新聞中心
行業資訊

正經雜談:對工業大數據和企業數字化轉型的一點看法和體會

發布日期:2019-10-18 訪問次數: 信息來源:撲克投資家

 5月5日,昆侖咨詢首次刊發了馮恩波博士的《西方工業安全和我國工業安全制度的比較與思考》一文,在業內產生較大反響,引發了一場關于工業安全管理與機制的大討論。今天,再次聚焦當前的熱點 — 工業大數據與企業數字化轉型,與朋友們一同分享馮博士的另一篇佳作《對工業大數據和企業數字化轉型的一點看法和體會》,聊一聊工業大數據、工業智能化的方向與方法,也歡迎大家就這一主題積極建言 ...


一、工程師怎么看大數據

 最近幾年,“大數據”詞都成了一個專用名詞了,比方說,某大學今年招生的一些統計數字叫做“新生大數據”;我國“經濟大數據”,結果就是一些統計數字而已,并沒有什么高級的數據處理結果。

 從學術或技術意義上說,“大數據”并不簡單指的數據量的規模大小,更多的時候是指通過對數據的高級分析(即所謂數據挖掘、知識抽取、機器學習等算法),從一個不同維度和方式看待原始數據所隱含的信息。這實際上是一種不同的方法論。

 作為一個工程師,我們處理實際多變量問題的時候,會很注意這些變量的集合效應,而不是單個變量的作用。因為世界上所有的變量之間都有一種內在的聯系,當然,我們是否能定量地或定性的去發現這種聯系規律是另外一回事情。在本質上,這些變量間還是有因果關系的。

 我們按傳統的觀點,一個工廠的運行,實際上是把每一個變量看成是單一的,互相獨立的。我們相信,把每一個變量都控制在特定范圍,就可以保證我們的產品質量合格、運行狀態安全了。這實際上是不正確的,很多時候我們需要考慮數個變量的集合效應,這就是大數據思想和方法論。

 另外一個問題,一個裝置常常會有成百上千的變量,這樣直接去找到他們的關系是很不容易的。我們知道,這些變量之間是有相關性的,這樣就可以找到一些“主要的因素”,這些主要因素并不一定是一個變量,而可能是一堆相關的變量組合成為一個因素,一套看似復雜的生產裝置,真正的“獨立因素”并沒有多少,我曾經分析過一些大型流程生產裝置,超過8-9個獨立因素的裝置很少,最多的也不超過12個獨立因素。如何找到這些獨立的因素,有嚴格的數學方法和數據處理算法。

 作為一個工程師,要把數據看成互相之間關聯的,互相有因果關系的,這就是大數據的本質思想。不能一說大數據就先想到它的大小、它的快慢、變量的多少,我并不認為這是一個本質的事情。


二、關于精益化運行和知識性工作的自動化

 我們運行一套裝置或者一個工廠,我們會面對三大類問題。

 第一類,我們所說的痛點,就是必須馬上要解決的,比如安全問題,環境問題,還有效益問題,就是我們的痛點,這個不言而喻。

 第二類問題是“癢點”問題,就是那些今天不解決也行,明天不解決也過的去,但是終歸是要解決。這些問題看起來沒有那么急迫,但是不解決就會出大問題。比如,裝置耗能比較高,穩定性有問題,我們就需要一些時間研究一下,找到一些好的技術。找到了技術了,做完項目能不能維護,也是一個問題,這些都是一些日常生產當中需要解決的。這些就叫“癢點”。

 最后一類問題,我們經常說有“盲點”,盲點有一類是物理性的,比方說測量方法或者儀器,我們拿不到這些信息,這就是盲點。還有一類盲點,可能更重要,就是我們有測量數據,但是數據太多了或者很復雜,我們不知道怎么分析,不知道數據能告訴我們什么,這些數據雖然是存在,但都在“睡眠”之中,對我們來講也是一類盲點。而這種盲點事情非常普遍,解決起來需要很多的工藝知識和數據處理知識,這是需要領域專家和數據專家結合起來去做的。這方面的人才,或者叫“數據工程師”,現在是一個瓶頸,工業發達國家都有這樣的問題,這使得我們的盲點問題越來越嚴重。我個人的體會和看法,一個好的企業和差的企業,主要的差距就在這個方面。

