‘壹’ 智能工厂中设备数据采集的意义与解决方案
智能工厂浪潮下，设备联网的重要性凸显。大数据时代，工业设备联网的主要目的就是实现数据采集、传输、建模、查询与可视化，这是智能工厂、透明工厂的基础。比如生产设备的稼动率数据，在制造企业生产时，为了确保生产过程中的稳定性、高效性，需要在生产过程中实时收集和监控相关数据，达到设备运转的透明化监控。那么，现代化智能工厂中又要如何实现数据采集呢？
设备数据采集难
在智能工厂解决方案中，可以通过数字生产设备或系统的接口直接集成数据信息，新建设的智能工厂可直接采用这一方式。而对于存量的生产工厂，从零开始建造智能工厂，购置全新设备，显然不符合现实。
在工业企业，设备使用20-30年甚至30年以上都很常见，这部分的设备入网涉及到设备改造、设备调试、接口等问题，入网成一大难点，更别说智能工厂建设运维了。加上绝大多数工厂的安灯信息依然只靠人工录入，无法真正实现自动化数据采集！由此带来的结果就是，这部分工厂设备稼动状况不透明，生产效率改善难以入手！
老旧设备数据集采方案
那么对于这部分老旧设备的数据获取，除了人工采集之外，还有哪些现代化的方式呢？行业内普遍认可的方案是通过在设备端附加传感器与边缘计算部件，以此自动采集、提取生产制造中的有效生产数据，使其具备物联网的能力。
ALSI大连的设备状态监视系统，是通过在产线原有三色灯上加装智能数据采集器，通过自动采集三色灯号，把数据递给相关责任人、Lighthouse应用系统，或已有的MES等系统，以此实时掌握所有设备的运行状况。
设备状态监视系统由智能数据采集器、智能网关和软件Lighthouse应用系统组成，由阿尔卑斯系统集成（大连）有限公司（ALSI大连）自主研发，系统拥有强大的数据采集、传输与运算能力：
· 智能数据采集器：AlSI大连自主研发，已获国家实用新型专利。适用于任何品牌、年代的设备，即插即用，易用性强；领先传感器技术，精度达到毫秒级，可采集超过27种设备状态；采集端支持升级更新，配置“心跳”功能，用于采集端故障自检。
· 智能网关：1个网关，支持50台设备的状态采集；数据采集传输使用抗干扰强的无线通信技术ZigBee，灵活应对产线布局变更；具备边缘计算能力，可缓存本地数据，即使网络出现异常时，数据也不会丢失。
· Lighthouse应用系统：支持实时监视与追溯查询；系统自动统计分析设备运转率、故障率和修理时间；安全加密有保障；
设备状态监视系统在拥有强大数据采集“内核”之外，对于智能工厂转型上的友好性还在于设备入网“好改造、成本低”这一巨大优势。可以说，设备状态监视系统是存量传统工厂转型智能工厂的“好帮手”。目前设备状态监视系统已经应用于众多生产制造车间，通过生产数据采集与运用，成功帮助部分生产制造企业实现产线智能化、可视化，向智能工厂智能制造迈进。
更多智能制造解决方案详见
ALSI大连_精益生产_智能工厂_设备监控系统_阿尔卑斯系统集成（大连）有限公司
‘贰’ 制造企业如何借力工业大数据
制造企业如何借力工业大数据
工业大数据和原来的信息化有何区别？
简单来说，1990年代以前，大部分企业都在做企业内部信息化，这被称为第一次浪潮。1990年代以后，互联网开始席卷全球，企业相继进行互联网化。而随着信息化与工业化的深度融合，工业大数据悄然兴起，这也将成为下一个提升制造业生产力的技术前沿。在清华大学工业大数据研究中心主任王建民看来，工业大数据即第三次工业变革，它以智能互联的产品为核心载体，而不单纯只是通过互联网增值。
王建民认为，在制造业的利润越来越低的情况下，工业大数据可以帮助中国企业提高产品在使用维护阶段的利润。最重要的是，利用数据进行跨界运营，能够为企业带来新的生存空间。
利用大数据抢占价值高地
为什么工业大数据对当下的中国企业来说，有着如此深远的意义？
事实上，在王建民看来，一个复杂装备的生命周期分三个阶段，即：开发制造阶段（Beginning of Life，简称BOL）、使用维护阶段（Middle of Life，简称MOL）、回收利用阶段（即End of Life，简称EOL）。
