尊龙凯时人生就是赢

误区一：工业物联网只是个高科技看板只关注工业物联网的数据收集和预测性维护功能，就好比只将飞机视作一种运输工具，或只将互联网看作线上信息的整合。事实上，工业物联网（或是数字化转型）代表着对价值**的全面反思：它能够增加
、提升和加速价值**。工业物联网能够帮助企业获取和分析数据，将从中提取的洞见转化为行动来解决问题，并加速决策制定流程。新冠疫情期间，流行病学家和医学研究人员借助实时数据收集和分析技术，快速积累了海量洞见
，大大加快了新冠肺炎治疗方案
、检测方法和候选疫苗的推出
。许多企业不缺少数据，而是缺乏数据的使用方法
。有了数据湖和处理平台的支持后
，工业物联网可以自动生成洞见并为用户发送提醒，从而更为**地发现问题并采取行动
。随后，相关解决方案和洞见会在所有团队、地点和应用程序上共享
，让价值在整个企业中得到成倍放大。工业物联网系统的一体化能将实时收集的数据巧妙转化为重要的**与战略。当然，企业若想成功部署工业物联网系统
，就要全面且充分地理解其业务及价值**方式。这还意味着企业必须了解业务痛点，将工业物联网的优势真正落到实处，充分实现端到端价值**。因此

，企业高管在制定业务战略的同时

，必须做好战略决策，指导工业物联网的部署
。微软（Ｍｉｃｒｏｓｏｆｔ）苏州工厂在部署了工业物联网之后，仅用极少的投资就打造出了新用例。该工厂在启动机器学习后的短短几个小时内，就识别出了位处淘汰边缘的库存。其业务战略总监Ｄａｒｒｅｎ　Ｃｏｉｌ表示：“我们本身不缺数据，但物联网技术让我们真正看清了数据的本质。”借助物联网技术
，一个５人团队仅用一年就为公司节省了近５００万美元，并削减了两亿美元的库存成本
。在宝马集团（ＢＭＷ　Ｇｒｏｕｐ），物联网平台是其所有数字应用程序的支柱，以极低的安装成本和投入就可实现“即插即用”。互联互通的数字工具箱可提升生产效率，让员工在整个集团内快速分享实践。误区二
：工业物联网将取代人工人们担心自动化会抢占就业机会。但其实，数字化转型中应用的新技术也将催生新的就业机会。这些新工作能够解放大量劳动力，使员工摆脱重复性和不健康的工作，并赋予他们新能力。对应用工业物联网的企业而言
，首要任务便是为员工提供再培训，以充分发挥新技术的无限潜力。企业需要有人来管理机器、运行控制塔和数字孪生。他们希望员工能够进行数字化绩效管理，解读从车间成千上万个传感器中提取的数据、找到提高产量的方法，并得出可落地的洞见。企业需要更多的ＩＴ人员来开发可访问海量数据的应用程序。除去数据科学家
、数据工程师和技术外，企业还需要招募各个领域的**、数字和分析翻译人员，以及产品负责人。产品负责人会与业务和职能领导层，以及数据和技术**组成的团队进行商讨，识别问题并开发合适的数字解决方案（见下图）
。价值链的其他环节也必须展开再培训
：比如
，企业可能需要在采购部门招揽更多的成本工程师，使用成本建模工具来评估设备和采购成本。员工若想**识别改进机遇

，就必须接受培训。企业需要教会员工全新的思考方式和行为方法，让他们更多参与问题的解决，并制定能够通过技术平台在全企业范围内推广的本地解决方案
，以达到效果。考虑到员工需要一系列新技能（不仅需要学习使用特定新技术
，也要学习新的工作方式），一些企业正与高等教育机构携手开发培训课程
。富士康工业互联网以灯塔工厂获选为契机成立灯塔学院，致力培养工业大数据人才，通过教育培训和训练实习，推动生态人才转化与提升
，成为国内企业自建的工业互联网人才培训基地。转型团队提供再培训和资源，帮助员工提升能力、获取指导及相关技能，以适应不断变化的工作的需求
。印度尼西亚矿业公司Ｐｅｔｒｏｓｅａ的领导层对主管和数千名一线员工展开了新数字工具方面的培训。在数字训练营中，该公司为选定的团队成员提供了敏捷方法

