從大數據到智能製造

看完的理解： 數據的目的不是“大”，而是從業務中來到業務中去，讓我們更理解用戶需求，讓業務運行狀態更清晰可見、風險更有效監管。 數據的建設不是簡單的數據中心建設，是以“業務提升目標爲原點”，以“流程和業務系統建設爲根本”，以“數據採集和建模分析爲手段”，形成業務規則PDCA可持續迭代通道爲階段的，系統性、長期性工作。

《從大數據到智能製造》圍繞“如何利用工業大數據推動智能製造”這一核心命題展開，內容可概括爲三個層次： 1. ​​宏觀背景與問題提出​​ • 書中首先指出，德國工業4.0、英國工業2025以及中國製造2025等國家戰略的相繼推出，標誌着全球製造業正邁向第四次科技革命；中國擁有海量工業數據資源，這既是挑戰也是彎道超車的機遇。 2. ​​理論框架——大數據如何賦能智能製造​​ • 作者用“導引篇”釐清大數據與智能製造的關聯：從“用數據解決問題”到“用數據預測隱性問題”，再到“通過反向工程重新定義製造”，構建了由淺入深的方法論。 3. ​​實操案例與多方視角​​ • ​​案例分析篇​​：精選17個真實工業案例，展示大數據在故障預測、工藝優化、能源管理等場景中的落地做法與成效，讓讀者對“理論—實踐”閉環有直觀認識。 • ​​專家訪談篇​​：邀請經濟學家、學者、媒體人及企業代表，從不同維度探討大數據與製造業融合的痛點、路徑和未來趨勢，爲讀者提供多角度思考框架。 綜上，本書既闡述了大數據時代智能製造的宏觀圖景，也給出了方法論、案例和專家洞見，幫助讀者系統理解並實踐“數據驅動的製造革命”。

智能製造不只是設備自動化，更是思維模式的變革，核心在於挖掘工業數據背後的知識。 工業大數據最大價值：從事後處置，升級爲預測、預防，發現隱性風險，反向優化研發製造全鏈條。 中國製造的優勢不在硬件設備，而在於海量工業數據；用好數據可以補齊裝備、零部件短板，實現換道發展。 製造企業要跳出只做硬件產品的思路，延伸全生命週期的數據服務，打造 “產品 + 服務” 的新商業模式。

何爲製造中的智能？工業大數據在智能製造中的地位和作用？李傑教授的這本書給了分析和解讀，遺憾的是限於篇幅，李教授並沒有展開，更多的是啓發我們思考。李教授的另外一本書工業大數據在本書中多次提及，是需要配套閱讀的

這本書講大型製造業比較貼切的，看到德國公司的一些案例比較有感觸 適合需要進入大企業的人閱讀，小公司其實用不到也沒必要也沒能力 個人創業者借鑑不了

智能製造——一場與我們息息相關的工業革命 在信息網絡高度發達的當下，哪怕是一個普通民衆，我們仍然逃脫不掉物聯網、大數據、雲平臺、智能製造等等這些耳熟能詳的詞彙在耳邊的縈繞，因爲它們已經無所不在的滲透在我們的生活中了，隨着傳感器、高速信息網絡、圖像識別和人工智能技術的發展，工業產品在普惠大衆的同時，也在挑戰人類、威脅人類，特別是最近chat·GPT的驚豔表現，讓人們有了一種被計算機族類入侵的恐慌感。 之前看了英國專家邁爾-舍恩伯格和庫克耶著的《大數據時代》，還有梅拉尼·米歇爾的《AI3.0》，加上平時新聞裏鋪天蓋地的報道，耳濡目染地有一些瞭解，我們都知道，工業1.0是蒸汽機時代，工業2.0是電氣化時代，工業3.0是信息化時代，工業4.0則是利用信息化技術促進產業變革的時代，也就是智能製造時代。顯然，這個智能製造時代已然悄悄的來臨了。 2013年，德國在漢諾威工業博覽會上推出“工業4.0國家戰略”，被認爲是人類第四次工業革命的開端，也開啓了各個國家在新一輪產業革命中競爭的序幕，各大科技強國不甘後人，美國在2012年3月提出了“國家制造業創新網絡（NNMI）計劃”，在製造業的4個重點領域列出了9個創新中樞項目，日本在2015年6月公佈了《2015年版製造業白皮書》，將3D打印、人工智能和智能ICT作爲轉型升級的軸心，韓國提出了《製造業創新3.0戰略行動方案》，在3D打印、大數據、物聯網、ICT服務等8項核心智能製造技術中發力，法國提出了《工業新法國2.0》，將智慧物流、新能源開發、智慧城市、未來交通等9個重點領域作爲改革的重心。當然，作爲製造業大國，中國也在2015年3月正式出臺了《中國製造2025》。 隨着各國搶佔技術制高點的陣勢拉開，各種標準在出臺，一些新興行業在迅速發熱，當然，一些傳統行業也在被冷卻淘汰，大數據和工業大數據是不是一回事？智能製造技術和大數據技術如何融合產生更多價值？智能製造的發展又面臨什麼問題？這些我們夠不着嗅不到的問題在本書中隱約有了答案。本書看似簡短，卻從技術層面進行引導，以世界大公司經典案例爲原型，講述大數據和智能製造在現代企業中如何排兵佈陣，如何更好地發揮作用，也提到了中國如何應對這一工業革命的策略和途徑。 當然，這麼龐雜的技術問題僅僅靠一本薄薄的書是講不了什麼的，書中後面三分之一的專家訪談算是良心內容，特別是本書作者對航空發動機專家王安正、經濟學家馬光遠、三一副總裁賀東東、NI市場經理的採訪，分別代表了政策、經濟、技術和市場多個維度的大咖們對大數據和智能製造技術的理解和看法。 身處這個時代的我們，應該對智能製造有點了解，翻一翻，懂不懂的，開卷有益嘛。