 上面所說“癢點”問題,有一個共同的特征,就是問題的時變性,同樣的問題,不同的時間,出現的方式不完全一樣,這次解決了,過一段時間還會再出現。這樣就產生了“持續改進”這種方法體系,比如6-西伽瑪或者是PDCA方法,都是按時間持續推進,反復地以滾動方式解決問題。持續改進方法最大的特點是應用較多的數理統計方法和模型化方法,因為這些癢點問題往往不是孤立的,解決起來有一定難度,需要做一些深入的數據分析。

 持續改進從方法流程方面看,都有一個經驗收集和總結過程,并且和數據分析結合起來,這本質上是把人的知識進行整理和形式化。做這項工作,很大程度上依賴于人的知識結構、他的數學技巧、對工藝理解、與人交流的能力,甚至和人的性格脾氣都密切相關。這在嚴格的6-西伽瑪黑帶和綠帶認證培訓中有一定要求。不只是學歷的問題,還有和人的交往能力、領導能力、個性特征、組織能力和執行能力的綜合考慮。像這類工作,我們稱之為“知識型工作”,工作的內容和處理的事情是基于“知識”,而這些知識有可能是和數據打交道,也有可能是和過去的定性的經驗打交道。

 筆者在過去20多年企業工作中,持續改進是主要工作職責內容之一。我發現,今年一個綠帶或黑帶人員(編者注:黑帶和綠帶源于軍事術語,意指具有精湛技藝和本領的人,在六西格瑪管理體系中,指的是引導企業進行變革和改進的中堅力量,具體可分為綠帶/GB、黑帶/BB、大師級黑帶/MBB等角色)費了很大的功夫和很大的精力解決了一個問題,但明年或后年,又出來一個綠帶或和黑帶還要去解決同樣的問題。原因可能是裝置本身操作條件發生變化、原料發生變化等等,人和人之間解決的思路有非常大的差異,有些能力強一些,有些能力弱一點,所用的方法思路都有較大差異性,效果也就有相當大的差距。我們很自然想到,能不能把這一類基于知識的工作在某種程度上自動化,而這個“自動化”和我們平常所說的用儀器儀表DCS實施的自動化還不完全一樣。這些電氣或機械的自動化是一種技術的手段。

 我們所說的這種知識型工作自動化,是數據分析流程的自動化,它處理的對象是知識,包括定性和定量的知識,在整個處理和結果執行流程閉環里,人是很重要的一個組成單元,整個系統是一個“人機混合”系統,而不是傳統意義的全電子或機械自動化系統。

 上面我們提到,知識有一些是可以用公式來表達的,還有很多是可意會不可言傳的隱含型的,而這些隱含的知識,現在來看不一定永遠處在“隱含”狀態。過去人們沒有辦法叫它顯現表達出來,或許是數據的缺少,或許是數據的處理方法。

 近年有極大發展的大數據方法和人工智能技術,實際上是把海量數據中隱含的人們所感興趣的特征顯現出來,特別是把一些定性思想用數據和算法支撐和聯系起來。過去的只可意會不可言傳,主要是由于數據量,或者是數據方法,或者是處理能力限制而已,現在都逐漸變成現實。

 作為是圍棋愛好者,知道圍棋博弈中包含大量的藝術性和感覺性技巧,我曾經認為計算機是很難下圍棋的,相當長一段時間,我不相信計算機下圍棋能超過哪怕一位業余愛好者,看看最近的發展,人類下圍棋已經贏不過機器了,這就說明隨著機器計算能力的提高和新數學方法的出現,過去有很多隱含性或定性的知識,現在都可以用定量的方法和機器計算的方法來完成。也就是說。現在的數據只要足夠多和遍歷,我們就可以基于數據發現過去很多不能顯現表達的知識。

 綜上所述,可以把這種持續改進的思想和流程設計成軟件系統,把處理數據、數據挖掘和隱含信息顯現工作自動進行,我認為,這就是人工智能在工業當中的應用場景。不能一提到人工智能就認為是機器人那樣的東西,就是為了減少人力,更多地應該是基于對海量數據處理,把結果實時推送給人,從而對人的決策時間和行動產生影響和幫助。


三、關于企業“對標”的方法

 談到精益化運行,最主要的就是要找到差異性,差異性的管理和控制是精益的精髓和最終目的。找出差異性就是要去“對標”,對標應該考慮兩個維度,一個是空間的維度,比如說去和世界最先進的裝置,或者同類裝置去對標它的能耗、質量、生產成本。

 一些標準化的裝置或者是通用性的裝置,用這種辦法是相當有效的,例如規模接近的煉油廠、大宗化工產品裝置都可以。但是,對于大部分的精細化工和特種化工工藝流程,這種方法有很大局限性。因為每一套裝置都有一些區別,特別是在催化劑方面,原料來源甚至地理位置,這些區別帶來了裝置間的不可對比性。

