【视频&PPT】明略数据上海副总经理李勇：大数据能够提升工业发展质量

明略数据李勇大数据工业

李勇 | 2017-01-20 17:10

【数据猿导读】在1月13日数据猿联合上海大数据联盟和宝信软件共同举办的“魔方大数据（13）之工业大数据”专题活动上，明略数据上海副总经理李勇以“大数据提升工业发展质量”为题发表了精彩演讲，李勇提到，目前大数据行业仍处于一个春天的节点，仍需要各厂商抱团取暖

1月13日，数据猿联合上海大数据联盟和宝信软件举办了“魔方大数据（13）之工业大数据”专场，邀请工业大数据领域领军企业的众位大咖就工业大数据领域出现的新机遇、新融合、新挑战进行了深度交流与探讨。

与会分享嘉宾有：

宝信软件资深项目总监王奕

青域基金合伙人牟颖

美林工业大数据业务总监李琼

明略数据上海副总经理李勇

宝信软件高级技术总监沈春锋

超算科技HPC事业部总监丁峻宏

江苏大数据联盟（理事长单位中堃数据副总经理）陈隋和

博世物联解决方案总监韩轶奇

-视频版-

-文字版-

温馨提示：

欲索取现场嘉宾分享的PPT，请关注数据猿微信公众号(datayuancn)并回复关键词“李勇”下载

以下内容为“明略数据上海副总经理李勇”分享，并由数据猿编辑整理发布：

大家好！我是明略软件的李勇，主要负责明略软件在华东地区的市场开拓和地区的业务筹备工作。

目前，明略软件在公安、金融、制造、政府等各个领域已经全面开花，并拥有了一些很成熟的解决方案。首先为大家展示三个数字：第一个是32.7%，这是制造业在工业当中固定资产投资的一个比例。我们知道工业作为第二大产业，整体规模非常大，光是制造业这样一个小的细分行业在整个工业的固定资产投资里竟占据了近半壁江山；第二个数据是4.2TB，这个4.2TB是中国的轨交行业每天产生的数据量。第三个数据是来自于麦肯锡的一份调查报告，我们制造业企业在利用了智能制造或者大数据技术之后，能够对生产成本起到10%到15%的成本降低作用。所以这也是我今天要跟大家分享的核心内容：大数据能够提升工业发展的质量和效率。

美国GE、德国西门子、英国法国日本等等先进的国家都提出我们要重回制造业大国、强国的时代，当然我们中国肯定也不能落后。事实上，由于信息化技术对中国的提升，我们在成为先进制造业国家的竞跑中，与发达国家的差距已经被缩短了很多。

谁会率先使用工业大数据？

刚才说了大数据在全世界范围内的宏观情况，那么大数据在整个工业里面处于什么样的位置，到底谁会考虑先去使用大数据技术来提升自己呢？目前我们看到的是一些具有一定规模的工业企业，特别是一些对国计民生有影响的，例如石油、电力、高端装备制造相关的一些行业，他们会率先去使用大数据，加入到探索智能制造的行列中来。

工业大数据的业务场景

讲了谁会做工业大数据之后，就要谈到目前工业大数据的业务场景都有哪些了。我这边简单地列出了四个业务场景：

1.故障诊断。这已经是很普遍的业务场景了，事实上，目前的工业大数据存在一个问题，在没有用大数据技术的时候，整个工业产业已经非常成熟，我们说故障诊断，也有很多传统的方法可以进行快速地故障定位，那为什么要用大数据呢？这个我们后面会讲到。

2.预测性维护。这也是我们刚刚讲到的轨交行业的案例，能够通过机器学习的手段，对我的设备或者说产品运行时的数据和发生故障时候的数据进行学习，从而进行非常准确的预测性分析。当你的数据样本，特别是错误的运行样本越多的时候，得到预测性维护的结果就更加准确。

