冯恩波博士：且谈工业大数据与企业数字化转型

亿欧网 • 5年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

编者注：5月5日，昆仑咨询首次刊发了冯恩波博士的《西方工业安全和我国工业安全制度的比较与思考》一文，在业内产生较大反响，引发了一场关于工业安全管理与机制的大讨论。今天，昆仑咨询将聚焦当前的热点— 工业大数据与企业数字化转型，与朋友们一同分享冯博士的另一篇佳作《对工业大数据和企业数字化转型的一点看法和体会》，聊一聊工业大数据、工业智能化的方向与方法，也欢迎大家就这一主题积极建言...

1、工程师怎么看大数据

最近几年，“大数据”词都成了一个专用名词了，比方说，某大学今年招生的一些统计数字叫做“新生大数据”；我国“经济大数据”，结果就是一些统计数字而已，并没有什么高级的数据处理结果。

从学术或技术意义上说，“大数据”并不简单指的数据量的规模大小，更多的时候是指通过对数据的高级分析（即所谓数据挖掘、知识抽取、机器学习等算法），从一个不同维度和方式看待原始数据所隐含的信息。 这实际上是一种不同的方法论。

作为一个工程师，我们处理实际多变量问题的时候，会很注意这些变量的集合效应，而不是单个变量的作用。因为世界上所有的变量之间都有一种内在的联系，当然，我们是否能定量地或定性的去发现这种联系规律是另外一回事情。在本质上，这些变量间还是有因果关系的。

我们按传统的观点，一个工厂的运行， 实际上是把每一个变量看成是单一的，互相独立的 。我们相信，把每一个变量都控制在特定范围，就可以保证我们的产品质量合格、运行状态安全了。这实际上是不正确的，很多时候我们需要考虑数个变量的集合效应，这就是大数据思想和方法论。

另外一个问题，一个装置常常会有成百上千的变量，这样直接去找到他们的关系是很不容易的。我们知道，这些变量之间是有相关性的，这样就可以找到一些“主要的因素”，这些主要因素并不一定是一个变量，而可能是一堆相关的变量组合成为一个因素，一套看似复杂的生产装置，真正的“独立因素”并没有多少，我曾经分析过一些大型流程生产装置，超过8-9个独立因素的装置很少，最多的也不超过12个独立因素。如何找到这些独立的因素，有严格的数学方法和数据处理算法。作为一个工程师，要把数据看成互相之间关联的，互相有因果关系的，这就是大数据的本质思想。不能一说大数据就先想到它的大小、它的快慢、变量的多少，我并不认为这是一个本质的事情。

2、关于精益化运行和知识性工作的自动化

我们运行一套装置或者一个工厂，我们会面对三大类问题。

第一类，我们所说的痛点，就是必须马上要解决的，比如安全问题，环境问题，还有效益问题，就是我们的痛点，这个不言而喻。

第二类问题是“痒点”问题，就是那些今天不解决也行，明天不解决也过的去，但是终归是要解决。这些问题看起来没有那么急迫，但是不解决就会出大问题。比如，装置耗能比较高，稳定性有问题，我们就需要一些时间研究一下，找到一些好的技术。找到了技术了，做完项目能不能维护，也是一个问题，这些都是一些日常生产当中需要解决的。这些就叫“痒点”。

最后一类问题，我们经常说有“盲点” ，盲点有一类是物理性的，比方说测量方法或者仪器，我们拿不到这些信息，这就是盲点。还有一类盲点，可能更重要，就是我们有测量数据，但是数据太多了或者很复杂，我们不知道怎么分析，不知道数据能告诉我们什么，这些数据虽然是存在，但都在“睡眠”之中，对我们来讲也是一类盲点。而这种盲点事情非常普遍，解决起来需要很多的工艺知识和数据处理知识，这是需要领域专家和数据专家结合起来去做的。这方面的人才，或者叫“数据工程师”，现在是一个瓶颈，工业发达国家都有这样的问题，这使得我们的盲点问题越来越严重。我个人的体会和看法，一个好的企业和差的企业，主要的差距就在这个方面。

上面所说“痒点”问题，有一个共同的特征， 就是问题的时变性 ，同样的问题，不同的时间，出现的方式不完全一样，这次解决了，过一段时间还会再出现。这样就产生了“持续改进”这种方法体系，比如6-西伽玛或者是PDCA方法，都是按时间持续推进，反复地以滚动方式解决问题。持续改进方法最大的特点是应用较多的数理统计方法和模型化方法，因为这些痒点问题往往不是孤立的，解决起来有一定难度，需要做一些深入的数据分析。