捧讀李傑先生《從大數據到智能製造》一書，我並非淺嘗輒止，而是反覆品讀、再三回味，還將讀書感悟整理成筆記，在公衆號持續連載，在逐章拆解、沉澱思考中，慢慢讀懂大數據與智能製造相融共生的底層邏輯。 近兩年來，因工作所需，我常常要梳理、查閱海量業務與生產相關數據。沉浸其中的過程裏，我愈發真切地發覺，看似零散繁雜的數據背後，藏着不爲人知的價值密碼，猶如一座待開採的無盡寶藏，等待着有心人去挖掘、解讀與運用。也恰恰在對數據價值深有感觸之時，邂逅了這本《從大數據到智能製造》，翻閱之間，只覺醍醐灌頂、茅塞頓開，恰好爲我日常對數據的摸索與實踐，補上了理論與思維上的關鍵一課。 書中列舉了諸多高端前沿的智能製造案例，客觀而言，以我當下的認知層次和從業視角，部分高精尖場景距離日常工作尚有距離，難以完全企及與落地復刻。但這絲毫不影響我對書中核心理唸的認同，更從不懷疑數據本身蘊藏的磅礴力量。書中點明一個樸素卻深刻的道理：現代化製造系統從不停歇，每時每刻都在自發生成海量數據，無論從業者是否刻意關注、主動收集，數據都在源源不斷地產生。更難得的是，那些未被人爲刻意篩選、修飾的數據，往往保留了最原始、最真實的生產原貌。人心有主觀傾向，會摻雜偏見與取捨，可人會騙人，數據永遠不會撒謊，真實的數據就是製造生產最客觀、最公允的答卷。 讀完這本書，我對大數據的認同感近乎生出一種發自內心的迷戀與狂熱。不必執着於書中遙不可及的高精尖應用場景，迴歸平凡日常工作便會發現，數據的魅力無處不在。日常業務梳理、生產問題排查、流程優化改進，方方面面都能體會到數據的巧妙用處，更能切身感受數據賦能工作、驅動效率提升的神奇魔力。 《從大數據到智能製造》不僅是一本專業著作，更是一把思維鑰匙。它讓我跳出傳統經驗思維，學會用數據視角審視製造、看待工作。也讓我篤定，在智能製造的浪潮裏，誰讀懂了數據、用好數據，誰就能抓住行業發展的主動權，在平凡的崗位上，借數據之力，奔赴更專業、更高效的成長之路。 大數據不僅可以助力智能製造，可以助力一切!

《從大數據到智能製造》成書於工業大數據概念興起之時（10年前出版的書），清晰地搭建起一套核心邏輯：智能製造的起點並非單純添置精密設備，而是把設備聯網、採集工況數據，通過數據分析形成感知、預測、優化的閉環。書中對比了不同國家的製造路線：德國立足高端裝備，在車間內網完成本地數據閉環；美國以工業互聯網爲抓手，匯聚跨地域設備大數據，挖掘資產服務價值；日本則以精益爲本，讓數字化服務於現場人員管理。 放在當下大模型時代回看，這本書的基礎框架依舊成立。大模型只是升級了數據理解與知識推理的能力，卻無法跳過設備聯網、數據治理、工藝沉澱這些前置條件。智能製造從來不是爲數據而數據，所有數字化手段最終都要服務於生產提質、降本增效。

