从大数据到智能制造

看完的理解： 数据的目的不是“大”，而是从业务中来到业务中去，让我们更理解用户需求，让业务运行状态更清晰可见、风险更有效监管。 数据的建设不是简单的数据中心建设，是以“业务提升目标为原点”，以“流程和业务系统建设为根本”，以“数据采集和建模分析为手段”，形成业务规则PDCA可持续迭代通道为阶段的，系统性、长期性工作。

《从大数据到智能制造》围绕“如何利用工业大数据推动智能制造”这一核心命题展开，内容可概括为三个层次： 1. ​​宏观背景与问题提出​​ • 书中首先指出，德国工业4.0、英国工业2025以及中国制造2025等国家战略的相继推出，标志着全球制造业正迈向第四次科技革命；中国拥有海量工业数据资源，这既是挑战也是弯道超车的机遇。 2. ​​理论框架——大数据如何赋能智能制造​​ • 作者用“导引篇”厘清大数据与智能制造的关联：从“用数据解决问题”到“用数据预测隐性问题”，再到“通过反向工程重新定义制造”，构建了由浅入深的方法论。 3. ​​实操案例与多方视角​​ • ​​案例分析篇​​：精选17个真实工业案例，展示大数据在故障预测、工艺优化、能源管理等场景中的落地做法与成效，让读者对“理论—实践”闭环有直观认识。 • ​​专家访谈篇​​：邀请经济学家、学者、媒体人及企业代表，从不同维度探讨大数据与制造业融合的痛点、路径和未来趋势，为读者提供多角度思考框架。 综上，本书既阐述了大数据时代智能制造的宏观图景，也给出了方法论、案例和专家洞见，帮助读者系统理解并实践“数据驱动的制造革命”。

智能制造不只是设备自动化，更是思维模式的变革，核心在于挖掘工业数据背后的知识。 工业大数据最大价值：从事后处置，升级为预测、预防，发现隐性风险，反向优化研发制造全链条。 中国制造的优势不在硬件设备，而在于海量工业数据；用好数据可以补齐装备、零部件短板，实现换道发展。 制造企业要跳出只做硬件产品的思路，延伸全生命周期的数据服务，打造 “产品 + 服务” 的新商业模式。

何为制造中的智能？工业大数据在智能制造中的地位和作用？李杰教授的这本书给了分析和解读，遗憾的是限于篇幅，李教授并没有展开，更多的是启发我们思考。李教授的另外一本书工业大数据在本书中多次提及，是需要配套阅读的

这本书讲大型制造业比较贴切的，看到德国公司的一些案例比较有感触 适合需要进入大企业的人阅读，小公司其实用不到也没必要也没能力 个人创业者借鉴不了

智能制造——一场与我们息息相关的工业革命 在信息网络高度发达的当下，哪怕是一个普通民众，我们仍然逃脱不掉物联网、大数据、云平台、智能制造等等这些耳熟能详的词汇在耳边的萦绕，因为它们已经无所不在的渗透在我们的生活中了，随着传感器、高速信息网络、图像识别和人工智能技术的发展，工业产品在普惠大众的同时，也在挑战人类、威胁人类，特别是最近chat·GPT的惊艳表现，让人们有了一种被计算机族类入侵的恐慌感。 之前看了英国专家迈尔-舍恩伯格和库克耶著的《大数据时代》，还有梅拉尼·米歇尔的《AI3.0》，加上平时新闻里铺天盖地的报道，耳濡目染地有一些了解，我们都知道，工业1.0是蒸汽机时代，工业2.0是电气化时代，工业3.0是信息化时代，工业4.0则是利用信息化技术促进产业变革的时代，也就是智能制造时代。显然，这个智能制造时代已然悄悄的来临了。 2013年，德国在汉诺威工业博览会上推出“工业4.0国家战略”，被认为是人类第四次工业革命的开端，也开启了各个国家在新一轮产业革命中竞争的序幕，各大科技强国不甘后人，美国在2012年3月提出了“国家制造业创新网络（NNMI）计划”，在制造业的4个重点领域列出了9个创新中枢项目，日本在2015年6月公布了《2015年版制造业白皮书》，将3D打印、人工智能和智能ICT作为转型升级的轴心，韩国提出了《制造业创新3.0战略行动方案》，在3D打印、大数据、物联网、ICT服务等8项核心智能制造技术中发力，法国提出了《工业新法国2.0》，将智慧物流、新能源开发、智慧城市、未来交通等9个重点领域作为改革的重心。当然，作为制造业大国，中国也在2015年3月正式出台了《中国制造2025》。 随着各国抢占技术制高点的阵势拉开，各种标准在出台，一些新兴行业在迅速发热，当然，一些传统行业也在被冷却淘汰，大数据和工业大数据是不是一回事？智能制造技术和大数据技术如何融合产生更多价值？智能制造的发展又面临什么问题？这些我们够不着嗅不到的问题在本书中隐约有了答案。本书看似简短，却从技术层面进行引导，以世界大公司经典案例为原型，讲述大数据和智能制造在现代企业中如何排兵布阵，如何更好地发挥作用，也提到了中国如何应对这一工业革命的策略和途径。 当然，这么庞杂的技术问题仅仅靠一本薄薄的书是讲不了什么的，书中后面三分之一的专家访谈算是良心内容，特别是本书作者对航空发动机专家王安正、经济学家马光远、三一副总裁贺东东、NI市场经理的采访，分别代表了政策、经济、技术和市场多个维度的大咖们对大数据和智能制造技术的理解和看法。 身处这个时代的我们，应该对智能制造有点了解，翻一翻，懂不懂的，开卷有益嘛。