、大数据、ＩＴ安全和分析方面的教育

。Ｐｅｔｒｏｓｅａ还开发了一款移动培训应用程序，以游戏化的方式来实现持续学习
，增添趣味性。比如，这款应用程序会以可视的方式来诠释标准操作程序
。它的另外一个好处是

，能让领导者随时查看员工对新程序的理解程度。误区三
：工业物联网需要新建设施一些企业领导者认为
，老旧的设施会阻碍数字化转型，因此必须更换。新设备固然必不可少，但构建工业物联网不等同于新建一个“全自动化的‘熄灯’设施”。工业物联网的大部分价值源于改善原有设施
：比如连接和优化现有基础设施，定期增加新机器
。通过在现有设备上安装传感器、应用程序和网络连接
，企业可以收集数据并转化为商业洞见，供员工轻松使用
。从生产车间到整个价值链，工业物联网和新技术都可以帮助员工有效管理数据。一级方程式赛车就是一个案例，极大地彰显出工业物联网能够产生的直接价值。这些赛车一直都是高性能车，但直到传感器出现之前，引擎盖下的实时状态对赛车手和工作人员而言都是未解之谜。如今，遍布发动机控制单元中的数十个传感器可以从发动机、变速器、悬架和其他地方收集数据，并不断传送给赛道两边的工作团队。这样
，团队便可先行预判故障，并在故障出现时瞬时修复
。在方程式这样竞争激烈的环境中，工业物联网能在几乎不出错的情况下优化赛车性能。对推广第四次工业技术的工厂而言
，有两种新设备至关重要
。一是整个生产车间中嵌入的大量传感器，它们会实时收集生产率
、设备利用率、机器故障
、维护保养等方面的数据。二是使流程或任务标准化和自动化的新装置
。以生产线装置为例，它可以自动记录每分钟通过的产品数量
，或监测设备的振动水平以**预判维护需求
。比新设施和新机器更重要的
，是稳健的技术生态系统，以及具有扩展潜力的工业物联网架构。麦肯锡邀请全球７００多家工业制造商的经理人参与了一项调查。有４０％以上的受访者都认为，信息技术方面的缺陷是数字化过程中的主要挑战——尽管数字化制造从定义上来看属“技术驱动”
。“灯塔工厂”是无需新设施或昂贵改造就能部署新技术的力证

。宝山钢铁总部位于中国上海，该公司在其拥有４０年历史的工厂中，部署了**的工业物联网（用于流程优化）

、人工智能（用于目视检测）等一系列**技术
。土耳其石化公司Ｐｅｔｋｉｍ有一家存在３５年之久的工厂，这家工厂在部署工业物联网和其他数字解决方案后
，成功提高了产量和质量，优化了能源使用，并建立了数字化维护系统
。误区四：唯有万全的准备才能实现数字化万全的准备不仅毫无必要，更不切实际，甚至可能适得其反。新冠疫情暴发后，企业普遍停工停产
，这就给那些具备数字化能力的企业带来了优势——大环境瞬息万变
，但他们能在业务管理、员工沟通和保护股东利益方面先发制人
。很多时候，企业会在规划上花费太多时间。但事实上，成立一个数字化转型办公室，在其帮助下主动出击更为重要。这个中心团队会负责监督试点项目，并引导组织完成快速试错。数字化转型办公室就像是一台“发动机”，它能基于经过验证的方法、实践和领导者对转型的整体愿景，帮助企业逐步扩展数字化项目
。数字化转型是一个持续的过程
：我们对亚洲高管展开的调查显示
，有６４％的受访者都称他们仍处规划阶段
，只有１７％的受访者表示他们已经处于扩展阶段。敏捷工作方法能够促进企业进行快速开发
，不断完善及改进流程。敏捷方法能够助力企业实现快速部署和快速迭代，从失败中迅速总结经验，并以更快的速度打造更好的产品
。一家欧洲集团的领导层在认清尽早启动和边做边学的重要性后

，专门成立了一个数字化组织来推进集团内各种业务的数字化转型，包括自动化、机床和制造系统等。这个数字化组织主要有两大目标：一是改造现有业务，二是增加新的数字化收入流。误区五：应用了工业物联网之后
，持续改进将成本高企许多企业的经验表明，被动颠覆或是直接淘汰出局的代价更大

。面对充斥全球数字经济的挑战与威胁，制造商如果因循守旧，坚持依靠传统手段进行持续改进，则根本无法取得重大突破
。企业若能拥有稳定的大数据流
、工业物联网带来的实时洞见
，以及更敏捷的思维和工作方式，便能在运营中嵌入持续改进流程，打造“下一个新常态”。任何转型但凡成功都会“物有所值”

