工业大数据与智能制造.docx
《工业大数据与智能制造.docx》由会员分享,可在线阅读,更多相关《工业大数据与智能制造.docx(20页珍藏版)》请在冰豆网上搜索。
工业大数据与智能制造
工业互联网平台背景下
的工业大数据与智能制造
准备这个报告时,我开始准备了接近40张。
后来发现,说的多了反而不容易说清楚。
于是决定干脆少几张。
今天的话题其实就围绕这张图展开的:
里面有我很多曾经的困惑。
这张图可以分成三个部分。
左边讲的是相关技术的原理、思想是怎样的,讲这些技术为什么突然一下子突然发力——其实是有了经济潜力;右边讲的是创造经济价值的逻辑,就是技术要与业务场景结合、如何寻找或者创造这样的场景。
中间这一部分就是工业互联网平台以及承载的相关技术。
它的作用是把技术和业务连接起来,把原理体现出来、把潜力变现、是企业推进智能化的支撑技术。
如果没有这个支撑技术,再好的想法也难以落地。
或者说,落地的代价太大、经济性不好。
如果有了这个公共的支撑技术,就不要大家各自开发软件了,只要用公用的东西就行了。
这样,小企业也有能力来用先进技术了。
这个道理和淘宝平台其实是一样的。
不过,这个平台承载的是企业自己的专有的知识、经验、诀窍等专用的“私货”,并连接人、机、物、数据等资源。
这些“私货”可以自己用,也可以像商品一样“出售”、给别人提供服务。
我们先看图的左边这一部分。
这部分回答一个困惑——这些技术为什么突然成了热点了?
大家可能都知道,最近几年出的新概念特别多:
从工业4.0、智能制造、大数据、CPS、工业互联网及其平台、人工智能、工业APP这些概念让很多人
觉得很悬,又怕赶不上潮流,于是就到各个地方去看很多文献、听专家报告。
到头来还是似懂非懂。
我觉得呢,这些概念不应该特别难以理解。
如果觉得难以理解,那是因为陷入了思维误区、把问题想复杂了。
想复杂的原因大概有几种:
第一种觉得这些概念是牛人提出来的、一定有很多的学问(很多是故弄玄虚);第二个方面就是发现自己不知道怎么做,就以为自己不明白(其实是条件不够);第三个方面是相近的概念太多了,脑袋都搞大了(本来就相近啊!
)。
在我看来,这些概念其实很简单,确实是过去一些思想的延伸、相似或者相近是很自然的。
我们要解释的是:
为什么突然成为热点?
这些概念被热炒的原因,是因为技术条件发生了改变。
换句话说,如果过去提出这些概念、却没法实现、只能是空想、至多是写写论文、做个样板。
我常举控制论之父维纳的例子:
维纳或许有CPS的思想,但他的时代没有计算机和互联网、提出CPS也只能停留在生物控制层面。
在前几年,互联网不发达、难以实施掌控资源时,CPS的概念几乎可以用计算机里面的“控制模型”来取
代。
现在到了工业互联网(智能制造时代),问题变得复杂了,要把众多的模型组织起来,需要一个更加一般性的概念来说事。
于是,就有了CPS。
总之,没那么悬。
前面提到条件的改变。
最重要的一个就是ICT技术的进步:
摩尔定律连续发展了50年,量变到质变了。
这种变化常常被人提起来,以至于很多人习以为常、当成耳旁风了——其实,如果不是身在其中,有过经历、这种变化的真正意义却难以体会到。
曾经有一位年轻博士问我:
现在工业上的先进技术一点都不先进、我读书时研究得就比这个深。
我就告诉他,理论方法虽然不新、但技术应用是新的啊。
比如,20年前,我博士毕业刚工作的时候,一个微分方程求解都没办法实时计算,更不用说CPS、实时图像处理了。
所以,理论再好也不能用于实时管控、只能发发论文。
ICT技术让技术成本大大降低。
这让相关应用范围大大增加。
30年前的宝钢是中国最现代化的工业企业,那时搞信息集成的100台PC机,需要经过中央领导特批!