捧读李杰先生《从大数据到智能制造》一书，我并非浅尝辄止，而是反复品读、再三回味，还将读书感悟整理成笔记，在公众号持续连载，在逐章拆解、沉淀思考中，慢慢读懂大数据与智能制造相融共生的底层逻辑。 近两年来，因工作所需，我常常要梳理、查阅海量业务与生产相关数据。沉浸其中的过程里，我愈发真切地发觉，看似零散繁杂的数据背后，藏着不为人知的价值密码，犹如一座待开采的无尽宝藏，等待着有心人去挖掘、解读与运用。也恰恰在对数据价值深有感触之时，邂逅了这本《从大数据到智能制造》，翻阅之间，只觉醍醐灌顶、茅塞顿开，恰好为我日常对数据的摸索与实践，补上了理论与思维上的关键一课。 书中列举了诸多高端前沿的智能制造案例，客观而言，以我当下的认知层次和从业视角，部分高精尖场景距离日常工作尚有距离，难以完全企及与落地复刻。但这丝毫不影响我对书中核心理念的认同，更从不怀疑数据本身蕴藏的磅礴力量。书中点明一个朴素却深刻的道理：现代化制造系统从不停歇，每时每刻都在自发生成海量数据，无论从业者是否刻意关注、主动收集，数据都在源源不断地产生。更难得的是，那些未被人为刻意筛选、修饰的数据，往往保留了最原始、最真实的生产原貌。人心有主观倾向，会掺杂偏见与取舍，可人会骗人，数据永远不会撒谎，真实的数据就是制造生产最客观、最公允的答卷。 读完这本书，我对大数据的认同感近乎生出一种发自内心的迷恋与狂热。不必执着于书中遥不可及的高精尖应用场景，回归平凡日常工作便会发现，数据的魅力无处不在。日常业务梳理、生产问题排查、流程优化改进，方方面面都能体会到数据的巧妙用处，更能切身感受数据赋能工作、驱动效率提升的神奇魔力。 《从大数据到智能制造》不仅是一本专业著作，更是一把思维钥匙。它让我跳出传统经验思维，学会用数据视角审视制造、看待工作。也让我笃定，在智能制造的浪潮里，谁读懂了数据、用好数据，谁就能抓住行业发展的主动权，在平凡的岗位上，借数据之力，奔赴更专业、更高效的成长之路。 大数据不仅可以助力智能制造，可以助力一切!

《从大数据到智能制造》成书于工业大数据概念兴起之时（10年前出版的书），清晰地搭建起一套核心逻辑：智能制造的起点并非单纯添置精密设备，而是把设备联网、采集工况数据，通过数据分析形成感知、预测、优化的闭环。书中对比了不同国家的制造路线：德国立足高端装备，在车间内网完成本地数据闭环；美国以工业互联网为抓手，汇聚跨地域设备大数据，挖掘资产服务价值；日本则以精益为本，让数字化服务于现场人员管理。 放在当下大模型时代回看，这本书的基础框架依旧成立。大模型只是升级了数据理解与知识推理的能力，却无法跳过设备联网、数据治理、工艺沉淀这些前置条件。智能制造从来不是为数据而数据，所有数字化手段最终都要服务于生产提质、降本增效。