。很多“灯塔工厂”的成功实践都向我们有力证明：工业物联网能够带来效率和生产率的提升，其促成的成本节约完全能够抵消转型投入。优化现有基础设施后
，企业能以设备投入来影响规模
。随着数字化转型的不断发展与推广，成本和利润优势会变得越来越明显。利用工业物联网技术，一家全球工业机械制造商针对零配件开发了预测和可用性模型。该技术改善了公司针对全球不同地区建立的零部件需求预测。零配件的准备程度一跃升至９０％以上，库存量减少了逾３０％
，客户服务满意度得到了大幅提升

。然而，效率和生产率的提升并非工业物联网和其他数字技术所能带来的益处。它们能使企业实现巨大飞跃，简化整个价值链，并催生新的价值**机遇——从新的客户解决方案、新的生产流程到新的合作伙伴关系等。一家全球电子产品制造商的经验表明，向工业物联网的升级无需过多投资。该公司拥有数十个生产设施和超过２．５万名三班制员工，生产过程涉及众多生产区域、生产线和工作站。由于生产设施和团队彼此孤立，各个系统和设备生成的日常数据之间缺乏连接，公司很难从整体上了解每天的运营情况
。但是，若将整个生产计划系统完全换掉，将会是一项声势浩大
、费时费力且代价不菲的工程。相反
，该公司在所有生产线上都安装了传感器

，以实时获取设备效率和生产线效率等关键数据。获取的数据会由一个工业物联网平台进行处理，以远程绩效看板的形式呈现，并为所有设施提供实时查看的自由。有了这种绩效透明度后，该制造商成功拉齐了所有设施的生产率水平——仅在一年，就将生产率提升了１０％以上。此后
，在工业物联网系统的帮助下，该制造商一直保持着较高的持续改进水平，对问题的回应速度也不断加快。误区六
：工业物联网在新兴经济体的可行性低于发达国家新兴经济体的一些领导者担心，工业物联网远远超出了组织或地区的承受能力
，其基础设施的**程度也无法满足发展要求。但其实，发展中国家的企业在工业物联网
，或是其他第四次工业技术方面的成功并非乏善可陈。发展中地区的企业很有可能更具优势，因为原有设施和老旧系统对他们的桎梏要小得多。截至本文成稿时
，“灯塔工厂”仍旧在中国（在４４家“灯塔工厂”中占１２家）
。除去这１２家工厂外
，还有约２０％的“灯塔工厂”位于包括巴西、捷克共和国、印度
、印度尼西亚
、罗马尼亚和土耳其在内的其他新兴经济体

。其中有一些“灯塔工厂”坐落于偏远地区，其实体基础设施的可靠程度可能并不高
；另一些“灯塔工厂”则远离大都市或技术中心，既没有唾手可得的服务和知识
，也没有大量的技术人才可供选择。然而
，这些假定的缺点都没有阻碍工业物联网的发展。塔塔钢铁在印度的卡林加纳加新建了一家工厂，它在很短的时间内就达到了满负荷运行
，远远落后于行业平均水平。随着时间的推移，该公司逐步在数字和分析解决方案，以及提升团队经验与能力方面进行了重大投资。**分析技术的大规模应用极大地提高了原材料利用率、减少了停机时间
，并改进了产品质量，从而实现了工厂绩效的整体提升
。印度尼西亚矿业公司Ｐｅｔｒｏｓｅａ拥有一个位于Ｔａｂａｎｇ的偏远工地，在应用了包括卡车优化调度、实时性能监控和预测性维护在内的一系列技术后，该工地仅用了短短６个月时间便扭亏为盈。工业物联网等第四次工业技术已成现实，随之而来的阶跃式改进和新增价值应该足以打消制造企业领导层的种种疑虑。当然
，领导层也不应忽视其在推动数字化转型中必须发挥的作用：唯有企业自上而下团结一心，才能在端到端实现工业物联网和数字技术的真正价值。企业唯有挑起大梁，勇于主导这次数字化转型，才能确保技术的广泛应用、巩固转型的发展势头。对企业领导层而言


