工業(yè)視角的轉變
如果說(shuō)前三次工業(yè)革命分別從機械化、規?；?、標準化、和自動(dòng)化等方向大幅度地提高了生產(chǎn)力，那么第四次工業(yè)革命與前面三次最大的區別在于：不再以制造端的生產(chǎn)力需求為出發(fā)點(diǎn)，而是將客戶(hù)端價(jià)值作為整個(gè)產(chǎn)業(yè)鏈的核心，改變以往的工業(yè)價(jià)值鏈從生產(chǎn)端向消費端、上游向下游推動(dòng)的模式，從客戶(hù)端的價(jià)值需求出發(fā)提供客制化的產(chǎn)品和服務(wù)，并以此作為整個(gè)產(chǎn)業(yè)鏈的共同目標使整個(gè)產(chǎn)業(yè)鏈的各個(gè)環(huán)節實(shí)現協(xié)同優(yōu)化，其本質(zhì)是工業(yè)視角的轉變。
不可見(jiàn)的問(wèn)題
在現在的制造中，存在著(zhù)許多無(wú)法被定量、無(wú)法被決策者掌握的不確定因素，這些不確定因素既存在于制造過(guò)程中，也存在于制造過(guò)程之外的使用過(guò)程中。前三次工業(yè)革命主要解決的都是可見(jiàn)的問(wèn)題，例如去避免產(chǎn)品缺陷、避免加工失效、提升設備效率和可靠性、避免設備故障和安全問(wèn)題等。這些問(wèn)題在工業(yè)生產(chǎn)中由于可見(jiàn)可測量，往往比較容易去避免和解決。不可見(jiàn)的問(wèn)題通常表現為設備的性能下降、健康衰退、零部件磨損、運行風(fēng)險升高等。這些因素由于其很難通過(guò)測量被定量化，往往是工業(yè)生產(chǎn)中不可控的風(fēng)險，大部分可見(jiàn)的問(wèn)題都是這些不可見(jiàn)的因素積累到一定程度所造成的。因此，工業(yè)互聯(lián)網(wǎng)的關(guān)注點(diǎn)和競爭點(diǎn)是對這些不可見(jiàn)因素的避免和透明化。
不可見(jiàn)的需求
從使用過(guò)程的體驗角度審視產(chǎn)品功能，制造需要場(chǎng)景思維不可見(jiàn)的另一個(gè)特點(diǎn)就是制造過(guò)程和制造價(jià)值向使用過(guò)程的延續，不僅僅關(guān)注將一個(gè)產(chǎn)品制造出來(lái)，還應該關(guān)心如何去使用好這個(gè)產(chǎn)品，實(shí)現產(chǎn)品價(jià)值的最大化。產(chǎn)品的創(chuàng )新和創(chuàng )值不再僅僅是以滿(mǎn)足用戶(hù)可見(jiàn)的需求為導向，而是利用用戶(hù)的使用數據去深刻地理解用戶(hù)的使用場(chǎng)景，從場(chǎng)景中找到用戶(hù)需求的空缺(GAP)，這些空缺我們稱(chēng)之為“不可見(jiàn)的需求”，因為即便是用戶(hù)自己都很難意識到。例如，買(mǎi)汽車(chē)的人大多都會(huì )提出省油的需求，于是所有汽車(chē)制造商就努力改變車(chē)型和發(fā)動(dòng)機讓車(chē)子更加省油。但是很少去關(guān)注用戶(hù)的駕駛習慣對于油耗的影響，因為駕駛習慣對于用戶(hù)而言也是不可見(jiàn)的，因此不會(huì )有用戶(hù)去要求汽車(chē)提供駕駛行為管理的功能。所以新工業(yè)革命時(shí)代的市場(chǎng)競爭也會(huì )從以往滿(mǎn)足客戶(hù)可見(jiàn)的需求向尋找用戶(hù)需求的GAP轉變。以往我們將產(chǎn)品賣(mài)給客戶(hù)之后就幾乎到達了生產(chǎn)價(jià)值鏈的終點(diǎn)，而云計算等新技術(shù)的普及將價(jià)值鏈進(jìn)一步延伸到使用端，以產(chǎn)品作為服務(wù)的載體，以使用數據作為服務(wù)的媒介，在使用過(guò)程中不斷挖掘用戶(hù)需求的GAP，并利用數據挖掘所產(chǎn)生的信息服務(wù)為用戶(hù)創(chuàng )造價(jià)值。