 所以,我們說對標,特別是空間上和同行業對標,一定要注意有這個差異性,不能簡單地數字對數字。這類對標可以在一個統計意義上,比方說某一類產品在世界上有不同的工藝,可能有幾十家甚至上百家,他們有一個統計意義平均能耗或質量等指標,我們可以在統計意義上去比。這些數據在工業發達國家政府工業部門都是公開的。如果一種產品,總的需求量量就很少,世界上也許只有2-3個類似的工藝,這樣去對標實際上是不科學的,在統計上也沒有意義。

 比方說所用的催化體系就有些差異,只能說各有特點,有些事情是因為知識產權不能完全一樣,有相同的工藝,各項數據也難以簡單“對標”。對標本身就是一個統計學意義的工作,只能根據現有的生產工藝,催化劑系統去優化現在的裝置,而不是說別人怎么樣,我們也做的怎么樣,要注意科學性。

 對標的另一個維度是在時間尺度上,我認為這種對標是更有意義。大部分企業現在已經有了相當好的數據積累,所謂對標,無非是把歷史上最好的數據找出來,看看那時候究竟是發生了什么事情,那個期間整個的運行模式是怎樣的,如果我們把一套現有的裝置或一個企業都運行到了歷史最好水平,這個企業一定不會差。

 另外一個方面,如果找到了歷史的最好水平,我們想辦法不斷向歷史最好水平去靠近,而在靠近的這個期間,也同時會產生一些新的數據,而這些新的數據,都是在歷史最好水平附近的數據,再往前推動一點,比歷史最好水平更好,這才是真正的持續改進和優化,一步一步滾動方式往前進。天天盯著別人看不一定是最科學的方法,很多事情應該是自己看看自己的過去,已經做了哪些是好的,哪些不好的,總結經驗,在這個基礎之上往前更進一步。這樣可能來的更現實一點,也更容易操作。

 回到工業大數據話題上來,數據是什么?數據就是過去發生過的信息記錄,工業大數據方法論和技術,就是從歷史數據里挖掘出規律性的東西,基于“歷史相似性”、“事件遍歷性”和“時間連續性”三大原理,對正在發生的事件進行“對標”,及時分辨出奇異(非正常)狀態、優質狀態和落后狀態,提高系統運行的安全性、最優性和穩定性。


四、智能化一直在路上:自動化、信息化和數字化

 現在談一下智能化。人工智能這個詞現在很熱,在歷史上這個概念和自動化是不分家的。維納的《控制論》副題就是“關于在動物和機器中控制和通訊的科學”,人工智能的意義就是用機器部分地代替人的腦力勞動。從這個意義上來講,自動化一直就是人工智能的一部分,也是逐漸發展中的人工智能。

 比方說,我們常用的PID控制回路。就是模擬操作工的操作行為,把他們的思想變成比例+積分+微分控制器的三個參數。如果我們處理一個比較復雜的多變量的對象,比方說一個精餾塔,我們就需要更有經驗的操作工,可以把他們對裝置的理解,甚至裝置中某些變量響應快慢的知識固化下來,同時能處理多個回路和變量之間的耦合效應,這就是先進過程控制APC的基本原理。而這些操作知識要用數據化方式來支持,這就就產生了動態矩陣控制,內模控制等等一大類先進過程控制算法。

 這些系統本質上都是把人的經驗,用數據模型和數據結構進行支撐,讓它能自動地模擬人的動作,這都是人工智能最本質的特征。現在有一個傾向,把信息化、網絡化、大數據、智能化同傳統的自動化割裂開來,這不是一種科學的做法。這些東西在整體上是都是一步步發展過來的,無非是用的機器計算能力、數學算法、測量數據來源不一樣而已。從方法論上來看,都是人工智能的不同發展階段,也就是說,是人們嘗試用機器代替部分腦力勞動逐漸進步過程。把自動化、信息化、網絡化和智能化連貫起來看,以一種歷史唯物主義的觀點去看,實際上是很重要的。

 筆者就聽到過,說我們現在連自動化還有搞不好,還去搞什么智能化,完全是沒有必要和不現實的。實際上,我們現在搞的大數據也好,智能化也好,無非是更高級的自動化而已。以這種更高級的自動化手段去提升和倒逼傳統的自動化,甚至由此出現了一些智能化執行機構、新型測量手段(如機器視覺)等等。從實施角度看,并不是說非要一個階段做完美了,再去做另外一個階段,沒有必要硬性的分割開來,應該把所謂的現代智能化,網絡化當成一種工具,能用到什么地步,就用到什么地步,目的是去解決實際問題。