，一步是明确一个清晰的愿景
，然后判断为了实现愿景所需的各项技术。当然

，在此过程中免不了要遭遇失败；但企业领导层应当吸取教训
，屡败屡战。企业应当鼓励业务部门之间展开紧密合作

，打造凝聚力。正如一位高管所言：“企业在推动数字化转型的过程中必须要有一种强烈的紧迫感。”数字化转型事关竞争优势，没有一家公司能够做好万全准备，拖延只会徒增痛苦，且往往会导致企业在技术方面进行徒劳的追赶。相反，企业必须牢记转型是一项持续进行的工作，而敏捷模式则能助其向着目标不断迈进。企业领导层必须思考，哪些额外的因素能够帮助推进转型，比如可扩展的工业物联网架构，或是能够提升效益的技术合作关系或生态系统
。企业若能向员工展示数字化可带来的积极影响，并持续提供就业岗位

，便有望在员工、合作伙伴和企业之间实现共赢。

通过对国内外主流工业互联网平台的应用分析，可以发现平台提升了企业信息化能力，增强了企业数据分析水平，还使得企业的资源调配更加灵活，并带动企业应用从信息化到智能化的多层次发展
，同时解决了企业三大方面的问题：一是推动信息化大规模部署，解决效率提升和成本降低的问题，信息系统和工业软件迁移至平台，依托平台实现客户关系管理、财务人力管理等应用，带动信息化成本降低和大规模部署；二是推动工业数据深度分析挖掘，解决产品和服务价值提升的问题
，基于平台的大数据汇聚和分析能力
，实现设备、生产、管理等场景的深层次优化和服务增值

；三是推动业务商业模式的**，解决跨领域资源灵活调配和协同协作问题
，通过平台进行产业链、供应链
、价值链各环节的实时连接和资源共享
，以实现不同主体间的**协作和供需**对接。０１基于平台的信息化应用得益于平台的“连接＋数据可视化”能力
，传统的生产管理类信息化应用得到更为广泛的普及
。其中，在生产监控分析领域应用为广泛，在物料管理、排产调度等方面也有初步探索。ＰＴＣ、微软、思科、阿里云等企业的平台均推出了面向生产过程可视化应用。这类应用主要提供数据汇聚和描述基础，帮助管理者直观了解工厂运行状态
。当然
，这些只是初级的可视化、远程监控等应用，借助更深层次数据挖掘分析企业能够获得更高价值回报。比如
，工业互联网服务商寄云科技协助世界知名汽车零部件制造商麦格纳旗下格特拉克（江西）传动系统有限公司（ＧＪＴ）实施智能制造战略
，成功解决了传统ＭＥＳ在数据实时
、真实和粒度等层面的不足，实现了更加**的ＫＰＩ追踪，提升设备利用率、提高工人工作效率、保障企业营收
。另外，基于平台的“软件上云＋简单数据分析”在客户关系管理、供应链管理和部分企业计划资源管理领域也获得应用，能有效降低中小企业软件使用成本。如ＳＡＰ、Ｏｒａｃｌｅ、Ｓａｌｅｓｆｏｒｃｅ、微软、用友浪潮、金蝶等企业提供大量管理软件ＳａａＳ服务。如Ｓａｌｅｓｆｏｒｃｅ所提供的云化ＣＲＭ软件服务已聚集超过１５万客户，同时除通用软件工具之外，还提供基于社交网络的客户关系与需求分析，为中小企业提供销售渠道服务。用友提供采购
、供应链、物流、财务、人力资源等工业云服务，服务工业企业客户４４万家
。０２基于大数据能力的深度优化基于平台的大数据能力
，以“模型＋深度数据分析”模式在设备运维、产品后服务、能耗管理、质量管控、工艺调优等场景获得大量应用，并取得较为显著的经济效益
。ＧＥ、西门子、ＡＢＢ、富士康等企业已经推出了上百个上述类型的应用服务，如Ｕｐｔａｋｅ帮助美国核电站ＰＡＬＯＶｅｒｄｅ，通过提高资产性能，实现每年１０００万的成本节省，成本降低２０％
；彩虹寄云智能工厂工业大数据项目助力知名平板显示制造企业彩虹集团实现了数据可视化、生产透明化

、质量可控化


，并获得了综合良品率显著提升
，非计划停机、运营成本等大幅减少等多种收益。０３平台协同资源调配和模式**借助平台整合产业链资源，探索智能制造、供应链协同等应用，成为部分企业的实践选择。如寄云ＮｅｕＳｅｅｒ平台开放共享自身生产力
，提高闲置设备的利用率
，目前已对数千台机床和钻井机器提供数据监控和预测性维护功能。再如中船集团利用船海智云平台对船舶制造企业、船用设备制造企业等开展纳期监控等应用

