来源：物联网那点事
翻译：马智
物联网智库 整理发布
转载请注明来源和出处
------ 【导读】------
全球知名物联网咨询机构IoT Analytics与德国数字化分析协会（Digital Analytics Association of Germany）联合发布了《工业大数据分析报告2016/2017——工业领域大数据分析应用现状》。
一.工业大数据分析介绍
“数据是新的石油”：是一种非常宝贵的资源，如果正确处理得当的话，对全球商业运营和巨额财富来源变得越来越重要。分析对于数据，好比提炼对于石油，将资源变成有价值的产品的过程。
工业分析的兴起：数据分析的价值在工业企业中变得越来越重要。这一趋势得到3个主要因素的推动：
下一代工业基础设施（工业4.0）
连接机器和产品（物联网）
先进的数据分析技术（数据分析）
1.1 工业4.0：新一轮产业升级
在过去的二百多年中，发生了三次工业革命，我们正处于第四次。
图1：下一轮工业大数据分析的驱动力
工业1.0：两个世纪前，詹姆斯·瓦特的蒸汽动力技术创建了新型机械制造技术。这导致了第一次工业革命，其特点是机器生产。结果是生产力的跨越式发展，并出现了全新的细分行业，如纺织、化工、冶金等等。
工业2.0：二十世纪初第二次工业革命。 亨利·福特发明了生产/装配线，实现了新的批量生产和分工。 这场革命的主要驱动力是电能的普及。
工业3.0：第三次工业革命始于20世纪70年代初，其特征是越来越多地使用电子、集成电路和IT系统来实现一种新型的自动化生产（例如通过使用自动机器人）。
工业4.0：正如许多业界领袖、科学家和工程师指出，世界目前正处于第四次工业革命的早期阶段，即将要为经济和社会带来另一个重大变化。
第四次革命的特点是物理系统和数字系统之间的连接。信息技术和工业自动化的融合正在创造出全新的技术体系结构，从而使生产率得到进一步提升，以及产生新的数据驱动型商业模式。工业4.0的另一个主题是加速产品个性化向批量化迈进。
与之前的三次革命不同，工业4.0不是由一个发明，如蒸汽动力或集成电路，而是技术进步的融合。网络物理系统经常作为工业4.0的核心技术，它描述了硬件和软件组件如何在具有物理输入和输出的复杂网络中进行交互，其它技术包括3D打印、增强现实和云计算。
1.2 物联网：在线提供数十亿种产品和设备
互联网本身最初是为了连接电脑而设计的，随着时间的推移，它已经扩展到连接手机和平板电脑。物联网还将连接日常生活中使用的任何其它物理设备，如汽车、机器、工业产品等等。
到2020年，不论连接物联网的设备是否会达到两百亿到五百亿，事实上仍然会有大量的设备，比目前的电脑或智能手机数量还要多。麦肯锡全球研究所预测，到2025年，物联网将为全球经济创造高达11万亿美元的价值。
物联网（IoT）被某些人视为工业4.0的组成部分，有时两者互换使用。工业物联网描述了能够在工业环境中相互通信和共享智能的机器和产品网络，以优化相关的工业操作。
虽然工业物联网利用基于IP的网络和云连接，但除此之外其它类型的工业通信并不是那么新奇。例如，内部部署的工业自动化系统（例如PLC / DCS和SCADA系统）已经存在多年。一些汽车行业一直在使用蜂窝方式的机器到机器通信（M2M）。随着其它通信方式的出现，M2M现在可以被看作是整个物联网架构的一个潜在连接模块。
与建立在私有或M2M连接类型之上的系统架构相比，物联网承诺实现更便宜、更灵活和不那么固定的架构，从而满足全新的应用场景。物联网的后端架构不仅仅采用私有方式部署，而是不限于蜂窝网络的连接。因此，过去孤岛封闭式的解决方案被更多的模块化概念所取代，其将多个专业服务提供商的构建模块连接起来。新的云架构（例如，物联网平台）和新的通信方法正在出现（例如，低功率广域网），其结果是连接设备和机器的成本和能耗需求继续快速降低。
1.3 数据分析：智能的前沿阵地
数据分析描述了解析数据的过程和方法，目的是提取有用的见解，优化流程并做出更好的决策。
最近的技术进步使数据分析能够在更广泛的场景和更复杂的方式中使用。两个重要的驱动因素是：
大数据架构：巨量而复杂、通常是非结构化的数据集收集功能已经很强大了。今天，有一些一流的NoSQL数据库和数据管理工具，具有所需的处理能力和服务器基础架构。
人工智能/机器学习：一些人工智能工具和机器学习算法可用于执行各种分析。这些工具通常是开放源代码的，可供任何人免费使用，用于其数据分析项目。
二.工业大数据的分析及其意义
2.1 历史回顾——分析如何演变为自动化决策
