工业数据要素管理中的“人-机-料-法-测-环” （下）

科技 2024-03-06 11:58 北京

本文作者：昆仑数据副总钟虓

原文刊登于《中国工业和信息化》杂志2024年1月刊第1期
工业数据要素管理中的“人-机-料-法-测-环” （上）

工业数据要素生产中的“料”

工业数据要素加工的原料来自工业生产各个阶段所产生的数据。随着物联技术的发展、设备智能化改造等工作的推进，数据原料的获取变得越来越容易，而数据质量和稳定性成为当前工作的重点之一。然而，企业在数据质量管理中存在一个误区，将这部分的工作集中于数据加工的最后一个环节——数据平台，因为数据的质量问题往往是在数据平台的使用分析过程中才暴露的。在这个阶段，企业希望通过清洗和修复来完成数据质量的提升。但对异常数据的修复，无论是采用固定值、插值还是时间序列学习等更为复杂的算法，都存在着很强的假设和不确定性，不恰当的数据清洗甚至可能在后续的数据分析过程中导致错误的结论。

数据质量管理需要放大到整个链路来看，这是一个端到端的过程。以新能源数据质量管理为例，常见的数据链路从设备PLC、场站中控、集中监控中心，再到区域公司，最后到集团公司，从业务视角看，各个环节对数据的质量要求是不一样的。所以，需要顺着链路进行整体治理规划。应该在尽量靠近数据源头的地方进行必要的数据质量管理，避免后续的无效数据治理和分析偏差。

同数据质量一样，数据原料的稳定性在企业做“原料”管理时也需要被重点关注。数据链路上，数据采集和传输的波动，也会对后续的数据加工产生重大影响。例如，某一风电场数据传输不及时，在做该区域统计时，无论是等待该风电场数据完整后再统计导致的不及时问题，还是先统计其他风场数据，等数据完整后再更新导致的不一致问题，都会给后续的分析带来挑战。

工业数据要素生产中的“法”

“法”就是工业数据要素加工的方法，如同工业生产中产品的加工工艺是最核心的内容一样，数据的加工方法在企业数据要素管理中也是非常重要的环节。工业数据加工，本质上是将散乱、无关联、无明显意义的数据原料，加工为有明确业务价值的数据的过程。因为投入的数据物料具有海量、异构、价值密度低的特点，而产成品又需要具备较高的业务价值和精度要求，很难一次性加工到位。因此，企业需要设置多道工序，逐步融入业务知识，将数据提纯，提升数据的价值密度，释放数据价值，最终加工成满足业务要求的数据服务或产品。

从实践中看，工业数据要素加工通常有四道典型工序。第一道是数据集成，即匹配各类工业协议，将多源异构的原生数据，应存尽存到企业数据湖中，完成原始数据积累。第二道工序是数据关联，通过数据标准化规整和关联处理，将湖中的数据整合到统一的数据领域模型中，实现物理对象和虚拟数据的孪生映射，便于后续数据分析应用中能以业务语义进行展开。如使用“风场-风机-发电机-转速”查看数据，而非直接对某个数据库进行访问，从而降低对数据理解和使用的门槛。第三道工序是数据特征萃取，结合业务需求对原始数据特征进行加工，从基础的数据时域或频域分布，到各类业务口径指标，都可以在这个阶段完成精炼，并提供给后续应用或服务做二次开发。第四道工序就是最终的数据场景化分析应用，结合具体场景的领域知识，运用统计分析、机器学习、深度学习等数据技术，实现数据价值的显化和变现。

除了分阶段之外，工业数据要素的另一个工艺特征就是“按需”。很多工业企业在建设好数据产线之后，都希望能对数据进行全量治理分析，毕其功于一役。然而，数据的加工对工业企业而言有存储成本、计算成本、维护成本，而数据的价值显现需要一个逐渐深入的过程。因此，在当前这个阶段，工业企业的数据加工还是建议“按需”开展。比如，一台核电机组采集的数据测点超过2万点，但是在针对气动阀、循环泵等特定设备或者工序进行分析时，所需的数据测点通常只有几十个。因此，结合数据业务的开展，循序渐进地进行数据加工具有较高的性价比。

图4 工业数据要素加工的原料

工业数据要素生产中的“测”

