物聯(lián)網(wǎng)和大數(shù)據(jù)案例闡述

最近很多人跟我討論物聯(lián)網(wǎng)和大數(shù)據(jù)，但他們大都還對這兩個技術(shù)分類認(rèn)識不是很清晰。在這里我結(jié)合我們的一些案例對這兩個概念做一些闡述。

物聯(lián)網(wǎng)是一個完整的概念，不僅包括遠(yuǎn)端的傳感器數(shù)據(jù)采集、傳輸、存儲和展示，還包括對采集的傳感器歷史數(shù)據(jù)的分析，以及基于分析結(jié)果所產(chǎn)生的決策、反饋和控制動作。相對于傳統(tǒng)的人的認(rèn)知方式，物聯(lián)網(wǎng)相當(dāng)于增強(qiáng)了人的“五官“的識別能力，使人能夠獲取到原本很多無法直接獲取的信息。而基于物聯(lián)網(wǎng)的數(shù)據(jù)分析，則相當(dāng)于增強(qiáng)了人的”大腦”的感知能力，讓人能夠擺脫傳統(tǒng)思維的局限性，實(shí)現(xiàn)更多維度、更全面的、更實(shí)時的認(rèn)知和判斷能力。

通常意義上的大數(shù)據(jù)，指的都是對批量數(shù)據(jù)的計算。由于原本的存儲和計算能力有限，最近十年陸續(xù)發(fā)展出了一系列包括Hadoop、Spark在內(nèi)的新技術(shù)，用以高效、實(shí)時的處理海量的數(shù)據(jù)（批量數(shù)據(jù)為主），而在此基礎(chǔ)上，將原來的一些處理小數(shù)據(jù)集的數(shù)據(jù)挖掘技術(shù)，同大數(shù)據(jù)結(jié)合起來，實(shí)現(xiàn)對很多業(yè)務(wù)系統(tǒng)數(shù)據(jù)（批量數(shù)據(jù)為主）的分析，比如針對不同標(biāo)簽的群體的分類和畫像，并進(jìn)行精準(zhǔn)營銷。而隨著實(shí)時性的提高，最近幾年流式計算和分析也被提到了一個更高的層次，來處理時時刻刻都需要分析和處理的、帶有時間標(biāo)簽的數(shù)據(jù)，如物聯(lián)網(wǎng)數(shù)據(jù)或日志數(shù)據(jù)。

如大家所見，這兩個看似毫無關(guān)聯(lián)的技術(shù)，是可以通過數(shù)據(jù)（一個產(chǎn)生數(shù)據(jù)，一個處理和分析數(shù)據(jù)）緊密的聯(lián)系在一起的。

區(qū)分IoT、IIoT和工業(yè)大數(shù)據(jù)

需追根溯源

在進(jìn)一步闡述之前，我需要幫大家區(qū)分幾個概念。

首先區(qū)分傳統(tǒng)物聯(lián)網(wǎng)和工業(yè)物聯(lián)網(wǎng)傳統(tǒng)物聯(lián)網(wǎng)主要針對消費(fèi)者以及智慧城市等，通過增加眾多分散廣泛的傳感器采集和傳輸實(shí)時數(shù)據(jù)，構(gòu)建實(shí)時監(jiān)控、展示、告警和歷史數(shù)據(jù)查詢的能力；而工業(yè)物聯(lián)網(wǎng)，則主要指的是通過采集現(xiàn)有工業(yè)設(shè)備的控制系統(tǒng)數(shù)據(jù)（很少需要增加傳感器），在監(jiān)控告警的基礎(chǔ)上，通過深入的數(shù)據(jù)分析，找到提高設(shè)備可靠性、降低異常、提高生產(chǎn)和運(yùn)營效率的途徑。

傳統(tǒng)物聯(lián)網(wǎng)的數(shù)據(jù)分析，和我們在互聯(lián)網(wǎng)上的流式數(shù)據(jù)分析，區(qū)別不大，通過單一指標(biāo)的處理，產(chǎn)生相應(yīng)的時間窗口內(nèi)的平均、極值等計算量，并進(jìn)行批量計算和展示。

