新闻动态

对于工业互联网的模式以及发展路径,信通院从制造业态的角度提出了大规模化定制、智能生产(叠加式/集成式)、网络化协同、服务化延伸等典型模式,行业中也有不少从实现技术、业务领域等不同的角度的深刻探讨。这里仅从生产要素的视角,谈谈我们对工业互联网的一些粗浅认识。     生产模式、主导企业能力决定了工业互联网的模式   对于一个行业,其生产模式、主导企业能力决定了工业互联网的模式。这也是“生产力决定生产关系”这一唯物辩证思想在具体领域的体现。     生产模式   制造业生产模式主要体现在生产要素、行业价值链(行业分工协作方式)、生产力制约因素等方面。   生产要素包括自然资源(土地)、资本、劳动力、管理(或企业家)经济学经典的四要素 ¹ ,以及最近提出的技术、信息等维度 ² 。   行业间的生产要素存在显著差异。比如,在技术维度上,相对于SMT产线,液晶面板生产的工序长、设备类型多、工艺复杂。这些生产要素的差异可能决定了经营模式的差异。例如,在设备(资本的一个细项)维度上,类似设备/装置(如:电机、动力电池、工程机械)的运维技术通用性较强,有一定的“公用性“的基础,而对于强机理、定制化设备(如:海工装备、大型化工装置),定制化服务可能是“最经济”的方法。   企业的核心能力   企业的能力,包括资源禀赋(掌握的生产要素)、组织结构能力(基于要素的生产能力)、环境制度能力(可撬动的生产要素)和创新能力,决定了他能解决的问题和受约条件,从而客观决定了其主导的工业互联网模式及其角色的选择范围。   同一类型企业,在不同产业链中,其资源禀赋可能不同。同为装备制造商,风力发电机组制造商对于装备后服务的掌控力比鼓风机制造商要大些,风力发电组是风场的核心装备,而鼓风机通常只是生产中的辅助设备之一,是生产工序中的一环,其工作状态受上下游设备影响很大,而这些上下游参数很少能回馈到第三方装备制造商,设备制造商掌握的更多是自产装备的振动、温度等监测量。   生产模式及核心能力决定工业互联网模式   以机加工为例,机床制造商的核心能力在于设备制造成本、对设备机理的深刻了解;而业主的核心能力在于工艺经验及产线整合。机床等某种特定类型装备也只是机加工Job Shop中的关键设备之一,业主的机床操作水平甚至超过原厂商,对来料品质、在制件质量的信息掌握也远超设备制造商。   从而,机床厂商主导的工业互联网可能集中在设备租赁、制造谷—打造区域共性制造中心、供应链金融—将加工能力或在途订单货币化。而机加工龙头企业可能会集中在产能转移及制造协同生态等方面,把老旧机台(相对于新产品的质量要求)转移到中小企业,并将其工艺经验、机台的工程能力优化、质量控制、原材料的采购能力以工业互联网的形式一并转移,快速提升中小企业的加工能力。   工业互联网模式的成功要素   工业互联网模式就是如何解决当前价值链中生产要素配置的典型方法。对于一种工业互联网模式,反过来结合行业生产模式、核心企业的能力的分析,可更加明确其关键成功要素(必要条件)和发展路径。   工业互联网的价值创造之路:“新四化”   工业互联网是解决当前价值链中生产要素配置的一种手段,主要体现一下四类基本途径。   · 资源的“公用化” 降低设备/软件/计算资源/数据资源的TCO (Total Cost of Ownership),包括: 制造谷:把共性的制造装备及能力公用化 制造云:把专业软件、高性能计算资源、大数据数据集资源集中起来 物流园区:把大宗物质的购买、仓储、加工、运输等功能集中化   · 能力的“金融化” 通过供应链金融、设备租赁等手段,解决资金周转的制约,这在大宗基础物质(如钢铁、水泥等)行业比较普遍。   · 流程的“协同化” 通过协同研发,协同制造,包括个性化定制,供需匹配,如新能源互联网,产能转移等手段提高价值链效率。   · 技能的“专业化” 将共性行业数据、行业知识、分析模型等分享出来,促进专业化分工   关键成功要素分析   对于一个选定的工业互联网模式(四个基本途径的组合),通过行业生产模式、核心企业的能力的分析,可更加明确其关键成功要素(必要条件)和发展路径。   以支撑工业APP Store为主的工业互联网模式为例(特别是APP主要来自于第三方的模式),APP的数量、质量、丰富性以及落地载体都是成功的关键要素。   在如何吸引优秀应用开发者入住平台这一细节问题上,我们必须回答工业互联网为开发者提供了什么便利?或者说开发者目前的瓶颈在哪里?比如:开发资源、IT运行环境、推广等。   对于很多行业应用(比如,故障诊断APP)开发来说,其瓶颈在于行业专家缺乏足够可靠的数据样本(比如,重大故障),以及完备的维度信息(全生命周期设备档案)、以及领域模型(比如航空发动机的流体力学分析,通常是分析模型的特征变量)。而APP推广不是瓶颈(当前已经存在很多机制就会让优秀专家和APP“酒香不怕巷子深”)。因此,全量的行业数据集和丰富的行业基础API也许是这类工业互联网早期的关键成功要素。   总 结 本文简要讨论了工业互联网模式的决定因素,以及如何分析其成功的必要条件。因为篇幅限制,没有讨论不同工业互联网模式对技术的要求。根据工业互联模式的成功要素分析,可以归纳出其背后的众多关键支撑技术。例如,对于产能协同工业互联网模式,工艺知识的形式化以及有效知识产权保护;产能量化,其中包括动态产能估算、设备工程能力、单位加工成本核算;加工需求解耦、任务分配与信用评估机制等,生产力自由流动的前提。而对于设备运维服务模式,若不能构建设备的全生命周期档案,在此之上的APP Store也就成了无源之水。这就需要工业大数据、数据分析(包括人工智能)、物联网(边缘计算、新型传感技术、通信技术)等各个技术的有效融合。 ...

