2018-02-01 16:20

　　很高兴给大家介绍我们做的工业互联网平台，我们在数据中发现价值，构建应用实现业务优化。

　　我们是创新公司,不到一百人，但我们确实做完全自主可控的国内工业企业需要的服务。我们把IT技术与工业企业需求结合。团队有专门做工业算法，做过最高端的设备，飞机发动机的，而且不止一位做数据分析算法的科学家。有大数据团队，也有工业团队，也有云计算的团队。如果大家考虑搭建工业互联网平台时，建议大家这几方面的人才都要考虑。

　　重点行业主要在轨道交通、电力能源、智能制造。我们有重铁和上海城建集团，我们做施工阶段和地铁运行阶段的运行分析。电力行业与合作伙伴一起做发电企业，无论是风电、水电、火电的大型发电集团的故障诊断和预警。智能制造，真正能做智能制造好的，一定要有大数据分析，对质量的要求一定要高。我们现在面对太多的问题，效率问题产能受什么影响，交付瓶颈在哪里，质量和不良率与什么原因相关，不良产生的相关因素是什么，基线和成本以及库存的压力在哪里。设备怎么保证不停机，不停产，怎么建立维修的预警策略，这都是企业现在解决不了的问题。

　　以质量分析为例。做生产优化需要精细的分析，有流式数据、批量数据、文本数据、人工技能数据，有不同的质量评估报表，也有售后和销售前的检测数据。现在的情况会面临很多高维度，实时性强，时间跨度超级强的分析，很难用一种传统的方式解决问题。我们从工业互联网里面提取工业数据的价值，从数据中探索未知，不同业务阶段，不同层级的业务阶段，不同的业务系统，企业管理的运营生产过程管理系统，以及企业经营管理的系统中提取数据，构建相应的指标，建立模型，为辅助决策和高层决策提供能力。之前和有的朋友在聊，中国的数字化人才在工业企业里90%集中在设计阶段。但中国工业企业90%的数据来自后期设计完之后的生产和运维阶段。工业互联网的精髓是连接，采集工业设备数据，整合业务系统数据。洞察是要建立关键指标，分析问题相关性和因果关系，探索未知。优化是要提供最佳策略，维修和保养的策略，实时告警，自动反馈机制，只有这样才能形成正反馈，实现最终优化。

　　当前会存在问题，数据采集，你的接口没有办法打通，协议是封闭的，我们看到90%的国内企业在用的都是德系和日系的设备，没有办法找到有效的接口。数据处理原来是以控制为目的，而不是分析为目的，所以压根儿不会存三个月以上的数据，怎么找三年以前的故障。所有分析都是一线的，所有的分析结果都是拿文件下来然后建报表，出一份分析报告改进工艺和质量，没有办法实时的作用在生产。应用开发都是十年前的架构，没有办法保证海量的数据上来以后怎么处理，更多的产业链上下游的人参与进来怎么连接。我们开始并不清楚平台应该怎么搭，后来进行研究后做了非常多的工作。边缘端怎么提取数据，云上怎么把数据处理完再存下去，构建模型做分析。怎么针对应用产生交付。考虑不光是设备的数据，也是工业互联网要解决的事情，把数据采上来。这类的数据不仅来自设备仪表和工具，还包括很多控制系统的数据。我们还要处理IT数据和生产经营系统，以及业务系统。在上面用统一的平台来实现数据基础的处理和存储，然后在上面构建建模的能力，以及做应用开发。我们针对的应用就是两类，设备的性能管理，你的设备会不会停机，设备故障有没有问题，备品备件管理策略。运营效率问题，怎么优化质量，怎么优化你的库存，怎么做财务指标各方面的分析。

　　我们参与白皮书的编写。边缘层提供网关，网关面对各种各样的复杂问题。不敢说支持非常多的协议型号，但很多协议型号都是锻炼的，更多的是对接不同的协议类型，然后实现适配，在边缘层做一定的计算，然后扔在云端出来。平台处理数据存储、建模分析的能力。做工业数据会知道，工业数据有太多数据质量问题，如果不能提供非常灵活的应对策略，每一条流都有可能出现时间标签，那应该怎么应对文件的差异化，我们会提供复杂的处理流的方式处理这类的问题。我们提供海量的持续数据库，高性能的处理能力以及秒级的查询能力，帮助用户在长达几年的数据，几百微妙的情况下，都能够保证数据有效地得到保存和查询。基础的数据查询，包括最大值和最小值以及方差的统计工具。

