2021工业大数据:工业4.0时代的工业转型与价值创造.docx
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_05.gif)
《2021工业大数据:工业4.0时代的工业转型与价值创造.docx》由会员分享,可在线阅读,更多相关《2021工业大数据:工业4.0时代的工业转型与价值创造.docx(211页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、工业大数据: 工业 4. 0 时代的工业转型与价值创造认识工业 4. 0 所需要的重要元素与概念第四次工业革命: 由于互联网和计算机技术的高度发展, 在与工业系统深度融合过程中引发的生产力、 生产关系、 生产技术、 商业模式以及创新模式等方面的深刻变革, 是整个工业系统迈向全面智能化的革命性转变。工业 4. 0: 由 德 国 提 出 和 倡 导 的, 以 Cyber-Physical Production System ( CPPS, 信息物理生产系统) 为核心技术的的制造系统变革。工业互联网: 由美国通用电气公司 ( GE) 提出, 代表全球工业系统与智能传感技术、 高级计算、 大数据分析,
2、 以及互联网技术的连接与融合。 其核心三要素包括智能设备、 先进的数据分析工具, 以及人与设备的交互接口。 工业互联网是智能制造体系与智能服务体系的深度融合, 是工业系统产业链与价值链的整合与外延。信息物理系统: 又译为网络实体系统, 英文表述为 Cyber- Physical System (CPS), 由美国NSF (美国国家科学基金会) 于2006 年提出。 是通过网络虚拟端的数据分析、 建模和控制对实体活动内容的深度对称性管理。 CPS 是第四次工业革命的核心技术。物联网 ( IoT): 实体之间通过传感器数据与控制信号实现相互索引、 相互连接、 相互通信和相互协同的集群网络。 其主要
3、技术元素包括智能传感网、 M2M ( 机器对机器通信) 和云计算与存储技术等。数据的分析与预测 ( Data Predictive Analytics): 从人和设备的各类活动数据中通过统计分析、 特征提取、 关联挖掘、模式识别和深度学习等智能分析方法, 实现对实体活动内容的认知和预测。互联网 + : 互联网与传统行业相融合的模式, 其本质是利用互联网技术颠覆传统行业商业模式和服务模式的经济新形态, 是生产系统革命引起生产关系和商业模式变革的必然趋势。故障诊测与健康管理( Prognostics and Health Management, PHM): 利用工业系统中产生的各类数据, 经过信号
4、处理和数据分析等运算手段, 实现对复杂工业系统的健康状态进行检测、 预测和管理的系统性工程。 PHM 技术将设备的健康管理从传统的故障管理转变为衰退管理, 通过预测性维护实现设备的零宕机和持续可靠的运行。前言工业 4. 0: 一场不可见世界的竞争工业 4. 0 ( Industry 4. 0), 是德国政府和工业界定义的制造业的未来蓝图。 德国人认为, 18 世纪机械制造设备的引入标志着 “ 工业 1. 0” 时代, 20 世纪初的电气化与自动化标志着 “ 工业 2. 0 ” 时代, 20 世纪 70 年代兴起的信息化标志着“ 工业 3. 0” 时代, 现在, 人类正进入 “ 工业 4. 0
5、” 时代, 即实体物理世界和虚拟网络世界融合的时代。 其中, 所谓信息物理系统 ( Cyber-Physical System, CPS) 是新一代工业革命的核心技术。 诺伯特 维纳在 1948 年就提出的 “ 控制论”( Cybernetics) 是 CPS 技术的前身, 现在为工业界广泛知晓的 CPS 则是美国国家科学基金会 ( NSF) 在 2006 年正式提出的,是 NSF 重点资助的研究方向。 德国工业 4. 0 与美国 CPS, 究其核心要义, 是传统制造业利用物联网 ( Internet of Things, IoT)和大数据分析 ( Big Data Analytics) 进行
