明略数据综合事业部高级经理葛利鹏：用好大数据走好制造强国之路

明略数据葛利鹏大数据制造强国

葛利鹏 | 2016-04-29 13:30

【数据猿导读】在第九届中国软件渠道大会暨2016中国软件生态大会北京站上，明略数据综合事业部高级经理葛利鹏在会议上做了主题为“开启大数据关联挖掘的新时代”，展示了大数据在国家电网等关键行业领域的应用

分享一组数字，32.7%、1：9和每分钟15万代表什么意思。随着我国经济的发展，制造业在我国经济中扮演了非常重要的角色，随着我国经济进入了新常态，可以看到2015年乃至整个我国产业的风险投资中，制造业依旧占了非常重要的位置。

明略数据综合事业部经理葛利鹏

同时制造业从我们的生活各个方面都密切相关，我们的衣食住行都依赖于制造业，虽然我们出行所来说，中国的高险在十年内得到了迅速的发展，这也是依赖于一个原则。纵观我们高铁生命周期，我们就可以发现10%的资金和投入在哪?购置上。9%的资金后期的维护和保养上，这是一个1：9的来历。现在企业总关心的一个问题是什么?我们怎么样在降本增效的前提下，能够保障高铁顺利的运行和安全。

但是由于这种故障造成的停车每一分钟经济损失15万，一小时将会带来900万的损失。现在我们整个每天高铁的运行量大概一千多列，可见这数字非常的庞大。

怎样才能够及时地发现问题、解决问题呢?

这是我们非常关心的问题。随着第四次产业革命的到来。各个国家、各个工业强国都在推出自己的产业政策，来提升本国的制造业发展水平。德国有工业4.0，美国工业互联网。我们中国的这种制造业有中国自身的特点，我们的体系非常庞大2010年超过了美国，成为了世界上第一制造业的大国。但是我们中国有一些弱点，例如我们的产业结构不是很合理，自主创新能力不强。

所以呢我们中国政府提出了中国制造2025年的产业政策，这政策主要是以数据，为纽带，以数据分析为驱动力。具体到社会制造的领域我们可以看到三个方面：1、数据分析、故障诊断、3恩、故障的预测。

在数据分析我们主要是利用这种分布式的存储、计算技术，对于全国的海量数据，可以进行状态监测，可以提供全生命周期的分析，对于故障诊断局部部件的微小问题的采取措施。其实对于故障预测来说对我们也是一个非常大的挑战。我们公司大数据科学家也投入了主要的资金和经历在这方面，也就是研究如何来建模，如何来真正的实现故障的一个预测。主要是推动故障预测由之前的人工化、抽样化，向智能化全面化的方向来转变。也就是由之前由于专家来进行判断，现在依靠技术通过数据的手段来进行故障检测。

从现在的故障处理上我们可以看到有三种不同的方式，有时后、有定期维修还有预测性的维修等等。我们现在大家都有车，我们每跑700多公里，我们要进行定期的维修，同样一种故障现状，在不同的生命周期里它是不一样。就是说你的车处于磨合期，和处于损耗期，你应该采取不同的措施。大是现在由于技术手段的缺乏，我们并不能够进行周期性的判断，所以说我们会用到大数据的技术。大数据的技术在这方面主要的特点是什么?我们提到了两点，第一点快速，第二点高效。快速主要是利用大数据的背景计算和处理能力，使得我们能够第一时间发现故障在哪里，及时地采取措施，高效主要是利用我们大数据的并行计算的数据模型。能够将一些看似微笑，但是实际上在故障发生作用的状态数据，放到我们整个模型里面来进行统一的考虑。这样会造成非常高效的运算和非常高效的预测，这是我们真正能够达到预测的一个效果。说到大数据的特点我们说高效果

我们的客户到底在哪里?

通过实践我们发现，关注国计民生大的行业，实际上应该使用大数据的技术，有几个特点，第一点是他们的单体设备的竞争非常昂贵，一旦发生了损失，不能够进行预测，将来造成了很大的经济损失。第二这些大的系统会有传感的条件。像我们的高铁一样。它整列的传感系统就像一天两百多个包括温度、速度、电流、电压等等。所以说这些传感器在高铁会产生大量的数据，这给我们提供了一个很好的数据基础。有了数据的基础我们还要把它传回来，以便于我们采集和分析。在高铁上就用了移动网络进行数据的运维，就给大数据落地提供了一个很好条件。也就是我们能够真正做到故障的预测。

明略数据提供什么样的解决方案

上面谈到了大数据的特点和客户，下面我们看一下，我们明略数据提供什么样的解决方案给到客户，才能够真正的实现故障的预测。首先我们提供了完整地架构，主要分为四成，下面由我们的数据源，中间由我们的数据采集和挖掘。数据采集和存储，再往上有我们的数据挖掘。最上面我们也会提供数据解释。在数据源这儿，传感器数据，包括一些历史数据都是属于结构化的数据。

