0
| 本文作者： 王金旺 | 2019-08-21 19:58 | 專題：透過概念看實質：工業互聯網如何落地？ |
大數據時代的到來，正在逐漸改變人類的思維方式。
以當下深度學習模型為例，我們不再糾結、也無力再關注輸入數據與執行結果背后的因果邏輯，而只是通過訓練AI模型實現諸如文本分析、智能語音等各類能力。這類能力也正在改變著當下物聯網領域的各個方面。
相關關系正在因大數據時代的到來而逐漸取代傳統的因果關系，這一關系是否同樣適用于工業互聯網呢？
如果一定要說用海量數據找相關關系，理論上是OK的。但實際上在工業領域目前還不現實。工業領域的大數據其實不是真正意義上的大數據，數據量并沒有那么大，我們更強調的是數據的質量如何、工況全不全、采樣頻率夠不夠，這與傳統互聯網需要的數據也有所不同。
天澤智云CEO孫昕向雷鋒網這樣解釋工業中的大數據。
孫昕曾任IBM RATIONAL大中華區技術總經理、軟通動力研發副總裁，后合伙創辦靈動科技和祺鯤科技兩家公司，天澤智云正是孫昕目前任職CEO的一家面向工業互聯網應用的企業，企業核心技術團隊來自美國智能維護系統（IMS）中心。
據相關統計數據顯示，國內工業互聯網相關企業已經有數千家之多，其中，工業互聯網平臺型企業超過300家，預計今年國內整個產業規模將達到4800億元。
然而，目前國內工業互聯網發展仍處于初期階段，從概念到技術體系構建仍有諸多問題有待進一步被清晰、被解決。
工業大數據如何處理？工業互聯網/工業AI企業現階段發展如何？工業互聯網從概念到落地，有哪些關鍵性問題尚待解決？企業從數字化到智能化又有怎樣的路要走？
雷鋒網帶著這些問題專程拜訪了天澤智云，并與天澤智云CEO孫昕、天澤智云高級副總裁謝炯、天澤智云技術研發副總裁金超博士就相關問題進行了探討。
從天澤智云的創業與發展，從他們多年工業互聯網從業經驗中，我們也可就當下國內工業互聯網企業發展、技術體系、生態構建略窺一二。
2016年成立的天澤智云至今已經走到了第三個年頭，國內像天澤智云這樣工業互聯網領域的初創企業不在少數，其中出生即含著金鑰匙的企業也為數不少，天澤智云的這把金鑰匙就是IMS中心。
IMS中心，全稱美國智能維護系統中心，也被美國工業界譽為工業大數據人才的西點軍校。天澤智云由IMS中心創始主任李杰教授擔任首席顧問，核心技術團隊均由IMS中心機械工程博士組成。
“正是這樣的光環及技術積累，使得我們在創立之初受到很多大型國企的青睞，”孫昕告訴雷鋒網，“但真正意義上的第一單應該是中電華強。”
中電華強作為國內最大的焊接生產線制造商，在2016年也面臨著企業轉型。當時他們開始思考中電華強是否可以像GE一樣轉型，從單純賣設備到將來賣服務，從生產制造型企業到將來生產能力輸出的服務型企業。
在這過程中，真正阻礙企業轉型的是需要擁有一些能夠支撐變革的新技術。賣服務的前提是要知道賣出去的產線什么時候壞，怎么維修，以及何時需要備品、備件。因而，當時的中電華強需要一個智能工廠的核心設備健康預測評估平臺。
“中電華強是我們2016年11月公司成立之初即開始接觸的一家企業，從最開始不了解客戶需求，到順利簽下訂單，我們僅僅用了三個月。當時我們和中電華強的合作主要分兩期完成，主要為中電華強做能夠實現故障預測的平臺，其中一期是針對一條典型產線的工作，”孫昕回憶稱。
為什么不是先做數字化、做在線監測？
對此，孫昕表示，“設備監控、在線監測是行業內一直在做的一件事，它并不是一項新的技術，但是要從監控再往前走，做預測性維護，要知道它未來會發生什么，這使得所有生產、維護、備品、備件策略都會隨之發生根本性變化。”