，提升供应链协同水平。基于平台进行深层次的全流程系统性优化尚处在局部的探索阶段。无论是产业链、价值链的一体化优化、产品全生命周期的一体化优化、还是生产与管理的系统性优化，都需要建立在全流程的高度数字化、网络化和模型化基础上
，仅有个别龙头企业具备相关基础并开展了简单实践
。

１工业产生转型升级作用的路径大数据系统软件国家工程实验室将工业产生转型升级的作用的路径，总结为加减乘除四个象限。所谓加和减就是智能制造。智能制造更关注于企业内部的事情，狭义的智能制造关注制造，即生产环节，广义的智能制造则包含企业的全寿生命周期
，从研发设计到生产制造再到运维服务。智能制造不外乎在在现有流程上加了一些东西、减了一些东西，它基本可以被总结为八个字

：提质、增效
、降本
、控险

。今天，智能制造做的事情就是加法和减法。但在这个时代光做加减法是不够的，比如私募股权机构投资一个企业，企业每年做一点加法
，投资人可能不会满意，而是希望企业实现指数级的增长。如何实现
？工业互联网可能就是实现乘法和除法的路径。乘法就是平台效应。比如淘宝，容纳无数的商店在它的平台上开店挣钱
，就是一个案例。但是在工业领域，是否可以构建一个工业互联网平台？以服装行业为案例
。传统的第 一代的服装企业，比如雅戈尔
，有自己的设计、工厂、店面
，即完整的产业链条。第二代服装企业，比如海澜之家，舍弃工厂选择全代工生产，转为做营销，以门店为资产。互联网时代的服装企业，比如韩都衣舍，既没有工厂也没有店面
，成本几乎为零，所有的店面依赖淘宝，只负责快速设计、把控供应链
，“总盘子”虽然不一定有传统企业那么大，但是利润率高。因此除法就是企业聚焦自己的核心竞争力。轻资产高利润运营，这是未来中国中小企业**创业之道。打造工业互联网的平台生态，不是说只有这个平台才能挣钱，但平台上的每个人都有可能挣钱。２三个层次
：工业大数据行业的分类　实验室接触了也做了很多与工业大数据的应用
，并将其分为了三个层次。第 一个层次是单元级。即针对工业设备
，不仅限于设备的远程运维
，还包括对设备故障的提前预警、故障分析
，以及设备的优化运行、资产管理等等。首先我们需要将设备的运行状态进行**的数字化测量，这种测量手段其实是将工业大数据的连续空间离散化
。这个连续空间很复杂
，而能测量的物理量
、精度、传感器数量都是有限的，所以全空间采样无法实现
。但随着数字化水平提高
、信息化进程推进
、智能化应用迭代
，未来的测量过程也会升级。第二个层次是工厂层次。这个层次不是关注单体设备，而关注整个工厂的运营效率、产品质量和安全
、环保问题。工业讲求的是包括人、物料、工艺、设备、环境在内的因素，在复杂的动态系统中能够协同作用。假设把全中国都看作一个大工厂
，怎么在产业链条上提升自己的效率？我们今天做工业大数据，做“智能＋”
，就是这个用途。首先要回答数据在哪里，其实数据在任何一个地方。以前工业上管数据管的相对粗糙，传统在信息化领域做的相对较好的是管理信息化，而现在很多工业数据只是用来做监控以及做故障发生时做数据的回放。这些数据拿来怎么做两化融合（信息化和自动化的数据融合）没有做。第三层次是怎么拿到其他人的数据？比如说挖掘机要自动化施工，需要了解ＧＩＳ数据、环境数据
，但这些都不是传统制造业企业拥有的数据。这说明今天工业大数据的内涵
，比传统的数据内涵要大得多
。自动化以及跨界整体的数据，构成工业大数据的体系。３工业大数据的分类和挑战实际上，工业数据有三个特点。第 一个特点是多模态。过去很简单粗暴地将数据分成结构化数据、半结构化数据
、非结构化数据，但工业企业不是这样。今天看到的很多好像格式不一样的、非结构化的工程数据，真正把它打开的时候是不一样的
。非结构化数据的使用效率取决于结构化的程度
，只有结构化才可以被**利用；第二个特点是高通量
，很多设备是不停机的，所有的数据是７＊２４小时连续产生的，量非常大；第三个特点是强关联
，在工业的不同行业
，数据关联遵循不同的规律而非简单的聚合。所以工业大数据本身的特点带来了非常多的挑战。除了数据获取的挑战，随之而来的就是数据分析、应用的挑战。这里边因果关系，即数据驱动的方法只能告诉我们关联性，而无法不能告诉我们因果性。比如淘宝推荐商品，只知道推荐相关商品
，却不关心这个事情的因果——为什么用户是这样的人。但这在工业上是行不通的
，尤其是控制方面，因此模型需要长时间的分析和验证。工业领域存在白盒模型和灰盒模型，白盒模型即工业机理，企业会根据工业机理设计工序