有ICT技术的进步,现在一些小企业都有办法搞了。
这就是所谓普遍性、一般性的意义。
条件发生变化以后,很多技术搞起来就合算了。
于是,概念一下子热起来了。
当然,这只是潜力,要把潜力变现还不是那么容易。
而这真是我们这代人要做的事情。
下面谈谈我对互联网本质的看法。
互联网的本质作用很简单:
人类可以通过空间限制获得信息、掌控资源。
这句话很简单、很多人都说过类似的话。
大家想想看:
从雅虎、谷歌、淘宝、微信、滴滴等,这些东西其实都是这个道理啊!
于是问题就来了,为什么最近几年工业互联网才热起来呢?
要回答这个问题呢,就要知道科技发展有个规律:
技术往往是从难度最低、收益最大、成本最低的地方产生,然后向难度高、收益相对较少的领域聚散。
就像流水的规律一样。
在我看来,现在红领制衣的技术,和30年前宝钢搞的按合同组织生产本质上差不多。
现在很多所谓的创新,本质上就是技术扩散。
比如,现在很多数字化设计的技术,就是从航天、航空、军工扩散过来的。
而且,技术成本越低,越容易扩散。
我们看看,互联网的发展过程就会发现的确是难度越来越高的。
最初普及的应用只是非实时地发普通的电子邮件,后来从非实时的交换到实时数据交换,从小数据到大数据,从单纯的信息交换到资金产权的交换等等。
这里就不展开了。
按照这个逻辑来说,工业互联网的应用一定是比较难的。
但难在什么地方呢?
理解工业的本质特点:
我常说一句话:
确定性是工业人追求的目标。
工业人追求安全、稳定、可靠。
当外行看到技术的性能不断地突破极限(比如高铁越来越快)——其背后是在这种极限条件下解决了安全、稳定、可靠这些问题;而且背后这些工作量极大、难度极高!
不理解这个,怎么能叫理解工业呢?
有些“砖家”胆子特别大,啥都敢说,就是因为没在现场干过、没干过真正的难事,不了解这个道理。
现代工业系统对可靠稳定要求是非常高的。
为什么呢?
因为出现一点点的问题就有可能出现危及生命的大事故、会造成非常大的物质损失。
这一点和个人消费品很不一样。
举个例子:
你花了50块钱买个杯子,如果杯子不好,至
多损失50块钱。
但是,如果你花50块钱给高铁买了一个零件,导致高铁事故:
那损失是多少倍啊?
所以,“损失放大”很要命。
另外,工业技术的个性化很强、默会知识很多,这些都是普通商务活动没法比的。
我们会发现搞工业的人往往比较踏实,有经验的人看起来往往胆小,其实都是环境和背景导致的性格。
工厂里面有一种说法:
说的好不叫好,用的好才是好。
把这句话翻译:
单纯用信息描述工业技术是不够的!
人们甚至不清楚自己需要什么,只能用实践来证明。
所以,即便找到更便宜的,企业一般也不会随意更换供货商:
怕出事啊!
对互联网来说,这就糟糕了:
即便用互联网把信息传过去,人家也不一定敢用。
这就是工业特性约束互联网应用的原因。
事实上,工业互联网会把网上的联结对象(如较为封闭的机器)构成一个有机的系统、甚至是动态控制系统(后面有个例子),而不是像淘宝这样松散的、一对一的联系。
所谓的系统,就会有“牵一发而动全身”的事情发生。
所以,工业互联网对安全、稳定、可靠、实时性的要求更高。
工业互联网领域很多的事情都与这个道理相关。
工信部原副部长杨学山说工业互联网姓“工”不姓“网”,工信部信软司安筱鹏副司长说工业互联网平台应用要解决“能力度量问题”。
在我看来,就是这个道理。
还有些实践表明,工业互联网不像淘宝这样2C的互联网,就是打不掉中间商!
也是工业的特点造成的。
总结一下,工业界技术创新的特点是:
先进技术在工业企业中能否应用,往往决定于稳定可靠性问题能否解决。
打个比方说:
车子能跑得快,往往不是车子性能决定的,而是车况和路况所决定、能够保证安全的速度是多快。
大数据、智能制造、互联网的工业特色都能用这个道理解释。
反映到实际工作中就是:
理念先进技术不一定有用、但对安全、稳定、可靠有帮助的技术却往往用处很大。
顺便说一句,不展开:
这个道理能指导我们创新的方向。
我们现在再来谈一谈对智能的认识。
《三体智能革命》中提出了智能的20
字箴言:
“状态感知、实时分析、自主决策、精准执行、学习提升”。
这5个要点中最近本的有三个,就是把感知、决策和执行三个过程统一起来。
我们知道,互联网是智能制造的重要推手。
为什么呢?