3.物料品质分析。举一个例子，汽车在生产过程当中会大量采用供应商提供的某一个批次的零件，而这些零件有可能会存在一些缺陷。比如说汽车行业经常有召回的现象，哪一个批次的零件对我造成的影响，我都可以去追溯。

现在三星Note7已经被各大航空公司所禁止了，它所存在的问题就是无法非常好地追踪到发生故障的手机的零件。

4.供应链优化。目前来说，在工业制造这个行业中，大家都是参考了丰田的生产方式。事实上，在73年石油危机之前，汽车制造行业主要是学习福特按照订单来生产的模式。然而在石油危机之后，大家发现原来这个世界上有一家公司叫做丰田，这家公司生产汽车的成本特别低，可以做到零库存，企业的利润远远比其他的汽车企业要高，那么盈利的奥妙到底在哪里？所以整个工业行业都在研究丰田，这才有了丰田生产方式。现在很多生产管理的理念、体系、软件，都是根据丰田生产方式来构建的。现在的一个工业产品是由非常多的物料和零件组成的，我们完全可以用大数据来优化供应链，优化物流、仓储，从而使得企业成本降低。

预测性维护对于一些机械类的设备来说，是有磨合期的，当然也有正常使用期和损耗期。我们可以对这些机械类、电子类的设备和产品进行全生命周期的管理，这样既能够快速地，也能够准确地通过数据模型进行故障预警，提醒用户及早更换零件。

究竟怎么样来一步步实现工业大数据呢？实际上，明略通过两年多时间的市场摸索，已经形成了一些成熟的案例，但是我们也发现在整个工业企业、工业行业中，目前所做的大数据项目一般以小项目居多。大家都在从供应链、营销、生产、设计等环节和场景出发，去尝试利用大数据给自己的企业带来真正的效率。而作为IT人员和业务人员，能不能真正地实现大数据的落地呢？目前来说，在工业大数据领域，市场才刚刚起步，但也正因为如此，我们完全可以按部就班，一步步有规划地来进行。

首先，我们基于大数据的数据资产化，去管理一切可以记录的数据。实际上，在没有工业大数据这个概念的时候，就存在工业数据，比如说人事、财务、ERP、现场设备、传感器的设备等等，我们要将其全部打通。那么，大数据时代我们都应该做些什么呢？我们要建立齐备的数据标准以及知识图谱，我们要进行机器学习，不断地把企业的显性知识、隐性知识纳入到整个知识体系中，使得企业可以使用更加快速的人员培养方式，或者说即便我的企业技术人员发生了一些流失和变动，我也不会为老师傅跑掉而感到担心。只有做好基础的工作之后，我们才能够对一个统一的数据平台进行管理，能够跨部门地在整个公司内部进行数据的共享。在这个平台搭建好之后，我们才可以建立各种应用，对这些数据进行挖掘、分析和展现。当数据积累到一定程度的时候，我们才可以根据这些数据挖掘出来的结果来加强业务创新。

下面介绍一下我们完整的大数据方案的整体架构。首先底层要有数据层，平台层要有数据治理，要有ETL的平台，同时要有大数据存储的平台，而在底层的平台之上，我们要有大数据分析和挖掘甚至是关联分析的一些平台。在这之上我们才会去建立比如说故障诊断、预测性维护等等的一些大数据应用。

明略主张的是，大数据的实施要坚持“始于业务、止于业务”的宗旨。第一步要理解我们的数据，理解这个数据和业务的关系。然后对数据进行采集，采集完之后可以根据我们理解的业务和数据进行数据模型的构建，从而通过评估和优化这些模型，最终进行业务的部署。我们就通过这样一个循环，不断地去理解业务、分析业务、评估模型、优化模型，来实现大数据系统不断地改善、不断地迭代更新。

明略现在也在一些项目当中使用了基于GPU深度学习的数据建模流程，我今天将要针对故障预警、预测性维护的解决方案里面用到的一些基于GPU的数据建模来给大家做一个分享。我们需要的是正常状态的样本数据以及故障状态的样本数据，从而进行机器学习，去提高预警的准确率。

