云栖TechDay第32期，阿里云数据业务总架构师周卫天带来主题是“当数据智能遇上工业制造”的演讲。本文主要从DT时代的开启开始谈起，接着分析了智能工业智能化、融合化和人性化的三大趋势，然后着重分享了阿里工业在智能化、融合化和人性化的实践，包括协鑫光伏实践、货运列车智能故障检测和飞机发动机智能健康管理等案例。
以下是精彩内容整理：
DT时代用DT实现DT
用DT来实现DT比较有趣，第一个DT代表数据的技术，第二个DT代表数字化的转型。当数据智能碰到工业制造的时候，根据我自己的一些观察，我觉得制造于我还是个初学者，但是在数据方面，我应该是个大学老师，两者一结合我就是以一个非常有活力有创新的高中生或大学生来谈数据智能跟工业制造。
信息革命下半场，DT时代正式开启：
- 数据取代石油，成为全球经济基础要素
- IT技术成为重要生产力，云计算成为基础设施
- 互联网＋物联网构成万物互联的信息交互渠道
- 全球市值TOP5第一次全部都是科技公司：Apple，Google，MSFT，Amazon，Facebook ，全部是数据化，智能化和云服务的公司
最近阿里云在大数据和人工智能方面做了很多事情，数据的重要性就不言而喻了，如果回顾一下80年代末90年代的时候，信息革命开始出现了两家公司，一家微软，还有一家因特尔，近两年来，全球市值大的公司都是智能化、数据化或者云化的公司，苹果已经逼近了八千亿美金，Facebook、亚马逊都超过了四千亿美金，微软过五千亿了，可以看到，市值基本上反映了资本市场对这些公司的一些价值取向。
Facebook 10年规划离不开数据智能和互联网连接，谷歌的PiChai也对智能 AI表现了战略的重视，Graph Database 对于生成关系网络的处理效率也会继续提高等，关于大数据的趋势和展望，我们看到的大数据趋势，现在国内中小企业也叫1.0、2.0，简单的讲，1.0就是大数据由于分布式计算、大数据技术的出现使得数据处理(ETL)的成本降低，原来京东方等企业的机器吐出来的很多数据，一般存3到5个月，因为存储成本比较高；随着大数据的到来，首先就想到纯历史数据在线化就是基于这个成本，大一点的制造企业数仓系统也都应用了大数据，对物料的分析、尤其对出厂产品的分析，会有小型的数仓系统；现在的应用2.0也都做了，基本上分两类，一类是踩油门，一类是刹车，踩油门说是开源做营销，营销就是对纯量客户的精耕细作，这对于制造类企业是非常有用的。刹车就是基于大数据的风险控制, 对于账户盗用, 互联网反作弊的发现预防和预警等; 在金融和泛金融应用比较普及了.
关于大数据的战略优势，一是智能化，另一个是大数据已经到了董事会战略讨论，今天在美国上大数据的一些项目，大概有40%到了董事会讨论，国内也有做类似的事情，大数据的三个阶段，从最早的1.0成本降低，数仓调优到2.0大数据上业务应用，3.0最后到用大数据技术来建立战略优势，做你以前不敢想、做不了的事。比如说，以前都是统计样本分析，现在大数据理论上是要全量数据，那样本分析就如同像大海捞针一样的，因为用了样本分析，可能很多数据完全没有捞上来，而大数据的技术会把所有的数据都捞上来，大数据技术会有一个迭代分析的过程，从而把事物的本质真正挖掘出来。
数据智能遇上工业制造
当大数据、数据智能碰到工业制造，可以从三个方面来阐述：第一是智能化，第二是融合化，第三是人性化。
所谓智能化本质上是计算机化，即不是固定僵硬的系统，而是能自动执行程序、可编程可演化的系统，更高的要求是具有自学习和自适应功能。无人自动驾驶汽车是智能化的标志性产品，它融合集成了 实时感知、 导航、 自动驾驶、 联网通信等技术，比有人驾驶更安全、更节能。