就是感知和控制资源的能力大大加强了!
管控资源的能力加强,为什么会引发智能制造呢?
我的逻辑是:
管控的资源多了、问题就变得很复杂了,人忙不过来或者容易出错;这个时候,必须要计算机来代替他人决策——注意,我的逻辑是:
必要性增加了,而不是技术可行性改变了。
反之,如果问题简单的话,没必要上这些高大上的概念和系统,企业干“高射炮打蚊子”的事情是不划算的。
按照智能制造(smartmanufacture)的含义,钢铁行业很早就具备了基本特征。
那时候,日本人就对我们说:
“100万吨产量的时候,靠人管得过来;600万吨的时候,没有计算机就管不过来了!
”所以,智能制造是人们不得不把任务交给计算机来完成的。
这个时候才有意思。
注意提醒一下刚才说过的逻辑:
问题复杂到人没法干,这是负面问题。
智能化相关概念,是解决负面问题的!
解决负面问题,才有价值。
当然,这些负面问题是企业“自找”的:
为了更好地满足用户需求。
让我们的感知和执行能力大大拓展了,能干什么呢?
我把它总结成了六个字,就是“协同、共享、重用”。
这六个字针对各种资源,包括物质资源知识资源,公司内部和外部的资源,人、设备和数据的资源等等。
这六个字,既让问题变得复杂,但另一面是能更有效地创造价值,并实现智能制造快速响应的要求。
这个图上,手和眼睛代表互联网带来的感知和执行能力,而脑袋代表计算机的自动决策。
要自动决策、体现智能需要知识。
对智能化来说,知识这个东西非常重要、是关键所在。
有人说大数据很重要,我却觉得:
外面看是大数据、里面看其实是大知识。
下一页会深入展开。
另外说明一下:
要实现这个逻辑呢,需要做很多事情,包括ICT技术之外的事情,如物质条件的准备、组织流程改革、商业模式创新、设备更新换代等等。
所以,推进智能制造被称为两化的“深度融合”。
我甚至认为,真正的智能制造首先是生产关系的变革。
很多企业觉得难,就是这个原因:
改变生产关系,关键在领导!
人工智能最近很热。
智能制造(SmartManufacture)和人工智能(AI)有联系,也是有重大区别的。
由于时间关系,这里只简单说几句。
我经常给人家打一个比方,工厂里的智能主要是“吴淑珍式的智能”。
吴淑珍是中国台湾地区前领导人陈水扁的夫人,内线炒股发财:
陈水扁的亲信告诉她哪个股票要涨,她就去买、买了就赚。
我把“吴淑珍式的智能”表述为“准确及时的信息+简单的推理”。
这种智能不像巴菲特炒股,是“模糊的信息+复杂的推理”。
工业过程智能更多的是“吴淑珍式的智能”而不是“巴菲特式的智能”,为什么是这种呢?
要回答这个问题,还要回到工业的特点说事:
人的随意性很强,是工业中不确定性的一个重要来源。
所以,工厂里一般要求工人进行标准化操作、抑制随意发挥,在什么场景下做什么样的事情,是有明确规定的。
从程序员的角度说,“吴淑珍式的智能”用的知识其实就是一些“IF语句”。
这个听起来有点土,但本质就是这个。
而且,这种提法不新鲜、不知道出现多少年了。
专家系统理论中有个“学术化”的说法叫“产生式规则”,就
是这个东西。
20年前我到北京培训一个所谓的人工智能软件,差不多就是这个东西。
我也曾经困惑:
这个东西过去为什么用得少呢?
现在想来,用得也不少,但直接编程更容易、似乎没必要用那么多专用语言和工具,来“杀鸡用牛
刀”。
现在为什么不一样了?
因为问题复杂了、管理的知识多了、灵活性要求高了,实现的办法就要重新想一想了。
我觉得,对于真正复杂的问题,还是要平台来解决。
我给人讲创新,常常讲到简单的问题和复杂问题的处理方法不一样,量变到质变,就是这个道理。
这里就不展开了。
我们现在再来看看大数据的本质。
在我看来,大数据最根本的用途是产生有用的知识、特别是用于智能决策的知识。
工业大数据真的有这个潜力!