數據依然是為用戶(hù)提供客制化產(chǎn)品最重要的媒介，新工業(yè)革命時(shí)代中的制造將通過(guò)數據把終端客戶(hù)與制造系統相連接，這些數據將自動(dòng)決定生產(chǎn)系統的各個(gè)環(huán)節的決策，實(shí)現生產(chǎn)上下游環(huán)環(huán)相扣的整合，人的工作難度將被大大降低，在這種模式下工廠(chǎng)的組織構架將趨于扁平，生產(chǎn)資源的利用效率也更加優(yōu)化。
有一個(gè)例子是最近特別流行的智能手環(huán)，佩戴智能手環(huán)可以采集睡眠過(guò)程中的數據，醒來(lái)之后可以通過(guò)查看數據分析的結果，睡眠質(zhì)量如何、多少時(shí)間是深睡眠狀態(tài)、深淺睡眠交替的曲線(xiàn)等信息都一目了然。這時(shí)我們才發(fā)現決定睡眠質(zhì)量的并不是一共睡了幾個(gè)小時(shí)，而是深睡眠所占整個(gè)睡眠時(shí)間的比例。白天精力好壞是我們可見(jiàn)的現象，但睡眠質(zhì)量是不可見(jiàn)的，智能手環(huán)通過(guò)睡眠數據的分析將不可見(jiàn)的睡眠質(zhì)量變成了可見(jiàn)可測的結果，并利用這些信息幫助用戶(hù)去管理可見(jiàn)的生活。
新工業(yè)革命并不僅僅是制造業(yè)的革命，而是一場(chǎng)更加深刻的變革，創(chuàng )新模式、商業(yè)模式、服務(wù)模式、產(chǎn)業(yè)鏈和價(jià)值鏈都將產(chǎn)生革命性的變化，制造業(yè)的文化，從“機器崇拜，流程崇拜”進(jìn)入到人文主義視角的“價(jià)值定義”，今天的零售業(yè)逐步向“內容，IP”化轉移，制造業(yè)的產(chǎn)品或服務(wù)，未來(lái)也會(huì )走向“IP導向的制成品” ，生產(chǎn)線(xiàn)和消費者使用處于永遠互動(dòng)的狀態(tài)，并延伸基于數據的增值服務(wù)，云計算、人工智能、和大數據都是支撐這個(gè)轉型的基礎條件，工業(yè)升級，最根本的驅動(dòng)力來(lái)自于商業(yè)模式與智能服務(wù)體系的創(chuàng )新技術(shù)變革，這兩者才是未來(lái)工業(yè)界競爭的藍海。
工業(yè)大數據的3B與3C
什么是工業(yè)大數據？
一提到大數據，人們首先會(huì )想到在互聯(lián)網(wǎng)和商業(yè)等環(huán)境中，利用大量的行為數據來(lái)分析用戶(hù)行為和預測市場(chǎng)趨勢等應用。但是對工業(yè)大數據的定義和應用卻很難直觀(guān)地理解和想象?，F在對大數據最為流行的定義來(lái)自于維克托·邁爾-舍恩伯格和肯尼斯·克耶編寫(xiě)的《大數據時(shí)代》中提出的4V特性，即Volume(數據量大)、Velocity(流動(dòng)速度快)、Veracity(準確性難把握)、和Variety(來(lái)源多樣性)。這個(gè)定義是針對互聯(lián)網(wǎng)和社會(huì )環(huán)境中的大數據，從數據工程的技術(shù)挑戰方面所提出的。而工業(yè)大數據的挑戰和目的則要通過(guò)“3B”和“3C”來(lái)理解：
