av网站的免费观看丨无码福利一区二区三区丨亚洲人成影院在线观看丨337p人体粉嫩胞高清视频丨国内a∨免费播放

作者：毛旭初

工業互聯網產業聯盟理事、朗坤智慧科技股份有限公司副總經理

數智化是工業互聯網平臺助力企業智慧化轉型的重要抓手。2018年年底，在中央經濟工作會議上首次提出了“新基建”，包括工業互聯網、人工智能、大數據中心、5G等七大領域，其中工業互聯網和人工智能技術相輔相成、相互融合。只有通過數智化技術的融合應用，工業互聯網平臺匯聚的海量數據才會創造業務價值，這也是工業互聯網平臺通過互聯網技術服務制造業轉型升級的初心。

數智化突破是頭部企業數字化轉型的重要趨勢。國內很多能源企業、頭部裝備制造企業管理成熟、流程規范，也具備很好的自動化和信息化基礎，信息化平臺已覆蓋生產經營各環節，有效支撐著各業務的有序開展。在新一輪數字化轉型浪潮中，他們希望抓住DT時代的發展機遇，不再滿足于對傳統信息化平臺的修修補補，而是充分挖掘積累的海量業務數據價值，通過應用數智化技術，在鞏固原有核心競爭力的同時，實現經營效益突破和商業模式創新。

工業企業要實現業務戰略和智慧化技術的共生共舞，取得數智化升級成功，我覺得取決于兩個要素：內驅力和支撐技術，也就是本文討論的數智化創新的“道”與“術”。

這么一個復雜、長期的工程，需要匹配對應的發展戰略和規劃。通過制定企業數智化業務發展戰略，明確數智化業務應用范圍、應用目標、評價指標、實現路徑、參與組織和投入規劃等，通過戰略引領，有序推進，避免實踐過程中的冒進、徘徊、半途而廢。這個過程，可以聯合專業咨詢機構或者解決方案提供商共同參與，圍繞設備故障預警、運行優化、能耗優化、安全態勢感知等領域開展。例如朗坤蘇暢服務的一家全球領先的裝備制造企業，他們就制定了清晰的數智化業務發展戰略，從最基本的遠程監控，到全面的服務在線，到基于智能算法的診斷和后市場服務，小步快跑，每一步都特別務實，投入小、效益高，成功率也高。

任何工作成敗的關鍵是人、是組織，這不僅是我們常說的“一把手”工程的事，更是一個讓組織目標一致、高效協同、不斷創新突破、關注效益的“數智化文化”。通過我們對優秀企業的觀察發現，“數智化文化”不同于先僵化后優化再固化的規范化、標準化文化，不同于手工作業電子化的文化?！皵抵腔幕笔峭ㄟ^企業積累的數據創新、創造的極客文化，數據是企業重要的資產，不僅僅放在口頭上，而是要通過積極挖掘積累的物聯網數據、經營過程數據和生產過程數據，洞悉規律、預測未來、發現改進機會；“數智化文化”是IT人員和一線業務人員無縫深度融合的文化，IT人員提供工業互聯網平臺，業務專家樂于使用先進的工具，固化自己的知識，融入行業算法，驗證自己的經驗，讓執行更精準、團隊更輕松；“數智化文化”是關注通過大數據技術創造效益的文化，應用效果不僅體現在預測準確率、泛化能力等技術指標，更是由業務管理人員制定的降低多少能耗、提升多少產量、避免多少故障等效益指標。

高質量數據匱乏是工業領域的普遍現象，已成為企業數智化轉型的瓶頸。很多企業通過數據治理落地數據編碼、主數據等規范，實現生產管理數據的資產化，但在生產實時數據管理方面投入明顯不足，無法打造生產管理與生產實時相結合的綜合“工況數據”樣本集，而這類數據正是智能化模型開發所需的工業“黃金”。基于我們多年數智類產品交付經驗可以發現，企業想要構建高質量工況數據集，需要從數據采集“全面性”、標記生成“流程化”、質量檢查“專業化”三個方面實現突破。

數據采集的“全面性“是企業打造高質量數據的基礎。工業企業現有的監測點更多是為了生產工藝的過程監控，缺少了支撐智能化應用所需的專業化測點，導致智能模型數據維度缺失、建模困難。針對這種現狀，工業企業需要基于智能化業務需求，提前完成數據采集點的補裝，從而保障數據“全面性”，支撐數智化模型的構建。例如在某些需要精細化診斷分析的場景，需引入高頻位移、紅外、超聲波等監測技術，盡早開始收集滿足數智化需求的復合工況數據。

工況數據收集的“流程化”是企業打造高質量數據的靈魂?！肮r數據”是綜合了多類數據信息的高價值數據，例如設備故障記錄、故障解決方案與同期的設備監控數據共同構成了設備故障診斷工況數據。由于這些數據的收集需要IT與OT專家的大量專業化協同工作才能完成，導致工況數據集的收集效率較低，所以該項工作的“流程化”至關重要。