持续改进从方法流程方面看，都有一个经验收集和总结过程，并且和数据分析结合起来，这本质上是把人的知识进行整理和形式化。做这项工作，很大程度上依赖于人的知识结构、他的数学技巧、对工艺理解、与人交流的能力，甚至和人的性格脾气都密切相关。这在严格的6-西伽玛黑带和绿带认证培训中有一定要求。不只是学历的问题，还有和人的交往能力、领导能力、个性特征、组织能力和执行能力的综合考虑。

像这类工作，我们称之为“知识型工作”，工作的内容和处理的事情是基于“知识”，而这些知识有可能是和数据打交道，也有可能是和过去的定性的经验打交道。

笔者在过去20多年企业工作中，持续改进是主要工作职责内容之一。我发现，今年一个绿带或黑带人员（编者注：黑带和绿带源于军事术语，意指具有精湛技艺和本领的人，在六西格玛管理体系中，指的是引导企业进行变革和改进的中坚力量，具体可分为绿带/GB、黑带/BB、大师级黑带/MBB等角色）费了很大的功夫和很大的精力解决了一个问题，但明年或后年，又出来一个绿带或和黑带还要去解决同样的问题。

原因可能是装置本身操作条件发生变化、原料发生变化等等，人和人之间解决的思路有非常大的差异，有些能力强一些，有些能力弱一点，所用的方法思路都有较大差异性，效果也就有相当大的差距。我们很自然想到，能不能把这一类基于知识的工作在某种程度上自动化，而这个“自动化”和我们平常所说的用仪器仪表DCS实施的自动化还不完全一样。这些电气或机械的自动化是一种技术的手段。

我们所说的这种知识型工作自动化，是数据分析流程的自动化，它处理的对象是知识，包括定性和定量的知识，在整个处理和结果执行流程闭环里，人是很重要的一个组成单元，整个系统是一个“人机混合”系统，而不是传统意义的全电子或机械自动化系统。

上面我们提到，知识有一些是可以用公式来表达的，还有很多是可意会不可言传的隐含型的，而这些隐含的知识，现在来看不一定永远处在“隐含”状态。过去人们没有办法叫它显现表达出来，或许是数据的缺少，或许是数据的处理方法。近年有极大发展的大数据方法和人工智能技术，实际上是把海量数据中隐含的人们所感兴趣的特征显现出来，特别是把一些定性思想用数据和算法支撑和联系起来。过去的只可意会不可言传，主要是由于数据量，或者是数据方法，或者是处理能力限制而已，现在都逐渐变成现实。

作为是围棋爱好者，知道围棋博弈中包含大量的艺术性和感觉性技巧，我曾经认为计算机是很难下围棋的，相当长一段时间，我不相信计算机下围棋能超过哪怕一位业余爱好者，看看最近的发展，人类下围棋已经赢不过机器了，这就说明随着机器计算能力的提高和新数学方法的出现，过去有很多隐含性或定性的知识，现在都可以用定量的方法和机器计算的方法来完成。也就是说。现在的数据只要足够多和遍历，我们就可以基于数据发现过去很多不能显现表达的知识。

综上所述，可以把这种持续改进的思想和流程设计成软件系统，把处理数据、数据挖掘和隐含信息显现工作自动进行，我认为，这就是人工智能在工业当中的应用场景。不能一提到人工智能就认为是机器人那样的东西，就是为了减少人力，更多地应该是基于对海量数据处理，把结果实时推送给人，从而对人的决策时间和行动产生影响和帮助。

3、关于企业“对标”的方法

谈到精益化运行，最主要的就是要找到差异性，差异性的管理和控制是精益的精髓和最终目的。找出差异性就是要去“对标”，对标应该考虑两个维度，一个是空间的维度，比如说去和世界最先进的装置，或者同类装置去对标它的能耗、质量、生产成本。

一 些标准化的装置或者是通用性的装置，用这种办法是相当有效的 ，例如规模接近的炼油厂、大宗化工产品装置都可以。但是，对于大部分的精细化工和特种化工工艺流程，这种方法有很大局限性。因为每一套装置都有一些区别，特别是在催化剂方面，原料来源甚至地理位置，这些区别带来了装置间的不可对比性。