工業(yè)大數據應用的“3B”挑戰：
- Bad Quality： 在工業(yè)大數據中，數據質(zhì)量問(wèn)題一直是許多企業(yè)所面臨的挑戰。這主要受制于工業(yè)環(huán)境中數據獲取手段的限制，包括傳感器、數采硬件模塊、通信協(xié)議、和組態(tài)軟件等多個(gè)技術(shù)限制。對數據質(zhì)量的管理技術(shù)是一個(gè)企業(yè)必須要下的硬功夫。
- Broken： 工業(yè)對于數據的要求并不僅在于量的大小，更在于數據的全面性。在利用數據建模的手段解決某一個(gè)問(wèn)題時(shí)，需要獲取與被分析對象相關(guān)的全面參數，而一些關(guān)鍵參數的缺失會(huì )使分析過(guò)程碎片化。舉例而言，當分析航空發(fā)動(dòng)機性能時(shí)需要溫度、空氣密度、進(jìn)出口壓力、功率等多個(gè)參數，而當其中任意一個(gè)參數缺失時(shí)都無(wú)法建立完整的性能評估和預測模型。因此對于企業(yè)來(lái)說(shuō)，在進(jìn)行數據收集前要對分析的對象和目的有清楚的規劃，這樣才能夠確保所獲取數據的全面性，以免斥巨資積累了大量數據后發(fā)現并不能解決所關(guān)心的問(wèn)題。
3456下一頁(yè)>
- Background (Below the Surface)： 除了對數據所反映出來(lái)的表面統計特征進(jìn)行分析以外，還應該關(guān)注數據中所隱藏的背景相關(guān)性。對這些隱藏在表面以下的相關(guān)性進(jìn)行分析和挖掘時(shí)，需要一些具有參考性的數據進(jìn)行對照，也就是數據科學(xué)中所稱(chēng)的“貼標簽”過(guò)程。這一類(lèi)數據包括工況設定、維護記錄、任務(wù)信息等，雖然數據的量不大，但在數據分析中卻起到至關(guān)重要的作用。
工業(yè)大數據分析的“3C”目的：
- Comparison(比較性)：從比較過(guò)程中獲取洞察，既包括比較相似性，也包括比較差異性。比較的維度既可以是在時(shí)間維度上與自身狀態(tài)的比較，也可以是在集群維度上與其他個(gè)體的比較。這種比較分析能夠幫助我們將龐大的個(gè)體信息進(jìn)行分類(lèi)，為接下來(lái)尋找相似中的普適性規律和差異中的因果關(guān)系奠定基礎。
- Correlation (相關(guān)性)：如果說(shuō)物聯(lián)網(wǎng)是可見(jiàn)世界的連接，那么所連接對象之間的相關(guān)性就是不可見(jiàn)世界的連接。對相關(guān)性的挖掘是形成記憶和知識的基礎，簡(jiǎn)單的將信息存儲下來(lái)并不能稱(chēng)之為記憶，通過(guò)信息之間的關(guān)聯(lián)性對信息進(jìn)行管理和啟發(fā)式的聯(lián)想才是記憶的本質(zhì)。相關(guān)性同時(shí)也促進(jìn)了人腦在管理和調用信息的效率，我們在回想起一個(gè)畫(huà)面或是情節的時(shí)候，往往并不是去回憶每一個(gè)細節，而是有一個(gè)如線(xiàn)頭一樣的線(xiàn)索，你去牽它一下就能夠引出整個(gè)場(chǎng)景。這樣的類(lèi)似記憶式的信息管理方式運用在工業(yè)智能中，就是一種更加靈活高效的數據管理方式。
