03 工业数据智能平台应用实践分析
3.1 工业数据的治理、应用正面临一系列挑战
在数据集成打通层面：分散在信息管理系统、机器设备中的非结构化数据伴随着工业企业业务场景丰富而剧增。与此同时，由于工业软件的接口协议不一致、烟囱式开发等原因，工业基础数据存在属性规范不一致、数据指标不统一等数据质量问题。以上难题对数据平台的存储能力、集成能力提出了更高的要求，要求数据平台能够有效处理海量数据，打破企业数据孤岛。
在数据治理使用层面：首先，平台需要以更快的响应速度满足工业数据的实时性需求，这为平台的存储和读写带来了压力。其次，现阶段对于工业数据价值挖掘的深度和广度仍然不够，未来仍需进一步提炼数据价值，赋能和开发业务场景，提升产品服务能力。最后，在数据平台出现以前，由于缺乏统一的数据共享和管控体系，各业务系统之间、部门之间的数据无法有效共享，数据复用能力弱。
在数据合规利用层面：相较于金融、汽车、电子政务、健康医疗等领域，工业数据在安全与合规利用方面尚处于起步阶段，工业数据法律法规体系建设有待进一步深化和完善。一方面，工业数据在研发设计、生产控制、售后运维等环节均有涉及，一旦发生数据安全事件都有可能引发生产经营活动的停滞。另一方面，对于一些关系到国计民生的行业，数据安全尤为重要，例如电力行业、能源行业等。
3.2 工业数据智能平台解决方案
以湖仓一体、流批一体、区块链等技术为依托，工业数据智能平台解决方案能有效应对数据质量不高，数据存储、计算成本高等难题，为企业提供统一的数据资产管理底座，为制造业企业数据治理提供安全保障。
1）构建数据治理能力内核
数据资产目录有助于企业厘清、盘活数据资产：数据资产目录通过对海量的工业异构数据进行明确的分类、定义、分层架构表达，使得企业可以快速完成数据标签的建立，对数据的血缘关系进行全链路的查询。
数据标准有助于企业获得高质量清洁数据：数据标准的建立统一了工业数据格式、消除数据语义，形成标准的业务含义与规范，为数据的计算、应用提供有效支撑。
数据模型是工业数据价值挖掘的基础：工业数据模型基于实际业务场景需要，形成数据之间关系的形式化表达，是工业企业进行数据分析与应用的前提。
湖仓一体架构、流批一体技术提升数据治理效能：湖仓一体架构融合数据湖和数据仓的优点，有效处理制造业在生产过程中产生的海量异构数据，流批一体技术通过对实时数据的治理，快速响应业务需求，同时提高实时数据在离线场景下的复用能力。
2）夯实数据安全能力底座
建立工业数据分级防护目录：通过对研发设计数据、生产制造数据、经营管理数据、运行维护数据和平台运营数据的分类和分级使用，对数据的管理属性进行全方位评估与识别，进而制定不同级别的数据保护要求。
实现工业数据全生命周期安全防护：工业数据平台需要构建包括事前预防、事中预警、事后追溯的全生命周期安全防护链路，为数据的治理使用，企业和部门间的数据共享提供安全保障。
典型案例2：构建统一数据底座，一汽红旗实现智能网联汽车数据高效赋能业务创新
世界500强车企中国第一汽车集团有限公司（以下简称一汽）是国有特大型汽车企业集团。一汽的建成，开创了新中国汽车工业的历史。经过七十年的发展，一汽建立了东北、华北、华东、华南、西南等五大生产基地，构建了全球化研发布局，拥有红旗等知名国产品牌，累计产销汽车超过5400万辆，销量规模位列中国汽车行业第一阵营。
一、旧平台难以支撑新业务体量，一汽集团数据治理和开发能力亟需提升
随着汽车行业从机械时代迈入智能网联时代，汽车的核心部件已不再是发动机、变速箱、底盘这三大件，而是由新型架构、芯片、软件以及数据等组成的智能汽车“大脑”。只有掌握汽车“大脑”，车企才能掌握未来发展的主动权。在此背景下，红旗作为中国一汽直接运营的高端汽车品牌，加速布局智能网联和自动驾驶，2020年一汽集团成立一汽南京智能研究院，在集团中担任数据聚合管控中心的角色，加速智能网联汽车、自动驾驶技术等的研发。经过3年的发展，一套覆盖研发、制造、采购、后市场服务的数智架构体系逐渐成形，随着数字化转型的深入，新的业务挑战对“大数据基础软件”的技术路线演进提出了新的要求。