案例分享

因为时间不是很多，我这里就分享两个典型案例：

首先是中国最大的一家汽车设计企业，在企业内部有13个工程部，分别负责碰撞试验、汽车发动机的设计制造等，这样一个设计企业拥有将近六千种工程数据，并保存在不同的文件里面，有PPT、Word，有工程专业软件输出的数据，还有音频、视频等等，各种各样的数据都是这家设计公司的资产。我们说工业行业也是一个非常大的行业，像这样一家企业，它的资产其实最重要的就是它设计的经验、资料以及设计人员，对它来说，把所有的数据资产进行管理，就是整个公司最核心的战略。通过建立一个数据资产管理的平台，并在里面建立一个知识图谱，把汽车设计相关的所有的知识输入在这个知识图谱当中，经验丰富的老师傅可以通过使用这个数据资产平台和知识图谱提高其效率。甚至我可以很方便地查到，比如说过去十年某一个紧凑型SUV，或是其他某个车型系列所有的情况。年轻的，经验不是很丰富的工程师，也可以通过这个资产数据管理平台学习到一些基础知识，提高他的知识储备量。这些对于一个汽车设计公司是非常重要的。

第二个案例，是中国一家专门做语言服务的公司，明略最近为他们设计了一款新的产品，这当中牵涉到了自然语言的搜索，以及知识图谱的建立等等。这说明在语言类服务公司当中也存在着同样的需求。

我刚才已经大致的提过，在设计公司当中有各种各样的数据，包括结构化数据、不同类型的文件格式的数据等等，比如说它的音频数据里面甚至有发动机测试运行的声音，其实有经验的老师傅可能一听这个发动机运转的声音，就知道这个发动机是正常的还是不正常的。我们首先把数据源进行管理，建立统一的数据管理平台，同时把这些数据全部储存起来，从而去建立各种展现。

这是我们给中国最大的轨道交通企业做的案例，主要做了两个业务点：

一个是故障的快速定位。很早以前在轨交行业做故障定位很简单，但是在高铁当中我们发现一些复杂的零部件、核心零部件已经很难用某一个传感器去快速地进行故障定位了，往往是多个传感器对应多个故障，所以这个时候人力已经很难快速地去判断我这个高铁到底故障发生在哪里。

还有一个是预测性维护，我们通过不断地去学习高铁各个零部件知识，获取核心零部件运行时候的正常样本数据和故障时的样本数据，从而对各种各样的故障进行预测报警。

同时我们也为客户做了一些可视化展示，这里有一个大的地图，地图里面显示了全国三千辆运行的高铁他们的车辆运行情况，当某一个高铁车辆从绿色变成了红色，就意味着这辆高铁发生了一定的故障或者有可能会发生故障，需要对这个高铁车辆进行紧急的维护。大家如果点开界面上高铁车辆的光点之后，就会告诉你到底故障发生在哪一个零部件，是什么原因，即便不是经验非常丰富的老师傅也可以很快速地知道接下来应该做什么，才能使得高铁得到快速的维修。

通过这样一个可视化的界面，能够实时地去监控全国所有在跑的三千辆高铁，实时地反映车辆的状态。同时我们可以在三千辆高铁车厢当中快速地找到其中某一个车厢某一个核心零部件的设备信息。然后通过对于支持并行计算的故障预测模型，及时地通报预测信息，能够让客户进行预测性维护。

目前，大数据行业仍处于一个春天的节点，还不是非常暖和，所以也希望我们大数据的各个厂商、友商能够抱抱团。毕竟中国数据太多了，这个市场也太大了。

谢谢大家！

友情链接

魔方大数据（13）：中国工业大而不强，转型升级迫在眉睫！

【视频&PPT】宝信软件资深项目总监王奕：工业4.0时代，关于企业智能制造的思考

【视频&PPT】美林数据李琼：工业大数据不是一切，但如果没有它，智能制造和智能服务将很难实现

来源：数据猿

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。