- Consequence (因果性)：數據分析的重要目的是進(jìn)行決策支持，在制定一個(gè)特定的決策時(shí)，其所帶來(lái)的結果和影響應該被同等地分析和預測。這是以往的控制系統所不具備的特性，也是智能化的本質(zhì)。工業(yè)系統中的大部分活動(dòng)都具有很強的目的性，就是把目標精度最大化，把破壞度最小化的“結果管理”。結果管理的基礎是預測，例如在現在的制造系統中，如果我們可以預測到設備的衰退對質(zhì)量的影響，以及對下一個(gè)工序質(zhì)量的影響，就可以在制造過(guò)程中對質(zhì)量風(fēng)險進(jìn)行補償和管理，制造系統的彈性和堅韌性就會(huì )增加。
總結而言，互聯(lián)網(wǎng)和商業(yè)大數據與工業(yè)大數據在技術(shù)挑戰、數據屬性、和分析目的等方面有很多區別，這也決定了兩者技術(shù)手段的不同。
雖然互聯(lián)網(wǎng)大數據與工業(yè)大數據的核心問(wèn)題與技術(shù)路徑不同，但并不意味著(zhù)兩者是格格不入的。相反，將互聯(lián)網(wǎng)大數據與工業(yè)大數據相整合，能夠相得益彰產(chǎn)生更大的價(jià)值。舉例而言，制造系統正在改變過(guò)去生產(chǎn)驅動(dòng)銷(xiāo)售的“Push”模式和銷(xiāo)售驅動(dòng)生產(chǎn)的“Pull”模式，雖然已經(jīng)具備滿(mǎn)足不同訂單需求的“柔性”生產(chǎn)模式，但依然無(wú)法改變對市場(chǎng)應激式的生產(chǎn)模式。未來(lái)的智能制造系統將以數據來(lái)驅動(dòng)，體現在設計過(guò)程的數據化(PLM、CAD)、制造系統驅動(dòng)的數據化(MES、DCS)、和生產(chǎn)資源管理的數據化(ERP)等方式。但是這些都還只看到了制造系統本身，而忽略了這些數據化的源頭應該是對市場(chǎng)和客戶(hù)的數據化。利用商業(yè)大數據對市場(chǎng)進(jìn)行預測、繪制客戶(hù)需求畫(huà)像、和分析供應狀態(tài)實(shí)時(shí)評估等方式，能夠從本質(zhì)上將制造系統從應激式轉變成為預測型的生產(chǎn)模式。
“不可見(jiàn)的世界”的價(jià)值
“有之以為利、無(wú)之以為用”是出自老子《道德經(jīng)》中的一句話(huà)，其中的智慧放在當今工業(yè)的價(jià)值模式中依然十分受用。這句話(huà)可以理解為：一切事物的實(shí)體為我們提供可以憑借的可見(jiàn)的基礎條件，而其中所隱藏的空間和可變化的無(wú)限可能才是被我們真正使用并創(chuàng )造價(jià)值的所在。我們在《工業(yè)大數據》一書(shū)中，曾用煎蛋模型來(lái)闡述產(chǎn)品與服務(wù)價(jià)值之間的關(guān)系(圖一)：蛋黃代表的是產(chǎn)品自身，其差異性和客制化程度并不明顯，例如一臺電視機在擋住了Logo之后就很難被區分出來(lái)是哪家公司生產(chǎn)的。而蛋白所代表的增值服務(wù)卻是差異化和客制化的重要體現，也是企業(yè)的品牌和可持續性?xún)r(jià)值的所在。這些價(jià)值存在于用戶(hù)的使用場(chǎng)景、隱形因素的相關(guān)性、和產(chǎn)品被制造和使用的全生命周期這些“不可見(jiàn)世界”中。數據將成為挖掘這些價(jià)值的重要手段，主要體現在：利用數據挖掘在使用中獲得新的知識和技術(shù)對現有產(chǎn)品進(jìn)行改進(jìn)；利用數據去發(fā)現和定義用戶(hù)未知的需求；以數據作為媒介向用戶(hù)提供增值服務(wù)。