再區(qū)分工業(yè)物聯(lián)網(wǎng)和工業(yè)大數(shù)據(jù)在國外很多廠商和媒體上，并沒有工業(yè)大數(shù)據(jù)這個概念，更多是將其合并在了工業(yè)物聯(lián)網(wǎng)（IIoT）的范疇，而國內(nèi)則將二者當(dāng)成兩個不同的類別，同時，還將二者連同諸如生產(chǎn)和供應(yīng)鏈系統(tǒng)等，統(tǒng)統(tǒng)融入到工業(yè)互聯(lián)網(wǎng)的概念中去。所以，我們可以看到包括Gartner在內(nèi)的國外分析機(jī)構(gòu)，并沒有專門針對工業(yè)大數(shù)據(jù)或者工業(yè)互聯(lián)網(wǎng)的分類，而有很細(xì)致的IIoT的分析。

傳統(tǒng)的工業(yè)里面，并不是沒有數(shù)據(jù)處理。但是原本的數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)分析和反饋，都是分散在不同系統(tǒng)里面，一方面無法處理海量的工業(yè)“大“數(shù)據(jù)，另一方面也無法保證實(shí)時性。我們經(jīng)常看見工業(yè)企業(yè)里面，很多數(shù)據(jù)分析人員被迫從不同的控制系統(tǒng)中手動導(dǎo)出一些數(shù)據(jù)文件，通過手工的方式進(jìn)行交叉關(guān)聯(lián)和標(biāo)注，并編寫相應(yīng)的Matlab程序?qū)崿F(xiàn)統(tǒng)計分析和建模，然后再提取一些現(xiàn)場數(shù)據(jù)進(jìn)行驗(yàn)證，條件好的企業(yè)，還會請一些外部的合作伙伴將其開發(fā)成應(yīng)用。這種處理和分析的效率實(shí)在是很低下，但確實(shí)是一種普遍現(xiàn)象。

工業(yè)物聯(lián)網(wǎng)和互聯(lián)網(wǎng)大數(shù)據(jù)

分析大不同

工業(yè)物聯(lián)網(wǎng)的數(shù)據(jù)分析（工業(yè)物聯(lián)網(wǎng)+工業(yè)大數(shù)據(jù)），同傳統(tǒng)的互聯(lián)網(wǎng)大數(shù)據(jù)分析，有很多不一樣的地方。

數(shù)據(jù)屬性不同

1、數(shù)據(jù)量巨大

工業(yè)數(shù)據(jù)的“量”，需要從幾個方面來考慮：

數(shù)據(jù)維度多傳統(tǒng)的物聯(lián)網(wǎng)，由于通常多是相對獨(dú)立的傳感器，而每個傳感器上的數(shù)據(jù)點(diǎn)往往都是個位數(shù)，因此數(shù)據(jù)維度很少。

對于工業(yè)物聯(lián)網(wǎng)來說，復(fù)雜的生產(chǎn)都是多個過程相互關(guān)聯(lián)、每個過程又是多維度數(shù)據(jù)集成的過程。

這里所說的數(shù)據(jù)維度囊括了生產(chǎn)過程中各種設(shè)備特征、外部工況、參數(shù)、材料和工藝配方等相關(guān)因素。這種維度的數(shù)量級往往是成千上萬，在很多高端自動化生產(chǎn)（如半導(dǎo)體）的過程中，數(shù)據(jù)維度都達(dá)到了千萬級別，而其中任何一個過程的任何一個變量的變化，都有可能對最終生產(chǎn)的結(jié)果產(chǎn)生蝴蝶效應(yīng)。

采樣頻率多樣化傳統(tǒng)物聯(lián)網(wǎng)的數(shù)據(jù)采集間隔通常都是秒級、分鐘級別，相對比較固定。

工業(yè)設(shè)備數(shù)據(jù)的采樣頻率的跨度非常大，一個設(shè)備的不同指標(biāo)可以有上千倍的差別。對于設(shè)備故障診斷常用的電流、振動加速度傳感器指標(biāo)，往往需要10KHz以上的采樣頻率，而一些狀態(tài)變化，往往只需要幾秒甚至幾十秒才采樣一次。