、产品结构和工艺，这是第 一步

。当它们被设计完之后
，运行中又会出现大量的不确定性，这些不确定性的消除靠的就是**、工匠的经验，让整个流程生产变得更加稳定和**，这是灰盒态
。不再对机理和知识本身进行分析和理解的数据模型，是一种黑盒模型。工业大数据和工业智能的本质就是
，将这些经验和知识量化学习出来，挖掘心中有口中无的隐性知识，或者尝试通过数据方法把统计关系找到，再交还给工匠分析。工业就是工业，它存在的时间比信息化时间长

，积淀比信息化多
，而大数据和人工智能技术只是给工业上带来小的变化
，尝试帮它去消除不确定性。４大数据、人工智能在工业中的应用首先是智能制造。比如某个机床的良品率下降，那么机床可以猜到刀具可能磨损了，主动提出要换刀，或者炉温过热，就自主将温度往下调两度。如果设备可以自主告知
、自主变化，而不是按照事先设定的逻辑来操作，这才是智能化
。真正的数字化车间应该是什么样的？分了三个层次：第 一层是大数据集成。以攀钢为例
，它做钢轨问题是产品质量，很多钢轨表面不平整，必须要修正。如果发现表面不平整会怎么办？调整工会猜测原因、调试、再生产
，经过很多迭代之后调稳

。而大数据能够建立数据集成体系，让决策者看到每个钢轨发生了什么、控制参数是什么、检测参数是什么。这样一个以物料为中心、以工序流程为轴的数据集成体系，能够为调整工提供更多更好的决策信息；第二层是大数据统计分析
。能不能将好的批次的数据和差的批次的数据进行叠加对比，看控制参数的差异？大数据可以猜测造成问题的原因，至少可以排序

，让调整工按照排序来做检查和调整；第三层是机理模型。通过大量的数据和反馈
，工业企业可以构建一个相对准确、正向的仿真模型，并在数字孪生体、数字空间进行调试
，在工厂里进行测试，这就是数字孪生带来的智能化体系。那么工业互联网的逻辑对于智能制造来说改变了什么
？从业务的角度来讲，工业互联网更多关注产业互联网的边界
，而不关注企业内部的生产环节
，它可以被总结成三个融合跨界
：一是业务融合跨界

，通过对产业链上下游业务边界的拓展，企业可以尝试整合上游的上游
，也可以服务于下游的下游

，我们是一个产业链协同视角下的大工厂；二是数据链条融合跨界，业务的拓展带来了数据边界的拓展
，今天的数据不局限于企业原有的数据
。比如说要服务于建造商
，需要环境数据、操作数据、气象数据；根本的是技术改变

，相比ＩＴ技术的发展，工业软件和ＩＴ产业不在一条发展曲线
，但现在通过云计算技术可以轻量级地让用户做这样的开发，对于激励
、知识的沉淀，可以在很多领域产生了技术溢出机会。工业互联网平台的出现，让工业企业能将花大量时间研发的仿真模型有可能沉淀成小而精的新形态工业软件
。

一

、工业互联网平台是人工智能应用的重要载体工业互联网平台覆盖全流程生产数据。数据是应用人工智能的“燃料”
。工业互联网平台从数据“量”和“质”两个维度入手，提升工业场景数据集的广度与深度，为人工智能应用提供支撑。从“量”的方面看，工业互联网平台汇聚了数以千万计的设备和传感器，对异构系统
、运营环境
、人员信息等要素实施泛在感知
、**采集和云端汇聚