Read More

近日,工信部“工业互联网发展与管理”高级研修班走进,由昆仑数据发起并主导运营的北京工业大数据创新中心,对工业大数据、工业互联网发展趋势,以及创新中心的模式和成功案例进行现场学习。此次研修班由工信部人才交流中心旨在深化工业互联网发展,推动我国工业互联网专业人才队伍建设。共有来自全国32个省、市、自治区的工业和信息化管理部门、通信管理局以及相关企事业单位逾百名中高级管理人员参加本次研修活动。     在此次研修活动现场,昆仑数据联合创始人创始人/CTO,大数据系统软件国家工程实验室、清华大学工业大数据研究中心总工程师王晨以“工业大数据与工业互联网”为题,与学员们分享了工业互联网发展态势、标准体系架构、平台体系建设、应用推广模式等,以及以工业大数据为驱动,赋能工业互联网发展的整体思路与应用案例。     王晨提出,工业互联网具有极强的行业属性,有较高的准入门槛与安全合规性要求,工业互联网的实施与推行必须深入垂直行业。针对有完整产业链的工业形态,通过与上下游企业数据的交流与业务往来积累数据和行业信息,再与龙头/枢纽企业合作,打造服务整个行业的工业互联网平台,提升整个产业链的生产效率;针对没有完整产业链的工业形态,跟当地的政府进行合作,搭建一个平台为集聚产业的企业提供服务,提升它们的管理水平以及关键工艺能力。 ...