# 從大數據到智能製造 李傑 倪軍 王安正 24個筆記 ◆ 序 >> 建議中國製造的轉型還要從“以生產爲主”的產品製造邁向“以服務爲主”的價值創造的方向， ◆ 前言 數據本身不會說話，經過分析工作提煉之後才具備價值，目前的工業製造還有許多隱形的需求未被重視，比如設備老化、製造精度測量等方面，中國在數據量上有天然的優勢，因此工業大數據的前提已經具備。 肉眼不可見和難以量化 >> 不可見的問題通常表現爲設備的性能下降、健康衰退、零部件磨損、運行風險升高等。 >> 闡述了大數據推動智能製造的三個方向：第一個方向是利用數據來了解和解決可見的問題；第二個方向是利用數據來分析和預測不可見的問題，從僅僅明白解決問題的“know-how”，進一步理解問題產生的原因，從而避免可見的問題；第三個方向則是從數據中挖掘新的知識，再利用知識去重新定義問題，使得可見或不可見的問題都可以在製造系統中避免。 ◆ 1.1 智能製造，是製造還是思維 跟5G一樣，中國還是看到別的國家發佈了計劃然後緊接着跟進。 >> 1.1 智能製造，是製造還是思維 2013年，德國在漢諾威工業博覽會上推出“工業4.0國家戰略”，這被認爲是人類第四次工業革命的開端，也開啓了各個國家在新一輪產業革命中競爭的序幕。世界各主要經濟體紛紛從自身的現狀與優勢出發，制定了應對新一輪製造業革命的國家戰略。美國在2012年3月提出了“國家制造業創新網絡（NNMI）計劃”，在製造業的4個重點領域列出了9個創新中樞項目；日本在2015年6月公佈了《2015年版製造業白皮書》，將3D打印、人工智能和智能ICT作爲轉型升級的軸心；韓國提出了《製造業創新3.0戰略行動方案》，在3D打印、大數據、物聯網、ICT服務等8項核心智能製造技術中發力；法國提出了《工業新法國2.0》，將智慧物流、新能源開發、智慧城市、未來交通等9個重點領域作爲改革的重心。中國也在2015年3月正式出臺了《中國製造2025》，作爲新一輪工業革命的指導綱要，將工業化與信息化“兩化”深度融合發展作爲主線，力爭在10個重點領域實現突破性發展。 >> 我們越深入分析各個國家的政策，越是去嘗試不同的轉型路徑，反而愈發地感覺迷茫和浮躁。我認爲之所以會有這樣的感受，是因爲大家把智能製造當成了一個技術問題來看待，因此在分析其他國家行動的時候也只是停留在表面的方法和技術上，卻忽略了這些行動背後的思維和邏輯。於是當德國有“工業4.0”，我們就有了“中國製造2025”；美國提出“工業互聯網”，我們也提出了“互聯網+”；日本精益製造做得好，我們就要大力提倡工匠精神。事實上，智能製造並不僅僅是一個技術體系或文化，更重要的是背後對智慧的理解、解決問題的邏輯和重新定義製造的思維。 >> 我們越深入分析各個國家的政策，越是去嘗試不同的轉型路徑，反而愈發地感覺迷茫和浮躁。我認爲之所以會有這樣的感受，是因爲大家把智能製造當成了一個技術問題來看待，因此在分析其他國家行動的時候也只是停留在表面的方法和技術上，卻忽略了這些行動背後的思維和邏輯。於是當德國有“工業4.0”，我們就有了“中國製造2025”；美國提出“工業互聯網”，我們也提出了“互聯網+”；日本精益製造做得好，我們就要大力提倡工匠精神。事實上，智能製造並不僅僅是一個技術體系或文化，更重要的是背後對智慧的理解、解決問題的邏輯和重新定義製造的思維。 ◆ 1.3 從大數據到智能製造 也就是說用數據思維發現工業生產中用人眼無法發現的問題。 >> 因此大數據與智能製造之間的關係可以總結爲：製造系統中問題的發生和解決的過程中會產生大量的數據，通過對大數據的分析和挖掘可以瞭解問題產生的過程、造成的影響和解決的方式；當這些信息被抽象化建模後轉化成知識，再利用知識去認識、解決和避免問題。 >> 利用大數據推動智能製造主要有以下3個方向： （1）把問題變成數據，利用數據對問題的產生和解決進行建模，把經驗變成可持續的價值。 （2）把數據變成知識，從“可見解決問題”延伸到“不可見問題”，不僅要明白“how”，還要去理解“why”。 （3）把知識再變成數據，這裏的數據指的是生產中的指令、工藝參數和可執行的決策，從根本上去解決和避免問題。 >> 利用大數據推動智能製造主要有以下3個方向： （1）把問題變成數據，利用數據對問題的產生和解決進行建模，把經驗變成可持續的價值。 （2）把數據變成知識，從“可見解決問題”延伸到“不可見問題”，不僅要明白“how”，還要去理解“why”。 （3）把知識再變成數據，這裏的數據指的是生產中的指令、工藝參數和可執行的決策，從根本上去解決和避免問題。 在第一個方向上最成功的應用案例應該是美國在20世紀90年代開展的“2mm計劃”，利用統計科學對汽車的設計和生產過程中的質量問題進行建模和管理，隨後推廣到了飛機制造等其他先進製造領域，對美國製造精度的提升起了重要的推動作用。 在第二個方向上的典型應用是製造系統中的數據預測性分析，包括虛擬量測、健康管理、衰退預測等。核心是通過先進的分析算法對數據中的隱性知識進行挖掘和建模，並在製造過程中預測和避免問題。 ◆ 1.4 大數據推動智能製造的三個方向 一般企業的瑕疵率大約是3到4個西格瑪，以4西格瑪而言，相當於每一百萬個機會里，有6210次誤差。如果企業達到6西格瑪，就幾近完美地達成顧客要求，在一百萬個機會里，只有3.4個瑕疵。 >> 6 sigma值 ◆ 1.5 智能製造在發達國家的轉型 小時候想不通爲什麼德國日本這麼小的國家，他們的GDP爲什麼就比我們高那麼多。 >> 德國的隱形冠軍企業幾乎不被外界所關注，它們規模都不大，但卻在其領域佔領着很高的市場份額，在全球位列前三。這些中小企業佔據了德國出口總量的70%，它們的銷售回報率平均超過德國普通企業的兩倍，擁有着高水平的研發能力與技術創新能力，注重產品價值與客戶的貼合、高質量高效率的製造能力和精益化、柔性化的全球化高效運營體系，它們很大一部分已經傳承了百年。 >> 提升產品質量的方式有很多種，但是我認爲中國製造目前最需要提升的是標準化、規範化和合理化，至於是應該使用自動化、信息化、機器換人，還是工匠精神等方式，應該視具體的行業和企業的情況而定。 ◆ 1.6 未來智慧工廠的無憂慮製造 關於設備老化，一般需要看企業，如果企業對於設備的故障比較敏感亦或者企業本身規模就比較小，那麼設備的監控聯網需求就比較弱。 >> 對設備性能的預測分析和對故障時間的估算，將減少這些不確定性的影響，併爲用戶提供預先緩和措施和解決對策，以防止生產運營中生產力/效率的損失。 ◆ 2.1 利用大數據分析，實現從解決問題到避免問題 看到這裏，作者所描述的工業大數據僅僅針對中大型企業，據我所知，一般的小型企業都不具備自建生產線的能力，遑論對根本沒有能力建立的生產線做優化。 >> 不必要的定期停工和昂貴的修理過程導致了大量的資金浪費。當前維護策略的另外一個不足之處就是它並沒有考慮到瞬息萬變的真實市場需求，並且缺少一個靈活的反應機制來應對市場的快速變化。 在大規模複雜生產系統中，生產運營與維護往往需要通過分析大量的數據並結合有效建模來進行決策分析和優化。這些數據不僅僅包括固有的生產節拍、工位與工位之間的緩存空間、設備可靠性等，還包括許多動態變化以及干擾的信息，如設備實時健康狀態、生產延遲和提前、庫存的實時監控信息。面對這些大量、多樣、複雜的數據，如何提取出有效信息來幫助建立數學模型和參數訓練，從而爲生產系統運營與維護提供更優的決策支持正是工業大數據時代提出的新課題和新思路。 與當前數量較多的在運營操作學方面探討生產與維護排期的文獻相比，很少有文獻涉及使用金融領域的工具來制定智能的生產與維護管理計劃。 ◆ 2.2 利用大數據預測隱性問題，實現生產系統的自省性 >> 爲了有效解決這個問題，豐田公司引入了IMS中心的數據驅動建模方法，採集了在激流和非激流狀態下的各類控制和監控參數，利用主成分分析方法，將複雜多維的數據在保留最大方差的基礎上進行了降維。