出品丨虎嗅智庫

頭圖丨視覺中國

(相關資料圖)

虎嗅 2023 工業 AI 大會將于9 月 7 日 -8 日在中國 · 蘇州舉辦。我們期望促成領先制造企業與科技創新企業的理解、融合與對接，推動工業 AI 生態發展共識，為我國制造業高質量發展助力。

點擊報名：大算力 · 大數據 · 大模型——虎嗅 2023 工業 AI 大會

圍繞虎嗅 2023 工業 AI 大會，虎嗅將推出工業制造領域系列內容精選，此篇為第二篇。

以下核心觀點和內容來自于虎嗅智庫發布的《工業數據采集落地洞察報告》，點擊報告名稱獲取內容。

核心觀點：

1. 工業數據采集根據不同行業、不同企業業務，其落地側重點和部署策略均有所不同，不能盲目模仿；

2. 落地部署過程中，非技術層面的問題相比技術層面問題更加棘手；

3. 工業數據采集應遵循 " 應采盡采 " 的原則，但前提是明確自身業務目標范圍。

在工業大數據流轉全鏈路中，數據采集是第一步，是進行后續數據處理、分析、計算和應用等環節的基礎。數據作為新型生產要素，是工業企業驅動數據智能的 " 燃料 "，而數據采集的工作則是為企業持續補充高質量燃料，助推企業的數字化轉型的關鍵點。

全面性、準確性、及時性和實時性是工業數據應具備的四大特性。企業數字化轉型需要圍繞數據才能展開，數據采集工作所能實現這四大特性的程度也決定了企業數字化轉型成敗。

從宏觀層面，數據采集能夠為企業提供智能化決策的數據依據，優化企業的管理和運營；另一方面，能夠在原有的信息化基礎之上，把從研發、生產和服務過程中與企業相關的人員、設備、工藝等要素進行更精細化和標準化地梳理，進一步夯實數字化轉型工作。

工業數據采集需求的 " 千人千面 "

工業數據采集的工作大致由 " 數據收集 " 和 " 協議解析 " 兩部分構成。

數據收集主要是通過生產設備內置的采集裝置、傳感器等硬件或工控系統、SCADA 等軟件系統，將生產作業過程中產生的各類數據采集至設備或系統中；協議解析則是通過對數據采集軟硬件內置的數據協議進行解析 " 翻譯 "，來請求獲取采集上來的數據，并進行傳輸。

國內工業領域范疇非常廣泛，當前對于各個行業的生產自動化、流程自動化或者無人工廠來說，數據采集是剛需。但根據所處行業的不同，不同類型的企業對于數據的業務需求有所差異，所以對數據采集工作的細分需求也會存在側重點。

從制造業屬性來看，通常流程類企業會更加注重采集的工作，離散類企業則更加關注協議解析。

石油化工、鋼鐵冶金、能源電力等流程類行業，特點是生產線長、業務規模大，產生的數據量非常龐大。企業需要在各個生產環節，從眾多設備和各類分布式控制系統中進行數據采集，利用大規模的數據來支持設備的故障排查診斷和智能決策，避免因故障停產。但同時，流程類場景下的數據協議相對單一，故需求更多集中在 " 數據收集 " 環節。

對于離散行業來說，企業的設備類型會比較繁雜，采集的方式會比較多，數據采集協議的豐富度很高，數據采集的工作中對協議解析的要求和挑戰比較大。企業的業務訴求是需要分別解析適配這些協議，提供數據傳輸通道來獲取不同設備中的數據，以提升生產經營效率，所以離散類企業對數據采集工作的需求更偏向 " 協議解析 " 環節。

從企業角度來看，工業數據采集需要根據企業數字化建設程度以及數據采集的應用需求，來進行數據采集方案的調整。

部分企業前期信息化建設不到位，傳感器的數量不足，無論是所購設備的功能還是完整性都相對差一些，開展采集工作便會較為困難。關注點這時更多會集中于采集的方式或者數據源本身的質量穩定性、魯棒性等性能，所以需要加裝采集裝置或是監控系統，提升數據的采集數量和質量。

一些大型的集團企業通常會遇到采集數據格式標準化方面的阻礙。此類企業在進行數字化轉型時，其分 / 子公司會與不同的專業廠商合作，無論出于怎樣的目的或原因，不同廠商的設備所采集到的數據在格式上、精度上或者命名上等方面都會有一些自身的特征。不同的設備協議、不同的數據格式都會嚴重影響后續的采集質量和數據互通，這時數據格式的標準化將會成為此類企業的建設重點。

而從工業數據采集的應用需求來看，大體上可以分為 " 看 "、" 管 "、" 控 "。" 看 " 其實是第一階段需求，后續基于 " 看 " 逐步實現 " 管 " 和 " 控 "，三者呈現出逐級遞進的關系。不同企業，對于所處的階段以及當下階段目的的不同，對數據采集的建設存在不同的側重點。

非技術性落地問題更難解決

工業數據采集在落地層面會面臨兩類問題，分別是技術性和非技術性問題。而根據虎嗅智庫調研訪談，非技術類的問題往往比技術類問題更難解決。因為技術問題可通過單方面自研解決，而非技術問題涉及到多方的協調溝通，需要在保證現場生產進度的情況下進行施工，難度大、效率低，其中大概有 8% 的效率會損失在溝通的過程當中。