圖一：工業(yè)價(jià)值的煎蛋模型新思維
以風(fēng)力發(fā)電為例，風(fēng)機本身的差異化并不明顯，用戶(hù)的定制化需求也并不強烈，但是風(fēng)機在運行過(guò)程中的發(fā)電能力、運行穩定性、和運維成本等卻是用戶(hù)價(jià)值的核心。利用風(fēng)機的運行大數據可以對風(fēng)機進(jìn)行健康管理、對潛在的運行風(fēng)險進(jìn)行預測、和對風(fēng)場(chǎng)的運維進(jìn)行優(yōu)化，從而提升風(fēng)機的可用率、改善發(fā)電效率、和降低運維成本。風(fēng)機的制造廠(chǎng)商也可以不再僅僅通過(guò)賣(mài)出裝備獲得一次性的盈利，還可以通過(guò)向用戶(hù)提供使用過(guò)程中的增值服務(wù)實(shí)現持續性的盈利。
圖二：可見(jiàn)與不可見(jiàn)的轉型思維
人類(lèi)社會(huì )在經(jīng)歷了200多年的科技革命后，已經(jīng)積累了巨大的工業(yè)產(chǎn)品存量，工業(yè)的基礎設施和大量基本生產(chǎn)要素，如機床、電力設施、動(dòng)力設施、制造裝備、交通裝備等需求都已逐漸趨于飽和。因此德國的“工業(yè)4.0”戰略中將面向制造系統的集成和軟件服務(wù)作為重點(diǎn)，具體表現在“縱向集成”、“橫向集成”和“端到端集成”。同樣發(fā)現這個(gè)問(wèn)題的還有美國GE公司，他們意識到裝備銷(xiāo)售過(guò)程中的獲利遠遠不及在產(chǎn)品使用過(guò)程中的價(jià)值服務(wù)，客戶(hù)需要的價(jià)值也遠不止對產(chǎn)品狀態(tài)的保持，更在于如何去使用這些能力來(lái)實(shí)現更高效的價(jià)值再創(chuàng )造。
以數據為核心使產(chǎn)品發(fā)揮最大的能力，歸根結底是利用數據建模實(shí)現對狀態(tài)、環(huán)境和任務(wù)的精確評估，對管理和控制活動(dòng)進(jìn)行實(shí)時(shí)的決策優(yōu)化，并協(xié)同和調度相關(guān)產(chǎn)品高效率運行的過(guò)程。
“無(wú)憂(yōu)”的制造環(huán)境
制造系統中的問(wèn)題同樣也有 “ 可見(jiàn)” 和“ 不可見(jiàn)”之分，我們對待這些問(wèn)題的方式既可以在問(wèn)題發(fā)生后去解決，也可以在問(wèn)題發(fā)生前去避免。生產(chǎn)系統中存在的“不可見(jiàn)”問(wèn)題包括設備性能的衰退、精度的缺失、易耗件的磨損、和資源的浪費等，可見(jiàn)的問(wèn)題往往是這些不可見(jiàn)因素積累到一定程度所引起的，比如設備的衰退最終導致停機、精度的缺失最終導致質(zhì)量偏差等。就如同冰山一樣，可見(jiàn)的問(wèn)題僅僅是冰山一角，而隱性的問(wèn)題則是隱藏在冰山下面的惡魔。通過(guò)大數據對“不可見(jiàn)”問(wèn)題獲得深刻的洞察，是實(shí)現無(wú)憂(yōu)慮制造環(huán)境的基礎，也是智能制造的本質(zhì)。
