■文/時培昕

物聯(lián)網(wǎng)和大數(shù)據(jù)，這兩個看似毫無關聯(lián)的技術，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)）緊密地聯(lián)系在一起。

物聯(lián)網(wǎng)（IoT）是一個完整的概念，不僅包括遠端的傳感器數(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)的人的認知方式，物聯(lián)網(wǎng)相當于增強了人的“五官”的識別能力，使人能夠獲取很多原本無法直接獲取的信息。而基于物聯(lián)網(wǎng)的數(shù)據(jù)分析，則相當于增強了人的“大腦”的感知能力，讓人能夠擺脫傳統(tǒng)思維的局限性，實現(xiàn)更多維度、更全面、更實時的認知和判斷。

通常意義上的大數(shù)據(jù)，指的是對批量數(shù)據(jù)的計算。最近10年陸續(xù)發(fā)展出的一系列包括Hadoop、Spark在內(nèi)的新技術，可以高效、實時地處理海量的數(shù)據(jù)（批量數(shù)據(jù)為主）。在此基礎上，將原來的一些處理小數(shù)據(jù)集的數(shù)據(jù)挖掘技術，同大數(shù)據(jù)結(jié)合起來，可以實現(xiàn)對很多業(yè)務系統(tǒng)數(shù)據(jù)（批量數(shù)據(jù)為主）的分析，例如針對不同標簽的群體的分類和畫像，并進行精準營銷。隨著實時性的提高，最近幾年流式計算和分析也被提到了一個更高的層次，用于處理時刻都需要分析和處理的、帶有時間標簽的數(shù)據(jù)，如物聯(lián)網(wǎng)數(shù)據(jù)或日志數(shù)據(jù)。

由此可見，物聯(lián)網(wǎng)和大數(shù)據(jù)這兩個看似毫無關聯(lián)的技術，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)）緊密地聯(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

在進一步闡述物聯(lián)網(wǎng)和大數(shù)據(jù)分析的關系之前，需要弄清楚物聯(lián)網(wǎng)、工業(yè)物聯(lián)網(wǎng)（IIoT）和工業(yè)大數(shù)據(jù)幾個概念。

●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，采集和傳輸實時數(shù)據(jù)，構(gòu)建實時監(jiān)控、展示、告警和歷史數(shù)據(jù)查詢的能力。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)控告警的基礎上，通過深入的數(shù)據(jù)分析，找到提高設備可靠性、降低異常風險、提高生產(chǎn)和運營效率的途徑。

傳統(tǒng)物聯(lián)網(wǎng)的數(shù)據(jù)分析與互聯(lián)網(wǎng)上的流式數(shù)據(jù)分析區(qū)別不大，通過單一指標的處理，產(chǎn)生相應的時間窗口內(nèi)的平均、極值等計算量，并進行批量計算和展示。

●區(qū)分工業(yè)物聯(lián)網(wǎng)和工業(yè)大數(shù)據(jù)

在國外，很多廠商和媒體并沒有工業(yè)大數(shù)據(jù)這個概念，更多是將其合并在工業(yè)物聯(lián)網(wǎng)的范疇，而國內(nèi)則將二者當成兩個不同的類別，還將二者連同諸如生產(chǎn)和供應鏈系統(tǒng)等，統(tǒng)統(tǒng)融入工業(yè)互聯(lián)網(wǎng)的概念中。因此，我們可以看到包括高德納咨詢公司（Gartner）在內(nèi)的國外分析機構(gòu)，并沒有專門針對工業(yè)大數(shù)據(jù)或工業(yè)互聯(lián)網(wǎng)的分類，而有很細致的工業(yè)物聯(lián)網(wǎng)的分析。

傳統(tǒng)工業(yè)并不是沒有數(shù)據(jù)處理，只是數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)分析和反饋都分散在不同系統(tǒng)里，從而導致無法處理海量的工業(yè)“大”數(shù)據(jù)，也無法保證實時性。在工業(yè)企業(yè)里，很多數(shù)據(jù)分析人員被迫從不同的控制系統(tǒng)中手動導出一些數(shù)據(jù)文件，通過手工的方式進行交叉關聯(lián)和標注，并編寫相應的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)進行驗證，條件好的企業(yè)還會請一些外部的合作伙伴將其開發(fā)成應用。這種處理和分析的效率非常低，但確實是一種普遍現(xiàn)象。

工業(yè)物聯(lián)網(wǎng)的大數(shù)據(jù)分析

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”，需要從數(shù)據(jù)維度、采樣頻率、時間跨度等方面來考慮。