　　很多人会考虑该怎么设计基于数据发掘很多未知价值的能力，设计原则是数据+机理。如果单靠机理，原有工业设计模型基本都是靠机理设计的，机理就是老专家靠什么样的设计经验，拉力+温度可以产生预计的质量问题。但这种模型周期很长，只能实现专家判断的问题，实现不了专家判断不了的问题。

　　前面11%是正常的设备故障，从最开始正常一直到故障率提升。开始不稳定，最后到稳定下来，然后再到故障提升，再到有不断衰退的情况。这种情况基于规则性和常规知识的设备故障只占11%，89%的情况来自随机的情况，设备用着用着就坏了，莫名其妙就坏了。这种情况只能靠机理+数据的方式来解决，不光是数据，通过海量的数据和机理学习的方式解决一部分的问题。单纯地靠数据也解决不了所有的问题，因为你的工作量超级大，不集合机理不能实现有效的降维。数据分析结果靠机理验证。我们的设计思路也是这样，根据NeuSeer构建数字双胞胎。数字双胞胎包括三方面，资产模型、分析模型、知识和特征库。资产模型就是建立设备和真实数据的映射关系，分析模型就是基于机理和数据形成关键指标模型。知识库就是根据日常的特征进行保存，方便查询。我们提供平台先处理来自各种异常数据，然后在大数据平台提供设备元数据管理，知识库和大数据开发平台的框架，我们会提供数十种不同行业和不同机理的机器学习模型和机理模型，最终开发出相应的应用。我们提供很多算法的组合，帮助大家快速构建模型。

　　设备元数据管理，我们帮客户定义。大型的地铁公司到多少节车箱，到车箱里哪一个车门都可以快速地定义每一级需要监控的指标，每一级的数据来源和走向。基于逆势数据快速地确定一段时间基于回归的方式，构建出相应的模型。根据这个方式能够快速地构建你对异常情况的标注学习能力。利用历史存储的故障模式，根据出现的故障和故障模式之间的相似度的对比，从而给出判决的概率。用这种方式才能加快设备在数字化过程中遇到的，或者说流程在数字化过程中遇到的各种各样的问题。最后开发出应用，我们刚才提到各种应用，更多的用组件的方式。有设备管理可以通过设备管理配置出需要的设备数，有历史数据库可以快速地利用数据微服务的构建。我们可以把模型变成API，每一个故障的诊断功能变成API的调用，都用快速地构建应用的方式进行构建。

　　应用形态包括，数字化产线，质量优化，运营效率提升和设备健康管理。我们通过组件化和微服务的方式快速搭建，欢迎合作伙伴与我们有联系，希望基于我们的平台快速地搭建这类的应用。包括远程监控的应用，包括故障诊断和故障预警的应用，快速帮助客户收集各种各样的故障信息，基于故障模式做快速地故障诊断和故障分析。我们做跟生产过程质量分析相关的对关键指标的报警。

　　盾构机的数据分析。很多部件存在不确定因素，挖掘过程中会存在驱动力的故障会造成停工和停产，每次维修费用都是几千万。用户希望知道在什么时间会出现问题，出现问题的关键点在什么地方，产生的原因是什么。我们把原来的数据提取后建模型，构建两类分析。刀盘信号异常检测，以及姿态跟踪的分析。我们拿了七百个不同的传感器，一部分数据驱动和机理驱动的方式找到60多个变量，根据不同工况和土质结合的特点进行相关性的分析，基于自动化的异常检测找到刀盘里的信号是造成主轴故障的原因和时间点。盾构机行进的路线是按照计划制定，但没有很好的手段知道路线对不对。我们给的策略是能够依赖刀盘的油压压力，找到跟你上圈与前进方向的偏差，修整下一圈的前进动力。

　　中地装的设备非常散，它的客户希望采集数据保证不停产，更多的时候也希望通过数据方式，能够搜集客户使用习惯，通过了解客户使用习惯改变产品质量。我们构建一套系统，现在的点比较少只有几十台，通过它实现设备远程监控，实现部分的故障诊断预警。帮助它能够把卖产品的方式变成卖服务。

　　数据到价值怎么展现？我们为在座各位专家提供小福利，如果大家感兴趣需要，我们提供免费试用机会。

　　感谢各位聆听我们的分享，谢谢大家！