我们知道,人类一切的知识来源于历史,如果大数据能够广泛完整地记录历史发生的痕迹,人们有可能大数据中获得更多的知识。
毕竟,在大数据背景下,人的记忆力远不及计算机。
当前,产生知识的“潜力”要转会为现实的“能力”,还需要有其他的前提。
其中一个即所谓“样本=全体”。
换一种说法就是:
这个能力保证,你总能从历史数据中找到你想要的案例。
在GE关于飞机发动机实时监控的著名案例中,一个重要的条件就是:
一台发动机偶尔出现的故障,很可能在其他发动机上也出现过。
诊断和处置的知识就可以直接利用。
数据多了,这个前提就容易实现,即所谓:
日光之下无新事。
在这个前提下,有一种思维方式特别重要,就是强调相关性。
我觉得,这句话很多人理解的有问题、不到位。
我的理解是:
所谓强调相关性就是找相似的案例。
找到这样的案例,直接去模仿就是了,而不必要按照科学的逻辑去思考。
就好比我们用高德导航:
走一条路要花多长时间,只要看看别人用了多长时间,而不是根据时间、速度来推算时间。
我觉得,这未必就是排斥因果性,而是在一定场景和范围内,不需要知道因果性就可以了。
这个差别很重要:
因为工业大数据强调可靠性,常常需要因果来保证。
大数据还强调“混杂性”。
在我看来,强调混杂性就是便于找到“相似的”一种保证。
能够让我们能够从多个角度去分析知识、从而得到更加可靠的知识。
我们知道,新一代人工智能最近很热。
其背后的原因就是大数据智能可以支撑新一代智能制造范式。
大数据能够让机器学习“学得好”、“学得
对”、“学到本质”,甚至连一些人说不清楚的知识(如感性知识)机器都能自己学会。
我的这些观点不一定对,但不是无的放矢。
我认为:
工业大数据要用得好,就要设法根据业务的需求,从这个角度去准备数据,而不是有什么数据用什么数据。
否则,大数据也可能成为大垃圾。
我见过很多成功的案例,都是按照这个逻辑做的。
即所谓“预则立、不预则废”。
顺便提一句:
工业大数据追求确定性。
这决定了其分析方法也有特殊性。
特别不能把大数据当成“算命先生”、宣传有多神奇,这就和骗子差不多了。
工业追求的是确定性,不是“神奇”这种小概率事件。
有人可能会说:
你怎么不提大数据4V的理论呢?
说实话,我有点鄙视这种说法。
或者说,至多是技术提供方关心的、不是应用技术的人所需要关心的。
现在,我们进入后半部分,再看第一张图的后半部分。
做企业的都应该知道:
企业采用先进技术的目的是为了获得经济效益。
但不幸的是:
人们常常发
现采用先进技术无法带来效益。
比方说,提高自动化水平时,人减少了设备成本却高了,总体上不合算。
再比如,推进智能化的时候,机器代替人决策,人的工作量少了,价值却没有增加。
我们下面要聊的,就针对这种误区。
导致这种现象的原因,一般是是技术没有用到合适的地方、应用场景不对。
IT行业有句话很有名:
要雪中送炭不要锦上添花。
只有这样才能创造价值,否则可能就是资源浪费。
怎样做到这一点呢?