所以，我们说对标，特别是空间上和同行业对标，一定要注意有这个差异性，不能简单地数字对数字。这类对标可以在一个统计意义上，比方说某一类产品在世界上有不同的工艺，可能有几十家甚至上百家，他们有一个统计意义平均能耗或质量等指标，我们可以在统计意义上去比。这些数据在工业发达国家政府工业部门都是公开的。如果一种产品，总的需求量量就很少，世界上也许只有2-3个类似的工艺，这样去对标实际上是不科学的，在统计上也没有意义。

比方说所用的催化体系就有些差异，只能说各有特点，有些事情是因为知识产权不能完全一样，有相同的工艺，各项数据也难以简单“对标”。对标本身就是一个统计学意义的工作，只能根据现有的生产工艺，催化剂系统去优化现在的装置，而不是说别人怎么样，我们也做的怎么样，要注意科学性。

对标的另一个维度是在时间尺度上 ，我认为这种对标是更有意义。大部分企业现在已经有了相当好的数据积累，所谓对标，无非是把历史上最好的数据找出来，看看那时候究竟是发生了什么事情，那个期间整个的运行模式是怎样的，如果我们把一套现有的装置或一个企业都运行到了历史最好水平，这个企业一定不会差。另外一个方面，如果找到了历史的最好水平，我们想办法不断向历史最好水平去靠近，而在靠近的这个期间，也同时会产生一些新的数据，而这些新的数据，都是在历史最好水平附近的数据，再往前推动一点，比历史最好水平更好，这才是真正的持续改进和优化，一步一步滚动方式往前进。天天盯着别人看不一定是最科学的方法，很多事情应该是自己看看自己的过去，已经做了哪些是好的，哪些不好的，总结经验，在这个基础之上往前更进一步。这样可能来的更现实一点，也更容易操作。

回到工业大数据话题上来，数据是什么？ 数据就是过去发生过的信息记录，工业大数据方法论和技术，就是从历史数据里挖掘出规律性的东西 ，基于“历史相似性”、“事件遍历性”和“时间连续性”三大原理，对正在发生的事件进行“对标”，及时分辨出奇异（非正常）状态、优质状态和落后状态，提高系统运行的安全性、最优性和稳定性。

4、智能化一直在路上：自动化、信息化和数字化

现在谈一下智能化。人工智能这个词现在很热，在历史上这个概念和自动化是不分家的。维纳的《控制论》副题就是“关于在动物和机器中控制和通讯的科学”，人工智能的意义就是用机器部分地代替人的脑力劳动。从这个意义上来讲，自动化一直就是人工智能的一部分，也是逐渐发展中的人工智能。

比方说，我们常用的PID控制回路。就是模拟操作工的操作行为，把他们的思想变成比例+积分+微分控制器的三个参数。如果我们处理一个比较复杂的多变量的对象，比方说一个精馏塔，我们就需要更有经验的操作工，可以把他们对装置的理解，甚至装置中某些变量响应快慢的知识固化下来，同时能处理多个回路和变量之间的耦合效应，这就是先进过程控制APC的基本原理。而这些操作知识要用数据化方式来支持，这就就产生了动态矩阵控制，内模控制等等一大类先进过程控制算法。

这些系统本质上都是把人的经验，用数据模型和数据结构进行支撑，让它能自动地模拟人的动作，这都是人工智能最本质的特征 。现在有一个倾向，把信息化、网络化、大数据、智能化同传统的自动化割裂开来，这不是一种科学的做法。这些东西在整体上是都是一步步发展过来的，无非是用的机器计算能力、数学算法、测量数据来源不一样而已。从方法论上来看，都是人工智能的不同发展阶段，也就是说，是人们尝试用机器代替部分脑力劳动逐渐进步过程。把自动化、信息化、网络化和智能化连贯起来看，以一种历史唯物主义的观点去看，实际上是很重要的。

笔者就听到过，说我们现在连自动化还有搞不好，还去搞什么智能化，完全是没有必要和不现实的。实际上，我们现在搞的大数据也好，智能化也好，无非是更高级的自动化而已。以这种更高级的自动化手段去提升和倒逼传统的自动化，甚至由此出现了一些智能化执行机构、新型测量手段（如机器视觉）等等。从实施角度看，并不是说非要一个阶段做完美了，再去做另外一个阶段，没有必要硬性的分割开来，应该把所谓的现代智能化，网络化当成一种工具，能用到什么地步，就用到什么地步，目的是去解决实际问题。