 例如,一套裝置也許最基本的測量元件缺失,導致了整套系統控制不好,那就解決一個測量問題,這個測量問題也就是智能制造的一個部分。總而言之,要從實際出發,有什么問題解決問題,如果有很好的很先進的技術,能帶來更好的效益,為什么不去用呢?不能說底層搞不好,上頭也搞不好,只要有突破點,不論從哪一個角度,從哪一個層面都可以去突進。有的企業從上邊開始比較容易,有的企業是從最底層的測量去解決才出效益,從不同層面,從上往下或從下往上都是可以的,根據不同的行業和不同的企業具體情況而定,萬不可生造標準和模板。


五、也談企業數字化轉型路徑

 企業數字化轉型是近幾年非常熱門的話題。“轉型”有兩層意義,第一層意義是指裝置和企業操作方式和經營方式,生產方式和過去發生較大的差異。比如,過去主要是人工操作,特別是離散行業的汽車制造,現在基本上不用人,可以基本用3D打印去實現,這是一種全新的生產方式。離散制造業再這方面發生的變化很大,這更像一個所謂的轉型。

 另外一層意義實際上是一種觀念,是一種技術的進步和升級,從操作大概念上來講,不一定發生非常大的變化。這在流程工業當中比較明顯。比方說,我們一個反應器,過去是由操作工去控制溫度、壓力、流量這些參數,有了自動化系統,這些操作基本上可以不用人去現場干預了。那么,數字化轉型對這一類裝置和企業是指的什么呢?實際上是指再技術方面的升級,例如在測量方面現在有很多更先進和更可靠的測量手段,比方說光譜儀、質譜儀等等。

 從控制手段來講,現在比過去更可靠更安全,還有控制閥的實時反饋信息,還有智能化控制法和很好的先進控制算法,使裝置更穩定。從安全來講,現在有一些更先進的監測手段和處理手段,安全性大大提高。但是,這些東西并沒有從根本概念上改變我們的操作原理,這些技術提高了裝置的平穩性、質量指標,使人更安全。所以,數字化轉型實際上可以理解為,用數字化的手段改變測量、控制、優化決策的效率,提高安全性,提高質量,節能降耗。

 我們的部分企業經常有困惑和誤區,提到企業數字化轉型就想到要首先要有大的投入,筆者認為,需要針對不同企業分別對待。我們說,自動化、數字化、信息化、智能化,都是一脈相承的,不能把技術和概念割裂開來。對一些落后的企業,那就從測量和自動化開始,現在的技術手段比過去要方便得多。

 在某些點上和業務方面,也可以搞一點智能化程度高的東西,不一定就是從上到下一氣呵成,一下就花很多的錢。特別是我們的企業決策者,不要把數字化轉型又做成了一個IT項目,上很多的新硬件,上一些功能強大、好看不用的軟件。就是上去了這些東西,如果沒有實際用起來,時間一長,這些設備也會落后,過幾年還要花錢升級。

 一個企業從哪個層面和角度開始進行數字化轉型,需要企業的決策人做一個戰略性的規劃,做什么或者做到什么程度,分階段分業務區塊做一個長遠的規劃,這樣一步一步積累下來。一句老話,實事求是,不忘初心,我們做企業的初心就是使它的安全性提高,使它的效益更好,使他的產品更能符合老百姓的需求。有了這個初心,我們心里就有數了。綜上所述,一定不要把數字化轉型理解成是一個整套的IT項目,也不應該把它做成信息化主導的項目。


六、怎么看企業數字化轉型的效益

 為什么要談一下數字化的效益問題?筆者曾經和業內的幾位老朋友談起過這個問題,他們在實施數字化方案的時候。有人常常就問,你上這個東西每月每年能給我節約多少錢?因為我這些朋友,業務出身很不相同,有時候真的不容易回答這個問題,可是心里又感覺到效益就在那里,但是一時說不出來具體在什么方面。

 這個問題,筆者認為應該從三個方面來看。首先,數字化轉型主要就是從測量數據分析,到決策的一個數據流或信息流的自動處理系統。其最主要的目的是改變或者是提高裝置企業的安全水平和參與人員決策的科學化和及時性。當然。其中數字化的一部分會落實到具體的生產裝置,涉及到到一些節能和質量指標,這都是一些直接的效益產生點,這個容易理解。問題是,在裝置和操作單元這一層往往是一些自動化控制單元,比如一些自動控制回路或者是先進控制器。表面上去看,只有這些直接控制單元能產生效益,而處理信息流的東西,就很難和直接效益掛鉤,這就是所說的效益問題困惑產生的原因。