原来，制造企业将重心放在开发制造阶段，企业的核心目标就是将装备设计制造出来。而产品售卖给消费者后，就和企业没有关系或者变得无关紧要了。所以生命周期的第二、三阶段，常常被企业忽略。但装备的价值真正体现在用户的使用体验上，而不在于制造，尽管制造由质量决定。但消费者在使用阶段的流畅程度，才能反映出产品的最终功效。
加工制造环节的确能够产生很多利润，但在当前环境下，生产制造的利润越来越薄，使企业越来越难以为继。而中国是一个制造大国，更是一个使用大国，制造业的兴衰事关重大。王建民认为，只有利用大数据抢占价值高地，实现产品智能化，才能实现从“中国制造”到“中国创造”的转变，从“生产型制造”到“服务型制造”转变，这也是“中国制造2025”战略的应有之义。
跨界运营是工业互联网转型的核心
和之前很多技术一样，工业大数据并非横空出世，而是一脉相承。但又有新的变化，这种新的变化，在王建民看来，其核心在于连接，将原来孤立的机器连接起来，将人和机器连接起来，将不同的企业、行业连接起来。
事实上，这种连接已经产生了巨大的价值，有很多企业已经开始实践了。
例如：将人和产品联系起来，可以实现产品创新。日本科研人员设计出一种新型汽车座椅，根据驾驶者的体重、压力值等数据识别主人，以判断驾驶者是否为主人，从而决定是否启动。
又例如：将两个不同领域连接起来，可以实现销售模式的创新。欧洲人可以做到今天卖明天的风电，怎么卖？他们根据一系列数据，对明天的风力精准地进行测算，从而实现当天交易。这是风电装备在整个大气环境下进行的跨界运营的绝佳案例。
还有一个例子，《哈佛商业评论》曾经发表过一篇文章叫《智慧的互联产品》。美国人认为未来的工业产品应该分为五个阶段，到第四个阶段的时候，装备、产品会进入到一个产品的系统阶段，机器和机器之间可以对话和合作。比如在农业领域，播种器械、收获器械会联合起来到一个农场去作业。而终极阶段是：农业机器的集群和天气的数据，会和种子的数据、灌溉系统的数据联合起来，通过全方位的连接来解决农业生产中的绿色节能问题。
王建民说，通过跨界运营来创新是工业互联网转型的核心。在使用阶段做一个简单的维修、更换配件，不管是预防性维修还是主动维修，都还处于工业互联网的初级阶段。只有通过数据进行跨界运营，才抓住了整个装备制造业在服务阶段转型升级的核心。
工业大数据应避免的三个误区
听上去很美好的工业大数据，如何实践呢？王建民梳理了三大误区，以供企业参考：
一、维修＝运行
在工业领域，维修和运行基本不会分开。但是在工业大数据里，二者是分开的。维修指的是，当产品性能下降的时候，通过更换零件或者其他手段，恢复其产品性能。而运行是指如何使用机器，使它产生价值。
二、产业大数据等同于消费大数据
工业大数据最核心的问题在于分析结果的可靠性。在消费大数据上，如果产品的广告推荐能达到20‰的可靠性，就是搜索引擎的最好水平。但这一数据在工业领域，显然远远不够。因为在工业领域，往往是失之毫厘，差之千里。工业的应用场景对数据准确率的要求达到99.9%，甚至更高，否则就会造成严重的经济损失乃至安全事故的发生。所以，王建民建议，从人员结构上来讲，工业大数据需要数据和产业的人才一起来做。
三、采集的数据越多越好
对于企业而言，机器采集的数据有时候是一个灾难，不是企业采集的所有数据都是有用的。不产生价值的数据就是垃圾信息，对于企业而言就是负担。企业在收集数据之前，首要任务是给数据画像，弄明白自己到底需要什么样的数据。
王建民认为，无论如何，大数据仍然要围绕装备增值服务的业务逻辑，在达到这个目的的过程中，让数据发挥作用，而非简单地只看到数据，而忽略了根本的逻辑。
‘叁’ 智能制造：工业制造中的大数据分析
搞清出工业大数据分析，第一步我们应该如何定义制造业的大数据？这里我和大家通过大数据的三个特性，来经一步了解大数据的特性。
1