傳統(tǒng)的物聯(lián)網(wǎng)，由于大多是相對獨立的傳感器，而每個傳感器上數(shù)據(jù)點的數(shù)量往往都是個位數(shù)，因此數(shù)據(jù)維度很少。而對工業(yè)物聯(lián)網(wǎng)來說，復雜的生產(chǎn)都是多個過程相互關聯(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)過程中各種設備特征、外部工況、參數(shù)、材料和工藝配方等相關因素。這種維度的數(shù)量級往往很大，在很多高端自動化生產(chǎn)（如半導體）的過程中，數(shù)據(jù)維度都達到了千萬級別，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。

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

長期數(shù)據(jù)的保存，對于積累在不同狀態(tài)下的特征判決，非常有幫助。但是，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。而工業(yè)物聯(lián)網(wǎng)對基于狀態(tài)（stateful）的數(shù)據(jù)分析，需求非常強烈。首先，在傳統(tǒng)的工業(yè)領域，對于設備狀態(tài)、控制門限、關鍵參數(shù)的設置，往往都是通過廠家或者運營人員的經(jīng)驗值進行設置和調(diào)整，這個值是否正確，是需要經(jīng)過長期的數(shù)據(jù)驗證的。其次，工業(yè)設備的電流、功率、扭矩等指標，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，通過機器學習來訓練特征識別模型，將有助于實現(xiàn)精準的狀態(tài)判決、異常檢測和故障診斷。此外，通過不斷累積類似相同標簽的數(shù)據(jù)樣本，將有助于增強識別的準確性。特別是一些可靠性很高的關鍵設備，因為故障的成本很高，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)之間以及設備之間特征的組合分析，來進一步提高可靠性。

（2）實時性強

通常大家都認為工業(yè)數(shù)據(jù)的實時性會很強，事實上，這指的是工業(yè)控制的實時性，而不是工業(yè)數(shù)據(jù)分析的實時性。

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，在實驗環(huán)境中進行測試和驗證，再開發(fā)相應的控制邏輯或者應用程序，通過實時接收來評估開發(fā)的模型，在運行的過程中不斷調(diào)整模型的參數(shù)。這個過程是非常痛苦的，不僅因為數(shù)據(jù)的來源和分析是脫節(jié)的，更因為在模型開發(fā)的過程中需要的實時數(shù)據(jù)的驗證是沒有辦法在現(xiàn)有環(huán)境中實現(xiàn)的。

理想的工業(yè)數(shù)據(jù)分析，應該是一個高效實時的過程。它可以從實時的工業(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，并基于實時采集的數(shù)據(jù)進行驗證，然后將驗證的結(jié)果同真實的實時數(shù)據(jù)流結(jié)合起來，實現(xiàn)實時的判決。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。工業(yè)的專業(yè)性特點，導致大型設備往往是來自多個不同廠家的子系統(tǒng)的大集成。而主機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)整合機制，因此只能從其中挑選一些關鍵的控制信號，實現(xiàn)既定的控制邏輯，而不會去關心每一個子系統(tǒng)的工作原理，包括各種有助于實現(xiàn)可靠性、效率乃至質(zhì)量分析的非控制用指標。

工業(yè)設備生產(chǎn)廠家雖然都聲稱能夠達到各種指標，但他們往往只能保證關鍵控制指標的完整性，而不能保證子系統(tǒng)關鍵指標的精度和可靠性。由于沒有很好的數(shù)據(jù)整合機制，主機廠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。此外，來自不同子系統(tǒng)的整合，可能會出現(xiàn)時間標簽不統(tǒng)一、數(shù)據(jù)量程不對、數(shù)據(jù)標簽錯誤等常見錯誤，甚至在出現(xiàn)問題的時候，主機廠都無法解釋子系統(tǒng)的指標意義。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，很多人會想到通過海量數(shù)據(jù)的聚類、分類、挖掘，實現(xiàn)精準營銷、用戶畫像。但是，這些互聯(lián)網(wǎng)或業(yè)務系統(tǒng)的數(shù)據(jù)，都有一些顯著的假設條件，即數(shù)據(jù)量大、數(shù)據(jù)可以清晰地標簽化、標準化場景多、分析的準確性要求不高。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練結(jié)果，來推測具備相同或者相近屬性的個體的特征。但是，對于工業(yè)數(shù)據(jù)分析，這些假設條件基本都不存在，數(shù)據(jù)分析面臨更多挑戰(zhàn)。

首先是小樣本。工業(yè)的異?，F(xiàn)象往往會非常少，或者在單一設備上發(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)、機器學習的方法，根據(jù)采集的異常數(shù)據(jù)特征，去訓練穩(wěn)定的故障模型。