图7：旧平台痛点
1. 多源异构数据随业务量呈爆发式增长，为原有存储架构带来挑战。在此之前，一汽集团采用以Hadoop生态体系为代表的开源技术组件搭建了大数据平台，随着业务体量的增大，业务数据、用户行为数据、车端传感器数据等半结构化、非结构化数据的存储为原有存储架构带来了挑战由于缺乏对数据的治理手段，这些数据的价值无法被真正挖掘，企业易陷入“数据沼泽”的困境。
2. 烟囱式开发导致数据孤岛，数据质量难保证。生产设计和销售营销各系统之间的数据都是独立存储运行的，尚未连通，业务变化的影响范围无法识别追溯和预警。利用大数据工具和技术对汽车行业积累的数据进行价值深挖，进而形成端到端的全链路数据治理开发能力，首要做到的便是从源头上保证数据质量。
3. 数据研发团队缺乏有效工具，效率待提升。研发团队在进行车联网数据的治理开发时，直接使用开源工具，由于技术栈的复杂，造成了任务的割裂和臃肿。没有界面化和可视化的管理页面对任务开发、运维以及异常排查带来了很高的挑战，对技术人员要求较高。因此，急需建设具备低代码特性的数据开发管理平台应用先进的数据技术面向全业务角色进行开发提效和能力开放。
综上所述，一汽红旗决定进行数据管理和开发能力的体系化建设，构建统一的数据底座，以完成对新增数据的高效存储与计算，同时对原有数据仓库架构和大数据平台进行统一纳管集成，以实现智能网联汽车数据的高效赋能，以优质高效的支撑业务部门在数据应用层的业务创新。
通过长时间对国内优秀厂商的技术验证和综合对比，一汽集团最终选择与北京科杰科技有限公司（以下简称“科杰科技”）合作。科杰科技是领先的数据能力构建商，核心技术团队拥有丰富的头部互联网企业大数据平台建设和运营经验，针对多业态、多场景的大型复杂组织的数据底座建设运营，沉淀出了一套成熟的实施方法论。现已服务能源、汽车、零售、制造等多个行业头部企业。
结合此次项目需求，科杰科技的湖仓一体建设能力与数据安全能力是促成双方合作的关键所在：
1. 湖仓一体建设，从逻辑层面整合多源异构数据，实现数据湖与数据仓的1+1＞2：要真正实现企业的数字化转型，不仅要在物理层面打破数据孤岛，更需要在逻辑层面实现数据跨层次、跨环节的整合与互通。科杰科技湖仓一体架构将企业数据引入到统一的存储计算引擎里面，实现数据湖和数据仓库内部的转化和使用，不需要进行二次的搬迁和转化，为数据管理提供更多便利性。技术自主可控，保障数据安全，支持国产化环境。
2. 技术自主可控，保障数据安全，支持国产化环境：科杰科技的湖仓一体架构在云原生、低代码、大数据、AI等创新技术应用上完全自主可控，全面支持国产化环境，兼备安全稳定、灵活高效等特点，通过数据分级分类、授权管理、数据脱敏加密、多租户资源隔离等软态或硬态隔离措施，有效保障数据安全、系统安全、资源安全。
二、一汽红旗打造存储、计算、管理、服务一站式全流程数据中台
在经过多轮的沟通和现场调研后，科杰科技依据一汽红旗整体的数字化发展战略，为该集团设计了整套的汽车行业数据底座建设方案。集团明确了“一体化、少件化、软件化”的建设目标，即通过一个平台对全域数据进行兼容、监管，用最小的软件体系、技术体系来支撑更强大的业务需求，将线下业务整合到线上平台中，实现业务管理全面软件化。
图8：一汽红旗数据中台架构图
图9：一汽红旗数据中台流程图
1. 数据存储层：存算分离、流批一体技术推动湖仓融合。面对数据孤岛、数据烟囱的屏障，KeenData Lakehouse采用存算分离、流批一体技术，融合打通“湖里”和“仓里”的数据。首先，存储层和计算层的相对独立使得它们可以按照各自的业务需求独立扩缩容，存储分离降低了存储部分的成本，有利于多源多态数据的聚合，更加易于灵活扩展。除此之外，一汽集团可以更方便地为不同业务做数据分析，对接不同的计算引擎，避免热门数据在不同的业务中重复存储的问题。最后，计算服务与存储服务相对资源隔离，提升了业务稳定性。
