在很多工业企业内部，谈到数字化，很多工程师第一反应就是OA系统、办公系统、ERP系统、公司内部管理系统……有的系统突破重重阻力上线，一线的操作人员和工程师并不买单，在现场运维时，不得不把一些动作在系统里更新，但只是为了交差，而日常自己要做的事情有另外的记录方式。甚至有公司把系统的月度使用率当KPI来逼员工去用。

谈到大数据、人工智能，很多工程师都会认为，好像这个事情离我挺远。实际上呢？

大数据离工程师并不遥远

科学的科，也是工科的科。把科字拆开了，是“禾”“斗”，一年收上来的粮食，把它放在斗里，知道自己生产了多少。“科”就是把一个现象量化、衡量，甚至这种衡量方法可重复，这就是科学。

工程师的工作和数据息息相关

工科，是把一个工程现象量化描述。工程师的职责就是用数据来描述、设计你要做的事。

举个例子，针对某设备的温度分析，设备温度每降低0.1度—0.2度，会对其他参数有些影响。单纯从数字上它是符合科学的。但是问到设备的老专家，会发现现场的所有加热和温度控制手段不可能做到5度以内，想控制1-2度都很难，更不可能控制到0.1度。做数据分析要考虑现场的实际条件。

为什么刚大学毕业的学生和老工程师在做一个设计的时候，明显路子不同？最大的差异就在于刚毕业的学生由于工程实际经验不足，他脑子里的数字就是数字，而一个成熟的工程师，他看到了一个数字，见到一张图纸，脑子里反映的是一个物理现象。

工程师日常工作中常见的数据类型

实验数据，做设计要有大量的实验，其实你每天都在处理实验数据。

工况数据，一台设备的运行状况都是被数据描述的，比如温度、震动的速度、加速度等，这是工程师最常见的。

经验数据，工程师的现场经验数据是实验数据里没有的。

举个例子，电机温度是否过高，有很多种国家标准，有的是95度，有的是85度。

作为现场工程师，电机测量很多次都是96度，报不报警？这个时候，有老工程师告诉你，这个电机全国有500台，一直都是96度；或者另外一种可能性，这台电机用了20年了，一直是96度，从来没坏过，你就知道了，96度可以不报警。这就是我们所说的经验数据，但经验数据很难具有通用性。

流程数据，流程数据和我们日常说的派工单流程相关，设备一旦有问题，作为工程师，第一时间要判断这个设备哪个部分出了问题，先检查哪个部件。这就是流程数据，设备不同、经验不同、时效几率不同，导致的顺序不同。

工程师如何利用大数据技术

在过去，工程师是怎么来处理经验数据和流程数据的呢？

靠书本、经验、大脑，更多的是老师傅的口传心授。老师傅退休了，经验数据就丢了，换个设备维护人员，流程数据也丢了，设备的维护水平就会有波动。

实验数据可以记录，可是实验数据的背景、解读无法记录。

工况数据当然是最好记录的。但工况如何来理解？

虽然工程师天天都在处理数据，但是当数据成为了汪洋大海的时候，比如超过20年的设备工况数据，处理起来就麻烦了。

有了大数据分析技术和IT系统后，不需要你花20年积累经验，也不需要人工解读大量的档案资料。工业工程师可以迅速、全面的掌握工况现场和所有数据的分析结果，从而得出结论。

我们要处理数据，需要这三种能力的融合：第一，工业工程师，这个数据是怎么理解的，物理含义是什么？第二，数据科学家，庞杂的数据如何分类、整理、总结规律，第三，IT专家，如何实现这些数据采集、存储、管理、呈现等。

用数据解决工业问题时，工业工程师是业务问题的出题人和答案的理解人，要负责把数据和物理现象之间建立关联。

收集数据，需要工业专家提需求；整理数据，也需要工业专家、数据专家一起做。解读数据，更是以工业专家为主力。实现数据收集、整理、解读、呈现，系统构架，软硬件配合需要IT专家。

OT+DT+IT的技术融合，最终会让工业工程师们从繁杂的重复工作中解放出来，用更多的精力去解读数据结果，做出正确的调整和创造性的尝试，这对工程师个人技能成长和工业企业创新都将是极大的利好。

讲师：王勇 William

昆仑数据业务发展总监，电机电器及控制专业，此前就职于世界上最大的轴承公司斯凯孚，从事旋转设备/轴承方面的工作将近20年，期间也在英国石油从事过工业润滑方面的工作。如果您恰巧了解轴承领域，他就是某论坛中的传奇版主“轴承问题终结者”。