大数据平台就是采集和存储的任务，再往上我们会对采回来的数据通过我们的建模手段，进行诊断模型的建立和故障预测的建立，来完成相应的工作。

我们明略公司提供全套的产品，不仅提供了大数据的平台，或者MTB的大数据平台，同时我们有相关的诊断和预测的平台。同时我们会提供可视化的平台。

这样通过我国完美的配合我们就会给客户非常完美的解决方案，也就是从数据的采集，到数据的分析挖掘，到数据的可视化展现一整套的解决方案。在大数据应用中，我们就会说数据其实是基础，但是真正实现数据价值，发现有价值数据的方法，只有通过数据的建立。传统来说有两种比较好的方法。第一是特征挖掘，在特征挖掘里面主要通过几个步骤来实现，首先我们通过故障的标注观察数据，同时我们会对于观察完的数据进行特征的提取。特征提取后呢，我们会感觉数据的手段，我们会观察数据是否具备降本或者是筛选的特点进行相关的处理，我们会进行模型的训练。这个时候在这例子里面我们是用了SVA的模型，我们会把超平面弄出来，这后面就是我们将要做的一个模型，如果是通过模型的评估，一切都OK的情况下，也就意味着我们超平面在将来实际中使用的一个模型。

我们还会用到深入学习的模型，这也是前一段我们人机大战中比较火的阿尔法沟用的数据模型。在我们用的时候，我们基于大量的数据模型产生出我们真实的使用模型，由于这模型需要进行大量的预算，所以我们使用了GPU的储备工具来进行数据的处理，但是很多的案例上面深入的学习过程中已经使用了GPU，同时我们在典型的案例中，已经在使用了GPU的运营。特斯拉的架构它号称一个检查站八块GPU，它处理能力相当于250台通用的服务器，所以我们也会紧跟这一发展的趋势，来推动我们这种双模式的建立。我们认为基于对大数据的理解，我们才能更好的发现大数据的平台，同时要深入的理解客户的业务，也才能够更好地提出解决方案，解决方案其实是围绕客户的业务，就是说只有深入的了解客户的业务，我们解决方案才能更好的项目实践。

案例分享

下面我们会有两个比较典型的实践，一个是轨道交通，另外一个是我们的电网。这我们的实际案例，可能这企业是我们国内最重要的交通企业，它的主要问题是业务场景非常的复杂，同时建模工具缺乏，导致它不能根据故障及时的模型构建，也就不能够进行这种预测性的评估，导致了大量的浪费，同时由于这种高铁列车逐渐的自动化、智能化程度的提高。它的数据种类数据量也非常大。也会造成采集和分析包括查询都困难。

基于客户的痛点，我们提出了全套的解决方案，包括我们大数据平台DP，包括数据挖掘平台，同时我们根据客户的需求，将我们的展示工具和我们的平台进行很好的客户化改进。这能够使得我们的挖掘结果及时的能够反应到客户的界面上。客户就能够通过我们的可视化界面，就能够看到整车的运行状态。整车关键部件的运行状态，一旦部件发生问题，它同时能够看到故障的概率，故障的原因还有故障造成的结果，这样就能故障的特点及时的采取维修的措施，这样就能极短的降低了停车时间缩小了经济损失。

同时我们也会提供这种实时界面，包括快速查询还有预测的模型。下面我们看一下我们在实际应用中可视化的界面。

下面回到我们第二个案例，是国家电网，电力设备包括发动机主线路大电流的设备，二次设备主要是指的一些控制，包括检测仪表机电压的设备。这些设备每天会产生大量的数据，现在客户遇到的问题，这些数据不能够及时地存储和查询。

导致在查询的时候，时间长的甚至达到10分钟，所以这是客户所不忍受的。第二它的建模工具非常缺乏，不能够做到对于故障的预测性的判断。所以说它也不能够对于一些产品进行及时地诊断。

根据客户的痛点，我们给到客户，包括我们的大数据平台，包括我们的数据挖掘产品。包括我们的上面的展示工具在内的。这样就能够给客户起到全程的展示，快速的查询。同时我们解决了困扰客户的问题。

就是说可能一系列的产品中，它有一个产品不到两个产品发生问题，我就能通过这一两个产品，通过故障建模，不能够推断这一批次的产品将会发生问题，这样就能把这信息给到维修，能够采取有关的措施，保障电网的正常运行。通过全景的展示每一个结点包括发电机组是否有故障，这样就能够提供一个全景的视图，非常的直观。

大数据实施或者应用过程中的经验

最后我想和大家一起分享一下，我们大。第一就是在大数据实施过程中，我们认为这个数据技术和业务都是非常重要的，在整个项目中，但是实施过程中，我们发现其实数据和技术是围绕着业务展开的，业务技术驱动里也是数据和技术的最终一个价值点的体现。

所以说驱动解决方案，是我们的业务，只有真正的体现了业务价值，咱们的解决方案才是有价值的。

第二相信我们中国的技术力量，就是在第一个案例里，我们轨道交通的实际案例里面，我们的技术团队和客户的技术团队互相的接力。甚至在争论一个技术问题的时候，我们能够一起争论到凌晨，就是客户认真的态度、敬业的态度也确实激励了我们的团队。同时我们的数据科学家通过助场服务，通过助场服务才能真正的了解业务的特点，将来的业务发展趋势，客户对于业务的需求是什么，将来通过数据建模来达到业务的一个价值，现在通过我们的不断追求，项目运行非常好，所以说通过这些案例呢，我们觉得我们应该相信我们中国的技术力量。由于时间的限制我们只是举了制造业这一个案例，其实我们明略数据我们还有很多的实际案例，包括在金融业，包括在公安，保证在运营商我们都有很多的案例。

来源：中国软件网

收藏分享

声明：数据猿尊重媒体行业规范，相关内容都会注明来源与作者；转载我们原创内容时，也请务必注明“来源：数据猿”与作者名称，否则将会受到数据猿追责。