当前位置:工控会员企业> 首页 >新闻中心>李杰:工业大数据的前半生和后半生
联系我们

名称:北京天泽智云科技有限公司

地址:北京市海淀区北二街8号中关村soho 1208

邮编:100080

电话:59718318

传真:59718319

网址:http://www.cps-china.com

Email:marketing@cinsightech.com

在线反馈

本网站信息涉及广告内容!

李杰:工业大数据的前半生和后半生

8月2日,2017中国大数据产业生态大会在京召开。大会由中国电子信息产业发展研究院主办,中国大数据产业生态联盟联合达晨创业投资有限公司、中国软件评测中心、赛迪智库、赛迪顾问股份有限公司和《软件和集成电路》杂志社共同承办。此次会议吸引了政府领导、行业专家、中美近二十家大数据企业代表以及创投机构聚首京城,共同探讨大数据产业发展趋势,推动技术创新,助力企业成长。


美国辛辛那提大学讲座教授、美国国家科学基金会(NSF)智能维护系统产学合作中心主任李杰,作为联盟专家委员会主任委员受邀出席此次会议,并做主题为:工业大数据的前半生和后半生的演讲,分享了如何更好地利用工业大数据,从解决问题、避免问题的思维转换成价值创造的思维。



美国辛辛那提大学讲座教授、美国国家科学基金会(NSF)智能维护系统(IMS)产学合作中心主任李杰


大家好,很高兴跟大家分享。今天我演讲的主题是工业大数据的前半生和后半生。前半生怎么发展过来的,后半生该怎么去?这个主题也相当于对我个人经历和实践的一个小的总结。


先介绍我做工业大数据的前半生。我在美国37年,早在1983年的时候美国就开始做汽车自动化生产线,我先后在工业自动化与机器人领域工作。后来进入美国国家科学基金会(NSF),然后在联合技术公司(United Technologies Research Center UTRC)担任研发总监参与了普惠发动机、开利空调、奥迪斯电梯等开发技术研究。之后我又回到学校当教授,创办了智能维护系统中心(IMS)。

 

IMS中心是2000年建立的,到现在已有17个年头,目前全球有90多个企业伙伴,现在做的最大的项目是跟日本电装合作的“Dan-To-Tsu”可翻译成“无人可及的工厂”。目标就是100万个零部件做出来只有一个质量不好,目前世界上没有任何其他工厂能够到达这样的水平。飞机也同样,起飞100万次才有一次失事,能做到安全系数这么高,主要是有工业大数据分析、故障预测与健康管理等技术的支撑。现在我们跟大金空调、华为、中船、中车高铁,还有马扎克-世界第一大机床厂等企业都有合作。




先来讲一下工业的发展历程。很多发展工业的国家首先从提高生产力开始着手。有五个阶段,第一个阶段是全员实践,日语叫Kaizen,中文叫改善。每天做好整理、整顿、清扫、清洁,做整体标准化持续化的改善。第二个阶段是数据化,丰田最早的精益与GE的“6-Sigma”,这是在80、90年代在做的事。第三阶段做预测性建模分析,那时2000年美国在做转型,解决数据层到信息层的问题。第四阶段叫做知识层,现在我们要做的就是把数据变成可以支持决策的系统。第五阶段是最高层,可以自主产生知识、自主决策,不需要管它,比如无人驾驶。但无人驾驶不是目的,无忧驾驶才是,就是说开车时不用担心前面的路况。假如前方一公里处有坑洼,这辆车以前经过此处,通过传感器跟我的GPS建立了关系,下一次我走同样的路线时,还没有开到这个地方,车子就会收到提醒–前方一公里处有坑请注意。我的车跟别的车分享,它们还没有开到,也会收到提醒说前面一公里处有坑请注意,这才叫无忧驾驶。这是我们所说的数据的价值转换,从性能优化到避免风险和忧虑。


在《工业大数据》这本书里面我讲了很多,前半部分讲的是从可见的问题入手去解决,比如从生产力开始来找大问题,问题要大到足够让我们去投资做数据,因此才能解决大问题,这是我的前半生做的事情。我的后半生就不是做这件事了,因为解决问题不是目的。目的是让问题消失,甚至让问题不出现。这就是我所说的从隐性的问题,甚至是客户都没有意识到的问题,从中找出价值,这是大价值。问题还没有出现,就把它避免掉了,这是大价值。