先谈一谈智能化，讲到智能化，Facebook企业今后发展十年提到了很多，包括人工智能，AR、VR等. 从上图我们可以看到智能化、和融合化——未来几年全球信息科技导图，一方面是原创的核心技术，我们看到更多的是以硅谷为代表，硅谷、西雅图和以色列; 而以中国为代表的，更多的是技术应用和业务模式的创新，业务模式创新倒逼我们技术也有了长足的进步. 阿里巴巴最早的千人千面就有很多的算法技术，今天阿里巴巴集团做算法的得有数千人吧，有做视觉识别的，有做语音识别和合成的，还有做大规模分布式算法, 以及其它前瞻性技术的。
智能化的趋势主要有以下几个方面：
- Drive PX 2:具备12 cpu支持合并8万亿次，浮点运算和深度学习每秒万亿次，一个芯片处理能力相当于 150个Macbook Pro。
Nvidia drivenet云参考平台, 测试自己的自动驾驶汽车, 下雪天也可以进行检测，Volvo是第一个合作伙伴. David Kirk带领团队推出的利用GPU平台进行通用并行计算架构CUDA。这一架构使得程序员可以利用C语言、C++等为CUDA架构编写程序，利用GPU平台进行大规模并行计算。这一架构发布后很多年，在高性能并行计算领域， 英伟达仍然处于绝对的优势地位。在过去3年里，英伟达的自动驾驶芯片性能提升了65倍，功耗下降到原先的1/7。
- 自动驾驶会涉及到对人工智能大数据的发展，从我个人看，AI、云计算、AR/VR、大数据和自动驾驶是后智能手机时代的技术驱动力。
- 硬件处理能力比较高，数据的爆发，算法的日渐成熟，互联网今天一台工程车除去试跑一天，就通过车下面的ECU，搜集和传输的数据有几十个G，工程车出去跑一跑，通过3G或者4G网络，你的驾乘习惯、遇到路况怎么转弯、避险动作等等，这些其实在驾乘体验的同时把这些数据收回来反馈到生产系统当中，甚至我们的设计系统当中，这是一个智能闭环。
而融合化和人性化的趋势如下：
- 人工智能与智能家居的互动: 现在海尔有一些冰箱已经有很多智能的小摄像机是装在朝冰箱里面的，比如平常主人喜欢某一类的面包，或者牛奶都是放哪一个盒里，到了礼拜几把这些东西都记下来之后，其实这是跟人的互动，通过语音提醒你，面包没了或者是牛奶可能要增加了，这是一个智能化。总的来说，这是一个控制、反馈、互动感知、超前感知等的过程。体现了充分的人性化, 由于智能带来的人性化.
- 大数据帮助从智慧工厂到工业4.0的实现，也把很多的人性化东西融合到了里面，大数据帮助一般工业企业变智慧工厂，尤其中小企业，假设ERP系统都有，还要上PLM，我们处理很多小批量品种，包括怎么样从PLM系统当中将数据要无缝连接到MES当中，这里工业2.5阶段必须解决的事情，但是我们怎么用大数据，尤其是端到端的大数据，打通之后，从传统的ERP系统到PDM、MES系统中，还有机器日志当中的数据，整个生产线上的数据融合起来，怎么真正做到朝4.0迈进呢？这就需要融合端到端的数据流不落地地整合数据, 进行智能分析和挖掘处理。
- 芯片到智能汽车的融合:无人自动驾驶汽车是智能化的标志性产品，它融合集成了实时感知、导航、自动驾驶、联网通信等技术；高通 3100亿收购恩智浦，高通的芯片将传统芯片应用到汽车领域, 高通的计算+设计+技术能力 融合汽车+自动驾驶应用=前后端的融合, 这是前后端融合的收购案例；2016年8月，英特尔4亿美元收购Nervana，主攻深度学习，布局人工智能领域；2015年6月，英特尔167亿美元收购Altera，整合CPU技术与FPGA技术，布局物联网。2015年以来，英特尔频繁收购，其中有两次收购超过150亿美元：167亿美元收购Altera、153亿美元收购Mobileye。这也是看重了汽车智能, 车联网的巨大市场而而做的必要动作.
骁龙835把虹膜识别、神经网络处理和算法应用到实时图像处理，封装尺寸变小 促进集成和融合, 和其它终端的集成更容易…手机到车联网应用，功耗的降低提高了使用和应用场景，这也是融合化和人性化的完美体现吧!!!
