工业数据是工业智能化的关键要素
众所周知，科技的发展推动了“工业1.0”到“工业4.0”的四次工业革命。随着第四次工业革命的到来，提升“工业智能化”水平成为全球共识与趋势。美、日、德等发达国家高度重视工业智能化发展，美国提出智能制造，日本提出“互联工业”,德国提出“工业4.0”。在中国，工业智能也受到了国家的高度重视，政府相继出台了“互联网+”和《中国制造2025》等计划。
“工业智能”的本质是通用人工智能技术与工业场景、机理、知识结合，实现设计模式创新、生产智能决策、资源优化配置等创新应用（来自2020年4月工业互联网产业联盟发布的《工业智能白皮书》）。工业智能实现了从数据到信息、知识、决策的转化，挖掘数据潜藏的意义，摆脱传统认知和知识边界的限制，为决策支持和协同优化提供可量化依据，最大化发挥利用工业数据隐含价值。
工业在智能化的过程之中，产生了大量的工业数据。条形码、二维码、工业传感器、无线射频识别、工业自动控制系统、企业资源计划、计算机辅助设计、工业物联网等技术在工业企业中的广泛应用，使工业企业拥有日益庞大且丰富的工业数据。随着工业智能程度的加深，工业企业所拥有的数据量急剧增长。根据IDC的预测，2025年全球数据量将达到175ZB。中国数据总量正在以年均30%的速度增长，预计到2025年将占全球27%，达到48.6ZB，成为全球第一。
图1全球数据量增长预测（单位：ZB）
资料来源：IDC、海比研究院整理
而工业智能的落地需要大量高质量的工业数据作为支撑。工业智能需要依靠数据处理技术获取、筛选出有用的数据，然后根据这些数据做出有利于工业发展的决策，从而推动智能制造的发展、升级。工业数据在赋能传统工业向工业智能化迭代升级中发挥着重要作用，是工业智能化发展的关键要素。
工业数据的特点和价值
工业数据不同于其他行业数据，有其自身的特点和价值。
工业数据的特点
根据《工业和信息化部关于工业大数据发展的指导意见》，工业大数据是工业领域产品和服务全生命周期数据的总称，包括工业企业在研发设计、生产制造、经营管理、运维服务等环节中生成和使用的数据，以及工业互联网平台中的数据等。
目前由于场景割裂和分散，工业数据具有多源性、异构性、实时性和可靠性等特点。
图2工业数据的特点
资料来源：海比研究院
工业数据的价值
工业数据的上述特点，在以往技术能力有限的条件下，使其价值很难得到充分释放。随着技术的变革和数字化浪潮在工业领域的渗透，工业数据的潜在价值也日益呈现。据统计，制造企业在利用大数据技术后，其生产成本能够降低10%—15%，并将在工业各个方面创造价值，最终驱动工业升级和产业整合。
具体来看，工业数据的价值主要体现在四方面（来自赛迪研究院）：
一是智能制造依赖工业数据。工业数据给生产制造配上了“大脑”，使之能灵活应对各种业务场景，通过分析整合产品数据、制造设备数据、订单数据以及生产过程中产生的其他数据，显著提升生产控制的准确性和运行效率，从而推动整个制造体系的升级。
二是工业数据催生新产品、新产业和新业态。例如，将工业数据融入到传统的汽车、家居、可穿戴设备等产品的功能开发中，可以形成智能网联汽车、智能家居和智能可穿戴设备等制造业发展新领域，从而形成新的经济增长点。
三是工业数据支撑生产性服务业发展。大数据的应用，将企业的发展模式从以往围绕产品生产销售提供售后服务转变为围绕提供持续服务而进行的产品设计，并促使企业业务从传统的产品生产销售向生产性服务领域延伸，最终使得工业企业的主要利润来源于产品售后的服务环节，而不是此前的产品生产和销售环节。
四是工业数据辅助科学决策，增强工业企业经营管理能力。工业数据的应用，能够显著推动跨区域、跨行业创新组织的建立，同时促进电子商务、研发设计和众包众创等新模式的协同发展，从而增强工业企业的经营管理能力。
工业数据价值实现的挑战和破解之道
工业智能化的过程，也是工业数据价值释放的过程。工业数据是工业智能的关键要素，但它也像是埋在地下的石油、矿产，需要经过一番“处理”，才能真正实现价值。
挑战
工业数据的价值实现面临两大挑战：
一是“量”，要有足够的数据。目前，我国还有海量线下数据尚未被收集汇聚，不在线的数据不仅不全面，不安全，而且应用起来没有效率。工业企业属于典型的非数字原生企业，目前工业的数字化进程不一，仍有大量中小企业停留在原始线下生产阶段。
从工业数据的获取渠道来看，难易程度各不相同。
图3工业数据的获取渠道
资料来源：中国电子技术标准化研究院，海比研究院
