工业普通分为流程工业和离散工业。两者最大的差别在消费的自动化水平、数据的可得性和工业的复杂度，而最大的共性在于，每一个场景都需求各异，进入任何一个细分范畴都需求有足够深沉的行业knowhow和上下游资源整合才能。

智能，能够了解为数据化以及树立于此之上的AI。以产线自动化为始，多源异构的工业数据被采集、流转、剖析并协助构成决策和控制，端到端的处理计划就构成了当前行业player的典型画像。

为什么是工业智能？
首先企业头条的小编给大家介绍一下有关工业智能的基本信息。

蓝海
工业特别是制造业的GDP总量远高于批发、金融、建筑等行业。而工业范畴每天产生的有效数据量其实不亚于BAT等互联网公司，一个大范围的工厂每天产生的数据量以至能到达几十亿到上百亿条。

壁垒

固然工业场景每天产生高频、海量的数据，但是大量的原始数据自身并没有直接意义，且有可能产生大范围时延和占领大量带宽。我们不只需求在某些场景做实时的监控和剖析，也需求把更多数据采集到云端做更多维和更长期的经济效益及价值剖析，这是云计算的价值。而云计算+边缘计算，这是比传统消费互联网更细的颗粒度和更复杂的架构，这也意味着更高的壁垒。

拐点
互联网一条逻辑叫做“Copy to China”，“Copy to 工业”是同样的道理。大范围的数据应用战争台架构在金融、电信等行业阅历了充沛的考证和演进，加上中国制造2025在政策一侧的催化作用，构成了拐点成立的先决条件。

现阶段的用户需求的不是单个产品，而是端到端的整体处理计划。一个合格的工业智能公司，应该具备整体处理计划的结构才能。

首先，用户需求永远是第一位，不满足需求的技术都是伪命题。此外，一套好的处理计划从一个圆满的架构开端。关于工业场景而言，从内、外部多源数据的整合开端，到云+端的平台架构，学问库的树立，适宜模型的选择，再到反向决策和控制，只要完好打通，才干构成闭环。

整体来说，工业智能呈现一横（整体架构）+N纵（多个细分行业）的格局。

工业智能的途径选择
关于工业范畴的大B客户来讲，现阶段需求的不是单个产品，而是端到端的整体处理计划。这虽说是现状，其实也是工业创业者的终极目的。但是途径选择很重要。

关于开展途径，业内主流以为自动化-（数据化）-信息化-智能化是工业用户进阶的合理次第，并且前一阶段是后一阶段开端的必要条件。因而国内工业智能范畴的企业在很长一段时间内只关注自动化范畴的时机，以至将工业智能同等为“机器人”或者“工业自动化”。从用户现场的大量理论来看，这几个阶段存在着显著的先后次第，但同时穿插浸透，迭代停止。

详细来看，离散制造行业大局部客户自动化水平不够，所以优先完成产线自动化。一些厂商以工业以太网和板卡完成设备互联，打通设备级数据，经过MES反应到平台层，在不改换原有工控设备的根底上完成初步物联，用户承受度很高，业绩每年翻几番增长，趋向十分明显。这一类形式，我们能够称之为「以M2M设备物联为中心的系统集成」。

更进一步的需求，来自于离散制造业的超大型头部客户和流程制造行业的绝大多数客户，由于产线自动化水平自身较高，我们察看到这类客户关于信息化的承受水平自身也较高。

另外有一类厂商能够直接从顶层设计切入，在平台层以工业大数据平台或者场景化的AI模型效劳用户，实时的处理业务问题。反过来在数据采集层，在一些数据不完善的部分加装传感器，加装智能化的检测设备，以至于做小段的产线集成等等。这一类形式，用户承受度常常更高，这意味着项目的溢价常常也更高，我们能够称之为「以数据应用为中心的系统集成」。

所以，我们能够看到三条开展途径，面对不同的客户，不同的场景，不同的开展阶段，有不同的途径选择：

一、以产线自动化为中心的系统集成；

二、以M2M设备物联为中心的系统集成；

三、以数据应用为中心的系统集成。

当然，异曲同工，最终都是给用户提供整体处理计划，以满足用户需求为中心。

工业智能之工业大数据
首先，数据在哪里？

▲一类是管理数据：构造化的SQL数据为主，如产品属性、工艺、消费、采购、订单、效劳等数据，这类数据普通来自企业的ERP、SCM、PLM以至MES等系统，数据量自身不大，却具有很大的发掘价值；

▲另一类则是机器运转和IoT的数据：以非构造化、流式数据居多，如设备工况（压力、温度、振动、应力等）、音视频、日志文本等数据，这类数据普通采集自设备PLC、SCADA以及局部外装传感器，数据量很大，采集频率高，需求分离边缘计算在本地做一些预处置。

总的来讲，由于场景的割裂和分散，工业数据自身具有量大、多源、异构、实时性请求高等特性，而且随着将来280亿设备逐渐接入，这些特性将会进一步增强，这是做工业大数据效劳的中心难点之一，和互联网大数据不只量级不同，构造不同，应用也完整不同。

其次，基于这些工业数据，平台层应该提供哪些效劳？

▲完好的协议解析：数据采集首先要完成工业协议的打通。以应用层协议为例，EtherNet/IP和PROFINET的市场占有率最大，其次是EtherCAT、Modbus-TCP和EtherNetPOWERLINK；

▲规范化的数据整合：采集上来的数据要做统一的主数据管理，第一步是树立规范。普通来讲，我们先要用ISO或其他业内规范，制定统一的编码、构造、流转方式和属性，确保数据的分歧性，这一点十分重要。

在项目施行的进程中，逐渐积聚行业学问库、适宜的算法组件以及相关机理模型，这一点也很重要，这是从数据规范进化到业务规范化的关键一步，是为完成真正的产品层面的微效劳化打下根底。

强大的PaaS支持：工业数据自身的特殊性招致平台必需要有强大的中层支撑才能。我们以时序数据库为例，它是设备工况和传感器数据的典型种类。这类数据频率高、量大，用传统关系型数据库处置，需求每次把一切值拉出来计算，吞吐量极大，性能很差。所以，一个高紧缩、高性能的时序数据库，就是平台层必备的才能之一。

最后，我们应该做哪些应用？

▲设备级：质量控制。在工业智能时期，假如我们可以采集到适宜的实时数据，分离该设备所适用的机理模型，就有可能用机器学习的办法发掘出产质量量与关键数据之间的关联或因果关系，也就有可能完成实时在线的质量控制和毛病预警，假如数据频率能对工艺流程构成圆满包络，我们还有可能完成最大限度的效率提升。

▲厂级：方案排产。工业智能的最终目的是要完成大范围的个性化定制，即C2M。这一问题的目的是完成当时当地的产能最优，约束条件来自企业的产线设备、人员、产品属性、供给链数据等等，经过历史数据的学习和锻炼，不难构成一个较好的预测模型。

这一模型能依据产线和工厂的实时数据动态剖析，动态调整，以协助企业完成精确把控，最大化经济效益。

在能够预见的将来，随着数据的完好性和牢靠性越来越高，场景越来越丰厚，数据应用层面会降生相当多的优先企业，他们协助工业用户降低本钱，进步效率，能处理实真实在的业务问题。

(科技产业责编：陈峰 )