# 从大数据到智能制造 李杰 倪军 王安正 24个笔记 ◆ 序 >> 建议中国制造的转型还要从“以生产为主”的产品制造迈向“以服务为主”的价值创造的方向， ◆ 前言 数据本身不会说话，经过分析工作提炼之后才具备价值，目前的工业制造还有许多隐形的需求未被重视，比如设备老化、制造精度测量等方面，中国在数据量上有天然的优势，因此工业大数据的前提已经具备。 肉眼不可见和难以量化 >> 不可见的问题通常表现为设备的性能下降、健康衰退、零部件磨损、运行风险升高等。 >> 阐述了大数据推动智能制造的三个方向：第一个方向是利用数据来了解和解决可见的问题；第二个方向是利用数据来分析和预测不可见的问题，从仅仅明白解决问题的“know-how”，进一步理解问题产生的原因，从而避免可见的问题；第三个方向则是从数据中挖掘新的知识，再利用知识去重新定义问题，使得可见或不可见的问题都可以在制造系统中避免。 ◆ 1.1 智能制造，是制造还是思维 跟5G一样，中国还是看到别的国家发布了计划然后紧接着跟进。 >> 1.1 智能制造，是制造还是思维 2013年，德国在汉诺威工业博览会上推出“工业4.0国家战略”，这被认为是人类第四次工业革命的开端，也开启了各个国家在新一轮产业革命中竞争的序幕。世界各主要经济体纷纷从自身的现状与优势出发，制定了应对新一轮制造业革命的国家战略。美国在2012年3月提出了“国家制造业创新网络（NNMI）计划”，在制造业的4个重点领域列出了9个创新中枢项目；日本在2015年6月公布了《2015年版制造业白皮书》，将3D打印、人工智能和智能ICT作为转型升级的轴心；韩国提出了《制造业创新3.0战略行动方案》，在3D打印、大数据、物联网、ICT服务等8项核心智能制造技术中发力；法国提出了《工业新法国2.0》，将智慧物流、新能源开发、智慧城市、未来交通等9个重点领域作为改革的重心。中国也在2015年3月正式出台了《中国制造2025》，作为新一轮工业革命的指导纲要，将工业化与信息化“两化”深度融合发展作为主线，力争在10个重点领域实现突破性发展。 >> 我们越深入分析各个国家的政策，越是去尝试不同的转型路径，反而愈发地感觉迷茫和浮躁。我认为之所以会有这样的感受，是因为大家把智能制造当成了一个技术问题来看待，因此在分析其他国家行动的时候也只是停留在表面的方法和技术上，却忽略了这些行动背后的思维和逻辑。于是当德国有“工业4.0”，我们就有了“中国制造2025”；美国提出“工业互联网”，我们也提出了“互联网+”；日本精益制造做得好，我们就要大力提倡工匠精神。事实上，智能制造并不仅仅是一个技术体系或文化，更重要的是背后对智慧的理解、解决问题的逻辑和重新定义制造的思维。 >> 我们越深入分析各个国家的政策，越是去尝试不同的转型路径，反而愈发地感觉迷茫和浮躁。我认为之所以会有这样的感受，是因为大家把智能制造当成了一个技术问题来看待，因此在分析其他国家行动的时候也只是停留在表面的方法和技术上，却忽略了这些行动背后的思维和逻辑。于是当德国有“工业4.0”，我们就有了“中国制造2025”；美国提出“工业互联网”，我们也提出了“互联网+”；日本精益制造做得好，我们就要大力提倡工匠精神。事实上，智能制造并不仅仅是一个技术体系或文化，更重要的是背后对智慧的理解、解决问题的逻辑和重新定义制造的思维。 ◆ 1.3 从大数据到智能制造 也就是说用数据思维发现工业生产中用人眼无法发现的问题。 >> 因此大数据与智能制造之间的关系可以总结为：制造系统中问题的发生和解决的过程中会产生大量的数据，通过对大数据的分析和挖掘可以了解问题产生的过程、造成的影响和解决的方式；当这些信息被抽象化建模后转化成知识，再利用知识去认识、解决和避免问题。 >> 利用大数据推动智能制造主要有以下3个方向： （1）把问题变成数据，利用数据对问题的产生和解决进行建模，把经验变成可持续的价值。 （2）把数据变成知识，从“可见解决问题”延伸到“不可见问题”，不仅要明白“how”，还要去理解“why”。 （3）把知识再变成数据，这里的数据指的是生产中的指令、工艺参数和可执行的决策，从根本上去解决和避免问题。 >> 利用大数据推动智能制造主要有以下3个方向： （1）把问题变成数据，利用数据对问题的产生和解决进行建模，把经验变成可持续的价值。 （2）把数据变成知识，从“可见解决问题”延伸到“不可见问题”，不仅要明白“how”，还要去理解“why”。 （3）把知识再变成数据，这里的数据指的是生产中的指令、工艺参数和可执行的决策，从根本上去解决和避免问题。 在第一个方向上最成功的应用案例应该是美国在20世纪90年代开展的“2mm计划”，利用统计科学对汽车的设计和生产过程中的质量问题进行建模和管理，随后推广到了飞机制造等其他先进制造领域，对美国制造精度的提升起了重要的推动作用。 在第二个方向上的典型应用是制造系统中的数据预测性分析，包括虚拟量测、健康管理、衰退预测等。核心是通过先进的分析算法对数据中的隐性知识进行挖掘和建模，并在制造过程中预测和避免问题。 ◆ 1.4 大数据推动智能制造的三个方向 一般企业的瑕疵率大约是3到4个西格玛，以4西格玛而言，相当于每一百万个机会里，有6210次误差。如果企业达到6西格玛，就几近完美地达成顾客要求，在一百万个机会里，只有3.4个瑕疵。 >> 6 sigma值 ◆ 1.5 智能制造在发达国家的转型 小时候想不通为什么德国日本这么小的国家，他们的GDP为什么就比我们高那么多。 >> 德国的隐形冠军企业几乎不被外界所关注，它们规模都不大，但却在其领域占领着很高的市场份额，在全球位列前三。这些中小企业占据了德国出口总量的70%，它们的销售回报率平均超过德国普通企业的两倍，拥有着高水平的研发能力与技术创新能力，注重产品价值与客户的贴合、高质量高效率的制造能力和精益化、柔性化的全球化高效运营体系，它们很大一部分已经传承了百年。 >> 提升产品质量的方式有很多种，但是我认为中国制造目前最需要提升的是标准化、规范化和合理化，至于是应该使用自动化、信息化、机器换人，还是工匠精神等方式，应该视具体的行业和企业的情况而定。 ◆ 1.6 未来智慧工厂的无忧虑制造 关于设备老化，一般需要看企业，如果企业对于设备的故障比较敏感亦或者企业本身规模就比较小，那么设备的监控联网需求就比较弱。 >> 对设备性能的预测分析和对故障时间的估算，将减少这些不确定性的影响，并为用户提供预先缓和措施和解决对策，以防止生产运营中生产力/效率的损失。 ◆ 2.1 利用大数据分析，实现从解决问题到避免问题 看到这里，作者所描述的工业大数据仅仅针对中大型企业，据我所知，一般的小型企业都不具备自建生产线的能力，遑论对根本没有能力建立的生产线做优化。 >> 不必要的定期停工和昂贵的修理过程导致了大量的资金浪费。当前维护策略的另外一个不足之处就是它并没有考虑到瞬息万变的真实市场需求，并且缺少一个灵活的反应机制来应对市场的快速变化。 在大规模复杂生产系统中，生产运营与维护往往需要通过分析大量的数据并结合有效建模来进行决策分析和优化。这些数据不仅仅包括固有的生产节拍、工位与工位之间的缓存空间、设备可靠性等，还包括许多动态变化以及干扰的信息，如设备实时健康状态、生产延迟和提前、库存的实时监控信息。面对这些大量、多样、复杂的数据，如何提取出有效信息来帮助建立数学模型和参数训练，从而为生产系统运营与维护提供更优的决策支持正是工业大数据时代提出的新课题和新思路。 与当前数量较多的在运营操作学方面探讨生产与维护排期的文献相比，很少有文献涉及使用金融领域的工具来制定智能的生产与维护管理计划。 ◆ 2.2 利用大数据预测隐性问题，实现生产系统的自省性 >> 为了有效解决这个问题，丰田公司引入了IMS中心的数据驱动建模方法，采集了在激流和非激流状态下的各类控制和监控参数，利用主成分分析方法，将复杂多维的数据在保留最大方差的基础上进行了降维。