制造改進(jìn)與轉型的機會(huì )空間可以被分為四個(gè)部分(圖二)，第一個(gè)部分是去滿(mǎn)足用戶(hù)可見(jiàn)的需求和解決可見(jiàn)的問(wèn)題，這個(gè)空間內依然有中國制造需要補的課，比如質(zhì)量、污染、和浪費等問(wèn)題，需要的是持續的改善與不斷完善的標準化。第二個(gè)空間在于避免可見(jiàn)的問(wèn)題，需要從使用數據中挖掘新的知識對原有生產(chǎn)系統和產(chǎn)品做加值改善。第三個(gè)空間在于利用創(chuàng )新的方法與技術(shù)去解決未知的問(wèn)題與創(chuàng )造新的競爭力，例如具有自省能力的設備，以及利用傳感器與大數據使不可見(jiàn)的問(wèn)題透明化，進(jìn)而去管理和解決不可見(jiàn)的問(wèn)題。第四個(gè)象限是尋找和滿(mǎn)足不可見(jiàn)的價(jià)值缺口，避免不可見(jiàn)因素的影響，這部分需要利用大數據分析產(chǎn)生的智能信息去創(chuàng )造新的知識和價(jià)值與傳承力，這也是工業(yè)互聯(lián)網(wǎng)的最終目標。
通過(guò)分析數據，預測需求、預測制造、利用數據去整合產(chǎn)業(yè)鏈和價(jià)值鏈，這就是工業(yè)大數據的思維。工業(yè)互聯(lián)網(wǎng)是一場(chǎng)在不可見(jiàn)世界中的戰爭，而工業(yè)數據分析的競爭力則是連接可見(jiàn)與不可見(jiàn)世界的橋梁。
利用大數據實(shí)現無(wú)憂(yōu)的制造環(huán)境有三個(gè)方向，數據在每一個(gè)階段中扮演的作用也并不相同。第一個(gè)方向是在解決可見(jiàn)問(wèn)題的過(guò)程中積累經(jīng)驗和知識，從而去避免這些問(wèn)題。在這個(gè)過(guò)程中，數據可以作為經(jīng)驗和知識的載體。第二個(gè)方向是依靠數據去分析問(wèn)題產(chǎn)生的隱性線(xiàn)索(evidence)、關(guān)聯(lián)性、和根原因等，進(jìn)而利用預測分析將不可見(jiàn)問(wèn)題顯性化，從而實(shí)現解決不可見(jiàn)問(wèn)題的目的?，F在的制造系統正在經(jīng)歷從第一個(gè)階段到第二個(gè)階段的轉變過(guò)程，在完成這個(gè)過(guò)程后，制造系統將不再有‘surprise’，使得所有隱性問(wèn)題在變成顯性問(wèn)題和影響之前都可以被提前解決。第三個(gè)方向是通過(guò)對數據的深度挖掘，建立知識和問(wèn)題之間的相關(guān)性，從數據中啟發(fā)出新的知識，并能夠利用知識對制造系統進(jìn)行精確的建模，產(chǎn)生能夠指導制造系統活動(dòng)的鏡像模型，從系統的設計端避免可見(jiàn)及不可見(jiàn)問(wèn)題的發(fā)生。
這三個(gè)方向對企業(yè)都非常具有借鑒意義，但是需要根據不同的情況側重于不同的方向?？偟膩?lái)概況，這三個(gè)方向分別適用于以下幾類(lèi)情況中問(wèn)題的解決：
第一個(gè)方向：適合在某一個(gè)領(lǐng)域已經(jīng)經(jīng)營(yíng)了很久，有了一定的經(jīng)驗積累，但是卻很難總結出為什么做的好或是不好。
第二個(gè)方向：在解決了可見(jiàn)的問(wèn)題之后，仍然存在一些不可見(jiàn)問(wèn)題對制造系統造成的影響，希望能夠了解不可見(jiàn)因素的變化過(guò)程和相互的關(guān)聯(lián)性，積累更加深入的制造知識。