我们有位老领导说过一句很有意思的话:
“用户决定价值。
半杯水放在沙漠里可以救命,放在餐桌上就是垃圾”。
所以,我们需要仔细研究技术的使用场景。
下面我们给出几个中国企业的例子。
石家庄一家叫做天远的公司,业务是帮助人家监控各种运输设备(如集卡)。
汽车出去了,老板不在身边,司机就可能干私活、偷油等等。
用了互联网加上数据分析,老板就能时刻远程监控自己的车子。
效益就来了。
过去,油田的工人需要在沙漠里面看着设备。
远离城市和家人,工作条件非常差。
后来,他们用互联网把信号传出来,几千号人就可以离开沙漠、在城镇里生活了。
而且,更少的人可以看着更多的设备。
对工人来说,生活更幸福了;对企业来说,劳动力成本可以降低了。
河南登封嵩山脚下有家叫做昊南的小公司,生产环保用的耐火材料的。
企业虽小,但自动化程度相当高,缺乏设备维护的人才。
他们把机器上的数据采集过来,存到计算机上。
必要时直接通过互联网传给德国人,让他们决定怎么办,借用了外脑。
这几个例子告诉我们:
互联网好的应用,一定与“距离远”有关。
上海有一家叫做优也的公司,是麦肯锡的专家出来创业的。
公司最近做了一件事:
把某钢企的、与煤气相关的设备联系起来,进行实时控制。
让煤气的使用效率大大上升。
这件事原理也很简单,但过去没有互联网,技术上就很难做到。
过去实时控制回路限于一个设备范围,一般必须在车间里面。
现在可以把隔着几公里的不同车间的设备串在一起、形成一个实时闭环控制系统。
当然,他们还有个好的想法值得推荐:
先算好可能有多少收益再去做,而这是咨询公司擅长的东西。
类似地,还有号称“世界上第一家智能化钢厂”的美国大河公司,这里就不展开了。
上面这些场景或许比较特殊。
中国有种比较普遍的场景:
就是通过互联网提升企业的管理水平。
与发达国家相比,中国企业的管理是比较差的。
我曾经调研过一家公司:
管理问题导致的成本比企业的利润要高。
原因有很多,比如人的素质问题、农业文化问题、私心私欲等。
这样,管理的难度就很大。
但是,利用互联网和大数据,领导就能够有效地管起来了。
刚才说到优也公司的例子:
据说系统经常给领导“打小报告”,操作工都不敢乱来了。
天远公司的例子其实也有一样啊!
这几件事让我想起十年前我做政协委员时,参观一家豆腐厂:
老板把摄像头装在车间里,工人的操作就规范多了、质量和成本都好了。
这个例子很形象,但大数据和这个的道理是一样的。
就是让互联网促进“透明化”、“扁平化”。
这些管理理念,在互联网、大数据的背景下,容易做到了。
对于这种逻辑,一个常见的问题是:
老板哪有时间看呢?
对于这个问题,我有两个观点:
把历史过程完整地记录下来(形成大数据),即便老板不看,至少也“有据可查”;也能促进管理水平的提高。
在大数据的基础上,推进“智能化”(吴淑珍式的智能):
必要的时候自动推送给老板,让老板用少的注意力获得大的“关注力”。
这就是用智能化提高管理效率啊!
实际上,实现这些功能都离不开工业APP和PaaS平台。
我在后面会讲到这些内容。
对于某些管理上特别好的公司,可能真的难以找到好的场景。
这时,要推进智能化的办法就是对企业进行转型升级。
在我看来,提高自动化、智能化水平都属于转型升级:
也就是未来的工作方式、场景、市场定位发生变化。
但这种转型升级一定要注意:
一般不能仅仅考虑劳动力成本或者劳动量的降低,而要考虑到其他的附加价值。
否则,先进技术在经济上可能不划算。
比如,通过智能化改造,提高质量、降低成本、进军高端市场,提升设计研发或快速响应能力等等。
具备这些能力的原因是:
这些改造能够减少人的负面作用和干扰、让机器的反映比人更快,而不是仅仅代替人。
转型升级之后,新的场景就出现了。
很多技术由原来的锦上添花变成了雪中送炭。
上面这张图是我常说的逻辑:
通过互联网的应用,实现大范围的“协同、共享、重用”。
这一方面会提高企业的快速响应能力,也会对技术提出挑战。
比如,问题太复杂了、人忙不过来了!
但这种挑战,恰恰就是智能化的动力啊!
让机器去智能决策啊。
当“智能决策”是“逼出来的”,一般就会产生价值了。
这些事还可以产生连锁反应:
比如,人离开了生产现场,从事更富有创造性的“知识生产”,从而让人的生活更加美好等等。
其实,技术的发展就是像一个“多米乐骨牌”:
一件事推推动另外一个事情的发生,技术半步半步往前走,以至于“积跬步以至千里”,导致了工业革命。
技术发展就是这样的规律。
时间关系就不展开了。
智能化转型说起来容易,做起来是有点难的。
如何推动呢?