因为当前数据要素的加工充满了创新性、探索性和不确定性，数字化项目的管理和评估也会与传统的信息化项目有所区别。信息化项目因为其具有较明确的项目范围、实施路径和交付物，常采用需求分解、模块开发再到系统集成的瀑布式开发方式。测试评估的作用，更多是在于发现与修复漏洞（Bug），保障上线系统的质量。数字化项目探索与研发并行，与我们研发工业新产品一样，项目可能会“失败”。为了降低“失败”带来的成本风险，需要及时对项目效果进行评估，并进行快速迭代。因此，在这类敏捷开发中，测试和评估将会发挥更加重要的作用。

工业数据要素的生产，需要先以终为始地制定效果验证方式和量化标准，以最小可行产品为单位（MVP，“Minimum Viable Product”），以1~4周的研发周期，进行快速上线发布和业务价值校验，根据用户反馈和量化测试结果，对下一阶段的工作进行评估。对项目执行过程及时进行干预甚至终止，并从“失败”中吸取经验，对下一阶段工作进行调整，最终实现数字化项目的小步快跑、快速迭代，从而提升业务创新的效率，降低成本风险。

工业数据要素生产中的“环”

最后也是最重要的，工业数据要素的生产离不开一个鼓励创新、开放包容的环境。这要求工业企业在推进数字化工作之初，就要同步进行制度和体系的规划和建设。企业需要认识到，数据要素的管理加工不仅仅是一个建设工作，也是一个运营工作。相应的团队不仅仅是一个技术团队，更是一个业务团队。企业需要一手抓建设，一手抓运营。

文化理念是灵魂。如前所述，这是一项从建设到运营都存在大量创新的事业，数据要素管理加工过程中难免遇到各种各样的难题，只有坚定的信念和开放创新的精神，才是克服困难、持续创新的有效手段。企业推动思维方式的转变是文化理念建设的核心。

人才是第一生产力。在数据要素管理运营过程中，人才的重要性摆在突出的位置，平台的建设和运营、技术创新、模式创新都需要大量的复合型人才。工业企业需要突破既有体制，从专职的数字化团队、业务部门内的兼职数字化专员等岗位设置，到数字化思维、工作方法、实践技术的数字化能力培训，进行全方位的人才体系建设。

数字化转型是一项开创性的创新事业，机制的创新才能带来长久持续的生命力。一方面，如何打破传统体制内的分配机制，充分激发内部人员的积极性和创造性？另一方面，如何通过机制创新，凝聚战略合作伙伴，共同推动这项事业的最终成功？这是需要提前考虑的重要问题。

从战略规划到平台的搭建，再到市场的推广、服务的交付、持续优化运营，需要大量的投入和资金支持。尤其在运营阶段，需要不断投入资源以优化和完善平台及服务，持续提升客户体验。保障资金投入、确保事业正常稳步推进是对资金保障提出的要求。

综上所述，工业企业在推进数据要素管理和运营过程中，需要从“以数据的接入、存储、管理、使用为中心”的信息化系统建设思维，转向“工业数据要素的加工生产”能力建设思维。组建3T融合的数字业务团队，建设以敏捷创新和柔性生产为目标的数据加工产线，以高质量的工业数据为原料，运用阶段化逐层提炼的加工方法，小步快跑快速测试价值，营造创新的正向激励环境，构建工业数据要素管理中的“人、机、料、法、测、环”核心能力，从而实现工业数据要素的价值显化和持续增值运营。

END

昆仑数据K2Data

昆仑数据是工业互联网领域的领军企业，蝉联“中国大数据企业50强”，受邀参与制订《中国制造2025》工业大数据技术路线图，发起成立并主导运营工业大数据制造业创新中心，致力于用大数据和人工智能技术，推动中国工业智慧升级。