隨後利用非對稱支持向量機算法，對激流和非激流狀態的數據主成分建立了分類模型，分類模型的邊界確保了激流和非激流狀態參數之間的距離最遠，因此可以作爲最佳激流曲線的邊界。 >> 多工位壓力機是一種先進的高自動化壓力機設備，相當於多臺壓力機以及拆垛送料系統的集成。它採用級進衝壓方式（progressive stamping process），通過多個工位同時加工，工件自動運輸來逐步按順序實現複雜衝壓件加工成型。根據不同級進模具的設計，多工位壓力機可以同時實現包括衝裁、衝孔、折彎、成形、拉伸等不同的工序。它實現了高速自動化生產，提高了生產率，增加了加工過程的靈活性，減少人員在生產過程中的介入從而減少勞動力，提高生產安全性。多工位衝壓機目前已經被廣泛應用於多種金屬產品的生產加工中，小至電腦光驅的托盤，大到汽車車身。 但是，許多企業在實際生產過程中都面臨多工位壓力機故障而導致的生產質量問題。多工位壓力機的生產質量與其設備的運行性能與級進模具和刀具的健康狀態等有直接重要的聯繫。由於快速連續的加工過程，成型衝壓件的質量檢測通常是在完成全部工位後，零件被運輸出機器後才進行。如果其間由於任何的模具或者刀具磨損斷裂而造成的次品，需要通過很長一段時間才能被發現，機器需要停止使用，再進行逐個工位的排查來定位故障。 ◆ 2.4 基於大數據產品服務系統解決方案 >> 於是John Deere從一家賣農機的公司變成了一家賣農作物生長管理服務的公司。中國和巴西等國的農機依然在紅海內依靠價格拼殺，但是John Deere已經在藍海中賺取提供服務的錢了，獲得了“蛋黃”之外的“蛋白”收益。 ◆ 李傑教授採訪著名經濟學家馬光遠 搶先制定行業標準便有了話語權 >> 2013年底，德國電器電子和信息技術協會發布了德國首個“工業4.0”標準化路線圖，德國工業4.0的思路是：在工廠生產新的系統中，產品的組件直接與生產系統溝通，發出接下來所需生產過程的指令，這樣將改變整個生產技術的使用，整個系統將更加智能，聯網更加緊密，不同組件之間可以相互溝通，工作更快、做出反應更加迅速。物聯網、服務網以及數據網將取代傳統封閉性的製造系統成爲未來工業的基礎。工業4.0將使得德國的工業生產的效率提升30%以上。 互聯網➕衍生了直播、外賣、短視頻等業務，也創造了大量的崗位，不過這些都是針對國內的業務，難以向全球擴張。 >> 過去我們老是強調，中國由於歷史原因，錯過了前三次工業革命，但是，在新一輪的工業革命到來之時，如果我們不重視製造業，只是談虛無縹緲的“互聯網+”，中國很有可能又一次與全球產業革命擦肩而過。“互聯網+”的基礎是製造業，沒有製造業，“互聯網+”什麼都不是。 >> 過去我們老是強調，中國由於歷史原因，錯過了前三次工業革命，但是，在新一輪的工業革命到來之時，如果我們不重視製造業，只是談虛無縹緲的“互聯網+”，中國很有可能又一次與全球產業革命擦肩而過。“互聯網+”的基礎是製造業，沒有製造業，“互聯網+”什麼都不是。 ◆ 李傑教授採訪三一集團高級副總裁賀東東 >> 三一重工在這個方面還算走在行業前面，我們從2008年就開始進行機器物聯的實踐，從具有自主知識產權的設備控制器採集傳感器數據、通過數據通信把數據彙集到大數據平臺，目前有20萬臺設備共5000多種參數都連在自己ECC的系統裏面，可實時監控設備的運行數據，並利用這些機器大數據進行故障報警、故障預測、智能服務、輔助研發和信用管理等，很好地支撐了公司的核心競爭力，幫助公司實現了快速的成長。 >> 但是，若直接按部就班地實現這三個步驟，會需要巨大的資源，超出企業所能承受的範圍。 ◆ 李傑教授採訪NI行業市場經理崔鵬 >> 模擬大數據是指工程（由工業系統產生）和環境數據（如射頻、光和溫度數據以及自宇宙形成至今產生的數據），也就是通常所說的工業大數據，

感覺這本書就是拿來主義，舉的蛋黃蛋白的類比也不貼切，還用了25%的篇幅記錄了李傑教授訪談錄。 裏面說到的大數據和智能製造比較寬泛，只是大而化之的介紹，不具備較好的指導作用