Read More

10月23日,国务院发展研究中心创新发展研究部,马名杰部长、田杰棠副部长、第一研究室沈恒超主任,北京市经信委王兰主任助理,软件服务处尤靖副处长一行莅临由昆仑数据发起并主导运营的北京工业大数据创新中心调研考察。昆仑数据作为国内工业互联网领域领军企业,以工业大数据为驱动,赋能工业互联网发展的整体解决方案,受到政府领导的高度认可。     昆仑数据创始人&CEO陆薇博士向调研组一行全面介绍了公司的发展情况和工作成果,重点介绍了昆仑数据在制造业转型升级方面的行业案例、经验积累,以及以北京、四川、苏州为据点的全国工业大数据创新网络。   昆仑数据认为工业互联网具有极强的行业属性,有较高的准入门槛与安全合规性要求,工业互联网的实施与推行必须深入垂直行业。针对有完整产业链的工业形态,与龙头/枢纽企业合作,通过与上下游企业数据的交流与业务往来积累数据和行业信息,打造服务整个行业的工业互联网平台,提升整个产业链的生产效率;针对没有完整产业链的工业形态,跟当地的政府进行合作,搭建一个平台为集聚产业的企业提供服务,提升它们的管理水平以及关键工艺能力。     陆薇现场展示了昆仑数据的代表性案例,包括中石油、金风科技、国网青海电力“绿能互联”等,呈现了大数据驱动下的工业互联网新生态及实际运行成果。国务院发展研究中心创新发展研究部马名杰部长对昆仑数据以创业公司切入工业互联网并开创出自己的商业模式,以新技术新视角务实解决企业痛点,并在工业互联网领域取得创新应用成果表示高度肯定;同时关心在企业推动工业互联网的发展过程中遇到的问题,以及对国家政策方面的建议,也希望昆仑数据充分发挥自身优势,进一步为政府和企业自身发展服务。 ...

Read More

作为海淀区创新驱动传统企业转型升级的企业代表,在刚刚结束的2018年全国大众创业万众创新活动周中,昆仑数据创始人&CEO陆薇博士接受了北京电视台的专题采访。   在采访中,陆薇提到昆仑数据的愿景是用数据推动中国工业未来:将来肯定是一个万物互联的时代,大量的数据也将随之产生,基于这些数据可以对工业环境的生产经营状况有一个更深度的了解,帮助我们找到方法去改善;我们要做的就是保持空杯心态,不断地去学习新知识新技能,用足够的能力储备抓住未来的每一个机会;她还提出了“影响中国指数”的概念,来统计有多少工业行业企业因我们的技术而得到改变,也希望能有越来越多的工业企业通过我们的技术得到改变。   在工业领域,大数据和人工智能的推进,虽然准入门槛很高,但昆仑数据始终坚持深耕行业,以企业的切实诉求与真实场景为先,作为行业的先行者,昆仑数据已经通过技术赋能,为工业企业带来了可观的业务价值。   本次双创活动周以“高水平双创、高质量发展”为主题,积极打造双创成果的展示平台、双创典型的推介平台、双创资源的汇聚平台和双创智慧的交融平台。期间陆续开展了30余场内容丰富、氛围浓厚、精彩纷呈的双创活动。 ...