盡管傳統企業當下正面臨轉型升級，但在這一過程中，整個行業仍面臨諸多問題。尤其在當下工業互聯網 發展初期，智能化技術尚且不夠成熟；工業企業相對互聯網企業較為保守，對新技術的嘗試不夠大膽，因而造成雙重困局。
天澤智云將工業智能落地過程中遇到最多的問題總結為以下兩點：
第一個，企業客戶“不買賬”。
整個工業體系已經發展百年之久，行業在成熟、專業的同時也意味著領域知識固化。身在體系中的人可能僅僅知道體系中一套能夠盡量緩解問題、行之有效的方法。工業互聯網或工業AI的技術、產品對于傳統工業企業來說是新東西，但固化的觀念難以被改變，當下的AI算法又由于數據質量差、標簽少等多種原因，無法快速解決行業里多年的痛點，就直接造成了企業和客戶不買賬。
第二，目前，工業領域的大數據環境其實并不是大數據，仍是大量的“小數據”。從而導致前期數據驅動的模型很可能是不準確的。
也有業內人士認為，工業領域的大數據更應該稱為「BIG SMALL DATA」。主要原因在于當下很多工業中的數據還沒有被整合起來。
2007年，谷歌前人工智能首席科學家李飛飛在普林斯頓大學任職期間啟動了ImageNet項目，這項工作的直接結果之一是形成了一套有標簽的數據集。但是工業諸如風電、化工等領域目前并沒有相應的數據集。這主要是因為現有的故障樣本太少，沒有標簽；此前工業系統中采集的數據主要是為了做監控、控制、管理應用，而非用來分析。
在消費領域可能這樣的數據能夠快速實現諸如消費者選址此類的價值，但是在工業領域，由于各個細分領域專業度高，我們必須要有相應領域能夠體現其物理變化的數據量。
金超告訴雷鋒網，“如果用戶本身觀念是防備的，前期模型又不夠精準，最后導致的就是相關系統得不到使用。由此可見，傳統AI想要單純從數據實現價值通路其實是走不通的。”
為此，工業互聯網企業就需要想其他辦法推進產業對工業互聯網的應用。金超告訴雷鋒網，從痛點（場景）入手是一個不錯的選擇。
天澤智云此前曾提出十年內實現一百個無憂工業場景的目標。所謂場景，就是具有通用意義、可復制性的不同領域面臨的共性問題。如果這樣的問題我們能夠有較好的解決方案，其實是可以推廣的，其價值也可以被最大化。
產品化道路上的思考：百萬工業APP如何造？
2017年11月27日，國務院正式印發《關于深化“互聯網+先進制造業”發展工業互聯網的指導意見》，明確提出：到2020年，要培育30萬個以上的工業APP即工業應用程序，推動30萬家企業應用工業互聯網平臺；到2025年，要形成3~5家具有國際競爭力的工業互聯網平臺，實現百萬工業APP培育以及百萬企業上云。
百萬工業APP成為工業互聯網領域的一個既定目標。
那么，問題來了，百萬工業APP要如何造？
這也是天澤智云在從公司最初成立為客戶做項目到產品化過程中思考的一個問題。
對于創業企業，在初創階段做好項目是企業得以生存下來的關鍵，而要想持續成長，產品化也是必由之路。
“作為創業企業，很企業為了生存會選擇先做項目，但這樣很可能會陷入到一個惡性循環中，實際上我們初創期大概把50%甚至更多的人力投入到了產品體系構建中。”孫昕告訴雷鋒網，“項目和產品，一個是業務需求，另一個是體系更好執行項目的基礎，二者是一個循環，這兩條腿一定要兼顧。”
縱觀當下工業互聯網企業發展思路，從一定程度上延續了消費物聯網關鍵廠商的打法，從項目制轉平臺化，做工業互聯網平臺。
天澤智云略有不同，首先被天澤智云產品化的是一款名為GenPro的智能分析、建模工具。