數(shù)據(jù)時間跨度大長期的數(shù)據(jù)保存，對于積累在不同狀態(tài)下的特征判決，非常有幫助。

傳統(tǒng)的物聯(lián)網(wǎng)對長期數(shù)據(jù)的保存需求不是很明顯，沒有太多“狀態(tài)性”(Stateless)的需求。

但是工業(yè)物聯(lián)網(wǎng)，對基于狀態(tài)(Stateful)的數(shù)據(jù)分析，需求非常強(qiáng)烈。

首先，在傳統(tǒng)的工業(yè)領(lǐng)域，對于設(shè)備狀態(tài)、控制門限、關(guān)鍵參數(shù)的設(shè)置，往往都是通過廠家或者運(yùn)營人員的經(jīng)驗(yàn)值來去設(shè)置和調(diào)整，這個值是否正確，是需要經(jīng)過長期的數(shù)據(jù)驗(yàn)證的；

其次，工業(yè)設(shè)備的電流、功率、扭矩等指標(biāo)，在不同工作模式、工況條件、故障狀態(tài)下，往往都存在明確的不一樣特征。而這些特征，如果能夠被保存下來，通過機(jī)器學(xué)習(xí)來訓(xùn)練特征識別模型，將有助于實(shí)現(xiàn)精準(zhǔn)的狀態(tài)判決、異常檢測和故障診斷。并且，通過不斷累積類似相同標(biāo)簽的數(shù)據(jù)樣本，將有助于增強(qiáng)識別的準(zhǔn)確性。特別是一些可靠性很高的關(guān)鍵設(shè)備，因?yàn)楣收系某杀竞芨?，更需要保存異常或者故障的特征，并通過部件之間、子系統(tǒng)之間以及設(shè)備之間特征的組合分析，來進(jìn)一步提高可靠性。

2、實(shí)時性強(qiáng)

通常大家都認(rèn)為工業(yè)數(shù)據(jù)的實(shí)時性會很強(qiáng)，但這往往指的是工業(yè)控制的實(shí)時性，而不是工業(yè)數(shù)據(jù)分析的實(shí)時性。

傳統(tǒng)的工業(yè)數(shù)據(jù)分析，往往是通過在控制系統(tǒng)或者軟件系統(tǒng)中截取一段數(shù)據(jù)，保存成文件，通過分析人員編寫一段代碼(如Matlab)和模型，在實(shí)驗(yàn)環(huán)境中進(jìn)行測試和驗(yàn)證，再開發(fā)相應(yīng)的控制邏輯或者應(yīng)用程序，通過實(shí)時接收來評估開發(fā)的模型，在運(yùn)行的過程中不斷調(diào)整模型的參數(shù)。這個過程是非常痛苦的，不僅僅是因?yàn)閿?shù)據(jù)的來源和分析是脫節(jié)的，更是因?yàn)樵谀Ｐ烷_發(fā)的過程中需要實(shí)時數(shù)據(jù)的驗(yàn)證是沒有辦法在現(xiàn)有環(huán)境中實(shí)現(xiàn)的。

而理想的工業(yè)數(shù)據(jù)分析，就應(yīng)該是一個高效實(shí)時的過程。它可以從實(shí)時的工業(yè)數(shù)據(jù)中截取有效的數(shù)據(jù)樣本，基于不同的開發(fā)語言和模型框架，開發(fā)特定的算法和模型，并基于實(shí)時采集的數(shù)據(jù)進(jìn)行驗(yàn)證，然后將驗(yàn)證的結(jié)果同真實(shí)的實(shí)時數(shù)據(jù)流結(jié)合起來，實(shí)現(xiàn)實(shí)時的判決。只有這樣，才能形成針對具體場景的智能分析和控制。

3、數(shù)據(jù)質(zhì)量差

工業(yè)數(shù)據(jù)質(zhì)量差是工業(yè)數(shù)據(jù)的典型特點(diǎn)。

工業(yè)的專業(yè)性特點(diǎn)，導(dǎo)致大型設(shè)備往往是來自多個不同廠家的子系統(tǒng)的大集成。而主機(jī)廠往往并不了解每個子系統(tǒng)的工作原理，并沒有形成一套完整的、跨子系統(tǒng)的控制邏輯和數(shù)據(jù)整合機(jī)制，因此只能從其中挑選一些關(guān)鍵的控制信號，實(shí)現(xiàn)既定的控制邏輯，而不會去關(guān)心每一個子系統(tǒng)的工作原理，包括各種有助于實(shí)現(xiàn)可靠性、效率乃至質(zhì)量分析的非控制用指標(biāo)。