二是“质”，要有可用的数据。工业数据零散地分布在各个系统中，比如PLC、SCADA、DCS系统从机器设备实时采集的数据，数据交换接口同步的数据，以及存放在公司数据库的业务数据等，这些零散的数据采集回来之后需要做有针对性的信号处理与特征提取。此外，由于工厂复杂的应用环境，通过传感器采集的数据会包含很多非结构化数据，影响后期进一步的分析和应用，需要根据具体要求对数据进行处理、输出。
破解之道
工业数据的“质”和“量”的问题，一直是许多企业所面临的挑战。这主要受制于工业环境中数据获取手段的限制，包括传感器、数采硬件模块、通信协议和组态软件等多个技术限制。如何实现工业数据的“从无到有”、“变废为宝”，是企业需要迫切解决的问题。
随着数字产业内部分工细化，数据流程服务得到越来越多的关注。数据流程服务（DPS,Data ProcessService），是围绕数据处理流程形成的一系列服务，它使用数字技术，从实体世界或信息系统中采集、获取数据，并按后续应用要求处理、输出数据。
图4DPS-数据流程服务构成
资料来源：海比研究院
DPS通过两种角色，发挥两大功能为工业智能和数字产业保障数据的“质”和“量”。一方面，DPS作为数据处理专家，通过人机协同服务，集合处理知识，解决数据低“质”的问题。另一方面，DPS作为数据中介，整合各类数据，解决数据“量”的问题。
图5DPS服务应用场景示例
DPS通过为工业应用（如物流和仓储、车间自动化、智能能源、人员/对象跟踪、工业机器人、维护等)提供数据服务解决方案，帮助其提高生产效率、安全性以及产品质量。
图片来源：来自互联网
DPS产业的发展历程和现状
DPS产业并不是新生事物，在经过大数据、AI市场需求的推动和培育，目前已经从导入期步入了成长期，近年正处在高速成长的阶段中。
DPS产业的发展历程
DPS产业的发展历程大致经历了四个阶段，围绕数据处理工作经形成了从数据采集、存储、内容审核到标注的一系列流程服务。
图6DPS产业的发展历程
资料来源：《中国数字流程服务业发展白皮书》，海比研究院
DPS产业的发展现状
（来自海比研究院《中国数字流程服务业发展白皮书》）
（1）DPS行业目前仍处在成长期。大部分DPS业务还是企业自己的团队在提供，第三方服务商形成的产业规模还不到业务规模的五分之一，未来市场增量空间巨大。大部分DPS企业服务的客户都非常集中且相对固定。企业之间直接竞争同一个项目的情况并不常见，相反经常还会出现一家服务商接到的订单由于供给能力不足，无法独自完成而转包或分包给其它服务商的情况。数据采集、标注、审核等行业整体都处在供不应求的状态中，企业数量和市场规模都在快速成长，行业呈现出成长期的典型特征。
（2）DPS整体服务水平落后于客户需求。目前国内数据采集标注与内容审核行业处在高速发展、粗放竞争的成长前期阶段。服务商、小团队、个人服务者大量涌入，鱼龙混杂。临时外包模式、众包模式常见，有些服务商本身没有一线的专职员工，只是负责转包的中间商。这些情况都导致服务水平良莠不齐。随着大数据、AI应用的深入，和数据安全、隐私管理要求的提高，对于数据处理各环节的专业要求也在不断提高，使得目前产业总体服务水平落后于客户需求。
积极布局DPS抢占发展先机
近两年来，DPS产业虽然发展较快，但供需仍存在较大缺口。一方面是工业企业的智能化需要大量高质量数据支撑，在工业智能化推进过程中，谁掌握了更多高质量的工业数据，谁就真正掌握了主动权。另一方面是数据服务供给不足。据麦肯锡的一项报告显示，就数据的数量而言，制造业产生的数据量远远超过其他行业，然而工业数据的应用却远没有社交网络、医疗和商务等等方面普遍和深入。这意味着，数据服务在工业领域的发展机会和潜力十分巨大。
随着国务院印发的《“十四五”数字经济发展规划》将“提升数据资源处理能力，培育壮大数据服务产业”列入国家规划，DPS产业的发展迎来了更多政策红利。
由此可见，当前正是布局DPS赛道的最佳时机。以前被严重低视的DPS产业，正在从“低谷”走向“巅峰”。一些领先的工业解决方案厂商，已经建立自己的数据服务团队。聚焦优质数据服务，不仅可以帮助工业企业高效推进数智化转型，以优质数据服务推动工业智能化发展，也将为工业解决方案厂商带来新的商机。
具体DPS功能如何发挥作用，DPS行业本身怎样发展？敬请期待海比研究院即将推出的2022DPS年报。也欢迎相关企业和机构参与和支持年报的调查工作。
同时，海比研究院正联合权威机构编写DPS服务质量评价体系，也欢迎相关AI企业、行业应用服务商和DPS企业报名参与。
Copyright © 2005-2021 网信安全世界版权所有