数据分析：推动智能制造的核心

智能工厂的牵涉范围非常广泛，除智能机器人、集成产品生产模拟、添加性制造/3D打印等专门技术领域外，很大程度上主要围绕着一个核心课题：如何将信息和通信技术（Information & Communication Technology，ICT）应用于传统生产环境，与运营技术（Operational Technology，OT）两化融合，从而实现智能化生产。其涵盖了生产技术和生产过程的数字化、对机器设备的连接、对数据的收集、分析和应用、生产运营技术与信息技术以及生产系统与业务系统的融合等方面。这些系统的连接和融合不仅在企业内部，也可跨企业或在其生态圈内实现。

通过全面数字化和全局互联互通实现系统和管理流程的智能化是智能工厂的一个核心理念。在认清这个理念之后，所有不同架构的差异便主要在于实施的细节和着重点的不同，可以在其间按具体的需求来取长补短。值得指出的是，为智能工厂建造这样一个完善的系统是非常复杂、并且可能是旷日持久的，但是，在起步时应该将上述核心理念作为指导架构设计的战略愿景。在具体的实施中，应该根据每家企业独特的核心价值诉求，通过一个从小到大、从简单到复杂的迭代式发展进程来实现此战略愿景。

当务之急：以解决业务问题为突破口

在实现智能工厂的过程中，企业会遭遇到不少技术和实施方面的挑战。

工业物联网和智能制造领域战线广阔、纵深宏大，而且在未来的5～10年内，相关技术仍将快速发展和更新，因此，其实现会是一个不断更新、加强和完善的过程。所以，在推进智能制造时，既要避免因企图打造一个面面俱全的系统而全线出击，最终却导致事倍功半甚至半途而废；也要避免既无战略远景指导也无业务价值驱动，单纯由技术主导的零敲碎打；更要避免对其熟视无睹或措手无策，以致屡屡拖延、错失良机。工业物联网和智能制造为一些企业的发展壮大提供了天赐良机，也会给一些企业带来难以避免的生存危机，正如互联网和由其而生的电子商务对传统商业的冲击一样。以战略愿景为指导，以业务价值为驱动，以先进技术为手段，当务之急就是要解决业务问题，以其为突破口是在已经部署运营的生产系统中实现智能化的一条有效途径。

数据分析是驱动引擎

智能是一个过程，包含了感知、认识，根据目的做出决策并采取行 动，以得到所期望的效果这样一个循环过程。更完整一点来说，其还包括学习、调整和适应的环节。数据分析在智能工厂中的作用主要在于及时、准确地认识设备运行和生产运营的状态，并相应做出正确的判断和决策。通俗一点而言，数据和分析对智能工厂的作用就如同燃料和引擎对飞机、或者电力和电动机对机床一样——在智慧生产和运营中，数据是燃料和电力，而数据分析则是驱动引擎。

通俗一点而言，数据和分析对智能工厂的作用就如同燃料和引擎对飞机、或者电力和电动机对机床一样——在智慧生产和运营中，数据是燃料和电力，而数据分析则是驱动引擎。

数据应用：变“被动”为“主动”

目前，业内大多认为利用数据首先就是要收集大量数据，然后再在这些数据中寻找和“挖掘”价值，但我认为这种将数据应用当作一种事后举措的考虑是不正确的，或者至少是很片面的看法，例如，大家从来也没有听说过在电力中“挖掘”动力这样的说法。我认为更有效的思考方式应该是更主动、更有目的性，或应该是更有的放矢的：在生产运营中的一系列急需解决的问题中，哪些是可能通过对生产技术或流程进行智能优化来解决的？为了实现这些智能优化，我们需要哪些信息？为了得到这些信息，我们必须收集哪些数据和采取哪些分析？最后，我们需要从哪些设备以及怎样连接这些设备以收集所需要的数据？在智能工厂中，数据分析的结果应该首先是为了增强单机设备运行和设备群运营的智能程度，而这个过程要求的是及时（接近实时）、连续性的流式数据分析。传统的批量性数据挖掘方式在智能工厂中会继续有其作用，例如为运营系统的数据分析建立模型或任何其他事后分析而用，但并不是其唯一或主要的方式。

实现智能工厂的一个关键在于怎样收集和分析设备的数据，并将其结果即时反馈到设备的运行和运营中，以及怎样将这些分析结果与其他业务信息融合，以推动生产的全面智能化。

数据平台的关键：收集、分析、反馈、融合

数据分析平台的技术市场目前非常活跃，发展很快，不同类型的平台大量涌现。有在云计算平台上提供各类数据收集、存储和分析的技术部件，由用户选取搭配并整合成完整的分析应用；也有在云计算平台上提供偏重于设备连接包括安全连接和数据上传服务的……这些平台大多数所提供的功能都主要环绕在设备运营和管理环方面，对其他两环、特别是设备控制环的支持总体而言还比较薄弱；与此同时，这些平台普遍需要在某种形式的云计算平台上部署，只有极少数能在本地生产和运营环境中部署，支持某种形式的边缘计算，作为设备或控制系统在本地的并行外带分析系统。 

对于已经投产的生产设备实施数据分析，其技术上最大的挑战在于：怎样根据现有设备的接口（例如PLC）对其进行连接，并解析其数据。如果这个问题得不到解决，无法有效收集可用数据，再先进再强大的分析平台也将无用武之地。有效解决此问题需要行业内的合作，需要原设备厂商、客户或相关的设备连接解决方案开发商紧密协作，根据原设备厂商提供的必要的接口定义和规格资料，简易而快速地收集到所需的设备数据。

实现智能工厂的一个关键在于怎样收集和分析设备的数据，并将其结果即时反馈到设备的运行和运营中，以及怎样将这些分析结果与其他业务信息（例如市场供求、供应链等）融合，以推动生产的全面智能化。要有效地实现这些目的，有3点值得强调：

首先，设备是连续运行的，其运行需要连续的智能反馈。所以分析系统必须对设备连续生成的数据流进行流式分析，及时并持续地为决策提供信息流，即时、自动化地应用于设备连续的运行和运营流程中。反过来说，基于批量性和被动性查询的传统分析框架并不能有效支持设备的连续性运行和运营，因而，流式分析必须是这些数据分析平台的首要功能。

其次，从安全性、可靠性和有效性（例如对时延和数据流量的约束）等方面考虑，这些数据分析平台必须提供分布式的分析，使其分析功能能够在设备或生产设施的本地部署，支持边缘计算模式。

最后，这些数据分析平台应该将所需的先进和难度大的分析技术提升和简化，为客户提供简易部署、定制和维护的开箱即用的分析系统，使客户能够快速迭代式演进其智能工厂应用。基于不少制造业企业并不专长于信息技术这一现状，应尽力使其在开发智能工厂的过程中受益于最新的数据分析技术，包括机器学习等人工智能在内的高级技术，但却不受其复杂性和对特殊专业人才的需求所困。

本文来源于《ICT新视界》 链接：http://e.huawei.com/cn/publications/cn/ict_insights/201708032013/view/201708040848