一方面，工業(yè)設(shè)備生產(chǎn)廠家雖然都聲稱能夠達(dá)到各種指標(biāo)，但他們往往只能保證關(guān)鍵控制指標(biāo)的完整性，而不能保證子系統(tǒng)關(guān)鍵指標(biāo)的精度和可靠性；另一方面，由于沒有很好的數(shù)據(jù)整合機(jī)制，往往無法識別不同子系統(tǒng)的工作狀態(tài)，而給后期針對不同工作狀態(tài)的數(shù)據(jù)分析造成巨大的障礙；第三，來自不同子系統(tǒng)的整合，往往會出現(xiàn)時間標(biāo)簽不統(tǒng)一、數(shù)據(jù)量程不對、數(shù)據(jù)標(biāo)簽錯誤等常見錯誤，甚至在出現(xiàn)問題的時候，主機(jī)廠都無法解釋子系統(tǒng)的指標(biāo)意義；同時，由于現(xiàn)場環(huán)境的惡劣條件，往往會造成傳感器數(shù)據(jù)失效，或者長期處于不準(zhǔn)確狀態(tài)；這些數(shù)據(jù)質(zhì)量問題，都給后期的數(shù)據(jù)分析造成了巨大的障礙，在分析之前需要做大量的清洗和處理工作。

數(shù)據(jù)分析方法不同

一提到大數(shù)據(jù)分析，很多人都會自然想到通過海量數(shù)據(jù)的聚類、分類、挖掘，來實(shí)現(xiàn)精準(zhǔn)營銷、用戶畫像。

但是，這些互聯(lián)網(wǎng)或者業(yè)務(wù)系統(tǒng)的數(shù)據(jù)，都有一些顯著的假設(shè)條件，即數(shù)據(jù)量大、數(shù)據(jù)可以清晰的標(biāo)簽化、標(biāo)準(zhǔn)化場景多、分析的準(zhǔn)確性要求不高。通過一系列的分類、挖掘，可以找到不同樣本之間的共同特征，針對有相似屬性的不同個體的訓(xùn)練結(jié)果，來推測具備相同或者相近屬性的個體的特征。

1、工業(yè)數(shù)據(jù)分析挑戰(zhàn)

但是在工業(yè)數(shù)據(jù)分析，這些假設(shè)條件基本都不存在，數(shù)據(jù)分析面臨更多的挑戰(zhàn)是：

小樣本工業(yè)的異常現(xiàn)象往往會非常少，或者在單一設(shè)備上發(fā)生的概率非常低，這就造成無法使用常規(guī)的大數(shù)據(jù)、機(jī)器學(xué)習(xí)的方法，根據(jù)采集的異常數(shù)據(jù)特征，去訓(xùn)練穩(wěn)定的故障模型；

過擬合根據(jù)大量相關(guān)因素，通過機(jī)器學(xué)習(xí)在特定數(shù)據(jù)集下所訓(xùn)練出來的模型，即使經(jīng)過了大量的測試數(shù)據(jù)的驗(yàn)證，變現(xiàn)出很完美的擬合特征，但是在真實(shí)環(huán)境下，由于數(shù)據(jù)和工作狀態(tài)的多變性，往往也很難取得長期穩(wěn)定的判決結(jié)果，即出現(xiàn)“過擬合”的情況。

難以準(zhǔn)確清晰的標(biāo)注工業(yè)的數(shù)據(jù)，即使出現(xiàn)了一些可以提煉的特征，但是這種特征往往是跟不同的工況或者工作模式緊密相關(guān)（如振動傳感器振動幅度的高低，在設(shè)備輕載或者重載下完全不一樣），如果沒有辦法區(qū)分出異常特征的標(biāo)注條件，也很難實(shí)現(xiàn)有效的數(shù)據(jù)過濾和分析；

場景碎片化工業(yè)的場景非常碎片化，很難有通用的模型，即使有一些類似電機(jī)、泵的故障模型，以及振動分析、SPC這樣的通用分析方法，在不同類型的設(shè)備上，甚至在同一類型的不同個體上，都很難保證統(tǒng)一穩(wěn)定的運(yùn)行。

