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。

我们要做好生产系统的数智化，需要把理论模型、机理能够跟专家经验有机结合在一起，我们的经验来看，大概百分之六七十是机理，另外百分之三四十是现场经验。但是很多的现场经验，是定性不定量、模糊不确定的知识。我们如何能够把这些知识从隐性变成显性，从定性变成定量，能够用数据化的表达，变成软件，变成算法，这也是一个非常大的挑战。

生产系统的数字孪生--化整为零

面临上述挑战，在我们面对一个非常复杂的工业生产系统的时候，怎么做数字化呢？

刚刚讲两个核心的挑战，第一个挑战是如何有序采集和组织数据，建立起生产系统的数字孪生模型？关键就一个字——拆，再复杂的工艺系统都可以拆解成很多单元设备的组合。

比如水泥生产系统，主要工艺过程是“两磨一烧”，水泥生料先磨成粉，经过烧制成熟料，熟料最后磨成水泥粉。因此，水泥厂拆开，就是生料磨、熟料磨、煅烧窑，如果说我们再把磨、窑炉这些主力生产设备再拆开，就会有电机等通用设备单元。

而不同行业中看起来各不相同的工艺生产系统，拆解开之后其实都会有一些通用设备，当然还会有一些行业专用设备。比如风力发电机，拆开之后有电机、轴承这样的通用部件，还有像叶片、塔筒、机箱盖等专业部件。比如煤矿综采系统，把采煤机、刮板运输机等拆开来看，也有电机、像齿轮箱等通用组件，还有行业专用部件。

工业生产系统都是人工设计的物理系统，物理系统总是满足机械论、还原论，我们可以这种方法把大的复杂系统拆开之后，先研究它的组成部件，再组合起来去理解大系统的运行。因此，基础是做好每一个单体系统的参数化。

以电机这个常见单体设备的参数化为例：要研究一个电机，从电机专业的角度就知道需要看运行参数，包括电流电压等电气参数，以及转速、转距等机械参数，另外还有一些跟运行无关，但是对表征设备健康非常重要的参数，比如振动、温度，温升过高或者是振动过速一定是电机出现了异常。这些都是电机专业领域已经建立起来的专业知识，利用它们可以帮助我们更顺利地建立电机参数化模型，继而做相应的运行分析和健康分析。

依此延伸一下，要解一个复杂系统的问题，可以通过设备参数化模板的方式，形成通用设备模板和行业设备模板，方便快速设备建模。具体到一个企业，比如一个风电厂，就是由若干风力发电机再加上一些辅助设备如测风塔、升压站等组成，这些组合在一起就成为一个风电行业的通用行业模板，为该行业奠定了很好的数字化建模的基础。

昆仑数据已经把这件事情做成产品，内置了电机等通用设备模型模板，以及一些风电场、水泥厂等行业模板。所以在我们进到一个具体行业的时候，我们不是提供一套通用的技术建模工具，而是有类似设备行业的模板可以复用，而这些模板的建立其实带着大量对于这个领域的专业认知。

专家知识沉淀--用数据从定性到定量

另外一个挑战是怎么解决专家知识沉淀难的问题。在工业现场，我们不仅要靠工业理论模型，也要靠现场专家知识。专家知识的沉淀以前传统做法是什么呢？靠访谈，让知识工程师去访谈专家，访谈完之后把他的经验记录下来，形成知识库。最早的知识库以文本的方式描述知识，再往后发展到使用知识图谱，但本质上知识图谱也是一种文本，只是更加结构化的表达，其中还是用关联规则来表达，表达能力相对来说就会比较受限，一些很复杂的知识，没有办法做精确表达。那有什么办法能够比现在知识图谱做得更好一点呢？经过这些年的一些实践，我们发现还是有机会的。

在工业分析，尤其是跟工业的物理系统、生产系统相关的分析领域里面，有非常多的共性场景，这些共性场景在工业现场专家看来，有一些所谓的“套路”。比如说要做故障诊断，就跟人看病相似，比如说要看心脏是否异常，心电图就是原始数据，先看原始数据有没有什么特征，再结合工作生活习惯等等，综合研判是否患病。

做设备故障诊断和人看病过程非常像，只是更复杂。比如风力发电机有500个测点，就类似有500条心电图，要在500个心电图中找关联特征，结合医生的研判规则，最后能出结论。而如何将专家经验、规则和数据深度结合，短时间内在五百个心电图中找出关联关系，并能够判断出这是何种特征，靠人力计算是不现实的，一定是要靠计算机，靠大数据算法来挖掘相关性。通过这样的方式把专家经验变成一个可以用数据精确描述的算法，变成一个软件，到平台上运行。当然工业知识的沉淀有一个逐步完善的过程，我们已经做了一些工作，但还是远远不够，所以我们也提供了一套低代码开发的环境，支持工业现场的工程师可以自主持续地去发现和沉淀更多经验，形成更多行业分析模板，推动生产过程的数智化进程。

过去我们已经把这样一套领域知识驱动工业数智化的方法和产品，应用到了新能源、工程机械、半导体、高端电子制造等不同行业的龙头企业，帮助他们做核心产品和业务的数字化转型，证实是行之有效的，甚至我们能够做到授人以渔，把这样方法教给企业，让企业内部有效自主开发解决自身的问题。由于时间关系，案例不能展开，下次有机会再跟大家分享。

专家简介

陆薇博士，昆仑数据创始人&CEO，北京工业大数据创新中心主任。曾任IBM物联网重大研发专项(Big   Bet)全球技术负责人，兼任清华大学工业大数据中心副主任，《中国制造2025》路线图编写组成员，中关村高聚人才。近年来，推动工业大数据及人工智能技术在中国工业领域的创新与应用，在能源电力、半导体、显示面板、电子制造、工程机械、钢铁冶金等领域有业界领先的探索实践。