6、的智能化转型。然而, 我们在谈到工业转型带来的变革时, 往往容易看到其代表性的技术特征, 而忽视促使其转型的最原始的驱动力,即对于新价值创造的永恒追求。 如果说前三次工业革命从机械化、 规模化、 标准化和自动化等方面大幅度地提高了生产力, 那么工业 4. 0 与前三次工业革命最大的区别就在于: 不再以制造端的生产力需求为起点, 而是将用户端的价值需求作为整个产业链的出发点; 改变以往的工业价值链从生产端向消费端、从上游向下游推动的模式, 而是从用户端的价值需求出发提供定制化的产品和服务, 并以此作为整个产业链的共同目标, 使整个产业链的各个环节实现协同优化: 这一切的本质是工业视角的转变。 工
7、业 4. 0 的概念有三个支撑点: 一是制造本身的价值化, 不仅仅是做好一个产品, 还要将产品生产过程中的浪费降到最低, 实现设计、 制造过程与用户需求相配合; 二是让系统在制造过程中根据产品加工状况的改变自动进行调整, 在原有的自动化基础上实现系统的 “ 自省 ( Self-Aware)” 功能; 三是在整个制造过程中实现零故障、 零隐患、 零意外、 零污染, 这就是制造系统的最高境界。在现今的制造系统中, 存在着许多无法被定量、 无法被决策者掌握的不确定因素, 这些不确定因素既存在于制造过程中, 也存在于制造过程之外的使用过程中。 前三次工业革命主要解决的都是可见的问题, 如避免产品缺陷、
8、 避免加工失效、 提升设备效率和可靠性、 避免设备故障和安全问题等。 这些问题在工业生产中由于可见、 可测量, 往往比较容易加以避免和解决。不可见的问题通常表现为设备的性能下降、 健康衰退、 零部件磨损、 运行风险升高等。 这些因素由于其很难通过测量被定量化呈现, 往往是工业生产中不可控的风险, 大部分可见的问题都是这些不可见的因素积累到一定程度后造成的。 因此, 工业4. 0 的关注点和竞争点是这些不可见因素的避免和透明呈现。工业 4. 0 的另一个特点就是制造过程和制造价值向使用过程的延伸, 不仅仅关注将一个产品制造出来, 还应该关心如何去使用好这个产品, 实现产品价值的最大化。 产品的创
9、新和价值的创造不再仅仅以满足用户可见的需求为导向, 而且要利用用户的使用数据创建使用情景模拟, 从情景模拟中找到用户需求的缺口 ( GAP), 这些缺口我们称之为 “ 不可见的需求”,对此即便是用户自己都很难意识到。 例如, 买汽车的人都会提出省油的需求, 各家汽车制造商因此致力于改进车型和发动机让汽车更加省油, 却很少去关注用户的驾驶习惯对于油耗的影响。 同时, 驾驶习惯对于用户而言也是不可见的, 因此不会有用户要求汽车具备管理驾驶行为的功能。 由此可见, 工业 4. 0时代的市场竞争会从以往满足客户可见的需求向寻找用户需求的缺口转变。 以往我们将产品卖给客户之后就几乎到达了生产价值链的终点
10、, 然而工业 4. 0 时代将价值链进一步延伸: 以产品作为服务的载体, 以使用数据作为服务的媒介, 在使用过程中不断挖掘用户需求的缺口, 并利用数据挖掘所产生的信息为用户创造价值。我们不妨以汽车为例做一个大胆的预测, 在未来的工业 4. 0 时代, 人们去 4S 店选车不再仅仅选择车型、 颜色和内饰等定制化特征, 而且用户还可以在一辆布满传感器的车内进行试驾, 当用户坐上驾驶座椅时, 传感器会自动记录整个座椅上的压力分布, 一款符合用户身形和坐姿习惯的座椅就自动设计完成了; 在用户开车过程中, 汽车内部的传感器自动记录用户的驾驶动作, 进而预测用户的驾驶习惯, 一套兼顾驾驶操作体验和舒适性的
11、动力系统和控制系统即被自动匹配完成; 在用户驾驶汽车的过程中, 汽车能够自动识别用户驾驶习惯的改变, 提醒用户驾驶习惯的变化对于能耗和剩余里程的影响; 在上下班高峰期,汽车能够通过海量的交通数据预测出未来一段时间内可能通过道路的拥堵情况, 并为用户推荐最佳行驶路径; 在驾驶过程中汽车还可以记录路面的平整度, 这些数据首先在系统内被分享, 提醒后面的驾驶者减速驶过一段坑洼的路面, 随后被发送给市政管理部门, 第二天再经过相同路段时发现坑洼的路面已经被修补好了。 用户到家之后, 可以通过手机或是网页查看一天的驾驶记录, 不同驾驶模式下的能耗情况一目了然, 可以与社区内的其他用户比一比谁更加节能环保
12、, 同时系统还提供了相应的驾驶习惯改善建议。 此外, 用户还能查看汽车的健康状态报告, 各个关键部件的健康状况、 衰退情况和故障风险一目了然,与之相匹配的维护保养建议也被自动提供, 网上预约后就可以到 4S 店进行维护。 如果只是简单的更换, 还提供视频及文字讲解的详细步骤说明。 至此用户发现虽然去 4S 店的次数和保养维修的费用明显减少了, 但汽车的故障却几乎降到了零。这个例子离我们并不遥远, 也许在未来 5 年甚至更短的时间内就会成为现实。 未来工业界卖给用户的不再是产品, 而是有价值的能力; 对于驾驶者而言, 汽车是一个产品, 但是更重要的是汽车带来的行动力、 时尚感、 经济性、 舒适性