，实现了海量数据的广泛集成。从“质”的方面看
，工业互联网平台通过构建设备、产品、系统和服务全面连接的数据交流网络
，充分挖掘实时有效的工业大数据，搭建数据自动流动的赋能体系，为深度学习的模型训练提供**的训练集、验证集和测试集，切实提高人工智能模型自学习、自决策、自适应的有效性。工业互联网平台推动工业知识算法化
。算法是人工智能应用的关键。工业互联网平台作为工业全要素、全产业链
、全价值链连接的枢纽，打通了工业知识向工业算法转化的通路，为构筑工业领域人工智能算法库提供助力
。一方面，工业互联网平台丰富了算法理论来源
。依托工业机理基础和数据模型分析
，工业互联网平台将隐性的工业技术原理、行业知识和**经验进行代码化
、算法化，重构了工业知识**和应用体系，面向特定工业场景提供针对性强
、鲁棒性高的算法
。另一方面，工业互联网平台降低了算法开发成本
。工业互联网平台通过提供开发环境和各类工具，助力开发者打造工业ＡＰＰ与微服务体系，将各类工业知识封装成可交易的模块组件，推动工业算法在更大范围
、更高频次、更短路径上**、传播和复用。工业互联网平台构建协同算力资源池。工业场景具有环境参数复杂

、工序步骤精细、实时性要求高等特点
，应用人工智能技术对算力要求较高。工业互联网平台基于云架构汇聚企业内外算力资源，根据实际需要统一调配，搭建广泛聚集、**协作的算力供给体系，为人工智能应用提供稳定的支撑保障
。在企业内部
，工业互联网平台汇聚内部算力资源构建算力资源池，针对不同时段
、不同用户和不同级别的算力需求，基于大数据分析统筹使用内部设备，提高设备使用效率
。在企业外部，工业互联网平台对接各类算力提供商，通过租借、购买等方式，补充企业内部算力的不足
，以提升整体算力水平，缩小人工智能应用需求和实际算力之间的差距。二、应用场景加快人工智能与工业互联网平台融合设备层
：机器智能构建新型人机关系。企业依托工业互联网平台
，在生产、控制
、研发等领域的设备上运用人工智能技术

，构建人机协同、互促共进的新型人、机、物关系。一是设备自主化运行

，如复杂工料分拣、设备自运行等

。机械臂、运输载具和智能机床等产品，通过搭载机器学习算法、路径自动规划等模块，实现对不同工作环境和加工对象的动态适应
，提高设备操作的精度和复杂度
。二是人机智能化交互，如动作识别、语音用户界面等
。应用语音识别、机器视觉等技术，打造人性化、定制化、**化的人机交互模式，提升控制装备在复杂工作环境的感知和反馈能力
。三是生产协同化运作

，比如协作机器人
、仿生工位等
。利用人工智能技术将人机合作场景转变成学习系统
，持续优化运行参数
，为操作员提供生产环境
。例如
，德国Ｆｅｓｔｏ公司基于仿生协作型机器人开发人机协作生产的智能化工位，可将人从重复性、危险性高的工作中解脱出来

，提高了生产效率。边缘层
：边缘智能提升边缘侧实时分析处理能力
。边缘智能技术通过协同终端设备与边缘服务器，整合计算本地性与强计算能力的互补优势，从而减少非必要的数据传输

、降低模型推理延迟与能耗
。具体有以下三类应用

：一是智能传感网络。东方国信
、寄云科技等企业通过建设智能网关，动态实现ＯＴ与ＩＴ间复杂协议的转换，提供安全高速的数据连接与数据采集服务

，强化对带宽资源不足和突发网络中断等异常场景的应对能力
。二是噪声数据处理。天云网、海尔集团等通过智能传感器采集数据

，利用基于人工智能的软件识别减小确定性系统误差
，提高数据精度，从而实现物理世界隐性数据的显性化。三是边缘即时反馈。思科、微软等企业通过分布式边缘计算节点进行数据交换，及时比对云端广播的模型和现场提取的特征值，基于边缘端设备实现本地快速响应和操作优化，减少云端运算压力和处理延迟
，实现云端协同。平台层：大数据分析构建“数据＋认知”算法库。工业互联网平台基于ＰａａＳ架构，打造由数据存储、数据共享、数据分析和工业模型等组成的整体数据服务链，把基于数据科学和认知科学的两类工业知识经验沉淀在可移植、可复用的人工智能算法库中。在数据科学领域，企业构建以机器学习、深度学习为核心的数据算法体系，综合利用大数据分析、机器学习和智能控制等算法