关注＃1 －工业大数据数据来源
工业大数据的主要来源有两个，第一类数据来源与智能设备。普适计算有很大的空间，现代工人可以带一个普适感应器等设备来参加生产和管理。所以工业数据源是280亿左右大量设备之间的关联，这个是我们未来需要去采纳的数据源之一。
第二个数据来源于人类轨迹产生的数据，包括在现代工业制造链中，从采购，生产，物流与销售市场的内部流程以及外部互联网讯息等，都是此类大数据的战场。通过行为轨迹数据与设备数据的结合，大数据可以帮助我们实现客户的分析和挖掘，它的应用场景包括了实时核心，交易，服务，后台服务等。
2
关注＃2 －数据的关系
数据必须要放到相应的环境中一起分析，这样才能了解数据之间的关系，可以分析出问题的根本原因（root cause）。譬如，每一款新机型在交付给航空公司之前都会接受一系列残酷的飞行测试。极端天气测试就是多项严酷的测试之一。该测试的目的是为了确保飞机的发动机、材料和控制系统能在极端天气条件下正常运行。
问题的处理关键在于找到产生问题的根源，而以知错误的消除，关键在于解决方案的可靠有效。一旦找到并确定了根本原因，同时产生了可接受的应急措施，就可把问题当成一个已知错误来处理。问题调查的过程一定需要收集所有可用，与事件相关的信息来确定并消除引起事件和问题的根本原因。数据采集与分析必须要事件／问题发生的环境数据结合。
3
关注＃3 －数据的收益
对于数字化转型的其他方面而言，大数据不仅要关注实际数据量的多少，而最重要的是关注在大数据的处理方法在特定的场合的应用，让数据产生巨大的创新价值。如果离开了收益考虑或投资回报的设计，一味寻求大数据既无法落地也无法为企业创造价值。
工业大数据分析的定义
生产执行系统（MES）与飞机发动机 健康 管理系统如出一辙。我们可以从工厂的生产中，实时采集到海量的流程，变量，测量结果等数据。这些数据来源的原因都是因为在制造环境中，设备或资产连接后所产生的现象。然而基于大量数据集而生成的报表，或是基础统计的分析并不足以称之为制造业的大数据分析。
所以如果制造业大数据分析不仅仅意味着数据的量，作为一个行业，我们应该如何定义制造业的大数据分析？“大数据不仅仅是大量的数据”这句话里面包含了多重涵义。
当代大数据处理技术的价值在于技术进步，同时也是因为技术进步，使大数据成为商业中有价值的核心驱动因素。作为智能制造的三驾马车之一，工业大数据分析已经被多数的制造企业所认知并接受。许多制造业企业认为自己在生产运营方面也累积了大量的数据，是时候可以用到大数据了。
数据类型的多样性
大数据不仅仅是大量的数据的堆积。大数据的重要属性之一，便是，人们设法收集，并弄清楚，不断变化的数据类型。如果只是大量采集同一类型的数据的话，再大的数据量都不能称之为大数据。
数据必须包括高度可变性和种类多样性。制造工厂中存在无数的大数据应用，但并不包括简单地分类和展示一连串的流程测量结果，这些工作基本的统计展现就可以完成。一些大数据数据库或数据湖的构成部分数据类型也是文本信息、图像数据、地理或地质信息和非结构信息，例如，通过社交媒体或其他协作平台获得的数据类型。
制造业信息结构概括起来分为两层，一个是管理层，一个是自动化层。从经营管理，生产执行与控制三个纬度来实现决策支持、管理、生产执行、过程控制以及设备的连接与传感。制造业中大数据分析是指利用通用的数据模型，将管理层与自动化层的结构性系统数据与非结构性数据结合，进而通过先进的分析工具发现新的洞见。
大数据分析对生产的意义
制造业的创新的核心就是要依托大量的前沿 科技 。先进的技术是创新的手段。在新技术的支持下，可以通过一体化的制造运作管理系统MOM将企业管理应用系统，例如ERP，MES等系统与工业自动化的相关系统整合为一体。
从两化融合的角度来看，信息系统供应商要从企业的主信息系统提供商定位来做好规划、标准、功能设计、实施策略的统一性工作。协助企业做好风险控制，降低投资，降低操作维护成本，实现企业信息系统全集成。