13、和安全性等一系列能力。 这些能力对应的服务也不再像以往那样只提供给用户有限的选择, 而是根据用户的使用情况和需求提供定制化的最佳匹配方案, 因为每一个用户的使用数据都是定制化的, 这使用户不再是统计结果中的一个样本, 而是一个丰富的、 高度个性化的个体。再举一个与我们日常生活息息相关的例子。 我们大部分人都有去超市买鞋垫和去制衣店量身定制西装的经历。 过去我们买鞋垫只会问要买多大的尺码, 同一个尺码的所有人得到的鞋垫都是相同的。 但是我们每一个人的脚形、 体重、 站姿、 走路习惯、 搭配的鞋类都是不同的, 因此不可能有一款鞋垫能够同时满足同一尺码每一个人的需求。 美国的 Dr. Scholls
14、 公司在卖鞋垫给用户之前会先让用户站在一个连接传感器的踏板上, 系统会记录用户站立时足底的压力分布, 随即用户就可以获得一款定制化的鞋垫。 这其实也只是个开端, 还有更多的价值空间可以挖掘, 比如足部压力数据的采集只考虑到了站立时的情况, 走路和跑步时的压力分布同样十分重要, 同时还要考虑鞋垫与不同鞋类的搭配, 如运动鞋、 高跟鞋、 皮鞋等。 这些数据还可以卖给制鞋公司, 在买完鞋垫之后向用户推荐一款适合搭配的鞋。 最后, 这些数据如果与医学研究相结合, 还可以提醒用户站立姿势和跑步习惯可能造成的足部和膝盖的损伤风险, 给用户提供改善习惯的建议。 对于制衣店而言也是一样, 大多数制衣店在给用户
15、量体时都在固定的姿势下进行, 而没有考虑用户在动态情况下的舒适程度。 如果我是一个教师, 会经常抬手在黑板上写字, 手臂的运动幅度就会很大, 手肘和腋下部分就需要加大弹性。 因此, 未来的量体应该是动态的, 让用户穿上特制的衣服之后按照喜好随意活动, 衣服上的传感器会自动记录几个关键位置的应力情况, 根据这些数据为用户制作更加合体的衣服。 这些在过去看来都是天方夜谭的事情, 随着智能传感和 3D 视觉技术的成熟, 已经触手可及, 这就是科技进步带动商业与服务模式创新的良性循环。从以上两个例子我们不难看出, 数据依然是为用户提供定制化产品最重要的媒介, 工业 4. 0 时代的制造将通过数据把终端
16、用户与制造系统相连接, 这些数据将自动决定生产系统各个环节的决策, 实现生产上下游环环相扣的整合, 人的工作难度将被大大降低, 在这种模式下工厂的组织构架将趋于扁平, 生产资源的利用也将更加优化。还有一个例子是最近特别流行的智能手环, 佩戴智能手环可以采集睡眠过程中的数据, 醒来之后查看数据分析的结果, 睡眠质量如何、 有多少时间处于深度睡眠状态、 深浅睡眠交替的曲线等信息都一目了然。 这时我们才发现决定睡眠质量的并不是一共睡了几个小时, 而是深度睡眠占整个睡眠时间的比例。白天的精力好坏是我们可见的现象, 但睡眠质量是不可见的, 智能手环通过睡眠数据的分析将不可见的睡眠质量变成了可见可测的结果
17、, 并利用这些信息帮助用户去管理可见的生活。工业 4. 0 并不仅仅是制造业的革命, 而是一场更加深刻的变革, 创新模式、 商业模式、 服务模式、 产业链和价值链都将产生革命性的变化。 制造业的革命只是工业 4. 0 实现的基础条件, 其最根本的驱动力来自于商业模式与智能服务体系的创新技术变革, 这两者才是未来工业界竞争的关键。事实上, 德国对工业 4. 0 的定义仅仅体现了制造革命, 并非是工业革命。 这并不是去否定制造革命的重要性, 如果制造系统不产生深刻变革, 一切商业模式的创新都无异于空中楼阁。制造系统好比是工业 4. 0 的 “蛋黄”, 我们在把 “蛋黄” 做好的同时也要努力把 “蛋
18、白” 做大。 老子云: “有之以为利, 无之以为用”, 如果拿一个杯子来做比喻, 杯子当中看似 “无” 的空间才是容纳水的地方, 才是价值真正的载体。 中国的制造业一定要学会分析和使用杯子里面的价值: 制造设备虽然是德国人生产的, 但是我们要更懂得如何使用。 如果我们的工厂虽然用的是德国人的设备, 但是中国企业通过对使用数据的分析能够实现胜过德国工厂的高效、 高质量、 低成本和低污染, 那么德国人就要反过来向中国人学习如何使用设备去创造价值。发现用户价值的缺口、 发现和管理不可见的问题、 实现无忧的生产环境, 以及为用户提供定制化的产品和服务, 这些都离不开对数据的分析挖掘。 我相信工业 4.