随后利用非对称支持向量机算法，对激流和非激流状态的数据主成分建立了分类模型，分类模型的边界确保了激流和非激流状态参数之间的距离最远，因此可以作为最佳激流曲线的边界。 >> 多工位压力机是一种先进的高自动化压力机设备，相当于多台压力机以及拆垛送料系统的集成。它采用级进冲压方式（progressive stamping process），通过多个工位同时加工，工件自动运输来逐步按顺序实现复杂冲压件加工成型。根据不同级进模具的设计，多工位压力机可以同时实现包括冲裁、冲孔、折弯、成形、拉伸等不同的工序。它实现了高速自动化生产，提高了生产率，增加了加工过程的灵活性，减少人员在生产过程中的介入从而减少劳动力，提高生产安全性。多工位冲压机目前已经被广泛应用于多种金属产品的生产加工中，小至电脑光驱的托盘，大到汽车车身。 但是，许多企业在实际生产过程中都面临多工位压力机故障而导致的生产质量问题。多工位压力机的生产质量与其设备的运行性能与级进模具和刀具的健康状态等有直接重要的联系。由于快速连续的加工过程，成型冲压件的质量检测通常是在完成全部工位后，零件被运输出机器后才进行。如果其间由于任何的模具或者刀具磨损断裂而造成的次品，需要通过很长一段时间才能被发现，机器需要停止使用，再进行逐个工位的排查来定位故障。 ◆ 2.4 基于大数据产品服务系统解决方案 >> 于是John Deere从一家卖农机的公司变成了一家卖农作物生长管理服务的公司。中国和巴西等国的农机依然在红海内依靠价格拼杀，但是John Deere已经在蓝海中赚取提供服务的钱了，获得了“蛋黄”之外的“蛋白”收益。 ◆ 李杰教授采访著名经济学家马光远 抢先制定行业标准便有了话语权 >> 2013年底，德国电器电子和信息技术协会发布了德国首个“工业4.0”标准化路线图，德国工业4.0的思路是：在工厂生产新的系统中，产品的组件直接与生产系统沟通，发出接下来所需生产过程的指令，这样将改变整个生产技术的使用，整个系统将更加智能，联网更加紧密，不同组件之间可以相互沟通，工作更快、做出反应更加迅速。物联网、服务网以及数据网将取代传统封闭性的制造系统成为未来工业的基础。工业4.0将使得德国的工业生产的效率提升30%以上。 互联网➕衍生了直播、外卖、短视频等业务，也创造了大量的岗位，不过这些都是针对国内的业务，难以向全球扩张。 >> 过去我们老是强调，中国由于历史原因，错过了前三次工业革命，但是，在新一轮的工业革命到来之时，如果我们不重视制造业，只是谈虚无缥缈的“互联网+”，中国很有可能又一次与全球产业革命擦肩而过。“互联网+”的基础是制造业，没有制造业，“互联网+”什么都不是。 >> 过去我们老是强调，中国由于历史原因，错过了前三次工业革命，但是，在新一轮的工业革命到来之时，如果我们不重视制造业，只是谈虚无缥缈的“互联网+”，中国很有可能又一次与全球产业革命擦肩而过。“互联网+”的基础是制造业，没有制造业，“互联网+”什么都不是。 ◆ 李杰教授采访三一集团高级副总裁贺东东 >> 三一重工在这个方面还算走在行业前面，我们从2008年就开始进行机器物联的实践，从具有自主知识产权的设备控制器采集传感器数据、通过数据通信把数据汇集到大数据平台，目前有20万台设备共5000多种参数都连在自己ECC的系统里面，可实时监控设备的运行数据，并利用这些机器大数据进行故障报警、故障预测、智能服务、辅助研发和信用管理等，很好地支撑了公司的核心竞争力，帮助公司实现了快速的成长。 >> 但是，若直接按部就班地实现这三个步骤，会需要巨大的资源，超出企业所能承受的范围。 ◆ 李杰教授采访NI行业市场经理崔鹏 >> 模拟大数据是指工程（由工业系统产生）和环境数据（如射频、光和温度数据以及自宇宙形成至今产生的数据），也就是通常所说的工业大数据，

感觉这本书就是拿来主义，举的蛋黄蛋白的类比也不贴切，还用了25%的篇幅记录了李杰教授访谈录。 里面说到的大数据和智能制造比较宽泛，只是大而化之的介绍，不具备较好的指导作用