其次是過擬合。根據(jù)大量相關因素，通過機器學習在特定數(shù)據(jù)集下所訓練出來的模型，即使經(jīng)過了大量的測試數(shù)據(jù)的驗證，表現(xiàn)出很完美的擬合特征，但在真實環(huán)境下，由于數(shù)據(jù)和工作狀態(tài)的多變性，往往很難取得長期穩(wěn)定的判決結(jié)果，即出現(xiàn)“過擬合”的情況。

第三是難以準確清晰地標注。工業(yè)數(shù)據(jù)即使出現(xiàn)了一些可以提煉的特征，但這種特征往往跟不同的工況或者工作模式緊密相關（如振動傳感器振動幅度的高低，在設備輕載或者重載下完全不一樣）。如果沒有辦法區(qū)分出異常特征的標注條件，很難實現(xiàn)有效的數(shù)據(jù)過濾和分析。

第四是場景碎片化。工業(yè)的場景呈碎片化，很難有通用的模型，即使有一些類似電機、泵的故障模型，以及振動分析、統(tǒng)計過程控制（SPC）這樣的通用分析方法，在不同類型的設備上，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)合工作機理，實現(xiàn)復合型的建模和判決。

應用場景融入工業(yè)三大層：起巨大作用

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

我們認為，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)的各種實時參數(shù)，構(gòu)建可視化的遠程監(jiān)控，并基于采集的歷史數(shù)據(jù)，構(gòu)建層次化的部件、子系統(tǒng)乃至整個設備的健康指標體系，并使用人工智能實現(xiàn)趨勢預測?；陬A測的結(jié)果，工業(yè)企業(yè)可以對維修策略以及備品備件的管理策略進行優(yōu)化，降低和避免客戶因非計劃停機帶來的損失。

例如，寄云科技為某石油機械制造公司提供了鉆井設備的預測性維修和故障輔助診斷系統(tǒng)，不僅能夠?qū)崟r采集鉆機不同關鍵子系統(tǒng)，如發(fā)電機、泥漿泵、絞車、頂驅(qū)的各種關鍵指標數(shù)據(jù)，更能夠根據(jù)歷史數(shù)據(jù)的發(fā)展趨勢，對關鍵部件的性能進行評估，并根據(jù)部件性能預測的結(jié)果，調(diào)整和優(yōu)化維修的策略。該系統(tǒng)還能夠根據(jù)鉆機的實時狀態(tài)的分析，對鉆井的效率進行評估和優(yōu)化，有效地提高鉆井的投入產(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，自動完成在不同條件組合下的操作，實現(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)設備的實時運行數(shù)據(jù)，實現(xiàn)全部生產(chǎn)過程的可視化監(jiān)控，并且通過經(jīng)驗或者機器學習建立關鍵設備參數(shù)、檢驗指標的監(jiān)控策略，對出現(xiàn)違背策略的異常情況進行及時處理和調(diào)整，實現(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備產(chǎn)生的數(shù)據(jù)，并通過機器學習獲得流程生產(chǎn)過程中關鍵指標的最佳規(guī)格，設定相應的監(jiān)控告警策略，在幾萬個數(shù)據(jù)采集點中實現(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)生的各種運營技術（OT）數(shù)據(jù)，同業(yè)務系統(tǒng)產(chǎn)生或者填報的各類信息技術（IT）數(shù)據(jù)相結(jié)合，構(gòu)建統(tǒng)一的數(shù)據(jù)標準，并在其基礎上，通過一定的計算和分析，就能夠產(chǎn)生準確的經(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，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)，進而形成更強的競爭力。

例如，寄云科技為某省級能源集團提供了安全生產(chǎn)智慧管控的解決方案，從數(shù)十個不同類型的實時數(shù)據(jù)庫提取生產(chǎn)的實時數(shù)據(jù)，結(jié)合從第三方業(yè)務系統(tǒng)抽取的業(yè)務數(shù)據(jù)，構(gòu)建多維度的統(tǒng)一數(shù)據(jù)標準，并基于IT和OT融合的數(shù)據(jù)標準，開發(fā)包括生產(chǎn)運行監(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)應用。

工業(yè)IT/OT數(shù)據(jù)融合平臺架構(gòu)示意圖

一個高效運行的工業(yè)企業(yè)，按照我們的理解，必須將OT和IT的數(shù)據(jù)整合到一個大的平臺上，并制定嚴格的數(shù)據(jù)標準（資產(chǎn)、過程、流程、組織的標準），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)的應用（如上圖所示），才能滿足企業(yè)全方位、精準、高效運營的需求。

總之，對物聯(lián)網(wǎng)而言，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，將極大地加快企業(yè)的數(shù)字化進程，朝著智能化的道路快速推進。