，通过仿真和推理解决已知的工业问题。例如，美国康耐视公司开发了基于深度学习的工业图像分析软件，能以毫秒为单位识别缺陷，解决传统方法无法解决的复杂缺陷检测

、定位等问题
，使检测效率提升３０％以上
。在认知科学领域
，企业从业务逻辑原理出发，通过搭建以知识图谱、**系统为代表的认知算法体系
，解决机理未知或模糊的工业问题，如企业智能决策、风险管理等。实际上，西门子、ＩＢＭ
、华为等公司通过构建供应链知识图谱，汇集气象
、媒体、交通和物流等信息资源，大大提高了供应链风险管理效率
。应用层：商业智能提升工业ＡＰＰ数据挖掘深度
。开发者依托工业互联网平台提供的开发工具和框架，面向不同工业应用场景，开发搭载人工智能的特定工业ＡＰＰ，利用人工智能手段赋能现有生产过程，为用户提供各类在平台定制开发的智能化工业应用和解决方案
。主要有以下几类：一是预测性维护。利用机器学习方法拟合设备运行复杂非线性关系，提升预测的准确率，降低运维成本与故障率
。德国ＫＯＮＵＸ公司结合智能传感器及机器学习算法构建设备运行模型，使机器维护成本平均降低了３０％
。二是生产工艺优化

。依托深度学习绕过机理障碍
，通过挖掘数据隐藏特征间的抽象关系建立模型
，并找出参数组合。ＴＣＬ格创东智针对液晶面板的成膜工序
，通过机器学习算法实现了关键指标的预测与品质优化
，年收益达到近千万元
。三是辅助研发设计。通过应用知识图谱、深度学习等技术构建设计方案库，对设计方案提供实时的评估反馈。美国ＵＴＣ依靠知识图谱解决了多个产品研发问题
，设计出的换热器传热效率能提高８０％，设计周期仅为原来的１／９。四是企业战略决策
。利用人工智能拟合工业场景中的非线性复杂关系
，提取非结构化数据构建知识图谱和**系统，为企业提供战略方案选择。美国初创公司Ｍａａｎａ聚焦石油和天然气领域
，协同应用知识图谱与数据科学，为ＧＥ、壳牌、阿美等石油巨头提供企业级决策建议。三、几点建议夯实产业基础
，突破人工智能与工业互联网平台融合的关键共性技术
。一是构建高质量的公共数据集
。鼓励满足条件的工业互联网平台企业开放具备一定规模的生产环境
、视频图像、文本对话等数据集
，建立高质量的公共测试数据库。二是加大算法研发应用力度
。推动科研院所、行业龙头企业开展协同研发和**应用，围绕卷积神经网络、递归神经网络等算法开发相关工具
，完善开发环境。三是提升算力支撑能力。引导和培育一批算力提供商和算力交易平台
，探索算力租赁
、交易
、托管等新服务模式。聚焦场景应用，引导加快面向工业互联网平台的人工智能产品开发
。一是加快**智能设备研发
。加快智能传感控制、智能检测装配、智能物流仓储等**技术装备的开发
，布局和积累一批核心知识产权
。二是突破边缘智能核心技术
。**突破图形处理器、现场可编程门阵列、专用集成电路等一批关键核心技术
，提高硬件基础支撑能力，实现围绕边缘设备的感知、控制
、决策和执行等功能。三是加快行业机理模型沉淀。聚焦ＡＩ工业应用

，建设工业互联网模型算法公共测试验证中心，坚持以测带建
、以测促用
。四是培育基于ＡＩ的工业ＡＰＰ
。引导工业互联网平台企业搭建制造业**中心，开放开发工具和知识组件，构建开放共享
、资源富集、**活跃的工业ＡＰＰ开发生态

。完善生态体系
，构建工业互联网平台跨界融合新模式。一是强化示范引领。在现有工业互联网平台相关专项和试点示范中，增添人工智能方向的应用试点，加快推动复杂环境识别、新型人机交互等人工智能技术与工业互联平台融合发展

。二是优化公共服务。面向语音识别
、视觉识别
、自然语言处理等领域，建设能够提供知识图谱、算法训练、产品优化等共性服务的平台和开源社区。三是增强人才储备。鼓励高等院校设置人工智能工业应用课程
，开展人工智能专题教育和培训
，加紧培育一批急需的人工智能人才。四是加强宣传推广。通过开展现场会、人工智能大赛等形式，凝聚行业共识，提高公众认识，挖掘做法，推广典型案例

，积极营造产业发展的良好氛围
。