近期资讯

所谓工艺流程，实际上是一系列工业设备的生产参数。

对于精密制造来说，产品质量中的70%由设备的生产原理决定，30%由现场环境决定。生产原理是机械学院、化工学院、电气学院等各大工科院系钻研出的科研成果。另外30%的影响因素，来自于生产现场的温度、适度、设备的磨损度等。

工业大数据分析实践中大家经历过很多这些情况。比如，检测水轮机的传感器应该布在哪些地方，既能保证运行安全，又能保证成本？再比如，轧钢厂的轧辊磨损程度不同，需要的参数设置也不同——相关的隐性知识都刻在工业人的大脑里。

这些都是工业企业在数字化转型中的典型难题：

如何将工程师脑中的隐性知识沉淀下来？

如何让制造业企业不用担心工艺泄漏？

大数据企业如何突破各个行业的专业壁垒？

深耕工业大数据的昆仑数据，通过自研的K2平台，将隐性知识梳理成图谱，将行业知识抽象为产品，降低业务人员使用大数据的技术门槛，加速企业数据价值的释放、领域知识的沉淀和数智化转型。目前昆仑数据已服务清洁能源、显示面板、高端电子、钢铁冶金、新能源商用车、动力装备等领域。

作为企业的大数据合伙人，昆仑数据如何帮助工业企业探索数智化无人区？

作为大数据公司，昆仑数据如何在不同行业间实现复制？

更重要的是，如何真正迈入1万亿规模的工业互联网市场？

01

没有业务价值的技术炫耀，都是耍流氓

过去要解决数据问题，工厂的做法是找一个技术服务公司。

昆仑数据早年也接过服务项目，但昆仑数据CEO陆薇发现两个问题：一个是保密性，工厂不见得愿意把核心工艺告诉服务商；第二是标准化，行业间差异很大，定制开发不是一个好的商业模式。

工业大数据本质上是将特定工业场景下的经验知识，以数字化模型或专业化软件工具的形式积累沉淀下来。

如何在工业生产领域形成标准化的产品？这是昆仑数据面临的最大难题。

深思熟虑后，陆薇决定升级产品——将行业经验抽象成产品，降低数据使用门槛，让工厂的技术专家更好操作。

不会写算法没关系，昆仑数据有办法让业务人员像用Excel表格一样操作昆仑数据的平台和产品。这样，一线的业务人员也可以基于昆仑数据的平台开发自己的个性化应用。

“我们想做工业数字化领域的SAP。”陆薇说，“SAP把经营管理的最佳实践沉淀了下来。我们也一样，我们把工业领域的生产经验，比如怎么做设备健康管理，怎么产品质量检测等都抽象为模版，将行业知识进行数据化，沉淀在我们的平台上。工业专家把这个模板拿过来，根据自己的行业特性调两个参数，就可以直接使用。这是我们正在做的事情。”

这个目标背后，昆仑数据要实现“3T融合”——operation technology/运营技术，Information technology/信息技术和data technology/数据技术的融合——也就是把很多工业的专业知识跟数据智能结合到一起，变成了产品的一部分，产品中包含很多行业解决方案。

昆仑数据内部集合了大量数据专家和信息专家。陆薇本人毕业于清华大学CAD（辅助研发）专业，在IBM工作14年，曾负责IBM全球物联网系统。

但工业门类众多，隔行如隔山，如何获得钢铁、电力、化工等领域的专业知识？如何在各个工厂之间实现复制？

昆仑数据首席科学家田春华回忆：“深入行业之后，数据分析反而成了一件简单的事，难点是，你要知道什么时候、用什么数据、看什么东西，这种联系行业专家有时也讲不全。所以我们最好反过来，不是我们去学习工业知识，而是把数据分析技能交给行业专家，通过把工业人变成工业数智人，实现工厂的数字化转型。”

02

通过人的转型，实现企业的转型

书面地讲，昆仑数据的核心能力是：

数据资源化：提炼工业数据管理实践经验，降低数据使用门槛 。

知识结构化：内置创新领域知识驱动的工业数据分析方法论，降低数据分析门槛。

研用一体化：提供分布式云+边协同框架，降低应用部署难度。

通俗地讲，陆薇认为，昆仑数据本质上是在做培训，“我们是通过把工业人转型为工业数智人，通过人的转型来实现企业的数字化转型。”