2017年12月，天澤智云發布初代版本GenPro。“GenPro基于我們在IMS中心積累的案例、算法、方法論，形成具有行業特性的組件和行業模板，因而也可以將GenPro視為擁有建模能力的場景資源池。”
GenPro建模流程畫布
構建工業AI，需要怎樣的產品化體系？
對此，金超博士解釋稱：
不同于消費領域創造性產品化，工業AI落地的起點并不是數據，是痛點，而痛點來自于（工業）領域知識，我們會與行業專家的經驗結合，找到容易落地的痛點，并根據現有的變量類型和數據質量決定是否需要再補采。
具體到工業產品交付中，交付模型才是交付價值的開始。
之后由于模型不準確的問題仍然存在，我們需要對模型進行全生命周期管理，這就需要對模型進行持續迭代。如果數據要積累，要把其中信息提取出來的話，就必須要有一個體系化的平臺作支撐。
基于這樣的邏輯，天澤智云在今年3月再次發布了三款新品：CyberSphere、EdgePro、CyberRepository。
前文提到，GenPro本身是一個資源池，也是一個工業智能分析與建模工具，它囊括了融合領域知識的行業算子與行業建模模板，建出來這些模型就需要一個管理工具。
CyberRepository就是這樣一個對模型、流程（建模的過程，是算法組件的有機組合，也可以理解為是一種模板）的管理工具。CyberRepository實現了智能資產的全面管理，將散落在各個系統的模型統一管控，同時實現了基于資產的模型協作開發，提升了建模效率。
有建模工具，管理模型的工具，最后模型總要發布到生產環境中。
CyberSphere是一個模型執行引擎以及模型效果在線監控工具，它具備強健的模型適應能力，真正做到了模型發布即使用，加速工業智能交付。同時，它具備模型運行管理、回放功能，模型迭代完后，可以檢測模型在原來的數據上是否運行正常，甚至模型自訓練、自更新功能，“未來如果整個平臺架構做得足夠成熟后，我們可以基于統一標準實現模型自動更迭。”
外加邊緣智能管理系統EdgePro，構成天澤智云圍繞模型構建的一個工業互聯網采集、分析、交付、管理體系。“這套體系也從一定程度上契合了工業互聯網聯盟（IIC）架構任務組聯合主席林詩萬提出的工業互聯網建模難、管模難、用模難的思路。”金超告訴雷鋒網。
也正是這套體系，解釋了天澤智云對于百萬工業APP的構建思路。
總結天澤智云產品化工作進程，孫昕總結為兩類：
第一，構建行業的應用。行業應用可以帶來直接價值，例如風電領域的智能化風廠產品可以為風電行業帶來直接價值；
第二，IAI解決方案。要造百萬工業APP，就要有能造工業APP的體系和工具，前文提到的產品矩陣也是我們面型工業領域構建的IAI解決方案。
國家在談百萬APP的時候，工業APP真的是一個完全靠人工完成的工作嗎？
其實，百萬APP不僅要一個一個APP去做，更要找到一套工程化的方法和實踐輔助工具。
至少，天澤智云是這樣認為的，也是這樣做的。
在當下工業互聯網體系中，有一類技術架構頗受歡迎，即CPS（Cyber-Physical Systems，信息物理系統）。天澤智云也是主要基于CPS架構做工業賦能體系。
“CPS其實現在已經快變成哈姆雷特了，由于工業本身是一個復雜的集合，問題都非常個性化，很多人都定義了自己對CPS的理解，這也沒有對錯之分。”金超告訴雷鋒網。
天澤智云對CPS架構的理解基于李杰教授在2014年提出的5C架構，其中，5C架構分別指：連接（Connection）、分析（Conversion）、網絡（Cyber）、認知（Congnition）、執行（Configuration）。
就CPS的5C架構，結合李杰教授的《CPS：新一代工業智能》，金超認為有以下幾個特點：