我想是有三类人写作来完成。
1、设计场景与目标。
企业家的事。
要看企业家的眼界。
目标设定的好,会让技术有施展空间。
但设定目标一般不需要深入的专业知识。
2、设计好推进步骤。
靠总师能力,难点是战略规划。
要点是让后续技术工作简单、便于操作、减少风险。
3、做好技术细节。
这是科技人员的任务。
战术级的难点在处置细节和风险,学术问题其实并不多。
我实践中体会到一种现象:
优秀的企业家往往低学历、优秀的CIO很多不是IT相关专业毕业的、好的技术往往少用先进的理论。
上面三条大概可以解释这种怪事。
现在再谈谈对平台的看法。
有个朋友说各种互联网平台的本质和淘宝差不多:
就是促进连接。
我觉得这句话是有道理的,但是要考虑工业的特点、工业的要求——怎样然更大家放心地用、更可靠地用。
涉及到企业之间的关系时,要涉及更严格的标准、信用等方面的问题。
这些方面,呼唤更多的创新——否则,工业互联网的应用就会限制在公司内部、走不出去;相当于企业内部为可靠性和信用背书。
我喜欢从经济性的角度看问题。
平台重要的另外一个原因是涉及到成本和质量的问题。
一家企业把平台建好,很多家企业都能用。
这样,经济性就可以大大提高,小企业就有能力来用。
这种共享不仅降低了成本,也可以通过重复使用减少平台的“BUG”、提高可靠性。
最近,工信部推一个工业APP的事情。
我觉得这件事非常好。
在我看来,这就是要建立一个知识共享的平台。
这件事意义非常大,但难度也非常大。
需要在探索中逐步明确起来。
这张图是几年前我对知识管理平台的一点设想,还非常不成熟。
最后,我再把智能制造、工业互联网等概念的关系串一下。
个人的想法,观点不一定对。
GE在工业互联网白皮书上有一个副标题“PushingtheBoundariesofMindsandMachines”。
我把这个副标题翻译做“重构人和机器的边
界”。
我认为,这句话本身就是一个很好的切入点和视角,能够反映工业互联网、智能制造的根本思想。
随着工业互联网在工业界的广泛应用和机器、产品的智能化,将会形成一个巨大的CyberSpace。
人类越来越多地通过CyberSpace同物理对象打交道。
换句话说:
CyberSpace能够让人体离开所控制的物理对象。
随着CyberSpace越来越复杂、数据描述越来越完整,越来越多的工作可以通过机器自动决策来实现,这其实就是智能决策(虽然不一定要AI)。
从这种意义上讲,智能的本质就是能够让人体有条件离开CyberSpace,获得更大的自由。
当然,人体离开CyberSpace是有条件的,最好能让智能决策做得比人更好。
这个CyberSpace运行的痕迹,就构成了工业大数据。
利用工业大数据,人类可以获得更多的知识。
虽然有些知识可以让机器自动产生,但人类的灵活性是机器难以比拟的。
所以,未来人类的一项重要工作,是丰富完善Cyber
Space,尤其是丰富其中的知识。
而这些知识,又会进一步促进智能化的发展。
当然,推进这些想法的时候,都要注意渐进发展的原则;不要搞基于“大跃进”、“放卫星”,还要遵从技术发展的规律。
比如,要根据实际情况,不一定急于把人踢到控制回路之外。
有经验的专家,不会无谓地冒险。
人与机器的边界,一般是渐变的。
根据前面的观点。
我画了一张图,以平台为核心描述了智能制造、大数
据、工业互联网、AI等概念之间的关系。
这里想谈几个碎片化的想法,可能有点片面,但大的路数可能是这样的:
1、新一代人工智能在工业中的应用。
这里说的“新一代人工智能”,就是“吴淑珍式的智能”之外的东西,如图像识别。
这些技术也会很有用。
我认为主要作用可能是解决感知的问题(就是我画眼睛的地方)。
工业界中很多地方需要人靠眼睛、耳朵、鼻子等感觉器官来检验质量。
我发现,自动化程度高、质量要求越高的工厂,人工检验员的比例往往就越大。
这严重影响了自动化程度的提高。
而新一代AI本质上是让计算机具有了“感知的知识”、“感性认识”;而不是像“吴淑珍式的智能”那样说得清楚、可以用人来编码的显性知