這些挑戰(zhàn)，都會造成工業(yè)大數(shù)據(jù)分析，不可能完全采用互聯(lián)網(wǎng)大數(shù)據(jù)的分析方法，而是需要充分結(jié)合工作機(jī)理，實(shí)現(xiàn)復(fù)合型的建模和判決。

2、工業(yè)數(shù)據(jù)分析分類

通常意義上工業(yè)物聯(lián)網(wǎng)的數(shù)據(jù)分析，可以分為如下四個類別：

描述式分析(Descriptive)：對采集的物聯(lián)網(wǎng)數(shù)據(jù)進(jìn)行統(tǒng)計和展示，這部分以統(tǒng)計分析為主；診斷式分析(Diagnostic)：結(jié)合工業(yè)機(jī)理，對異常產(chǎn)生的原因進(jìn)行診斷分析，這部分需要加入很多的數(shù)據(jù)挖掘技術(shù)，包括相關(guān)性分析、序列事件分析等；預(yù)測式分析(Predictive)：通過長期歷史數(shù)據(jù)的發(fā)展規(guī)律，預(yù)測趨勢的變化，這部分需要引入包括機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等技術(shù)，對趨勢進(jìn)行預(yù)測；處方式分析(Prescriptive)：通過多個維度的數(shù)據(jù)分析的結(jié)果，結(jié)合知識庫和機(jī)器學(xué)習(xí)，給出多種決策依據(jù)的可能，并提供智能的判決支持；在每個類別里面，又必須從兩個層次來展開分析：

機(jī)理分析：根據(jù)物理或化學(xué)的原理，對工業(yè)設(shè)備的控制、過程以及產(chǎn)生的響應(yīng)進(jìn)行基于設(shè)計原理的專業(yè)分析，這部分一定是以專業(yè)知識為依據(jù)的；數(shù)據(jù)驅(qū)動的分析：對于工業(yè)里面很多無法測量，無法解釋的現(xiàn)象，可以通過提取數(shù)據(jù)特征，從海量的數(shù)據(jù)中尋找異常點(diǎn)，通過機(jī)器學(xué)習(xí)的方法，彌補(bǔ)專業(yè)知識的不足；可以看到，工業(yè)數(shù)據(jù)分析的基礎(chǔ)是工業(yè)機(jī)理，也就是專業(yè)工業(yè)知識的了解，而不是數(shù)據(jù)分析的方法和能力。沒有充分的工業(yè)機(jī)理和專業(yè)知識，盲目的將一些大數(shù)據(jù)、人工智能的工具對工業(yè)數(shù)據(jù)進(jìn)行分析，一定會適得其反。

應(yīng)用場景融入工業(yè)三大層

起巨大作用

我們都知道，互聯(lián)網(wǎng)大數(shù)據(jù)的應(yīng)用場景包括基于用戶畫像的精準(zhǔn)營銷、海量結(jié)構(gòu)化的決策支持等。那工業(yè)物聯(lián)網(wǎng)的數(shù)據(jù)分析，可以應(yīng)用到哪些場景中呢？

我們認(rèn)為，工業(yè)物聯(lián)網(wǎng)的大數(shù)據(jù)分析，從工業(yè)的三個層次，都可以發(fā)揮出巨大的作用。

設(shè)備層工業(yè)企業(yè)可以通過讀取智能工業(yè)產(chǎn)品的傳感器或者控制系統(tǒng)的各種實(shí)時參數(shù)，構(gòu)建可視化的遠(yuǎn)程監(jiān)控，并給予采集的歷史數(shù)據(jù)，構(gòu)建層次化的部件、子系統(tǒng)乃至整個設(shè)備的健康指標(biāo)體系，并使用人工智能實(shí)現(xiàn)趨勢預(yù)測；基于預(yù)測的結(jié)果，對維修策略以及備品備件的管理策略進(jìn)行優(yōu)化，降低和避免客戶因?yàn)榉怯媱澩C(jī)帶來的損失；

