工业大数据

智能服务
GE工业互联网
1、GE工业互联网基本要素
智能设备
• 利用传感器和通信技术将分 布在世界各地的设备、设施、 集群、社区网络相连接。 • 利用嵌入式智能、软件技术、 控制技术等实现本地设备的 智能化功能。
智能分析
• 将机理模型与是能数据分析 工具相结合，建立虚拟与实 体相互映射的分析模型。 • 将专家知识、预测算法和自 动化技术相结合，实现代替 人脑的分析系统回路。
持续性创新模式
产品 改进 客户明 确提出的 需求 最终使用者
跨跃性创新模式
产品 改进 突破性研发 客户明 确提出的 需求 最终使用者
主控式创新模式
产品 突破性研发 改进 客户明 确提出的 最终使用者 需求
以“尚品宅配”为案例分析主控式创新工具
服务价值三角关系图
产品
家居
用户
价值
家居空间
家居体验 时尚感 个性化 生活品味
面向工业应用和工业大数据分析与面向集群／ 社区网络的传统大数据分析相结合，实现从设 备、系统、集群到社区智能化的有效整合，为 用户提供全产业、全寿命周期的服务
3、以价值为导向的变革新思维
煎蛋模型
6C 5+1 M
Material Machine Modeling Methods Measurement Maintenance Connection Cloud Cyber Content Community Customization
涉及全产业链与生态链的技术、产品、服务成 体系应用能力提升，即智能化体系服务能力及 顾客价值创造
手段
以CPPS（cyber physical production system） 以CPS和物联网技术为核心，重点在以智能设 和物联网技术为核心，重点在设备的自动化 备、大数据分析和互联网为基础的智能化服务 和生产流程管理等方面 等方面 实现面向产品制造流程和供应链的一站式服 务 实现面向用户服务链与价值链的一站式创新服 务
智能感知层核心功能2
配置层 （Configuration）
网络层（Cyber） 信息挖掘 （Conversion）
故障发生频率
（Cognition）
认知层
Байду номын сангаас
状态监控 ＋ 更多的备 件 2 故障报警 ＋ 应激式的 维护政策 3 1 4
设备改进
智能感知层（Connection）
智能感知 ＋ 预测性维 护
自动化 精益化
低成本提高质量
预测型制造 IoT+工业大数据分 析
解决
效率化 质量管理
可见的
不可见的
第2章 工业4.0环境下的大数据 价值创造体系
1、工业大数据分析及应用的三个阶段
工业大数据特征：大数据特征＋可见性（Visibility）、价值（Value） 时间 核心技术 问题对象／价值 第一阶段 1990-2000 第二阶段 2000-2010 第三阶段 2010～至今
目标
典型企业
借鉴意义
西门子、博世、SAP等专注工业自动化、制 造设备研发、公司资产管理的工业公司
纵向智能化与横向的服务相结合，通过全产 业链的信息融合实现价值链的协同优化，创 造一个高灵敏度、高透明度和高整合度的智 能生产系统
GE、IBM、Cisco等专注供应集成设备服务和 系统性服务解决方案的工业公司或组织
核心产品 （Core Product）
以顾客价值为导 向的创新服务 （Value－Driven Innovation） 利用大数据挖掘 新知识并创造竞 争力与社会价值
4、中国工业4.0转型机会空间
定制化 科学管理 创新能力 创值服务体系 基于CPS的产品全 寿命周期管理与信 息服务
避免
合理化 IoT+优化 绿色制造
制造端
使用端
回收和 改造
根据定制化设计自动 生产出符合用户定制 化需求的产品
生产过程的全透明化、 成本优化、效率提升、 质量保障、流程优化、 供应链管理、人力管 理等协同优化 使用端返回的优质数 据的追踪和生产改善
通过状态监控和预测 性维护提高产品的运 行效率、可用性和可 靠性，降低运行成本 为用户提供运维排程 优化的呢给决策服务， 以及相应的配套服务 使用端数据反馈改善 设计和制造环节