工況數據質量檢查的“專業化”是數智化創新效果的保障。目前企業在生產管理數據質量提升方面做的較好，基于數據治理工具實現了數據的常規質量檢查與修復，然而在面對場景化工況數據的整體質量問題時缺乏有效的檢查、修復手段，例如“工況時間段偏差”、“多維數據關聯錯誤”等 。企業面對這類綜合數據質量問題，一方面需要更專業的數據質量檢查與修復工具輔助，如“時序據趨勢異常檢查工具“、“工況數據回放驗證計算工具”等；另一方面需要業務專家從數據應用效果上做審核把關，例如基于工業數據智能平臺將工況數據的標記、驗證、審核、發布流程固化，大幅提升數據質量與模型準確度。

數智模型的開發與應用是數智化創新的前提，但對于不少工業企業，數智模型的開發與應用是一件棘手的事。主要原因有：一是缺少對算法庫的持續完善與優化。由于工業場景的特殊性、環境的多樣性，工業算法很難做到“開箱即用”，需持續結合工業數據特點和變化情況，實現針對性的算法優化設計，而工業企業缺少對算法庫持續跟蹤的工具。二是“小作坊”式的數智模型開發思維。不少企業抱著“小作坊”式思維，不關注數智模型開發與投運的產品化，無法完成規?；瘧茫簿蜔o法充分發揮數智化創新價值； 三是數智模型應用依賴各專業團隊合作。例如生產過程的工藝參數優化場景，不僅依賴數據科學家，也需要一線的生產運行人員深度參與，因此融合各團隊的能力，實現高效協作至關重要。

要解決以上問題，必須確定平臺思維，打造支撐工業企業數智化創新的數據智能平臺。對于工業企業來說，打造數據智能平臺即打造了一個共享、協作的數智實驗和創新平臺，也是一個數智化模型管理和應用的平臺。一方面，企業以平臺為載體，整合自身各專業團隊資源，實現數智知識共享與協作；另一方面，也可通過平臺，聯合高校、研究院，實現產學研結合，共建數智化創新應用。同時，在數據智能平臺加持下，工業企業也可避免陷入“小作坊”式開發思維，建立起企業自己的核心算法庫和模型開發、應用標準，提升自身數智化認知水平與數智化創新能力。我們服務的某生物質發電企業，圍繞經濟真空、四管監測兩大核心場景，通過朗坤蘇暢天璣數據智能平臺，整合包括運行專家、高校團隊等多方創新團隊，建立管壁溫預警模型、冷端優化模型，成功實現了數智化創新突破。 

安全、產能、能耗、質量、環保是工業企業數智化創新的優化目標，多數領域工藝流程都較為復雜，受到設備可靠性、物料配比、物化反應、能源供應等多重因素影響，涉及到力學、電氣、熱力學、化學、數學等多學科交叉融合。因此，需搭建一個開放的數字孿生建模平臺，支撐工藝業務專家、設備運維專家與數據算法科學家深度合作，協同構建適應生產現場真實場景的實用性模型。

通過數字孿生建模平臺的應用，一方面，能夠按照企業生產工藝，靈活定義“工廠、生產線、系統、設備”完整工藝流程層級關系，構建匹配自身數智化業務的數字化實體；另一方面，可實現工況靈活定義、模型測試評價、樣本更新維護、知識庫配置等可視化模型管理，幫助業務專家持續“研發、驗證、優化、擴展”模型，這是“實驗室理想化模型”升級為 “生產現場實用性模型”的關鍵。

在構建數字孿生體過程中，企業自身數智化創新團隊需深度參與。在各類場景下，數字孿生體要么是融合了一線人員的經驗（機理模型、知識庫），要么是學習訓練不同工況設備運行歷史數據（大數據模型），或者是兩者兼具，從實驗室走向現場實際場景都有一個持續迭代優化的過程，因此，企業業務專家深度參與調優是模型長期保持精準性的關鍵因素。

隨著工業智能的逐步落地推進，以數據模型驅動的創新場景越來越豐富，也積累形成了越來越多的數智模型。但這些模型往往多以輔助、提醒、參考等作用為主，與工業現場具體業務聯動不緊密。再創新的算法、再精準的模型，如果未能觸達生產一線，也是“空中樓閣”。

所以，數智化應用要在業務的橫向擴展和工業現場的縱向集成方面再往前走一步，落實好這“最后一公里”的工作。在業務的橫向拓展方面，要能夠和生產管理、物資管理、能耗管理等具體業務流程相結合。例如，設備故障預警要和檢修運維管理結合，診斷出的預警要能夠自動關聯檢修業務，指導現場精準開展點檢、維護、備品備件管理等工作，才能夠真正減少設備維護成本，實現設備管理提質增效。在工業現場的縱向集成方面，云端的數智模型與邊緣端的工控系統集成是一個趨勢。很多工藝優化場景，像智能監盤、鍋爐燃燒優化、冷端優化等，通過AI模型實現對最優變量的計算，如果能夠將模型結果反饋至工控系統，優化控制參數變量，這將大幅提高現場作業效率，同時也是真正意義上的“云邊協同”，系統不僅僅會思考，還能夠執行。