下面我们来看怎么做大价值。1984-1987年我在通用汽车机器人自动化生产线工作,MAP (Manufacturing Automation Protocol) 相当于今天的IoT。另外 87年的时候通用也投资了休斯卫星,92年安吉星研发出来。安吉星做了全球第一个工业物联网的前身–汽车里面所有的传感器直接跟人工打通连在一起。汽车出车祸,它马上就知道,你不回话,他马上派救护车和公安人员到现场,这是在1992年就实现了的安吉星。1998-2000年我在美国联合技术公司(UTRC) 担任研发总监时,奥的斯电梯是我们属下的单位。我们可以从电梯的使用情况知道哪个电梯明天会有故障,那是在1997年。1999年,GE医疗的磁共振超波能够在问题还未发生之前或者问题发生之后能进行快速诊断并派人过去维护,减少设备故障率与人员费用。在1990年的时候,GE医疗的磁共振设备在医院里面使用,有很多的问题,医生发现设备出现了问题就会打电话报修,那时一周平均有一千个电话报修,只有41%是不用过去就可以解决的;99年时,能做到还没有派人去之前就知道什么零部件要换了,甚至很多问题可以通过远程进行诊断,只有25%的问题必须要派人过去,这样节省了70%的不必要人力,这是一个简单的大问题。到2004年的时候,开始从医疗端的数据,即产品的数据转到了病人的数据,这时候才是真正的工业大数据的开始。比如做分子医学,可以用显影剂找到身体可能发病的地方,这才是最有价值的部分。再比如飞机,对于发动机里面所有的部件,能够预先知道哪里可能会发生什么问题。


2001年IMS中心成立时,我们的想法是怎么把前半生的大问题变成后半生的大价值。把传感器的数据和历史数据抓进来,做了细致深入的分析,这才把大数据的精髓发挥出来。找出了隐性的问题,即还未发生的问题,我们去解决甚至避免,并且创造价值。这就是工业大数据的后半生。


我们做过的项目很多,包括John Deere、GE发动机、阿尔斯通高铁、固特异轮胎、Intel、宝洁等。是从前半生开始做,先解决大问题–智能维护,到后半生做智能预测,最后做到无忧系统与大价值。无忧系统是未来任何系统都需要的,比如无忧驾驶、无忧工厂。


那么无忧该怎么做?先讲Intel半导体。现在中国正在盖26个8寸晶圆和12寸晶圆厂,是中国下一波经济来源和增长点。建一个厂大概需要20亿到45亿美金。晶圆厂里面用人的机会很少,人只需做一些简单的事情,是真正的自动化,所以里面的数据最值钱。英特尔在2000年的时候找到我合作,希望对数据进行分析和预测。因为这些装备很贵,他们希望能够提前预测装备什么时候发生故障,以及跟质量、速度等的相关性。2000年时这就是我们IMS的重点,将预测性和预防性做到很高端的半导体装备上面。今天中国半导体正在崛起,很多高端装备零部件是靠纳米线,中国现在是十几个纳米,美国现在是五个纳米、三个纳米。


下一个案例是宝洁。宝洁公司的尿布产品生产线设备经常停机。如果想要这个生产线减少停机,提高使用率,就需要用预测模型来预测。我们那时候跟宝洁的尿布生产线合作可以做到不停机,一直生产。帮助宝洁一年节省了4.5亿美金的不必要浪费,这是宝洁的统计数据。这种高效的投入产出比,就是从大问题到大价值的转变。


2005-2007年小松跟我们合作,也是做到预测哪个零部件会坏掉,然后优化工地的建设。现在小松在全世界的项目都可以用大数据先扫描,建立工地的基础模型,然后分工合作,给挖掘机分派指标。这是大价值,不是卖挖掘机,而是卖工地的管理服务,价值很高。