Read More

问答机器人(Chatbot)已经渗透到我们生活中的各个角落,如Apple公司的Siri、Amazon的Alexa、阿里的旺旺。它们可以陪你闲聊、设闹钟、订餐厅、控制家电、做商品导购等。在工业场景下,聊天机器人有哪些场景呢?比如,用户可以询问某个品牌风机当月的发电量和故障停机时间;查询机舱加速度超限的可能原因以及需要更换的备件,帮你找到检修该故障最有经验的专家;询问公司的安全生产制度或报销流程。 相比其他领域,工业场景的Chatbot有如下特点: 1.需要领域内专业词库的支持,比如故障、备件名称; 2.需要多数据源的跨库查询,需要大数据平台的支持,比如同时查询海量的生产实时数据和故障事件数据; 3.需要基于专家知识的知识图谱支持,这点类似医疗知识图谱的应用,因为仅靠人工编写对话脚本,是无法穷尽所有可能问题的。 以上特点使得构建工业上好用的Chatbot非常困难,当然困难程度因业务需求而异。另一方面,Chatbot本身技术架构是通用的、可借鉴其他领域的,因此本文重点介绍通用的技术架构部分,先从Chatbot的分类说起。 1. Chatbot分类 Chatbot按照用途,可分为闲聊型和任务型两种。 闲聊型又称为开放域Chatbot,就是可以跟用户谈天说地,比如风靡一时的小黄鸡,用户更关注这类Bot的趣味性和智能性。闲聊技能通常是数以万计的历史问答(QA)对学习训练来的,同时还可以从新对话中学习,实现自我进化。 任务型又称为特定领域Chatbot,比如为用户导购的阿里旺旺,这种场景下用户更关注Bot答案的准确性,对Chatbot的开发者来讲就是可控性。 工业场景与之类似,通常首要考虑的就是回答的准确性,知之为知之不知为,比如用户询问发电机过热怎么办,Bot即便回答不知道,也比回答去吃退烧药强,所以属于任务型Chatbot。 Chatbot按照技术框架可分为检索式、生成式和启发式。 2. Chatbot基本原理 Chatbot原理框图如下图所示: ASR(Auto Speech Recognition)和TTS(Text To Speech)代表语音识别和语音合成,它们分别实现语音转文字和文字转语音功能,是chatbot的入口和出口,是与用户进行语音交互的部分,当然也可以采用其他交互方式,比如文字(微信、浏览器页面等)。 核心对话模块是本文要展开介绍的内容,它包括: NLU(Natural Language Understanding)是采用NLP(Natural Language Processing)技术对用户问题进行意图识别和实体抽取。意图识别是要弄清楚用户到底要问什么,如是查询故障发生次数还是故障原因;实体抽取是这个意图下的具体槽位值。比如问句是“上个月发电机故障次数是多少”,意图就是“查询故障次数”,故障名称的槽位值是“发电机故障”,时间的槽位值是“上个月”。意图识别可以描述成为分类问题,使用机器学习的方法来解决,如SVM、fastText;实体抽取使用NLP里的NER(命名实体识别)相关技术解决。 DM(Dialogue Management)模块根据问题匹配到相应答案(或采取什么动作,如查数据库或调用API);在多轮对话中它还负责对话状态跟踪,根据当前的对话状态(从历史对话内容更新获得),决定如何进行下一轮对话(或直接采取动作)。比如“上个月发电机故障次数是多少”问句除了故障名称和时间两个槽位,还有城市的槽位值(如是北京还是上海),DM模块根据当前这个状态,要决定继续追问用户“要查那个城市的故障?”。常用的DM策略包括有限状态机,HMM和神经网络[1]。 NLG(Natural Language Generation)是将DM模块返回的结果(如关键词、聚合数据)转变成自然语言文本,最常用的方法是通过规则模板生成回答,类似于NLU中问题匹配的逆向过程,另一种是基于深度学习的seq2seq生成方法。 以上介绍了Chatbot的基本框架和原理,从零开始开发Chatbot工作量很大,好在有大量的Chatbot框架可以使用,下面对几个常用的开源框架做简要介绍。 3. 任务式Chatbot构建工具框架 3.1 基于REfO的问句匹配 REfO(Regular Expressions for Objects)并不是一个框架,它把正则表达式的功能扩展到对象级别,它能同时使用关键和槽位匹配用户问句,从而实现DM模块的问句匹配功能,它支持python。举例, 见下图,REfO表达实现了“上个月发电机故障次数是多少”这个问句的匹配,匹配之后可以触发相应动作从数据库中查找问题答案。参见文献[2]提供REfO 匹配问句Python脚本实现例子。REfO虽然能匹配槽位,但是其脚本编写繁琐,也没有对话状态跟踪机制,基于脚本的规则引擎克服了上述缺点。 REfO问句匹配示例 3.2 基于脚本的规则引擎 该引擎根据人工编制的对话脚本,自动匹配问题模式,给出回答(动作),因此开发者只需把精力放在脚本编写上。引擎约定了脚本语法,满足大部分对话编制需求,如随机对话模式、通配符、变量捕获、Topic机制(多轮对话机制)、动作触发(函数调用)等。常见的规则引擎包括AIML[3]、ChatScript[4]、RiveScript[3]、SuperScript[6],引擎诞生时间从早到晚,但其中最有名的还是AIML(支持Python调用)。其中使用AIML和ChatScript开发的Bot,都曾多次赢得年度Loebner Prize[7]人工智能大奖。RiveScript和SuperScript脚本更加简洁,下图是同一个随机问答功能的脚本比较,可见RiveScript要比AIML更简洁友好。此外RiveScript支持多开发语言Go/Java/JavaScript/Perl/Python,SuperScript虽然仅支持JavaScript,但其内嵌了图数据库功能,NLU和DM功能较RiveScript更加强大 。 AIML随机回答模式脚本 今天天气真好 是呀,天气不错。 要不出去走走? 希望每天天气都这么好! RiveScript 随机回答模式脚本 + 今天天气真好 - 是呀,天气不错。 -...

Read More