博客

数据驱动制造业业变革中碰到的问题

2018-12-31工控海外风情

7802阅

当今世界进入了数据爆炸的时代,数据成为企业最重要的资产之一。企业管理和决策的基础是数据,数据要真实、可靠、全面、及时,因此企业必须具备数据全生命的治理和管控能力。

如今,许多企业开始构建大数据平台,并且通过这些技术优化价值链业务,包括产品优化、供应链优化、智能制造体系以及用户经营平台体系、精准营销体系建立。

ITOT的深度融合,通过这样的深度融合,把所有的数据,包括生产经营体系里的数据,包括企业管理新系统里的ERPCRM这些数据整合起来。通过机理模型和算法模型深度融合,为顾客提供深度智能应用实现。

中国的工业企业是这么大的宽度纬度,从2.0补课开始。不得不承认现场接入依然是中国面临的重大问题。原来的工业企业,没上自动化系统,就算上了自动化系统,一套系统出来是怎样的数据量,大家了解吗?基本一天下来也就是几兆的数据,但是我们往下看,看到一线的工业现场,每秒甚至每毫秒采集的全量数据算下的话一天至少几个G,如果一天几个G,一年多少?那个时候没有PB时代,是达不到真正全量数据分析要求的。

在进行数据管理或者数据治理的过程中,企业或多或少的会碰到以下问题:

第一,是工业现场没有数据或数据不全。虽然如今关于工业互联网、大数据的热潮涌动,但对于许多国内的中小企业而言,受限于自身信息化水平,现场数据的采集、筛选、存储依旧是一道没有迈过去的坎。

第二,智能工厂数据量大了不好处理。无论是ERPPLM还是MES系统,企业无时不刻不在生产数据。一方面,企业需要对消费需求产生的海量数据和信息进行大数据处理和挖掘;另一方面,在进行这些非标准化产品生产过程中,产生的生产信息与数据也是巨大的,需要及时收集、处理与分析。这两方面数据流最终通过互联网在智能设备之间传递,通过智能设备进行分析、判断、调整、控制并继续指导智能生产。

第三,企业不知道适配场景在哪。不同与消费级业务,工业领域不同行业的差异化明显,不同工业场景所蕴含的不同工业数据应用模式,企业间不同的工业生产过程都有着独特的内在机理,每一个细分领域的Know-How都无可取代。这些特点使得工业数据应用之间的差距巨大,很难用通用的人工智能算法覆盖整个工业的数据优化过程。企业必须仔细了解自身每一个生产节拍的特点,结合AI去做到真正更高级的优化。

第四,生产制造以及工艺特性融合AI/ML进一步赋能难。落地,要找现实存在的场景,让最先进的人工智能技术,结合现有的AI算法落实场景提供价值。而费了半天劲,这个价值的成本投入应该远小于工业优化之后的输出对吗?所有的获利。但是这个点到底在哪?很多实际应用过程中发现,投入了很多,做了很多POC最后发现没挣多少钱,这就是为什么炒着热吃这凉。

所以对于大多数类似企业这是非常大的问题,这四个挑战使得我们在做工业物联网的过程中,这个发展炒着热吃着凉,就是巨大的挑战。

本博客所有内容,若无特殊声明,皆为博主原创作品,未经博主授权,任何人不得复制、转载、摘编等任何方式进行使用和传播。
读者评论 (0)
请您登录/注册后再评论
相关阅读