例如，一套装置也许最基本的测量元件缺失，导致了整套系统控制不好，那就解决一个测量问题，这个测量问题也就是智能制造的一个部分。总而言之，要从实际出发，有什么问题解决问题，如果有很好的很先进的技术，能带来更好的效益，为什么不去用呢？不能说底层搞不好，上头也搞不好，只要有突破点，不论从哪一个角度，从哪一个层面都可以去突进。有的企业从上边开始比较容易，有的企业是从最底层的测量去解决才出效益，从不同层面，从上往下或从下往上都是可以的，根据不同的行业和不同的企业具体情况而定，万不可生造标准和模板。

5、也谈企业数字化转型路径

企业数字化转型是近几年非常热门的话题。“转型”有两层意义，第一层意义是指装置和企业操作方式和经营方式，生产方式和过去发生较大的差异。比如，过去主要是人工操作，特别是离散行业的汽车制造，现在基本上不用人，可以基本用3D打印去实现，这是一种全新的生产方式。离散制造业再这方面发生的变化很大，这更像一个所谓的转型。

另外一层意义实际上是一种观念，是一种技术的进步和升级，从操作大概念上来讲，不一定发生非常大的变化。这在流程工业当中比较明显。比方说，我们一个反应器，过去是由操作工去控制温度、压力、流量这些参数，有了自动化系统，这些操作基本上可以不用人去现场干预了。那么，数字化转型对这一类装置和企业是指的什么呢？实际上是指再技术方面的升级，例如在测量方面现在有很多更先进和更可靠的测量手段，比方说光谱仪、质谱仪等等。

从控制手段来讲，现在比过去更可靠更安全，还有控制阀的实时反馈信息，还有智能化控制法和很好的先进控制算法，使装置更稳定。从安全来讲，现在有一些更先进的监测手段和处理手段，安全性大大提高。但是，这些东西并没有从根本概念上改变我们的操作原理，这些技术提高了装置的平稳性、质量指标，使人更安全。所以，数字化转型实际上可以理解为，用数字化的手段改变测量、控制、优化决策的效率，提高安全性，提高质量，节能降耗。

我们的部分企业经常有困惑和误区， 提到企业数字化转型就想到要首先要有大的投入， 笔者认为，需要针对不同企业分别对待。我们说，自动化、数字化、信息化、智能化，都是一脉相承的，不能把技术和概念割裂开来。对一些落后的企业，那就从测量和自动化开始，现在的技术手段比过去要方便得多。

在某些点上和业务方面，也可以搞一点智能化程度高的东西，不一定就是从上到下一气呵成，一下就花很多的钱。特别是我们的企业决策者，不要把数字化转型又做成了一个IT项目，上很多的新硬件，上一些功能强大、好看不用的软件。就是上去了这些东西，如果没有实际用起来，时间一长，这些设备也会落后，过几年还要花钱升级。一个企业从哪个层面和角度开始进行数字化转型，需要企业的决策人做一个战略性的规划，做什么或者做到什么程度，分阶段分业务区块做一个长远的规划，这样一步一步积累下来。一句老话，实事求是，不忘初心，我们做企业的初心就是使它的安全性提高，使它的效益更好，使他的产品更能符合老百姓的需求。有了这个初心，我们心里就有数了。综上所述，一定不要把数字化转型理解成是一个整套的IT项目，也不应该把它做成信息化主导的项目。

6、怎么看企业数字化转型的效益

为什么要谈一下数字化的效益问题？笔者曾经和业内的几位老朋友谈起过这个问题，他们在实施数字化方案的时候。有人常常就问，你上这个东西每月每年能给我节约多少钱？因为我这些朋友，业务出身很不相同，有时候真的不容易回答这个问题，可是心里又感觉到效益就在那里，但是一时说不出来具体在什么方面。

这个问题，笔者认为应该从三个方面来看。

首先，数字化转型主要就是从测量数据分析，到决策的一个数据流或信息流的自动处理系统 。其最主要的目的是改变或者是提高装置企业的安全水平和参与人员决策的科学化和及时性。当然。其中数字化的一部分会落实到具体的生产装置，涉及到到一些节能和质量指标，这都是一些直接的效益产生点，这个容易理解。问题是，在装置和操作单元这一层往往是一些自动化控制单元，比如一些自动控制回路或者是先进控制器。表面上去看，只有这些直接控制单元能产生效益，而处理信息流的东西，就很难和直接效益挂钩，这就是所说的效益问题困惑产生的原因。