如何培训专家？田春华介绍，昆仑数据通常的培训方式分为三步，持续半年时间，一次培训大约10人，一个企业学会数智技术的业务员如果能稳定到十几个人，这部分业务基本就撑起来了。

在培训中，第一步是建立认知——先让客户了解大数据能做什么，不能做什么，用案例形成一个共识。

昆仑数据在进入企业之前，会先对企业讲清楚，“我们不是卖给你一个现成应用，马上解决良率问题、效率问题等等。昆仑数据交付的是一种能力，让你可以自己去解你这些问题。”

第二步，做数据梳理。通过展示过往相关行业的参数列表，让客户照做一份表格，列出本行业的关键设备与参数。

第三步，进行大约半年的实操练习。

昆仑数据的平台和产品主要包括K2Assets®工业数据智能平台，平台里储存着沉淀了行业经验的各种算子。

在昆仑数据的算子库里主要有三类算子。

通用算子：包括通用的数据预处理、机器学习、时间序列分析等。

领域算子：包括传感器分析、振动分析、热力学算子等。

行业算子：包括水电、风电等具体行业分析领域算子。

行业算子专注于特定行业的特定经验，适用范围较小。领域算子不如行业算子那么抽象，比如判断机器设备上的信号是持续上升，还是振荡过大，这种经验行业之间可以相互借力，相互流通。通用算子是最常见的大数据应用模型。

通过平台与算子，工业技术专家可以以非编程（低代码）方式，自主完成数智化创新应用开发，并将其创新成果快速部署和应用到现场，实现自身工业知识的数据化、算法化、软件化。

03

通过服务巨头，参与搭建细分行业的产业平台

对陆薇来说，通过培训工程师，昆仑数据可以同时覆盖多个行业。

沉浸工业互联网二十多年，陆薇一直在思考什么样的软件最有价值。她的结论是，上云只是手段，工业互联网是价值场景驱动的，不是技术平台驱动。

把互联网放在一边，单独看产业——产业本身是一个不停交易和流通的链条，上下游企业之间一直有业务往来。只是原来的业务往来是通过表格、电话等方式，如果能用互联网的手段支撑起交往过程，理论上应该会效率更高。

谁最适合搭建一个产业平台，用互联网的方式赋能上下游企业？陆薇的结论是龙头企业最适合成为产业链的链主。

首先，只有大客户才想自主创新，腰部客户最想要的是现成的解决方案。其次，不少工业龙头企业正在思考转型问题，寻找新兴业务。这样的龙头企业最适合借助已有产业链，在传统业务之外，搭建一个为行业服务的垂直行业互联网平台，服务整个行业。

对昆仑数据来说，通过服务巨头，参与搭建细分行业的垂直平台，昆仑数据可以实现对一个行业的覆盖。

东方电气集团是国内最大的发电设备制造企业和电站工程承包。在进行设备运维管理时，东方电气集团借助昆路数据的技术能力，打造“云+边”的远程监测与智能诊断云平台，进行健康评估、故障诊断、运行安全性分析等模型的数字化迭代和软件化部署，提高水电机组运行可靠性，降低运维成本。

东方电气的远程运维智能APP都运行在昆仑数据的技术基座上，昆仑数据也会随着他们的市场拓展，服务更多的水电站用户。

虽然找到了好的商业模式，但昆仑数据也不能随心所欲地进入任何行业。最大的制约因素是企业的数字化基础设施不完善。

要想实现大数据，前提条件是要搜集到足够全面的数据信息。

工业互联网本身是一套复杂系统。从横向集成的角度看，制造企业需要通过平台去连接人、机、物等各类工业要素，获取各种设备实时数据和生产过程数据，再结合行业的生产原则，构建相应的生产模型。

从垂直应用的角度看，以数据为基础的智能应用，通过沉淀行业知识和经验，可以显著提高生产效率。

工业互联网发展空间巨大，但是如果产线半自动，数据搜不全，大数据就毫无用武之地。“企业买硬件的钱比买软件的钱贵得多。”陆薇忍不住吐槽，毕竟很多企业还在补信息化的课。

实际上，工业大数据比较成熟的应用场景，都集中在生产制造过程优化、供应链管理、预测性维护等具有较高行业特质的场景中。真正要实现各行各业的工业互联和大数据计算，还有一段路要走。