流批一体技术支持一套数据框兼容离线计算和实时计算，可以使用批处理分析数据流，可提供批处理和流处理的联动转换以及实时离线联动分析。一汽红旗据此可以对车速、里程、电流、电压、油门踏板位置、制动踏板、方向盘转角、SOC、天气、道路、地图等数据根据业务需要，进行实时或离线采集、计算，既满足业务的即时性需求，又将成本问题考虑在内。
2. 数据管理层：数据资产全链路追踪，保证数据质量。通过数据资产目录的建立，一汽集团建立了统一的车联网数据资产门户，可面向企业各个角色，诸如数据维护工程师、业务承载方等，提供数据信息查询服务。数据资产在数据开发建设过程中自动沉淀，无需手工维护。数据资产的全链路追踪能有效保证数据质量，提供数据完整的血缘关系，可追溯数据从数据源到数据应用全生命周期的详细加工过程；并按层级进行数据路径分析，帮助一汽集团评估数据变更后对后续业务的影响。数据资产的建立得益于对数据指标的建立，通过建立一定分级分类标准，形成数据指标，指标管理中心可以呈现企业指标数据从口径、来源、计算、存储、应用的全过程。
3. 数据计算层：构建实时计算平台，满足业务即时性需要。基于Flink SQL语言构建实时数仓和实时计算平台，对业务生产过程中的数据进行实时清洗、合并、结构化、计算和模型分层，实时计算结果输出存储到分析性数据库Keen ADB中，并面向应用提供服务支撑。当前可支持千级的数据标签采集，从数据采集端到业务端实现秒级响应。
4. 数据服务层：数据服务平台无缝对接业务系统，解决数据使用“最后一公里”问题。在数据服务层面，科杰科技提供API和SDK的全生命周期管理，无缝对接业务生产系统，全面赋能“驱动业务”“驱动生活”“驱动车辆及周边”的数据应用层服务。
三、新一代车联网数据中台提升一汽集团数据开发能力、高效赋能业务场景
目前项目已进行到联合验证环节，经验证，一汽集团智能网联汽车数据中台的数据开发能力显著提高，实现了数据的全生命周期管理，获得一站式数据开发能力，高效赋能业务场景。
图10：数据中台建设成果
1. 实现企业级数据全生命周期管理：建立了融合DataOps框架的一站式、全链路、全流程的湖仓一体数据底座，覆盖数据全生命周期管理，打造持续集成、持续开发、持续服务的自动化数据服务链路，实现一个车架号就能快速查询获取到车辆在各个节点的信息情况。基于对数据的全生命周期管理，数据质量得以保证，从数据接入任务到数据分发都具备全面的监控机制，保证了数据的准确性和一致性；多个团队可进行协同开发，代码可追溯。
2. 实现一站式数据开发能力：对于开源工具的直接使用降低了数据开发效率，给研发人员增大了工作难度。如今，集团实现了一站式的数据开发能力，通过低代码或零代码的方式进行数据接入、解析、处理、算法、服务、应用等；数据开发平台具备可视化编排功能；前端人员可自助查询数据；数据资产及应用组件API/SDK具备服务开放能力；工作人员可跨平台、跨应用进行作业智能调度，实现作业管理的集中化和规范化。
3. 高效赋能业务场景，以客户为中心构建行业智能数据画像：合理整合信息资源，在安全管控下，以共享开放的方式，赋能各业务智能应用，通过对车联网数据的实时或离线采集、分析、应用，实现了对多个业务场景的高效赋能，同时还挖掘了潜在的业务场景。
集团以客户为中心，通过数据挖掘分析能力，精准有效识别客户购买和体验需求，有效支撑内容精细化运营，在获得客户信赖的基础上成功构建稳健的客户关系。同时，通过数据的分析挖掘，形成了多个行业画像，例如车辆画像、经销商画像、服务商画像等，刻画了服务商的财务/信用等级、服务评级、市场占有率等，基于行业智能画像，满足车辆销售分配、配件储备、故障维修和索赔等场景。
04 工业元宇宙应用实践分析
4.1 工业元宇宙致力于打造一个三维的、低成本的虚拟世界，以加速产品的优化迭代