阿里工业实践
下面我们围绕智能化、融合化和人性化来聊聊，尤其是阿里具体围绕制造型企业做了哪些事？
智能化
智能化可以实现端到端的智能；智能硬件可以获取和记录数据、轨迹的智能；实现智能化需要算法的成熟, 大数据技术的运用。
智能工厂实践架构
智能化不仅仅是生产设备的智能，智能制造——无人工厂，全自动化，机器人的运用。 智能制造的本质首先是数字化。把我们从过去的机器、设备、生产线、人员、车辆、渠道、物流这些物理形态的东西，用数字加工，建立一个数字世界，再运用算法模型，加工分析、产生无限的价值。然后再把这新的价值，回到物理形态的商业闭环过程。
协鑫光伏是一家做硅片的企业，整个工程刀下去11刀会切出12个硅垫，然后分ABCD四级，A是最优，按照这个价格A等品跟BCD就差得比较大，我们做了什么呢？我们把整个协鑫生产线上的生产作业数据每隔四到五分钟，就去搜集这些数据，然后传输到阿里大数据平台，用大数据技术和算法结合协鑫的老工程师经验大幅提升了良品率. 其中收费也有互联网创新，利用大数据平台帮你把数据整合处理，先收成本费，良品率的提升比例和收费挂钩，阿里云和工业企业一起承担, 一起成长. 提升一个点对整个企业，整个协鑫工厂就是接近一个亿的收入，这是一个智能工厂的实践。
技术架构简单的讲就是把它的切片机MES当中的数据，通过拉PULL和推PUSH，把数据传输到我们的共有云平台，然后用了很多的高级算法，算完之后结果实时流同步到生产监控看板，在生产车间里有实时看板能够以良好的可视化图像与数字呈现给工厂管理者。
以前讲智能制造是讲逻辑，现在有了深切的体会，怎么把生产线上以前看起来没那么有用的数据，整合到一个数据平台里面来，完全来指导我们的生产，对良品率变化到某一个数据的时候，直接进行预警。
事业部管理座舱和台机实时监控
货运列车故障检测
上图为货运列车故障检测分析，铁路、货车运行之后，车厢与车厢之间的螺栓可能松了，就可能会有各种各样的故障，20几年前都是靠工人敲，听声音松没松，最近这几年提高了很多，靠铁轨上的快速成像拍照，一分钟能拍几万张照，照片实时检测，主要有信息采集设备、信息传输设备、和列检检测中心，人工在列检中心审核所采集的列图片，发现故障上报。需要在5分种内人工检测完一万五千张图片，人工漏检率千分之一以上；人力成本高，每个站点约30人，每班8小时轮值，进行现场检查。全国一万多人人力成本；按人均月3000元成本，每个场站每年需要人力成本100万，383站点约3.83亿元人力成本。对于TFDS的系统的使用和故障的识别需要组织大量培训，人员更替时成本更高；以人工经验做判断，会有漏报和误报情况，肉眼不易察觉的重点故障难以检测。
我们做了什么事呢？第一件事就是拿出了故障的图片进行训练，对漏检率大幅减少，对80%多现在不会引起故障的图片尽可能的用这个图片处理系统来做，而对10%左右有可能引起故障的，采用一个双保险的流程，也就是一方面用图片识别来做，另外再加人工的处理流程，可以看到涉及图片识别检测识别，项目结果如图所示，大家可以看到，我们的故障识别率现在能做到96%左右，一般故障是指不会引起事故的，现在漏检率已经很低了，为什么会引起事故性的故障，而引起事故的故障数据样本比较少，只用算法训练出来的结果一定没有那么强，这是图片识别的应用，此外还可以减少机检的时间，对于一般故障通过试用机器学习、图片识别可以大幅减少劳动力。
除了这个我们还准备在货运超载、探测电缆方面应用图片识别，隧道里现在有火车过去，对电缆的下陷或者下塌，其实用图片识别也比较容易了；甚至对大的汽车，我们给浙江省高速公路做了车辆逃费识别相关项目，我们用图象识别，根据车牌、车的形状和颜色这三个维度基本上能够做出智能发现逃费的嫌疑车辆。
飞机发动机健康管理
阿里跟科工集团成立了一个国家级的大数据实验室，现在开始做探索性的一些事情，就是飞机的发动机管理，这可能没那么容易，但是我们开始尝试了，马航事件后来定位锁定就是发动机上的EHM，就是发动机健康管理系统。
这里我列了飞机的参数，收集这些飞机的参数对发动机的寿命预测和主要零部件的健康管理还是很有用，把这些数据都收集起来以后，能够对飞机的发动机，主要的零部件做一个提前半步的故障预测，大幅降低非计划外的维修时间, 从而节省成本。还有一件事，飞机发动机是成本比较贵，飞机的成本机油也是贵，用的是航空油，为什么航空公司有的时候要买一些油的期货，也是防止油价的波动，但是油的消耗的相当比例是由起飞和降落的时候飞行员决定的。我们通过数据智能分析起降时飞行员的操作行为与航油的损耗之间的关系, 从而强化最佳实践节省航油.
融合化
融合也有很多，具体包括以下几方面：
- 大数据与小数据的融合
- 大数据与特征工程的融合 (摩擦学, 动力学,控制理论与工程经验等等)
- 企业自动化和数字化与ERP, MES信息化融合
- 政府部门(经信委,工信厅) + 专业研究院 + 数据智能企业 + 转型企业的融合
企业数据+：挖掘企业自己数据、沉淀企业自己数据、互联网数据、打通数据和盘活数据。
企业CRM和财务数据融合如图所示。
数据链路的闭环打造商业的闭环融合。
人性化
人性化包括：
- 机器与车间到可视化的视觉触摸和交互——从冰冷到温暖
- 大数据仿真用户设计, 人的使用已经融合到产品迭代过程
- 用户的订单与定制化智能生产——从被动到参与
- 数据智能给人类的惊喜: 通透了解你 (订车到了智能出行与旅游) 实时服务你(大型停车场的智能导行)
机器生产的体温触摸如图所示。
订单与生产的连接 Connect：
- 工业企业：由内及外，渐进、改良、升级生产系统的智能化
- 互联网：由外及内，从商业系统的智能化 从订单 (人或者企业的需求+体验) 倒逼生产系统的智能化（C2M) 这也给了智能生产很多人性化的元素.