我们想一想，在一个工厂里边，现场的操作工直接操作设备，当然产生了直接效益，可是我们为什么还需要工程师，需要那些坐在办公室里边的辅助人员和需要管理人员？难到我们说这些白领们不产生效益吗？操作工产生的效益是通过对装置具体的操作，这很容易看到。那么一个工程师在办公室，他提供知识的协助，一个管理人员他从更高的信息处理层面去协调数据的挖掘和协调资源的安排，这些效益怎么计算呢？道理是一样的！

数字化体系，特别是有一些大数据和人工智能处理功能，他们把一些知识型的工作自动化或半自动化，使得生产决策更据科学性和及时性、更好的保证装置运行的安全性。这种效益是更长远，更大范围的，但是在很多时候是难以量化的。比方说避免一次事故究竟能产生多大效益，那个事故并没有发生，你就没法比较，这些数字化系统降低了故障的概率、提高了可预见性可可控性，潜在效益实际上是很大的。这和我们说在工厂里边，除了操作人员以外，还需要大量的做知识型工作的工程师和管理人员是一个道理。

第二个方面，数字化系统往往覆盖自上至下的各个生产环节，实际上对具体的操作层面有一个倒逼的作用。 有人开笑话讲，数字化的系统很多时候就像一个牧羊犬，因为有了这些系统，特别是一些可视化功能，效益的计算都变成实时的，对操作人员有一个监督功能和实时性推动作用，使他们更关注整装置效能，更关注安全和质量。

早些年的时候，操作装置主要是靠人工操作，要上自动化系统的时候也有人提出来：这个设备人操作的都很平稳，为什么要上自动化系统还要花这么多钱？现在类似问题也许已经不会有人再问了（也许还会问）。前一段时间有个朋友告诉我，他到一个企业里去讲数字化的问题，结果厂里的领导告诉他，你说的这些东西，我只要派一个人去厂里转一圈，什么都知道了。这位领导说的也没有错，但是他想过没有，一个人到厂里面转一圈，他是不是可以把得到的信息完整和科学地永远记下来，如果他离开目前的工作，他的经验是不是可以固化下来并继承下去呢？

数字化的系统本身具有的是知识加工处理和固化的功能，使工厂的运行不依赖或弱化依赖个别人的经验，以更长久地稳定运行，产品质量的一致性也会得到保证。特别是对于现在化工企业，下一步人员招聘都是大问题，借助数字化系统把人的经验进行固化是一种非常好的手段。特别是对一些国有企业，更有这方面的问题。因为国有企业管理人员调动比较频繁，不同领导有不同管理方法，企业经营的好坏很多时候取决于人的能力和方法。

这有好的一面，也有危险的一面。如果决策的科学性和实时性，用数字化手段进行标准化规划，将管理变成一套科学的体系，不以人的调动，不以人的退休而产生大的影响，这实际上是一个现代化企业最主要的标志。

如果一个企业，以一个“能人”为标志，太过依赖于个别人的技术和能力，这实际上是一种危险的状况，不论是在技术层面、在社会方面、在风险管控方面，都存在着巨大的问题。

7、结束语

数字化、大数据、人工智能方法，基于“历史相似性”、“事件遍历性”和“时间连续性”三大原理，将沉淀于历史数据中的隐含知识用可视化手段显示出来，使得企业决策者和流程操作人员可以瞬时获取当前状态，以及同历史比较的全维度差异性，从而即时获取改进方向、预测性决策依据和不作为的价值流失。数字化技术将运行安全、操作优化、流程稳定、预测性维护、主要驱动变量等，自下而上地贯穿于设备级、单元级、装置级和企业级，以实现基于历史数据去影响和驱动未来状态。

佳作推荐：《西方工业安全和我国工业安全制度的比较与思考》

作者简介 ：冯恩波博士，石油和化工行业控制和优化研究与应用技术资深专家，中国自动化学会过程控制委员会常委。1991年毕业于华东理工大学，获得博士学位；1991-1994在清华大学做博士后并留校任教；1994-1997分别在新加坡国立大学和加拿大阿尔伯达大学做博士后；1997年至2016年，分别在加拿大赛拉尼斯化工公司（Celanese Inc.）任高级工程师、壳牌石油公司任资深高级工程师、加拿大石化公司先进过程控制任主管。2017年底，冯恩波博士回国全职加入中国某大型化工企业，牵头实施了集团公司多个智能制造、大数据与数据智能、智慧安监等应用项目。

冯恩波博士：且谈工业大数据与企业数字化转型