cookieOptions = {...}; .智慧製造下一個風口——工業智慧 - 3S Market「全球智慧科技應用」市場資訊網

3S MARKET

2019年5月22日 星期三

Smart Manufacturing




源:物联网世界


工业互联网,工业智能,大数据,制造业

工業一般分為,流程工業和離散工業。兩者最大的差異,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,每一個場景都需求各異,進入任何一個細分領域,都需要有足夠深厚的行業knowhow,和上下游資源整合能力。

流程工业与离散工业的区别

智慧,可以理解為數據化,以及建立於此之上的AI。以產線自動化為始,多源異構的工業數據被採集、流轉、分析,並幫助形成決策和控制,端到端的解決方案,就形成了當前行業player的典型畫像。

工业智能

為什麼是工業智慧?
藍海
工業尤其是製造業的GDP總量遠高於零售、金融、建築等行業。而工業領域每天產生的有效數據量,其實不亞於網路公司,一個大規模的工廠,每天產生的數據量,甚至能達到幾十億到上百億條。

壁壘
雖然工業場景每天產生高頻、海量的數據,但是大量的原始數據本身,並沒有直接意義,且有可能產生大規模時延,和佔據大量頻寬。我們不僅需要在某些場景,做即時的監控和分析,也需要把更多數據,採集到雲端做更多維,和更長期的經濟效益及價值分析,這是雲計算的價值。

而雲計算+邊緣計算,這是比傳統消費網路,更細的顆粒度和更複雜的架構,這也意味著更高的壁壘。

轉捩點
網路一條邏輯叫做「Copy to 工業」是同樣的道理。大規模的數據應用和平台架構在金融、電信等行業經歷了充分的驗證和演進,構成了拐點成立的先決條件。

工業智慧的玩家畫像
現階段的用戶需要的不是單個產品,而是端到端的整體解決方案。一個合格的工業智能公司,應該具備整體解決方案的構造能力。

首先,用戶需求永遠是第一位,不滿足需求的技術都是偽命題。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+端的平台架構,知識庫的建立,合適模型的選擇,再到反向決策和控制,只有完整打通,才能形成循環。

整體來說,工業智慧呈現一橫(整體架構)+N縱(多個細分行業)的格局。

工業智慧的路徑選擇
對於工業領域的大B客戶來講,現階段需要的不是單個產品,而是端到端的整體解決方案。這雖說是現狀,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,業內主流認為自動化-(數據化)-資訊化-智慧化,是工業用戶進階的合理順序,並且前一階段是後一階段開始的必要條件。

因此工業智慧領域的企業,在很長一段時間內,只關注自動化領域的機會,甚至將工業智慧等同為「機器人」,或者「工業自動化」。從用戶現場的大量實踐來看,這幾個階段存在著顯著的先後順序,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,所以優先完成產線自動化。一些廠商以工業乙太網和板卡實現設備互聯,打通設備級數據,經過MES反饋到平台層,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,業績每年翻幾番增長,趨勢非常明顯。這一類模式,我們可以稱之為「以M2M設備物聯為核心的系統整合」。

更進一步的需求,來自於離散製造業的超大型巨頭客戶,和流程製造行業的絕大多數客戶,由於產線自動化程度本身較高,我們觀察到這類客戶,對於資訊化的接受程度本身也較高。

另外有一類廠商可以直接從頂層設計切入,在平台層以工業大數據平台,或者場景化的AI模型服務用戶,即時的解決業務問題。反過來在數據採集層,在一些數據不完善的局部,加裝感測器,加裝智慧化的檢測設備,甚至於做小段的產線整合等等。這一類模式,用戶接受度往往更高,這意味著項目的溢價往往也更高,我們可以稱之為「以數據應用為核心的系統整合」。

所以,我們可以看到三條發展路徑,面對不同的客戶,不同的場景,不同的發展階段,有不同的路徑選擇:

一、以產線自動化為核心的系統整合;

二、以M2M設備物聯為核心的系統整合;

三、以數據應用為核心的系統整合。

當然,殊途同歸,最終都是給用戶提供整體解決方案,以滿足用戶需求為核心。

工業智慧之工業大數據
首先,數據在哪裡?

一類是管理數據:結構化的SQL數據為主,如產品屬性、工藝、生產、採購、訂單、服務等數據,這類數據一般來自企業的ERP、SCM、PLM甚至MES等系統,數據量本身不大,卻具有很大的挖掘價值;

另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)、音視訊、日誌文本等數據,這類數據一般採集自設備PLC、SCADA,以及部分外裝感測器,數據量很大,採集頻率高,需要結合邊緣計算在本地做一些預處理。

總的來講,由於場景的割裂和分散,工業數據本身具有量大、多源、異構、即時性要求高等特點,而且隨著未來280億設備逐步接入,這些特性將會進一步加強,這是做工業大數據服務的核心難點之一,和互聯網大數據不僅量級不同,結構不同,應用也完全不同。

其次,基於這些工業數據,平台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。以應用層協議為例,EtherNet/IP和PROFINET的市場佔有率最大,其次是EtherCAT、Modbus-TCP和Ether Net POWERLINK;
  • 標準化的數據整合:採集上來的數據要做統一的主數據管理,第一步是建立標準。一般來講,我們先要用ISO或其他業內標準,制訂統一的編碼、結構、流轉方式和屬性,確保數據的一致性,這一點非常重要。
在項目實施的歷程中,逐步累積行業知識庫、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,是為實現真正的產品層面的微服務化打下基礎。

強大的PaaS支持:工業數據本身的特殊性,導致平台必須要有強大的中層支撐能力。我們以時序數據庫為例,它是設備工況和感測器數據的典型品種。這類數據頻率高、量大,用傳統關係型數據庫處理,需要每次把所有值拉出來計算,吞吐量極大,性能很差。所以,一個高壓縮、高性能的時序數據庫,就是平台層必備的能力之一。

最後,我們應該做哪些應用?
設備級:品質控制。在工業智慧時代,如果我們能夠採集到合適的即時數據,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,挖掘出產品品質與關鍵數據之間的關聯,或因果關係,也就有可能實現即時線上的品質控制和故障預警,如果數據頻率能對工藝流程,形成完美包路,我們還有可能實現最大限度的效率提升。

廠級:計劃排產。工業智慧的最終目的,是要實現大規模的個客製化,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,透過歷史數據的學習和訓練,不難形成一個較好的預測模型。

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

在可以預見的未來,隨著數據的完整性和可靠性越來越高,場景越來越豐富,數據應用層面會誕生相當多的優先企業,他們幫助工業用戶降低成本,提高效率,能解決實實在在的業務問題。



0 意見: