Smart Manufacturing
來源：物联网世界
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。
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。
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 comments:
張貼留言