第三個(gè)方向：在制造基礎還較為薄弱的領(lǐng)域，并沒(méi)有形成太多有效的數據，但是擁有非常豐富的使用數據和經(jīng)驗，則可以借助使用過(guò)程中積累的知識對制造系統提出設計的要求。
圖三：?jiǎn)?wèn)題、數據、與知識的關(guān)系及管理方式
圖三簡(jiǎn)明地闡述了大數據與智能制造之間的關(guān)系：制造系統中“可見(jiàn)”和“不可見(jiàn)”問(wèn)題的發(fā)生及解決的過(guò)程中會(huì )產(chǎn)生大量的數據，通過(guò)對這些數據的分析可以了解問(wèn)題產(chǎn)生的過(guò)程、造成的影響和解決的方式。通過(guò)對數據的深度挖掘和抽象化建模后可以形成知識，進(jìn)而利用知識去認識、避免、和重新定義問(wèn)題。數據在其中起到的作用，是使這個(gè)過(guò)程從以往依靠人的經(jīng)驗(Experience based)轉向依靠挖掘數據中隱性的線(xiàn)索(Evidence based)，使得制造知識能夠被更加高效和自發(fā)地產(chǎn)生、利用和傳承。因此，問(wèn)題和知識是目的，而數據則是一種手段。今天我們來(lái)談利用大數據實(shí)現智能制造，是因為大數據正在逐漸成為易得的資源，而在制造系統和商業(yè)環(huán)境變得日益復雜的今天，利用大數據去解決問(wèn)題和積累知識將是更加高效和便捷的方式。
數據本身不會(huì )說(shuō)話(huà)，也并不會(huì )直接創(chuàng )造價(jià)值，真正為企業(yè)帶來(lái)價(jià)值的是數據分析和挖掘之后產(chǎn)生的洞察和行動(dòng)的價(jià)值，是數據經(jīng)過(guò)實(shí)時(shí)分析后及時(shí)地流向決策鏈的各個(gè)環(huán)節，是讓數據成為面向客戶(hù)創(chuàng )值服務(wù)的媒介和依據。工業(yè)大數據的目的并不是追求數據量的龐大，而是通過(guò)系統式地數據收集和分析手段，實(shí)現價(jià)值的最大化。所以推動(dòng)工業(yè)價(jià)值轉型和智能制造的并不是大數據本身，而是大數據分析技術(shù)所帶來(lái)的洞察，行動(dòng)的準確性與速度。在新制造革命的轉型中，更加有效地積累和利用數據資源與知識的傳承，決定了能否在新競爭環(huán)境中脫穎而出。工業(yè)大數據定義了制造價(jià)值的新主張，這個(gè)價(jià)值的應用既可以外向，也可以是內向。內向是利用大數據去解決和避免制造系統中的“不可見(jiàn)”問(wèn)題，實(shí)現無(wú)憂(yōu)的制造環(huán)境。外向是利用大數據在產(chǎn)品的使用過(guò)程向用戶(hù)提供智能增值服務(wù)，實(shí)現制造價(jià)值的延續。這兩者對于中國制造而言，一方面是解決制造“大而不強”的挑戰，另一方面是改善制造附加值較低的瓶頸。中國應該利用好使用數據的資源，不斷提升企業(yè)對制造的理解和知識積累速度，才能彌補中國在裝備制造和核心零部件等方面的弱勢，逐步彌補這些弱勢領(lǐng)域造成的短板，讓世界看到中國在工業(yè)大數據中創(chuàng )知和創(chuàng )值的成功經(jīng)驗。
版權所有：杭州天迪工控技術(shù)股份有限公司 地址：杭州市拱墅區科技工業(yè)園區康樂(lè )路11號A3棟
浙公網(wǎng)安備 33010602004930 浙ICP備11043394號