工業企業在工業數據采集落地過程中需要重點關注以下五點技術層面的問題。

網絡規劃不合理。一些工廠過往的網絡規劃不合理，沒有為后續做工業數據采集、可視化建設硬件方面的基礎。這種情況下，基于硬件改造來獲取數據可能會比較困難；

數據采集質量無保障。由于采集現場的網絡改造比較困難，在使用無線方案時，現場會因為灰塵和金屬摩擦而產生靜電，干擾無線信號，進而造成數據的傳輸質量比較差，產生丟包、斷線等問題；另外，設備數據采集接口的數據吞吐、傳輸速率、穩定性等性能同樣需要考量；

設備類型多、協議多。現場不同類型的設備使用的協議數量非常多，很難找到一家廠商去滿足所有設備種類、設備品牌的數據采集需求，是行業通病。此外，一些設備比較封閉，可能并沒有開放接口 API 來接觸到數據源，或者接口數量不足以滿足采集海量數據的需求、接口性能不足以支撐數據采集的條件；

新增傳感器會造成對原有系統或硬件設備的影響。新增傳感器對采集設備的協議會有適配，但問題在于加裝傳感器時，可能會影響原有系統或設備的穩定性、可靠性，進而影響數據采集的效率；

現場施工安全問題。現場一些陳舊設備由于長時間暴露在外，物理端口進入了很多粉塵，此情況下如果工程師直接插網線，便可能會因為起靜電而導致短路，損壞整個控制器或設備主板。

非技術層面的問題更側重在施工前中階段與工廠和現場的溝通協調。在整個數據采集處理的過程中，通常會涉及到一些跨部門的協調，但大家的關注點和側重點會有所不同。

以典型的工廠為例，有生產科、設備科、IT 信息化部門、工藝部、安全環境部，不同部門在數據采集過程中的關注點不一樣，所以潛在結果是對于數據的獲取、最后價值的評估，大家提供的口徑均不一致，會嚴重影響數據采集的效率。

根據調研結果，工業企業在落地部署中需要注重以下四個非技術層面的問題。

管理層的支持。如果企業自身沒有明確的數字化轉型戰略，或者主管的中高層領導在執行層面不看好，不提供明確的支持的話，無論是內部資源的投入、流程上的配合，都會遇到比較大的阻力，后續即使方案落地，效果也會大打折扣；

協調網絡施工。在準備網絡施工之前，廠商需要事先與工廠就 IP 梳理、設備識別、設備清單獲取等事項進行溝通。但其中的溝通成本比較高，原因是工廠或企業人員對現場實施過程、順序以及流程并不了解，很多預備事項沒有完成，后續便會牽扯到多方的協調溝通，甚至分責；

協調停機停產。采集數據接入設備時需要臨時停機停產，但這對工廠通常是不可接受的，所以事先與現場協調停機的難度非常大。工程師在現場實際接入一臺設備通常需要 1-2 個小時，但加上溝通時間，實際評估一天最多接入 2-3 臺設備，嚴重影響施工效率；

成本管控。從業務角度來衡量計算數據采集的業務價值和產品服務成本尤為重要，所以在成本上需要進行管控，在成本、效率與質量之間進行取舍平衡。

數據 " 應采盡采 " 前提是明確業務目標范圍

企業在提出數據采集相關需求時，" 應采盡采 " 是常見需求之一。但實際上數據采集在不同領域、不同業務場景下，沒有所謂統一的、客觀的、可量化的標準，例如什么類型的傳感器應該以什么頻次采集多長時間。

理論上數據采集的頻率越高、點位越多，工業數據對工業設備的刻畫就會越全面，但拋開實際成本與技術能力的限制來要求 " 應采盡采 " 是不切實際的。通常來說，數據采集方案需要結合工業企業的數據業務目標、業務訴求、現有數據資產來綜合制定。設定好目標范圍后，也便于后續項目的驗收驗證。

在部署數據采集解決方案之前，企業或工廠需要具備一定的硬件基礎條件，對接入設備具備一定的認知或知識儲備，進行數據資產盤點類的準備工作，來滿足方案落地的要求。

1. 要明確企業自身的業務狀況、關注點和切入點，以及希望通過數據采集實現哪些業務價值，明確數據后續的應用方向；

2. 重點要了解硬件的基礎，查看施工現場的網絡條件，是否需要進行弱電改造和網絡施工，來保證數據傳輸穩定性；

3. 對企業現有數據資產進行盤點評估，例如需要接入的設備清單（包含設備的品牌、型號、網口、IP 地址等）、現有信息化系統（SCADA、DCS、MES 等），同時對這些設備或系統內的數據現狀進行梳理；

4. 根據生產實際情況進行數據采集鏈路分析（包含帶寬分析、合規性要求等），明確一些定制化需求，最終根據業務方面的考量來形成數據采集方案。

受企業自身業務特性、業務需求、數字化建設路徑等因素的影響，定制化在工業領域是繞不開的話題。數據采集定制化主要聚焦于業務系統層面，提供業務邏輯上的支持，最后進行試點部署，但設備協議層面實際上則需要全新的定制化內容。

關于 2023 虎嗅工業 AI 我們已確認邀請到阿里云、IDEA 研究院、深開鴻、商湯科技、羚羊工業互聯網、西門子、阿丘科技、京東方、理想汽車、蜂巢能源、廣汽集團、美云智數、伊利等領先企業，數十位行業資深專家。

誠邀您的參與，立即掃碼報名搶購早鳥票，一同探討工業 I 新浪潮的最新技術實踐與挑戰！

大會圍繞AI 大模型與工業的創新結合、工業機器視覺的精進與應用、工業邊緣智能的發展主線、AI 開源生態在工業平臺的突破等主題展開深入探討，并具體就汽車與裝備制造、3C 電子制造、新能源和食飲鞋服制造等行業落地實踐案例進行重點分享和研討。