，包括能耗降低了几多、质量提升了几多等，，再凭证反响优化工艺参数，，迭代算法模子；；；待算法模子上线后，，参数返回控制系统，，自动控制生产线，，阻止了人为等因素带来的能源消耗差别，，抵达节能减排稳固质量的效果。。。

据相识，，在完成第一轮的模子上线后，，该企业在第二轮的迭代中，，又增添了10多个收罗点，，对算法模子举行循环迭代，，云云重复。。。最终，，该企业实现了约3%~5%的能耗优化。。。

怎样打好工业大数据实验与落地

某水泥企业实验蹊径图

四、多措并举让大数据创立大价值

工业大数据实验路径为企业提供了要领指引，，但工业大数据项目的实验落地并不是一蹴而就，，现阶段仍保存着部分项目投资大产出低、项目周期长、人才缺乏、剖析效果可靠性差、应用融合不深入等问题。。。那么，，制造企业怎样才华更有用地推进工业大数据应用、更充分挖掘数据价值呢？？

1、自上而下形成完善的治理制度与系统

推进工业大数据项目，，需要企业从战略层面高度关注和重视，，从上往下形成完善的治理制度与系统。。。首先，，工业大数据是长期性的项目，，需要企业做好打长期战的准备，，且在项现在期投资回报率难以量化，，短期效益不显着的情形下，，获得高层向导的支持与加入就显得很是要害。。。其次，，工业大数据解决的是企业级的应用需求，，涉及多部分跨营业的数据融合与事情配合，，某个营业目的的实现需通过整个企业以致供应链上多上相关方的大规模协同，，因此需要获得从治理层到营业部分自上而下的支持，，并应形成完善的治理制度与包管系统，，以包管项目的有序推进。。。

2、界说明确的项目目的，，切忌贪大谴责

企业在实验工业大数据之前，，必需凭证企业自身的需求，，确定解决什么问题，，能为企业带来哪些价值。。。同时，，在一个项目周期内应制订可权衡的实现目的。。。与一样平常的信息化项目差别，，如硬件项目价值较量直观，，MES、ERP等信息化项目，，已有较深的积累，，可以明确确定交付界线和交付周期，，工业大数据项目是一个一连迭代的历程，，以是项目周期和项目的界线有时会显得较为模糊。。。但若是在一定的项目周期内，，企业没有明确的主攻偏向并向营业板块泛起价值，，项目将难逃恶运。。。

另外，，建议企业不要一最先就贪大谴责，，甚至破费巨资去构建企业级大数据平台。。。浚可以从总体架构要合理、小型价值先推行的思绪出发，，给予合理妄想与论证剖析，，并从启动小的项目最先，，选择企业所亟待解决的问题入手，，再逐步延伸到更多的应用场景。。。将手艺探索、人才储备、应用落地等基础打好后，，再思量打造和完善系统化的大数据应用平台建设。。。

3、将重心放在营业知识认知、数据治理上

从某种角度来说，，工业大数据不是手艺而是营业，，项目的落地从工业大数据手艺起步，，但同时必需与企业的营业流程、工业机理等有机连系。。。包括通过充分使用营业知识，，企业可以相识数据的泉源与收罗方法，，判断其是否可信，，掌握剖析项目的主要矛盾；；；在数据量不敷的情形下，，通过“要领降维”，，从有限的数据中剖析出足够可靠的效果；；；以营业履历指导特征提取，，提高算法的求解效率，，提高模子的可诠释性；；；更周全客观评估模子的适用规模等。。。

另外，，相比大数据量，，工业领域更注重数据的完整性和高质量。。。数据质量的崎岖直接决议了数据模子的准确性、数据剖析的可靠性。。。别的，，数据治理不但在数据准备阶段，，为包管模子的一连优化，，还需要一直提高数据质量，，并按期对数据举行维护。。。

4、与其花巨额解决数据收罗的充分性数据剖析不如从现有数据资产出发

关于制造企业来说，，总期望所有的主要因子数据都能被全量收罗，，但这是不可能的。。。一方面，，若是不融入领域熟悉去“消减”因子数目，，通常是无法提供“足够”的历史数据去笼罩所有组合情形。。。另外，，数据收罗本钱不低，，并且还受制于目今的手艺水平以及清静/情形等因素。。。因此，，数据准备阶段企业先盘货现有数据，，而不是一最先就投入大宗的资金开展数据收罗，，更不是在营业需求、应用场景尚不明确的情形下，，就盲目开展种种数据收罗与治理，，不但本钱高，，并且许大都据可能并不是未来数据剖析应用所需要的。。。

5、需要行业专家战略相助同伴的多方协作

目今，，工业大数据项目还没有完全可照搬的模板，，手艺与应用场景的深度融合还处在一直探索、试错的阶段，，需要企业与泉源于高校、科研院所等的行业专家，，以及工业大数据解决计划提供商通力相助。。。

例如，，工业大数据剖析厂商的优势在算法、数据洞察力以及富厚的实践履历，，而行业专家对行业know-how有较深的明确与积累，，高校善于理论算法与机理的深入研究，，通过企业、行业专家和厂商配合组队的模式，，可以资助企业更高效地找到合适的融合性落地计划，，提高场景化数据建模与剖析效率，，获得高质量的剖析效果。。。

6、增强复合型人才作育

工业大数据实验落地难，，人才缺乏也是很主要的缘故原由，，特殊是既懂IT，，又熟悉营业，，还具有一定命学功底的复合型人才。。。另外，，据相识在部分大数据项目竣事后，，手艺实验方撤离，，企业由于缺乏数据的治理维护、数据模子的迭代完善能力，，导致数据的质量每况愈下，，模子失去生命力，，使得项目无法获得延续。。。因此，，企业需要增强面向新一代信息手艺的复合型人才作育，，以承接模子上线后对其举行一连优化迭代的能力，，并为工业级的大数据应用推广储备人才。。。

总之，，大数据自己并不是目的，，怎样通过大数据解决企业生产、运营中的问题，，为企业创立价值，，实现提质降本增效才是推进工业大数据的焦点目的。。。工业大数据的落地离不开要领指引，，也离不开场景选择、营业逻辑的深入明确，，更离不开高质量的数据包管、大数据手艺与营业流程的融合、算法模子的一连迭代和专业的战略相助同伴与人才支持。。。

?- 参考文献 -?

【1】工业大数据白皮书（2019版）

https://vip.e-works.net.cn/pdfdocumentdetail.aspx?id=753

【2】工业大数据怎样落地，，听听一线剖析师怎么说

http://www.cbdio.com/BigData/2016-01/06/content_4440425.htm

【3】工业大数据剖析实践：基于CRISP-DM要领论的再熟悉

https://zhuanlan.zhihu.com/p/32014381

【4】工业大数据剖析手艺在实践应用中的思绪与要领

https://www.sohu.com/a/430609315_100125745

【5】工业大数据项目实验落地的几个潜在挑战

https://zhuanlan.zhihu.com/p/46904146

【6】为什么大都大数据项目都以失败而了却

http://www.woshipm.com/it/37218.html

本文转自：数字化企业

声明：部分内容泉源于网络，，如侵权请后台留言联系删除。。。

上一篇:工业以太网在自动化系统中的应用下一篇:智能边沿盘算网关 | 300多种协议，，轻松应对客户种种需求

【网站地图】【sitemap】