互联网大数据 数据量需求 数据质量要求 对数据属性意义的解读 分析手段 大量样本数 较低 不考虑属性的意义，只 分析统计显著性 以统计分析为主，通过 挖掘样本中各个属性之 间的相关性进行预测 工业大数据 尽可能全面地使用样本 较高，需要对数据质量 进行预判和修复 强调特征之间地物理关 联 具有一定逻辑地流水线 式数据流分析手段。强 调跨学科技术的融合， 包括数学、物理、机器 学习、控制、人工智能 等 较高
智能决策
• 通过先进的可视化工具和远 程操作工具将人与设备进行 连接，实现人在回路的控制 决策和支持。 • 在运维、排程、诊断、安全 保障等方面提供决策支持。
2、GE工业互联网框架设计
连接
监控
分析
预测
优化
智能服务
GE工业互联网
3、GE工业互联网全生命周期信息服务和闭环的设计回路
产品设 计端 设计端的信息指 导使用数据 分析和决策 利用使用端的数 据反馈改善 设计 根据用户需求产 生定制化设 计
智能感知层（Connection） 数据横向处理 逻辑化
对实体状 态信息的 切片化管 理
建立与实 体系统相 互映射的 镜像模型 （Twin Model）
利用信息 内容对实 体进行对 称的关系 管理
0
集群分析 与大数据 挖掘
认知层：对信息的识别与决策
配置层 （Configuration）
（Cognition） 网络层（Cyber） 信息挖掘 （Conversion）
4、CPS的5C构架
配置层 （Configuration）
价值
认知层 （Cognition） 网络层（Cyber） 信息挖掘（Conversion） 智能感知层（Connection）
信息
数据
第3章 数据价值制造的设 计与实践技术
智能感知层核心功能1
配置层 （Configuration）
（Cognition） 网络层（Cyber） 信息挖掘 （Conversion）
分析结果 准确性要求
较低
3、挖掘工业大数据价值的核心技术—— CPS
智能设备 材料 数据和知 识建模
设备维护
测量
工艺、效率 和产能
6M
平台基础 分析手段
商业模式内核
6C
CPS定义: 从实体空间的对象、环境、活动中进行大数据的采集、储存、建模、 分析、挖掘、评估、预测、优化、协同，并与对象的设计、测试和运行性能 表征相结合，产生与实体空间深度融合、实时交互、互相耦合、互相更新的 网络空间；进而，通过自感知、自记忆、自认知、自决策、自重构和智能支 持促进工业资产的全面智能化.
大数据特征：量（Volume）、速度（Velocity）、多样性（Variety）、真实性（Veracity）
远程监控、数据采 大数据中心和数据 数据分析平台与高 集和管理 分析软件 级数据分析工具 以产品为核心的状 态监控，问题发生 后的及时处理，帮 助用户避免故障造 成的损失 以使用为核心的信 息服务，通过及时 维修和预测型维护 避免故障发生的风 险 以用户为中心的平 台式服务，实现了 以社区为基础的用 户主导的服务生态 体系
智能感知层（Connection）
横向数据挖掘 内容化和智能化
PHM 流程
数据 采集 信号 处理 特征 提取 健康 评估 健康 预测
可视 化
网络层：网络化内容管理
配置层 （Configuration）
（Cognition） 网络层（Cyber） 信息挖掘 （Conversion）
认知层
主要功能： 通信（communication）； 计算（computation）； 比较（Comparison）
（Cognition） 网络层（Cyber） 信息挖掘 （Conversion）
认知层
智能感知层（Connection）
自重构主要形式
自重构主要形式
自重构主要形式
根据状态偏 差的自我调 节
具备自我配 置能力的弹 性系统
对抗扰动的 动态优化配 置
第4章 价值创造的商业模 式设计
主控式创新模式寻找价值的“GAP”
商业模式
产品为主的附加服 产品租赁体系和长 按需的个性化自服 务 期服务合同 务模式，分享经济
代表性企业和技术 GM OnStarTM 产品
阿尔斯通 TrackTracerTM
GE Predix 平台
2、互联网大数据与工业大数据的对比分析
