工业大数据采集这个名词非常火爆，在我们探索与实践过程中发现：实际上想要应用工业大数据采集是非常困难的。可以说工业大数据采集的价值很高。但是同时，价值密度很低。今天单单从工业大数据采集应用的一个小小的方向-工业装备制造商的服务化转型业务中涉及到的部分应用，和大家一起探讨一下工业大数据采集的应用。

前不久的工业大数据采集白皮书把数据来源分为，设备，业务系统，外部来源几个维度，我这里只是按照目前我们有涉及的方向，简单分享一下，这个分类更像是描述业务场景，自然也不是非常的严谨。

设备：主要关心设备的安全，故障，能耗，部分会牵涉到工艺，应该说这是工业大数据采集应用的原点。很多人在谈工业大数据采集的时候都会先关注这一块。目前在这块我们涉及比较多。当然，即使是只为了提高设备的使用效能，当从设备上利用传感器和控制器采集的数据也是不够的，在设备这个小单元，仍然需要一些人工录入或者三方的数据，才能把一个设备刻画清晰

系统：综合绩效，综合的故障，工艺，排产，如何让一个产线或者工厂效率高这是这个维度主要考量的问题

也可以包含研发设计数据，例如TDM数据，CRM数据等，这一块我们目前涉及有部分，主要在TDM这块，其他例如MES之类都涉及比较少。CRM由于在2C端更具显著相应，所以我们更涉及的少。

企业；如何让一个企业的的财务目标高，规避相应的风险，目前我们公司也有一些探索，例如做风险控制，企业征信，等等这块我们今天暂时不分享。

产业链：产业链的数据我个人认为未来是非常有价值的，毕竟现在企业上下游合作越来越紧密，产业链整体的竞争力越来越重要。在我们的探索过程中，也遇到过一个产业链上下游数据整合的例子，当时客户的行业是电子行业，上下游合作很紧密。我个人觉得汽车应该也会有相应的应有。不过这块也不是我们重点，所以也一笔带过。

工业大数据采集的价值相信已经不用赘述，但是工业数据的应用之路确没有那么容易，想轻松利用工业大数据采集也有很多难点。在这里，我仅以一个自动化行业的大数据圈外人，和大家分享一些我们在做业务过程中遇到的一些问题。

1、数据采集难：工业数据想要采集，本身就具备相当的难度，有些难度是由于历史原因，未来也许不难，比如设备的通讯接口，通讯协议，协议点表，是否需要新增传感器，传感器的性能是否能够满足业务需求。另外一些是业务难度，也就是说需要很多的隐性知识才能把数据采集上来，比如传感器的位置（都是压力传感器应该装在哪里），采集的周期如何设定等等。针对数据的采集，我等下再和大家分享一下。

2、数据维度：同一个设备（产线）的维度难确定，采集哪些参数才够用，哪些数据采集了又没有用？实际上是非常难，不仅仅需要业务专家，还需要不断的探索和实践。还有就是有些维度的数据没有（需要人眼看的，记录的，研发设计数据，或者原材料数据，这类数据广义上也可以理解为难度高），

3、不同的人才：一个大数据项目可能需要多重复合型人才1类懂业务的人，1类懂数据的人，1类懂IT技术的人，每一种人才的细分专业又很多，同时不同人才的沟通语言又不一样。造成数应用难度大。

4、周期长：越是设备级的数据约需要长时间的积累，同时需要不断的训练，另一方面来讲，目前国内缺乏数据，或者数据不全，或者没做结构化处理，但是目前很多上大数据项目的时候，领导往往要求很快能够出结果，从侧面增加的项目失败的风险。

5、分析精度要求：工业大数据采集对精度要求很高，精度过低几乎没用，反而是累赘，可以举例振动分析的例子。另外就是不仅仅要求需要知道相关性，还需要知道为什么。

6.控制难：反向控制难，需要改造设备，当然，这也许是中国特色，很多行业充斥着老旧不准的设备，自动化水平堪忧。特别是针对很多做工艺分析或者节能控制的设备。另外就是针对很多控制的实时性要求，一个工艺可能花了1分钟就做完了，如果不能及时的计算出控制条件即使分析出结果也没有多大价值。