例如，寄云科技為某石油機(jī)械制造公司提供了鉆井設(shè)備的預(yù)測性維修和故障輔助診斷系統(tǒng)，不僅能夠?qū)崟r采集鉆機(jī)不同關(guān)鍵子系統(tǒng)，如發(fā)電機(jī)、泥漿泵、絞車、頂驅(qū)的各種關(guān)鍵指標(biāo)數(shù)據(jù)，更能夠根據(jù)歷史數(shù)據(jù)的發(fā)展趨勢，對關(guān)鍵部件的性能進(jìn)行評估，并根據(jù)部件性能預(yù)測的結(jié)果，調(diào)整和優(yōu)化維修的策略；同時，還能夠根據(jù)鉆機(jī)的實(shí)時狀態(tài)的分析，對鉆井的效率進(jìn)行評估和優(yōu)化，能夠有效的提高鉆井的投入產(chǎn)出比。

過程層工業(yè)企業(yè)可以將生產(chǎn)階段的各種要素，如原材料、設(shè)備、工藝配方和工序要求，通過數(shù)字化的手段集成在一個緊密協(xié)作的生產(chǎn)過程中，并根據(jù)既定的規(guī)則，自動的完成在不同條件組合下的操作，實(shí)現(xiàn)自動化的生產(chǎn)過程；同時記錄生產(chǎn)過程中的各類數(shù)據(jù)，為后續(xù)的分析和優(yōu)化提供依據(jù)。

通過采集生產(chǎn)線上的各種生產(chǎn)設(shè)備的實(shí)時運(yùn)行數(shù)據(jù)，實(shí)現(xiàn)全部生產(chǎn)過程的可視化監(jiān)控，并且通過經(jīng)驗(yàn)或者機(jī)器學(xué)習(xí)建立關(guān)鍵設(shè)備參數(shù)、檢驗(yàn)指標(biāo)的監(jiān)控策略，對出現(xiàn)違背策略的異常情況進(jìn)行及時處理和調(diào)整，實(shí)現(xiàn)穩(wěn)定并不斷優(yōu)化的生產(chǎn)過程。

例如，寄云科技為某電子玻璃產(chǎn)線構(gòu)建的在線質(zhì)量監(jiān)控體系，充分采集了冷端和熱端的設(shè)備產(chǎn)生的數(shù)據(jù)，并通過機(jī)器學(xué)習(xí)獲得流程生產(chǎn)過程中關(guān)鍵指標(biāo)的最佳規(guī)格，設(shè)定相應(yīng)的SPC監(jiān)控告警策略，并通過相關(guān)性分析，在幾萬個數(shù)據(jù)采集點(diǎn)中實(shí)現(xiàn)對特定的質(zhì)量異?，F(xiàn)象的診斷分析。

經(jīng)營層工業(yè)企業(yè)可以通過將過程層產(chǎn)生的各種OT數(shù)據(jù)，同業(yè)務(wù)系統(tǒng)產(chǎn)生或者填報的各類IT數(shù)據(jù)相結(jié)合，構(gòu)建統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)，并在其基礎(chǔ)上，通過一定的計算和分析，就能夠產(chǎn)生準(zhǔn)確的經(jīng)營層面的分析，對企業(yè)的安全生產(chǎn)、經(jīng)營效率、決策支持都提供支撐，并逐步延展至企業(yè)外部環(huán)境，提供開放的數(shù)據(jù)生態(tài)，進(jìn)而形成更強(qiáng)的競爭力。

例如，寄云科技為某省級能源集團(tuán)提供了安全生產(chǎn)智慧管控的解決方案，從數(shù)十個不同類型的實(shí)時數(shù)據(jù)庫提取生產(chǎn)的實(shí)時數(shù)據(jù)，結(jié)合從第三方業(yè)務(wù)系統(tǒng)抽取的業(yè)務(wù)數(shù)據(jù)，構(gòu)建多維度的統(tǒng)一數(shù)據(jù)標(biāo)準(zhǔn)，并基于IT和OT融合的數(shù)據(jù)標(biāo)準(zhǔn)，開發(fā)包括生產(chǎn)運(yùn)行監(jiān)控、安全管理、環(huán)保管理、質(zhì)量管理、能源管理、經(jīng)營分析等在內(nèi)的一系列的工業(yè)應(yīng)用。