这是今天讲到的煎蛋模型,从大问题导向到大价值导向。蛋黄是大问题,蛋白是大价值。我们讲大数据是从大问题开始,但它绝对不是目的,要做到大价值,发挥最好的作用,从问题到数据到经验。经验可以传承,但无法长久传承;而数据可以传承,因为它有逻辑性。最后再把价值做好,把经验变成事实。下一个经济的竞争,是在evidence-based economy, 不是我们现在讲的social network, 或experience-based economy,像我们消费的小确幸感受,这是experience,这不是工业大数据。工业大数据是evidence – 什么时候坏、什么时候避免、什么时候没有问题,最好都没有忧虑。工业大数据要的是聚焦,是收敛的。而传统的大数据是发散的,谁是客户,定向推送广告,这些都是机会导向,不是精密性的价值导向。GE发动机通过远程监控省油,省掉1%的油钱,十五年下来节省一大笔成本,那这就叫蛋白。中船的案例中,船舶是蛋黄,针对每条船运行时的天气、海浪、风等参数建模,形成海浪跟耗油的关系模型,根据分析的结果来优化航线和速度,能够节省5%的油钱。


接下来讲一下人工智能。有四个技术,DT数据处理技术、PT平台接口技术、AT分析软件技术、OT运营技术,是四个不同的操作层面。工业大数据有三大特点:分裂性、低质性、背景性,这三点也是工业数据的基础。所以DT数据处理技术去解决这些问题是很重要的,但是运用DT技术时需要一些背景资料,需要懂发动机、电子制造等领域知识才能做得下去;AT分析技术需要用到计算机科学与人工智能方面等计算技术;PT平台技术产生知识之后可以分享,也要反馈到运营层面OT。我们要用人工智能加强工业大数据,因为工业大数据里面的数据背景很难去鉴别。比如风机在动,风速在变,空气湿度在变,叶片到冬季会结冰,这些人看不到,机器也不知道,需要通过风速和发电的参数,建立集群,慢慢建立起相关性,把分类、分割、分解、分析、分享、分忧这六个步骤实现出来。


未来这些方法都可以用,用哪个速度?用在精密性、用在复杂性、用在不确定性,用在速度性的工具不完全一样,所以不能简单地用工具解决。另外这些工具会与嵌入式结合成为趋势,英特尔在跟我们合作,要做一些嵌入式技术,把所有智能软件放在机器里面,放到边缘端甚至云端。这里面我可以把以经验为主的数据集合在FPGA,包括GPU, TPU框架里等等。


未来智能化一定需要互相分享,这就是我接下来要讲的–用CPS(信息-物理系统)做记忆管理。所有物理系统都要能够把数据的关系建立起来,这是人工做不到的。就比如微信连接每一个人,一个人再聪明,但是三个臭皮匠胜一个诸葛亮,联网之后智能就更高。把Resource数据的来源、Relationship数据的关系、Reference数据的意义整合在一起,这时候智能化会更高,所以说社会的基础来源于人的智慧。


未来中车能够实现一套智能的轨道交通系统。比如协和号在动的时候,每一个零部件自己可以感受到衰退、变化、轴承有问题,实时可以看到这些动态问题,芯片可以算出来是什么问题,可以把每一节车厢拉出来比较,看哪个车厢最差。整体有2000多列的列车,乘以8节,总共2万多节的车厢,每一节车厢都可以实现以上这些能力。一带一路出去之后,中车可以做蛋黄,也可以做蛋白,这就是未来的CPS。


最后我想做一个结论,我们过去前十年走的前半生是把传统的“大问题”变成可以预测问题并解决,后面十年把大问题变成“大的价值”。把无忧系统变成引导未来的技术,具备自维护性、免疫性、强韧性,这是未来十年工业大数据要走的路线。挑战虽然很高,但我很希望我们每个学大数据的人能够把精力放在工业上面,工业是任何强国的基础,也是世界财富的来源。比如在医院急诊室实现CPS,避免出现病人意外死亡,救人一命胜造七级浮屠,同时也是功德。


最后,CPS带出来的人工智能是超越机器的人工智能,因为它更有传承性。《工业大数据》、《从大数据到智能制造》、《CPS新一代工业智能》、《云上工业智能》这四本书给大家作为参考,我今天跟大家分享到这里。谢谢!


发布时间:2017年8月15日 11:06 人气: 审核编辑:周薇
更多内容请访问(北京天泽智云科技有限公司

我来评价

评价:
一般