對標煤炭推動英國工業革命 工業大數據助推制造2025

化妝品oem
化妝品odm
保養品odm
化妝品製造商
保養品製造商
大數據神話大數據帶來瞭無窮的想象力和無所不能為的信心,隨著消費、政府、物流等大數據行業的快速發展,工業領域內,數字設計、數字工廠、數字制造等概念也一哄而上,仿佛工業大數據已經成為拯救實體經濟的“大力丸”,中國有著規模龐大的各型工業設備、豐富的設備使用場景,中國的工業大數據隨處都是。貴陽大數據中心,以政府主導型的數據為基礎,基本是城市數據、政務數據、物流數據等;阿裡雲是以消費者數據為基礎,十多年淘寶發展歷程,沉淀瞭大量的用戶行為數據。但是,對於那些不分晝夜轟鳴的設備,工業數據仍然是暗無天日的黑油、黑煤炭。對中國制造業而言,些許的光亮或閃爍,遠沒有到大規模發光發熱的時代。更為重要的事情,還需要工業領域去優先解決。先有雞還是先有蛋對於第一次工業革命的發源地,煤炭在英國發揮瞭巨大的作用。1700年,英國煤產量是世界其他地區的5倍;1800年,是歐洲其他地區的5倍。然而,謎團猶在,英國擁有煤炭,好像是該國逃離農耕陷阱的根本要素。但與此同時,德法日和清朝,都有大面積煤田,卻未得到大規模的開采。煤炭與工業革命的關系值得明辨。實際上,這不是一個煤炭創造瞭工業革命的問題,而是工業革命創造瞭煤炭需求的問題。換言之,英國煤炭工業的飛速發展,隻是財富和技術已經到達高水平的一個征兆。煤炭對於英國第一次工業革命的戰略意義,此刻正如工業大數據之於中國制造2025。由於蒸汽機的驅動,煤炭猶如脫韁之野馬,成為工業革命源源不斷的動力。正如一把復雜鑰匙吻合一把鎖,這種類似的模式,第一次將人力一勞永逸地解脫出農耕時代。工業根基肇始。一段時間後,這個開鎖程序被世界模仿,並且換成石化燃料和內燃機。這一模式,影響瞭隨後二百多年的工業史。隨著智能制造的發軔,看上去這個模式,馬上就要交給瞭工業大數據。而此刻,我們必須意識到,數據對於新工業革命的意義,尤其是對於中國制造2025的意義,是一種全新的密碼鎖模式——中國工業化還並不太熟悉的一種模式。數據、信息和知識的關系,有時候容易混淆。大致而言,數據最開始都是未經組織的,大量存在卻價值極低;底層的數據需要通過信息化和工業化,才能轉化為知識體系。從數據到信息,本身就是一種過濾機制——這需要一種提煉,然後可執行、可傳遞的信息形成知識。知識分為隱性和顯性,隱性知識往往存在於人本身之中,傳遞性很差。工業領域的信息化是工業大數據的保護神工業領域數萬億個設備和感應裝置進行互聯互通創造巨大的數據,經過分析整合後產生的“商業洞察”,正成為物聯網這一巨大新市場的核心價值。與此同時,隨著工業物聯網和數字化轉型的進程,軟件產品與其他業務的組合已成為未來發展的趨勢。但是,我們工業化短短的行程,使得我們習慣於硬件思維和設備思維,還沒來得及形成珍惜工業數據的意識。對那些有著厚重的工業技術體系和知識轉化的GE、西門子而言,當他們在說工業大數據的時候,他們有著一個我們很多企業沒有的隱含條件。不要將無數的現場數據等同於工業大數據。就中國制造業而言,知識才是最大的攔路虎。工廠中各種數據,如果沒有領域知識和業務建模的前提,不過滿工廠堆砌起來的一座座數據垃圾山。對於企業而言,必須靜下心來想一想:數據何在知識何在這是一種全新的范式,我們並不熟悉它:工業大數據模式,需要先看懂密碼鎖規格,再去找鑰匙。這就需要構建諸如工業相關的系統架構與平臺,既包括瞭向信息化軟件平臺提供大數據基礎的互聯互通能力,又能實現數據采集監控與運營控制,實現邊緣控制;其可擴展性應用、分析及服務能夠為用戶提供運營管理、資產管理、信息管理、供應鏈管理等方面的優化與升級,從而幫助企業提升在全生命周期內的連接、分析、運作、優化,助力工業數字化轉型。數據密集型的核心是數據科學傢的密集型就工業大數據而言,最重要的就是對它進行密集型的分析——工業知識斷不能缺位。GE在談及工業互聯網的時候,給與瞭“專業知識”以高度的重視。工業大數據不是傳統的數據統計分析,而是基於專業知識的引導,才能挖掘出數據真正的價值。數據科學傢將會成為新的人力密集型產業的生力軍,不要奢望做幾個模型自動處理數據就行瞭,大量的工作還是離不開數據科學傢的工作。顯然,知識體系必須重新作用於數據本身,才能形成工業大數據的價值。在工業領域,“無知識,不數據”。沒有工業經驗的線性化指引,數據就不會高速轉化,工業大數據的價值,就不會產生。