第一，數據驅動。我們做工業AI離不開數據，雖然我們在強調整合領域知識等，但是最終目標還是要有足夠多的數據，實現決策過程自動化。
第二，全局閉環。CPS是一個泛化的概念。不僅需要工程師寫控制算法，更多要讓CPS系統覺知當下狀態，然后讓當下狀態能夠反映這個模型，然后能夠根據我們想要達到的目標去更新模型，從而影響實際工業系統進行迭代。
第三，異構整合。在這里面CPS它可能涉及到不僅僅是一個單體的一個單點，更多的是一個囊括不同部分的異構系統性的架構。
第四，傳承迭代。在CPS構建完成后，知識將被固化，有CPS本身不斷自我更新、迭代，既有的知識將能夠自動擴展，持續傳承。
工業智能的落地問題其實大部分都是工程問題，需要不同部門共同協作。從數據采集、預處理、建模、深度學習、模型驗證、可視化等，到最終構建的工業智能APP，會涉及到諸如從控制器里面采集數據，自己安裝傳感器，以及最后的展示。 最終搭建的智能化系統要能夠自動迭代、自動獲取信息、自動分析和判斷，決策之后自動去影響實際工業系統。只有把5C貫穿，才能真正實現智能化。
工業環境中，協議標準不統一是當下又一個令人頭疼的問題。盡管國際上已有一些標準化程度較高的協議，以異構性較高的機加工行業為例，美國的MTConnect，歐洲的OPCUA，國內的NC-Link已經是標準化程度較高的協議，但目前仍是碎片化嚴重。
天澤智云的邊緣設備EdgePro也在今年3月的發布會上初次對外亮相，主要功能是進行數據采集，由此可見，天澤智云也要面對工業協議的問題。
金超告訴雷鋒網，標準逐漸統一已經是行業的一個大趨勢。面對當下工業領域協議異構性高的問題，天澤智云一方面自己在與眾多工業協議做兼容，另一方面也在通過行業合作伙伴合作進行協議兼容。
孫昕認為，我個人覺得數據采集技術上已經不是難點，甚至可以說是已經一片紅海，采集數據更多要靠時間積累。拿到數據如何應用才是當下技術關鍵點。
前文提到工業中的大數據其實目前大多數情況仍是“小數據”，因而，需要針對性找有用的數據，并且有能力針對數據進行分析，從而帶來最終價值，即降低成本、減少庫存、提高能效等。
在工業互聯網體系中，預測性維護被認為是當下最有需求、最有“前途”，也是最難落地的工作之一。
無論是有百年經驗的工業巨頭、當下的互聯網企業巨頭，還是工業互聯網中諸多優秀創業企業，大家現在做的預測性維護相關工作主要仍是提前預測故障出現，而并無法預測出故障原因。
天澤智云作為強調工業AI的企業之一，也是如此。
金超認為，預測性維護之所以難落地，原因在于大家對當下技術的預期太高，同時還有以下兩方面原因：
第一，場景的選擇。
不是所有的場景都適合做預測性維護，IMS中心就預測性維護有一個四象限圖，橫軸為故障頻率，縱軸為出現故障后的影響。只有故障出現頻率不高，出現故障影響較大的高價值核心工業設備（例如風力發電機的大部件、航空發動機、汽車柴油機等）才適合做預測性維護。
【 圖片來源：inderscience 所有者：Lee, J., Bagheri, B., & Kao, H.-A 】
第二，用戶的配合程度，IT和OT的融合能力。
工業智能與預測性維護的應用，需要配合管理體系、KPI等優化更新。為工業企業做完工業智能化系統或軟件后，管理體系是否跟得上決定系統最終的落地效果。
以天澤智云為某鋼鐵廠做的工業智能系統為例，在完成系統構建后，還做了以下工作：
首先，讓大家了解這個系統是如何運作的，大大小小進行了三十多次培訓，每個部門我們不斷的去宣講這個系統的價值和意義。