在工业互联网范畴下，APP、数据平台、指挥大屏的呈现都是二维的，不能将机器设备的复杂运转反映清楚，也无法高效地将工业知识、人脑经验翻译成机器语言，沉淀成数据模型。工业元宇宙可以实现在虚拟世界中模拟产品的设计、规划、生产、优化、运输的全生命周期活动，而现实工厂只负责生产，如此便可加快产品的迭代进程。例如，未来工业元宇宙技术有望推动国产软件突破技术难关，通过将进口设备的一切部件在虚拟世界中拆解、复现，调试，反向得到关键工艺参数，国产软件可把握这一弯道超车的机遇。
图11：工业元宇宙应用场景
场景1：研发设计
随着制造业进入存量发展时代，以及消费市场的升级与变革，传统大规模、批量化的生产方式已不能满足个性化的消费需求，精益生产逐渐成为刚需。要实现精益生产面临着诸多难题，例如工业产品的试制周期长、制造工艺不稳定、消费者需求迭代快等。工业元宇宙的出现使得消费者需求直通产品设计，未来有望推动C2M模式的大规模落地。工业元宇宙以低成本优势对产品的功能、零部件的作用方式、消费者体验等反复进行测试，将产品性能信息和消费者购买信息实时反馈给品牌商、研发机构、生产制造商等，以帮助策划出更能迎合市场的产品。
场景2：虚拟工厂
制造业企业在实际的生产过程中，面临原材料、环境、设备状态等外部干扰，需要调节众多工艺参数，以实现在复杂生产环境下更高的生产效率。工业元宇宙通过虚拟工厂的打造，可以帮助企业完成生产过程优化。工厂员工通过穿戴虚拟现实设备进入虚拟工厂，查看订单状态、设备状态、产品状态，通过人工智能算法寻找最优生产解决方案，并提前排除可能的风险，做出故障预警。
场景3：沉浸式营销
随着产品同质化竞争的加剧，品牌逐渐失去核心竞争力和特色。同时，线上消费渠道使得消费者缺乏对产品的沉浸式、直观式感受，对产品的服务能力缺乏实际感知。工业元宇宙在消费端提供的解决方案有助于增强消费者对产品性能和品牌的认知，在售前环节开设虚拟商店展示产品，在售后环节服务人员和消费者通过虚拟世界沟通问题，为消费者带来了沉浸式体验，也节省了线下推广的成本。
4.2 从概念走向现实，工业元宇宙目前仍面临诸多挑战
构建高精度数字孪生模型对系统和平台算力提出更高要求：现有系统和设备的通讯协议不一致，导致了数据采集计量单位、参数、格式的不一致，加大了数据交互的困难。同时，在构建数字孪生模型时一般会放大时间尺度，然而工业数据的采集周期短，每秒将产生海量数据，在不牺牲模拟拟合优度的前提下，构建高精度数字孪生模型存在着巨大的模拟仿真压力。
技术储备相对不足、核心技术需进一步融合：工业元宇宙需要物联网技术、区块链技术、交互技术、人工智能技术、网络及运算技术的深度融合，然而目前我国在这些技术领域仍存在不同程度的短板，难以满足应用需求，进一步加大了技术融合的难度。
数据安全、隐私保护问题需重视：构建工业元宇宙的出发点为提升生产效率，给员工带来交互式体验。但是在场景落地时存在多个环节的数据采集处理，对数据的安全使用、隐私保护提出了更高的要求。首先，在生产的初始环节需要采集进入元宇宙的用户个人信息，包括身份属性、社会关系、实时位置等。其次，在生产过程中会采集设备基础信息、设备指令、监测接口等工厂内部信息，也会采集环境信息。以上数据分布在云端、生产端和服务器，如果出现数据泄露或被不法分子滥用的情况，会严重影响到现实世界中的正常生活。
05 结语
当前宏观经济下行给制造业带来较大压力，根据国家统计局数据，2023年第一季度全国规模以上工业企业实现利润总额15167.4亿元，同比下滑21.4%。然而，制造业是国之重器，以智能制造为重要抓手寻找新的增长点对于重振实体经济意义重大，也是制造业实现弯道超车的难得机遇。制造业企业需寻找自身战略、业务、产品与智能制造的结合路径，打造企业发展的新引擎。
展望未来，伴随着AI大模型技术席卷全球，探索大模型在制造业中的落地场景，成为制造业寻求新的增长点的必然选择。例如，通用大模型能够打破行业和知识壁垒，通过人机共创的模式探索制造业企业创新；专业大模型将有效解决行业中大客户的专属需求，打破垂直类信息孤岛。当前制造业企业对大模型的应用相对滞后于其他行业，需要尽快开始探索试点。
精彩评论