数据分析的数学基础是在18世纪、19世纪和20世纪初建立起来的，但分析诞生于20世纪50年代和60年代，当时第一台计算机用于运营决策支持，这项工作包括负责描述性分析和报告编写的专家小组。例如，在设备维护中，分析故障率以辅助维护相关的决策，例如对哪些设备及何时进行测试。
图2：工业环境下分析的演进
早期用于查询和报表的分析工具，是作为计算机专家的DIY解决方案出售的。在20世纪70年代中期，几家供应商开始提供工具，允许非程序员深入了解数据访问和分析的世界，从而开创了商业智能领域，并支持下一级结构化分析功能的决策。例如在维护中，使用（事前和事后）模式识别生成预防性维护计划，关键设备根据其计算的故障概率进行智能监控。
通过数据挖掘方法、数据仓库、客户端/服务器系统以及最终的大数据存储的创新，分析的作用进一步增强，这一发展导致了分析驱动的决策。例如，在维修行业，状态监测成为常态。状态监测导致关键传感器数据的可视化，从而使人们对设备状态和关键任务（如要替换哪个轴承）进行实时查看和执行。
目前，由于机器学习工具和物联网的出现，决策分析越来越受到关注。许多决策现在已经开始基于数据和分析，通过自动化方式实现，而且通常是实时的。
维护行业正在进一步发展：60年后，故障率分析正在成为预测性维护。传感器数据被实时分析，算法能够对单个设备的剩余寿命做出预测。在许多情况下，这些过程变得如此自动化，使得决策过程不再需要人工交互。
2.2 现状——企业已认识到其巨大重要性，但尚未启动相关工作
大多数决策者意识到工业大数据分析在重要决策和流程自动化过程中所起的重要作用。69％的受访者认为在未来5年数据分析对于业务成功将变得至关重要。不过，只有15％的受访者认为目前已经很重要了。
虽然68％的调查对象表示他们拥有公司级的数据分析战略，但46％的受访者表示他们公司拥有专门的数据分析部门。只有30％的公司已经完成了实际项目（在剩下的70％中，大多数公司正在进行相关项目或正在进行原型设计）
2.3 价值驱动力——工业大数据分析增加新的收入来源
当深入了解当今数据分析项目的价值时，应当将其产生的收入来源与其导致的成本降低分开来看。
工业数据分析项目的最大价值驱动因素显然在于客户和创收方面。增加收入是主要驱动力（33％比例），其次是通过更好的服务或更个性化的产品（22％比例）来提高客户满意度。
效率提升和成本削减的得分非常低，只有3％（比例）的受访者将这些方面视为工业数据分析的主要优势。
那么企业应该如何考虑创造收入或降低成本呢？
2.3.1 增加新收入的三种典型方法
升级现有产品：通过新功能增强现有产品（例如，施工设备制造商现在提供了一个附加功能，可以在整齐的仪表板中实时跟踪车辆）
改变现有产品的业务模式：一个重要主题就是向产品即服务转型（例如，由于能够实时分析数据，压缩机制造商现在根据压缩空气的体积计费，而不是一次性出售压缩机设备）
创建新的商业模式：一些公司开始在连接的生态系统中启用新服务（例如，保险公司越来越多地与工业公司合作，创建所谓的基于使用的保险包，例如基于个人驾驶行为的数据）。
2.3.2 降低成本的三种典型方法
数据驱动过程优化：分析结果通常可以在操作工人的仪表板中可视化。这些实时的分析结果可以指导员工的操作（例如，无论车间位于何处，平板电脑上的智能工厂楼层仪表板可帮助生产主管优化日常生产操作）。
数据驱动过程自动化：随着越来越多的工业流程和工作流程变得自动化，智能数据模型有助于实现较少人力干预的协同工作（例如，在制造过程中对产品进行实时故障检测有助于自动降低废品相关的成本）。
数据驱动的产品优化：分析可以帮助降低产品成本。例如，某照明系统的制造商需要为其客户保证一定的产品寿命。传统上，制造商“过度设计”解决方案的某些组件，以确保所需的寿命。借助于工业大数据分析，该制造商现在能够详细分析产品使用情况，制造商已经开始降低对产品寿命影响不大的组件的规格，从而显著地降低成本，而不会影响产品性能。
2.3.3 跨越价值链的行业分析应用
开展工业大数据分析相关的项目，通常需要整个工业生态系统与合作伙伴、供应商乃至客户及其需求相结合。
79％的受访者认为设备预测性维护和指导性维护是未来3年工业数据分析领域最重要的应用，紧随其后的是客户/营销相关分析（77％）以及产品现场使用情况的分析（76％）。有意思的是，视觉分析（例如，仪表板）被广泛认为是重要的应用，网络安全分析（例如通过异常检测提高产品或设备安全性）和移动产品的分析（例如，车队管理）次之。
点击下方【阅读原文】即可获取全文版报告
往期热文（点击文章标题即可直接阅读）：
共有条评论 网友评论