然后，我們盯一個班組，培養標桿、模范班組。我們盯著這個班組在工作過程中應用這套系統，然后與其他未使用系統的班組做對比。
最后，通過實際結果數據讓企業領導意識到這套系統的價值，并推進管理體系、KPI制度的改革，并明確這個系統的邊界在哪里。
智能化不能解決所有的問題，總要有一些應急預案與之形成一套組合拳。這樣打出來之后，才開始真正實現價值。
天澤智云初創已有將近三年，站在巨人（IMS中心）肩膀上的天澤智云在工業互聯網或工業智能方面對外擁有怎樣的業務能力？
謝炯將天澤智云的業務能力歸結為三個方面：
第一，賦能組織。我們認為這里的組織一方面包括一些工業數字化、信息化程度較高，并且有比較強的技術研發實力、需要構建工業智能體系的大型企業；另一方面，包括對于行業場景和技術希望有一套技術體系能夠幫助他更好地去沉淀能力，最后產出工業APP供最終用戶使用的廠商或機構。
第二，賦能平臺。平臺包含不同的技術流派和合作伙伴，包括對于硬件平臺的賦能（比如低功耗、高性能、安全可靠，覆蓋工業場景端到端的邊緣計算體系構建），同時也可與工業互聯網平臺（注重設備接入、管理、數據存儲、可視化）靈活集成，為其補充全棧IAI能力等。
第三，人才培養。理解教授認為中國較美國在工業大數據和工業智能方面的人才缺口其實非常大，因而發現人才、培養人才很重要。我們通過天澤智云從IMS傳承的知識體系，結合現有的IAI產品，針對諸如企業、高校、研究院所等不同群體，提供不同維度的培訓和實踐，為工業智能人才賦能。。
其中，孫昕特別強調了人才培養問題，當下工業互聯網需要怎樣的技術型人才？
工業互聯網在具體領域應用中需要很強的行業知識，行業專家是當下工業互聯網企業爭搶的人才。但既懂行業，又懂信息化，還要有前沿科技視角的人才少之又少，所以我們更需要有快速學習能力，有多行業知識快速融合能力的人才體系。
IMS中心在過去將近20年的時間做了150個工業項目，服務了90個全球性制造型企業。在意大利，史喆、文靜博士做軌交項目時候，是他們人生中第一次接觸這個行業；金超博士做半導體的時候，也是IMS中心第一次接觸半導體行業。
此外，孫昕也表示，“我們也非常認同多與行業專家交流，甚至將這些專家作為我們的行業合作伙伴、我們的最終用戶，我們也可以向這些專家學習他們的業務知識，快速做一些跨行業的工作。”
前文提到，我國目前工業互聯網相關企業有千家之多，平臺型企業也有數百家，之所以會出現這樣的現狀，除了政策利好，行業初期爆發性增長外，工業互聯網各領域專業性強，碎片化嚴重也是原因之一。
也正是由于工業領域的碎片化嚴重，使得多領域，甚至全領域通用平臺的構建，至少就目前來看不太現實，行業垂直類通用解決方案或平臺成為目前的集大成者和關鍵。
各廠商對此也在制定著自己的計劃表，天澤智云也有自己的計劃表，謝炯告訴雷鋒網，這一計劃表分為短期、中期、長期計劃，簡單可以可以總結為「2+2+0.5」：
短期，將基于風電、機加工行業中的成功案例打磨出的行業產品進行滲透到市場，一方面獲得市場占有率及更大的用戶群體，同時也繼續反過來將我們的行業產品打磨得更加成熟；
中期，通過在執行的客戶項目去探索新的重點行業和領域，從中挖掘出有效場景，從而在下一個迭代周期中能夠演化成另外兩個新的行業產品；
長期，保持投入一定的資源和精力持續關注一些我們認為具備潛力的新興產業，早為之所，常備不懈。
2019年，只是工業互聯網搶灘登陸戰的開始，從0到1，再從1到100，這個過程之間是否還需要再切分為幾個階段，真正行業初貌或許要在五年之后才能看清。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