工业大数据待解决问题（3B）： 隐匿性（Below Surface）；碎片化（Broken）；低质性（Bad Quality）
什么是工业大数据？
如何以较低成本满足 用户定制化的需求？
故障诊测与健康管理
如何使人的工作更加 简单，甚至部分代替 人的工作，在提高生 产效率的同事降低工 作量？
工业互联网
如何提供设备全生命周 期的信息管理和服务， 使设备的使用更加高效、 节能、持久？
信息物理系统
如何使制造过程的信 息透明化、更加高效、 提升质量、降低成本 和资源消耗和更有效 的管理？
以“尚品宅配”为案例分析主控式创新工具
创新矩阵（Innovation Matrix）
不 可 见 未 满 足 需 求
可 见 满 足 丰富的样式设 计 C2B和B2B的 体验门店 定制的家居感 受 定制化、可视 化的设计和安 装程序 基于网络与数 码技术的在线 模拟装修体验
与健康和舒适 程度相关的质 量
工业大数据
作者 李杰 译者 邱伯华等 读书报告人 刘夏青
作者
李杰（Jay Lee） 美国辛辛那提大学(Univ.of Cincinnati) 讲座教授 美国国家科学基金会(NSF) 智能维护系统（IMS）产 学合作中心主任 李杰教授从2013年起担任 美国白宫信息物理系统 （CPS）专家组顾问，他 同时也是上海交通大学特 聘讲座教授与先进产业技 术研究院前瞻顾问。
根据设备全生命 周期的信息提供 个性化的回收和 改造方案 实现剩余价值利 用的最大化
物联网
互联网＋
数据的分析与预测
目录
前言 工业4.0：一场不可见世界的竞争
第1章 以价值创造为核心的工业转型新思维 第2章 工业4.0环境下的大数据价值创造体系
第3章 数据价值创造的设计与实践技术
第5章 案例与实践
第6章 竞争力战略新思维
第1章 以价值创造为核心的工业 转型新思维
1、为什么有工业4.0？
定制的家居
家居体验分析 与社交网络
已做 可见 用户市场
未做 不可见
第5章 案例与实践
智能装备
高圣（Cosen）带锯机床
智能工厂
Nissan机器人生产线管理
从精益工厂到智能工厂
精益制造推行到一定程 度后，企业提升空间越 来越小，因为精益管理 解决的只是可见的问题 和浪费，却无法去预测 和管理不可见因素造成 的影响。
2、美德战略对比
德国
目的 方向 对象 发挥其传统的装备设计与制造的国家优势， 进一步提升产品市场适应力与配套服务能力 注重智能制造 工业装备
美国
发挥其传统信息行业的国家优势，进一步提升 面向终端用户的体系性服务能力 注重智能服务 系统工程、工业互联网
关注点
涉及供应链的设备产品制造、销售、售后服 务能力提升，即智能化生产制造能力
认知层
尽可能全地采集设备全生命 周期各类要素相关的数据信 息，打破以往设备独立感知 和信息孤岛的壁垒，建立一 个统一的数据环境。 全生命周期信息： 1.设备运行的状态参数 2.设备运行的工况数据 3.设备使用过程中的环境 参数 4.设备的维护保养记录 5.绩效类数据
智能感知层（Connection）
按照活动目标和信息分 析的需求进行选择性和 有所侧重的数据采集， 实现以分析目标为导向 的柔性采集策略。
故障影响
信息挖掘层：从数据到信息的分析
（Configuration） 配置层
（Cognition） 网络层（Cyber） 信息挖掘 （Conversion）
认知层
• 核心技术—故障诊测与健康管理 （Prognostics and Health Management, PHM) • 美国国家科学基金会—智能维护 系统（Intelligent Mantenance System，IMS）——方法论和算 法工具包（Watchdog Agent）
认知层
人的职责和活动目标
智能感知层（Connection）
主要功能1：
主要功能2：
主要功能3：
支持多平台的远程 可视化工具
基于Twin Model的 多智能仿真与推理
决策的协同化分析
配置层：系统的弹性和重构
配置层 （Configuration）
管理和控制 人的职责和活动目标 数据横向处理 逻辑化 横向数据挖掘 内容化和智能化