說到這里，很多人不禁會問，原本不是也有很多的數(shù)據(jù)分析，包括BI和大屏展示還有很多的分析報表，為什么還要增加基于工業(yè)物聯(lián)網(wǎng)的數(shù)據(jù)分析呢？

我們都知道，現(xiàn)階段工業(yè)的數(shù)據(jù)分析，包括上述的展示和報表，都是基于業(yè)務(wù)系統(tǒng)的，很多都是填報的數(shù)據(jù)，或者基于填報數(shù)據(jù)產(chǎn)生的計算。而控制系統(tǒng)的數(shù)據(jù)和相應(yīng)的分析結(jié)果，是游離在現(xiàn)有的數(shù)據(jù)分析系統(tǒng)之外的。但是，真實(shí)反映企業(yè)設(shè)備、生產(chǎn)和經(jīng)營情況的，如果沒有來自控制系統(tǒng)的數(shù)據(jù)和相應(yīng)的分析，是嚴(yán)重失真的。同時，很多OT的分析，如果沒有來自IT系統(tǒng)的關(guān)聯(lián)，也是無法得到精準(zhǔn)的結(jié)果的（比如將維保記錄和生產(chǎn)數(shù)據(jù)結(jié)合起來實(shí)現(xiàn)質(zhì)量分析）。

工業(yè)IT/OT數(shù)據(jù)融合平臺架構(gòu)示意圖

一個高效運(yùn)行的工業(yè)企業(yè)，按照我們的理解，是必須將OT和IT的數(shù)據(jù)整合到一個大的平臺上，并制定嚴(yán)格的數(shù)據(jù)標(biāo)準(zhǔn)（資產(chǎn)、過程、流程、組織的標(biāo)準(zhǔn)），通過不同的專業(yè)數(shù)據(jù)分析，持續(xù)開發(fā)不同的新形態(tài)的應(yīng)用（如上圖所示），才能滿足企業(yè)全方位、精準(zhǔn)、高效運(yùn)營的需求。（下一篇我將針對工業(yè)企業(yè)的IT和OT的融合架構(gòu)進(jìn)行探討，提前預(yù)告一下）

企業(yè)選對工業(yè)物聯(lián)網(wǎng)平臺

將決勝未來

總結(jié)一下，物聯(lián)網(wǎng)，無論是通用的物聯(lián)網(wǎng)還是工業(yè)物聯(lián)網(wǎng)，如果沒有結(jié)合專業(yè)的精細(xì)化的數(shù)據(jù)分析，是支撐不了企業(yè)未來的發(fā)展戰(zhàn)略的。選擇合適的工業(yè)物聯(lián)網(wǎng)平臺，將極大的加快企業(yè)的數(shù)字化進(jìn)程，朝著智能化的道路快速推進(jìn)。

寄云科技是國內(nèi)工業(yè)物聯(lián)網(wǎng)的領(lǐng)導(dǎo)者，提供了針對PLC、DCS、CNC等不同設(shè)備以及業(yè)務(wù)系統(tǒng)的數(shù)據(jù)采集、數(shù)據(jù)清洗和預(yù)處理、海量數(shù)據(jù)存儲和查詢的能力，能夠有效的實(shí)現(xiàn)OT數(shù)據(jù)和IT數(shù)據(jù)的高效融合，并提供統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)和數(shù)據(jù)服務(wù)。同時，支持用戶根據(jù)工業(yè)機(jī)理自助式選擇數(shù)據(jù)、快速構(gòu)建各類工業(yè)模型，為用戶提供各種可視化開發(fā)工具，快速對實(shí)時和業(yè)務(wù)系統(tǒng)的數(shù)據(jù)進(jìn)行分析和展示，并提供一系列應(yīng)用框架，支持用戶通過配置以及零代碼或者低代碼的方式，構(gòu)建設(shè)備的預(yù)測性維修、生產(chǎn)線的可視化和質(zhì)量優(yōu)化，以及企業(yè)的經(jīng)營分析等應(yīng)用，幫助企業(yè)構(gòu)建以數(shù)據(jù)為中心的轉(zhuǎn)型戰(zhàn)略，消除不同系統(tǒng)之間的隔閡，快速、靈活、高效的洞察生產(chǎn)、運(yùn)營過程中的各類問題，構(gòu)建持續(xù)的競爭力。