 我們想一想,在一個工廠里邊,現場的操作工直接操作設備,當然產生了直接效益,可是我們為什么還需要工程師,需要那些坐在辦公室里邊的輔助人員和需要管理人員?難到我們說這些白領們不產生效益嗎?操作工產生的效益是通過對裝置具體的操作,這很容易看到。那么一個工程師在辦公室,他提供知識的協助,一個管理人員他從更高的信息處理層面去協調數據的挖掘和協調資源的安排,這些效益怎么計算呢?道理是一樣的!

 數字化體系,特別是有一些大數據和人工智能處理功能,他們把一些知識型的工作自動化或半自動化,使得生產決策更據科學性和及時性、更好的保證裝置運行的安全性。這種效益是更長遠,更大范圍的,但是在很多時候是難以量化的。比方說避免一次事故究竟能產生多大效益,那個事故并沒有發生,你就沒法比較,這些數字化系統降低了故障的概率、提高了可預見性可可控性,潛在效益實際上是很大的。這和我們說在工廠里邊,除了操作人員以外,還需要大量的做知識型工作的工程師和管理人員是一個道理。

 第二個方面,數字化系統往往覆蓋自上至下的各個生產環節,實際上對具體的操作層面有一個倒逼的作用。有人開笑話講,數字化的系統很多時候就像一個牧羊犬,因為有了這些系統,特別是一些可視化功能,效益的計算都變成實時的,對操作人員有一個監督功能和實時性推動作用,使他們更關注整裝置效能,更關注安全和質量。

 早些年的時候,操作裝置主要是靠人工操作,要上自動化系統的時候也有人提出來:這個設備人操作的都很平穩,為什么要上自動化系統還要花這么多錢?現在類似問題也許已經不會有人再問了(也許還會問)。前一段時間有個朋友告訴我,他到一個企業里去講數字化的問題,結果廠里的領導告訴他,你說的這些東西,我只要派一個人去廠里轉一圈,什么都知道了。這位領導說的也沒有錯,但是他想過沒有,一個人到廠里面轉一圈,他是不是可以把得到的信息完整和科學地永遠記下來,如果他離開目前的工作,他的經驗是不是可以固化下來并繼承下去呢?

 數字化的系統本身具有的是知識加工處理和固化的功能,使工廠的運行不依賴或弱化依賴個別人的經驗,以更長久地穩定運行,產品質量的一致性也會得到保證。特別是對于現在化工企業,下一步人員招聘都是大問題,借助數字化系統把人的經驗進行固化是一種非常好的手段。特別是對一些國有企業,更有這方面的問題。因為國有企業管理人員調動比較頻繁,不同領導有不同管理方法,企業經營的好壞很多時候取決于人的能力和方法。

 這有好的一面,也有危險的一面。如果決策的科學性和實時性,用數字化手段進行標準化規劃,將管理變成一套科學的體系,不以人的調動,不以人的退休而產生大的影響,這實際上是一個現代化企業最主要的標志。如果一個企業,以一個“能人”為標志,太過依賴于個別人的技術和能力,這實際上是一種危險的狀況,不論是在技術層面、在社會方面、在風險管控方面,都存在著巨大的問題。


七、結 束 語

 數字化、大數據、人工智能方法,基于“歷史相似性”、“事件遍歷性”和“時間連續性”三大原理,將沉淀于歷史數據中的隱含知識用可視化手段顯示出來,使得企業決策者和流程操作人員可以瞬時獲取當前狀態,以及同歷史比較的全維度差異性,從而即時獲取改進方向、預測性決策依據和不作為的價值流失。數字化技術將運行安全、操作優化、流程穩定、預測性維護、主要驅動變量等,自下而上地貫穿于設備級、單元級、裝置級和企業級,以實現基于歷史數據去影響和驅動未來狀態。






上一篇:
下一篇:
Produced By 大漢網絡 大漢版通發布系統 平板电脑麻将软件下载
徒手赚钱技术 财神捕鱼技术打法 广西快乐10分官网 内蒙古快3实时走势图 金牛棋牌老版本下载 休彩福建36选7 靠劳动赚钱 议论文 下分棋牌游戏排行榜 四川真人麻将下载