本篇文章將結合當前制造業(yè)企業(yè)數字化轉型的現狀及實際案例分析，進一步闡述說明工業(yè)數據分析的重要性。

　　制造業(yè)企業(yè)數字化轉型現狀分析

　　20 世紀 80 年代，由于人工智能技術在制造領域的初步應用，Wright 和 Bourne 在《Manufacturing intelligence》書中首次提出智能制造( Intelligent manufacturing) 的概念，并將其定義為通過集成知識工程、制造軟件系統(tǒng)、機器人視覺和機器人控制，針對專家知識與工人技能進行建模，進而使智能機器可以在無人干預狀態(tài)下完成小批量生產。

　　2021年12月28日，工業(yè)和信息化部等多部門印發(fā)《“十四五”智能制造發(fā)展規(guī)劃》(下稱《智能制造規(guī)劃》)以及《“十四五”機器人產業(yè)發(fā)展規(guī)劃》(下稱《機器人規(guī)劃》)。

　　《智能制造規(guī)劃》提出，到2025 年，規(guī)模以上制造業(yè)企業(yè)大部分實現數字化網絡化，重點行業(yè)骨干企業(yè)初步應用智能化;到2035 年，規(guī)模以上制造業(yè)企業(yè)全面普及數字化網絡化，重點行業(yè)骨干企業(yè)基本實現智能化。

　　而德國政府在工業(yè)4.0概念的基礎上，歐盟委員會于2021年正式提出了工業(yè)5.0的概念，除了數字化與智能化，更加關注以人為本的需要。

　　圖1 全球主要國家智能制造發(fā)展戰(zhàn)略(來源e-works Research)

　　不管是中國的十四五智能制造規(guī)劃，還是德國工業(yè)4.0/5.0目標，伴隨著一系列的行政崗要和示范項目落地，制造業(yè)企業(yè)的數字化轉型已經在聲勢浩大的推進中。那么當前的制造業(yè)企業(yè)數字化轉型發(fā)展究竟有何特征呢?

　　1)智能制造轉型方式多種多樣：工廠從自動化到信息化，再從信息化到智能化，整體的升級方式包括智能工廠、車間數字化、產線智能化、裝備信息化以及工廠數字化等，同時針對不同行業(yè)及不同規(guī)模的企業(yè)來說，智能制造的升級流程及成果尚未形成統(tǒng)一標準，根據“科創(chuàng)中國”案例庫的不完全統(tǒng)計來看，智能工廠及數字化車間的升級類型占比最大，超過50%;其次為信息化系統(tǒng)，第三至第五為智能制造標準化、智能裝備及智能生產線。

　　2)行業(yè)領導者發(fā)揮領頭羊作用：受益于各地政府的政策支持與指導，目前最先踐行數字化轉型的企業(yè)均為行業(yè)的領導者，包括汽車、家用電器、鋼鐵制品、醫(yī)療設備、制藥、工業(yè)設備等領域，根據世界經濟論壇公布的第8批全球“燈塔工廠”名單來看，目前中國智能制造的“先行者”已經達到37家，成為眾多正處于數字化轉型階段的工業(yè)企業(yè)的指路人。

　　3)中小型工廠仍處于設備聯(lián)網階段：受限于工廠規(guī)模及成本投入壓力，目前大多數的中小型工廠仍處于觀望及設備聯(lián)網階段，工廠內部暫未實現進一步的數據分析及應用階段，以數據采集聯(lián)網及看板可視化為主，同時工廠內部尚且沒有數字化或智能化轉型的強需求。

　　工業(yè)數據分析的實現方式及關鍵環(huán)節(jié)

　　國務院《十四五數字經濟發(fā)展規(guī)劃》1指出：數據要素作為新型生產要素，成為推動數字經濟發(fā)展的核心引擎。對于工業(yè)制造業(yè)來說，如何識別關鍵數據及挖掘數據核心價值，是工業(yè)制造業(yè)數字化轉型的核心驅動力。

　　工業(yè)數據分析具備自感知、自學習、自執(zhí)行、自決策、自適應等特點，該技術利用知識圖譜、機器學習、深度學習、自然語言處理等技術，可以解決工業(yè)化聯(lián)網數據量巨大、數據維度多、實時分析難以及難以定量的問題，從而幫助工業(yè)企業(yè)實現實時精準決策及動態(tài)優(yōu)化的生產價值。