對於數據而言,信息化作瞭第一次提升,使得數據歸類、文本化和沉淀;但必須通過工業化才能進行第二次提升,才能將數據提升到知識的高度,形成真正的Know-how、經驗、最佳實踐、直覺;在此基礎上,挖掘形成大數據的新產業價值。中國的工廠必須用知識來解放數據。中國制造者們,此刻必須開始意識到,我們最熟視無睹的“數據浪費”, 已經成為一種新的觸目驚心的揮霍。這是一種可怕的工業無知。它如一隻令人生厭的烏鴉,站在設備的控制板上,嘲笑著我們在設備上所做的大把大把的投資。工業大數據的價值挖掘是慢工細活在中國,企業通過數字化手段對研發、生產、運營和服務的全生命周期進行有效管理,優化運營、提升利潤,有著比全球工業領域更為迫切的需求。有數據顯示,未來15年中國工業互聯網市場規模將超過11.3萬億元。其中91%的企業計劃采用工業雲,37%的上“雲”企業希望加大預算,繼續用工業互聯網改造傳統制造業。到2020年,中國工業互聯網占整體物聯網市場規模將達22.5%。這些積極的信號顯示商業環境的變化讓數字化轉型成為工業領域提高競爭力勢在必行的途徑。但從整個市場的角度看,基於數字化的轉型在中國工業領域並沒有達到質變的階段。就設備的效率而言,我們需要設備自動化;就資源的浪費而言,我們需要精益生產觀;就數據的效率而言,我們需要知識自動化;就數據的浪費而言,我們需要精益數據觀。從工業大數據的角度,中國制造業尚處於數據的黑金時代。所有企業都將逐漸意識到數據的重要性。但如何能夠完成數據的解放,將數據釋放出來,仍然需要穿過“無視知識”的認知障礙,仍然需要借助大量的專業化知識。這是中國兩化深度融合過程中,工業化必須單獨回答的命題。數據導向型制造這一概念已經誕生瞭很長一段時間。在 20 世紀 80 年代,金屬加工領域的研究人員就曾設法制造自適應性的刀具監控系統,以測量切削條件、將數據與所設定的工藝標準進行比較並在隨後調整加工參數,從而實現工藝的穩定性並最大限度減少意外加工事故的發生。這些系統采用傳感器和探針來測量切削力、功率、扭矩、溫度、表面粗糙度及聲發射等工藝因素。不幸的是,當時的傳感器技術非常落後,無法提供必要的速度和精度以確保完全有效;計算機的處理速度慢,而且需要更大的存儲器來實時處理大量的數據。此外,先進的數據采集和管理技術在當時也極其昂貴。這些缺陷導致幾乎不可能在加工期間調整參數。這樣就造成瞭一種魚和熊掌不可兼得或非此即彼的情況。如果收集的數據超過所設定的最大限值,加工工藝會直接停止。最大限值是在並未充分瞭解和洞察切削工藝的情況下設定的。除瞭缺少足夠先進的數據處理技術外,還未掌握一個關鍵的概念,那就是在加工工藝的眾多物理現象中,大多數現象—溫度、力、負載—都並非靜態條件,而是不斷變化的動態條件。例如某種加工中的切削力的平均值可能達到 1000 Nm。但在大約一半的時間中,這些力要高於 1000 Nm,並在其餘的時間內低於這一水平。如果將系統的停機閾值設置為 1000 Nm,當力看起來過高時,系統將停止加工。(請註意,這些圖形顯示的是在 8 微秒內執行的測量,以展示力的變化速度有多快。)在 20 世紀 80 年代是不可能進行如此快速的數據處理的。現如今,在將近 40 年之後,傳感器和計算機技術在精度、速度和價格方面都有瞭很大的改觀。制造工藝研發本身歷經四十個年頭,已經積累瞭豐富的經驗並能夠非常深入地瞭解關鍵的加工要素。盡管編程和維護等計劃活動都發生在加工時間以外,但其他因素,例如操作員犯錯、刀具破損、工件損壞以及系統問題,都會無謂地導致加工時間變長、成本增加。在損失的時間中,切削刀具隻占很小的比例,工件材料和工藝異常情況也是如此。工作人員和系統耗費的時間所占據的比例要高出許多。工業 4.0 非常重視數字化數據采集、互聯網和雲存儲,但這些元素隻是解決方案的一部分。最後,必須分析所收集的數據並制作物理模型或示意圖,以說明存在問題的工藝。在網絡物理系統中,會將所收集的數據與示意圖進行比較,系統會生成反饋以執行工藝修改,從而產生所需的結果。工藝控制由工作人員以及能夠在很短的時間內實時分析數據並將其與模型進行比較的計算機共同完成。要制作這樣一個模型,需要充分瞭解加工。不幸的是,加工代表著一種很難準確描述的現實情況。例如,模型必須能夠識別工件材料的動態屬性,因為工件硬度的變化會產生不同的切削力。不過,要測量每個工件的硬度是不可能的。在某些情況下,工件的硬度可能比材料的標稱硬度高 10%,導致切削力也要高 10%。

source:http://www.indunet.net.cn/staticpage/20181126/11262788.html