最新文章

数据探索系列 | 可视化是拨乱反正的关键一步

昆仑数据K2Assets入选2024年北京市工业互联网平台名单

陆薇博士应邀在《ACM通讯》发表文章

数据探索系列：拨开迷雾，找到一条通往终点的最短路

数据探索系列 | 为什么会那么多算法，还是做不好工业数据分析？

2024爱分析·数据要素x厂商全景报告

K2动态 | 《国家工业互联网大数据中心工业智算基地评估规范》正式发布

技术干货 | 工业数据分析的3种载体形式

昆仑数据受邀出席数智化促进核能新质生产力发展会议

技术干货 | 分析场景识别中的常见问题

清洁能源数字化的现状、趋势和未来

直播预告 | 清洁能源数字化现状、趋势和未来

伺服电机滚动轴承的智能化寿命预测

工业数智化趋势和需求是什么？向数据要更多价值

昆仑数据亮相CCKS 2024全国知识图谱与语义计算大会

技术干货 | 大模型在工业数据分析过程中的典型用例（下）

技术干货 | 大模型在工业数据分析过程中的典型用例（上）

《工业数据分析工程基于CRISP-DM的形式化方法》背后的故事

新书上架 |《工业数据分析工程 -- 基于CRISP DM的形式化方法》

直播回顾 | 工业数据分析模型的规模化应用，如何做？

中国工业大数据创新发展联盟数据资源管理与应用专委会启动会暨工业互联网大数据技术工业和信息化部重点实验室技术交流会顺利召开

直播预告 | 工业数据分析模型的规模化应用，如何做？（下）

工业数据分析模型的规模化应用，难在哪？

重磅 |《工业互联网平台工业机理模型开发指南》国家标准正式发布

直播预告 | 工业数据分析模型的规模化应用，难在哪？From Science to Engineering

工业数据分析竞赛的那些事儿

四川省工业大数据创新中心入驻成都AI创新中心

直播预告 | 从时序数据库IoTDB看工业数据管理难题何解

直播预告 | 工业数据分析竞赛的“秘笈”与启示

人工智能如何赋能先进制造业？“工业人工智能研讨会”举办

直播回顾 | 工业大模型落地新范式

直播预告 | 工业大模型落地新范式

快讯 | 昆山工业大数据创新中心正式启动！

2024首期制造业数智化转型高级研修班于昆山开课

直播预告 | SCRUM敏捷开发在工业数智化研发中的应用

读者反馈 | 如何用《工业大数据工程：系统、方法与实践》解决工作中的具体问题

即将截止 | 中国工业大数据创新发展联盟专业委员会征集会员单位

直播回顾 | 《工业大数据工程系统、方法与实践》背后的故事

征集 | 中国工业大数据创新发展联盟专业委员会征集会员单位

工业数据要素管理中的“人-机-料-法-测-环” （下）

直播预告 | 工业大数据工程系统、方法与实践

技术干货 | 面向领域的工业大数据系统技术

第三届工业数字孪生大赛全国总决赛及颁奖典礼成功举办

请回答2023 | 向数据要价值向人才要答案

产业元宇宙，打开发展新空间

工业数据要素管理中的“人-机-料-法-测-环” （上）

陆薇荐书 | 我眼中的《工业大数据工程系统、方法与实践》

新书上架 |《工业大数据工程系统、方法与实践》

技术干货 | 分析工业时序数据，要额外考虑什么？

我中心当选中国工业大数据创新发展联盟理事单位

分类

时事

民生

政务

教育

文化

科技

财富

体娱

健康

情感

旅行

百科

职场

楼市

企业

乐活

学术

汽车

时尚

创业

美食

幽默

美体

文摘

原创标签

时事社会财经军事教育体育科技汽车科学房产搞笑综艺明星音乐动漫游戏时尚健康旅游美食生活摄影宠物职场育儿情感小说曲艺文化历史三农文学娱乐电影视频图片新闻宗教电视剧纪录片广告创意壁纸头像心灵鸡汤星座命理教育培训艺术文化金融财经健康医疗美妆时尚餐饮美食母婴育儿社会新闻工业农业时事政治星座占卜幽默笑话独立短篇连载作品文化历史科技互联网

发布位置

广东北京山东江苏河南浙江山西福建河北上海四川陕西湖南安徽湖北内蒙古江西云南广西甘肃辽宁黑龙江贵州新疆重庆吉林天津海南青海宁夏西藏香港澳门台湾美国加拿大澳大利亚日本新加坡英国西班牙新西兰韩国泰国法国德国意大利缅甸菲律宾马来西亚越南荷兰柬埔寨俄罗斯巴西智利卢森堡芬兰瑞典比利时瑞士土耳其斐济挪威朝鲜尼日利亚阿根廷匈牙利爱尔兰印度老挝葡萄牙乌克兰印度尼西亚哈萨克斯坦塔吉克斯坦希腊南非蒙古奥地利肯尼亚加纳丹麦津巴布韦埃及坦桑尼亚捷克阿联酋安哥拉