本文整理自清华校友工业数智化高峰论坛

工业互联网、数智化的核心是业务驱动，需要把工业业务场景、领域知识、经验和数字技术紧密结合在一起，所以工业大数据的本质是工业引领。

工业的不同业务环节都有数字化需求，但数据类型和业务场景的差异很大，昆仑数据在工业领域比较专注在生产环节，这是工业数智化的深水区。要做好这个环节，需要把生产现场的人机料法环测等各种数据有效收集管理在一起，同时通过智能算法结合工业领域知识，帮助工业企业实现生产提质、增效、降耗、控险等业务目标。要把数字化技术应用到现场去解决特定场景下的问题，有两个很重要的桥梁，一方面现场需要有足够的数据基础，数据要完整、要连续；另一方面，还需要结合这个场景下相关的领域知识比如说设备机理、生产工艺等等，才能做好。这两者在现实环境中挑战都很大。

生产环节工业数智化的两大核心挑战

数据方面，数据的采集、治理和组织，在现场都会面临很多问题。从采集的角度，虽然说现在工业企业对数据采集的意识比以前有了非常大的提高，但是数据到底应该在哪里采？以什么样的频率采？这个非常有讲究。

例如在煤化工行业，研究最关键的煤粉气化过程，就需要知道气化炉内温度，但是炉内温度不能直接被采集，只能在炉壁上安装温度传感器，根据气化炉温度场反算炉内温度，那么在炉壁上的温度传感器怎么布、布多少、如何换算成炉内温度，就有讲究，要结合热力相关原理。

我们也见过传感器分布的问题，比如在化工行业要做管道破裂预警，结果安了传感器的地方没有破裂，其他地方破裂，是因为装传感器时不了解管道中流体流动规律，没有装在管道受力最大位置。

数据采集起来之后，由于现场数据非常多，有设备传感器数据，还有原料的、质检的、环境的各种参数等等，如果只是散放在不同数据库里，使用起来会非常复杂，很难在同一时空下对齐。而这些数据在物理空间内，彼此之间是有逻辑关联的。如果能够把这些数据有机的组织在一起，能够反映其物理时空的逻辑关系，就会更利于数据消费。当然还有数据治理的挑战。怎么保证数据的完整性、准确性，以及标准化问题：不同的厂商制定的规范，不同版本控制系统下的测点名称，差异都非常大。还有怎么做数据的全生命周期管理的问题，例如十年以上的运行数据，怎么能够最高效、最经济保存起来，区分冷、热、温数据，都是从数据治理的角度要考虑的问题。

我们要解决工业现场的问题，意味着在采集数据、管理数据的时候，必须要结合对工业系统的整个机理和结构等方面的认知，需要先理解该领域下的工业知识。工业领域知识有一部分是已经沉淀下来的理论知识，但还有一大部分的知识没有被很好的形式化描述，是现场工业专家脑中的一些生产规律。