19、 0 的中心将会在中国, 因为中国不仅仅是世界第一的制造大国, 更是世界第一的使用大国, 无论是制造设备还是终端消费品, 中国都拥有最庞大的使用数据。 然而这些数据并没有被很好地加以分析利用, 因此还只是潜力, 并没有成为真正的竞争力。未来工业界的机会空间可以被分为四个部分。 第一个部分是满足用户可见的需求和解决可见的问题, 这个空间内依然有中国制造需要补的课, 比如质量、 污染和浪费等问题, 需要的是持续的改善与不断完善的标准化。 第二个部分在于避免可见的问题, 需要从使用数据中挖掘新的知识为原有生产系统和产品增加价值。 第三个部分在于利用创新的方法与技术去解决未知的问题, 如具有自省能力的
20、设备, 以及利用智能手环管理睡眠质量等例子都是使不可见的问题透明化, 进而去加以管理和解决不可见的问题。 第四个部分是寻找和满足不可见的价值缺口, 避免不可见因素的影响, 这部分需要利用数据分析产生的智能信息去创造新的知识和价值, 这也是工业 4. 0 的最终目标。图 0 1 工业 4. 0 的机会空间通过分析数据预测需求、 预测制造, 利用数据去整合产业链和价值链, 这就是工业 4. 0 的思维。 现在各个领域都在谈大数据, 但是大数据本身并不是一个问题, 而是一个看待问题的新方式。 大数据只是一个现象, 其本身并不重要, 利用大数据创造价值才是根本目的。 工业 4. 0 是一场在不可见世界
21、中的战争, 而数据分析则是连接可见与不可见世界的桥梁。李杰教授所带领的美国国家科学基金会 ( NSF) 智能维护系统 ( IMS) 产学合作中心从 2000 年就开始了工业大数据分析理论和方法的研究, 并在大量与企业合作的实践项目中积累了丰富的经验和系统的方法论。 工业大数据: 工业 4. 0 时代的工业转型与价值创造 是李杰教授在中国出版的第一本书, 系统性地阐述了李杰教授在工业大数据以及商业模式主控式创新设计方面的思想和研究成果, 旨在为读者认识工业 4. 0 提供一个新的视角, 并为工业 4. 0 的实践者们提供方向性的参考。在李杰教授的指导下, 邱伯华、 刘宗长、 魏慕恒和董智升翻译了
22、李杰教授从 2001 年至今公开发表的文献、 研究手稿、 在各种会议上的主题报告以及媒体的相关报道, 整理了李教授近两年在工业 4. 0 实践设计和 “ 信息物理系统” ( CPS) 体系设计的最新研究成果的手稿和口述材料, 并结合了在产研合作中的实践案例完成此书。 在第四次工业革命的浪潮中, 各类新的词汇、 概念和技术层出不穷, 使人们难免会有雾里看花的感觉。希望这本书能够为国家政策制定者、 企业管理者、 技术拓疆者以及对工业 4. 0 和工业大数据感兴趣的大众读者提供一个更加清晰的思路, 并根据自己的定位和目标去选择适合自己的实践道路。 工业大数据: 工业 4. 0 时代的工业转型与价值创
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 2021 工业 数据 4.0 时代 转型 价值 创造
![提示](https://www.taowenge.com/images/bang_tan.gif)
限制150内