　　圖 2 工業(yè)互聯(lián)網體系架構2.0

　　目前，工業(yè)數據分析已經在諸多應用場景落地運用，包括：

　　a)調度與生產管理場景

　　b)故障診斷與參數優(yōu)化場景

　　c)異常預測與過程控制場景

　　d)設備/系統(tǒng)預測性維護場景

　　e)復雜質量(缺陷)監(jiān)測場景

　　f)不規(guī)則物體分揀場景

　　g)設備/制造工藝優(yōu)化場景

　　h)供應鏈風險場景

　　i)產品研發(fā)場景

　　j)企業(yè)決策管理場景

　　從工廠能耗優(yōu)化管理到產線質量監(jiān)測，從制造工藝優(yōu)化到視覺識別檢測，工業(yè)數據分析均可從海量數據中挖掘出關鍵數據，最大化利用工業(yè)數據的隱含價值，為制造業(yè)企業(yè)數字化轉型提供重要支撐。

　　圖 3 霍尼韋爾工業(yè)數據分析解決方案架構圖

　　而在實現方式上，工業(yè)數據分析需要與底層的物聯(lián)網接入、OT/IT數據融合進行緊密配合，將工業(yè)物聯(lián)網數據、企業(yè)信息化數據以及外部跨界數據等，進行關鍵數據識別及篩選，即從工業(yè)數據處理和應用的角度出發(fā)，工業(yè)數據生命周期主要包含預處理、建模、分析應用3大關鍵環(huán)節(jié)：

　　1)工業(yè)數據預處理：對于底層物聯(lián)網接入采集到的初始工業(yè)數據，第一個關鍵環(huán)節(jié)就是通過自動化的預處理方法對其進行規(guī)范化表征，包括數據清洗、關鍵數據獲取與識別等，并為后續(xù)智能化的數據分析建模提供有效的高質量的工業(yè)數據輸入;

　　2)工業(yè)數據建模：在工業(yè)數據預處理環(huán)節(jié)之后，第2個關鍵環(huán)節(jié)是提取核心數據及特征，根據需求構建工業(yè)數據模型。在數據模型方面，最為關鍵的基礎就是數據的完整性及可靠性，通過反復的機器學習和計算，構建出最佳數據模型;

　　3)工業(yè)數據分析應用：在建立智能化的工業(yè)數據模型基礎上，第3個關鍵環(huán)節(jié)是面向領域的工業(yè)數據分析應用，包括質量管理模型、生產管理模型、能源管理模型、設備監(jiān)控管理模型、倉儲自動化模型以及物料管理統(tǒng)計模型等，具體而言，涉及故障診斷、缺陷檢測、目標檢測、產品質量預測、設備剩余壽命預測、供應鏈風險預測、生產資源調度、產品質量管控、供應鏈優(yōu)化等 各類具體工業(yè)智能應用。

　　應用案例：工業(yè)數據分析在鋼鐵行業(yè)的價值體現

　　目前，工業(yè)數據分析已經在眾多領域及工廠內使用，不管是宏觀層面的智能制造還是微觀層面的設備預測性維保，工業(yè)數據分析作為必不可少的核心環(huán)節(jié)，承擔著“數據即價值”的重要目標。以鋼鐵行業(yè)為例，搭接焊焊機作為一種成熟的焊接設備，在鋼鐵廠的生產線中承擔著重要的焊接作用。但由于多年的使用損耗，在實際的焊接使用過程中，會不可預測的出現焊接失敗，造成斷帶的情況。而由于難以明確觸發(fā)問題的因素，因此在解決該問題的時候，企業(yè)很難提前預防及有效改進。

　　隨著數字化浪潮的來襲，新一輪產業(yè)變革蓬勃興起，以物聯(lián)網、大數據、5G、數字孿生及人工智能為代表的新一代信息技術與工業(yè)制造業(yè)開始加速融合，因此，在該案例中，霍尼韋爾利用其工業(yè)數據分析解決方案，將焊機的工業(yè)數據進行實時采集，并通過數理模型對焊接工藝進行實時分析，最終有效提高焊接成功率。