PR6424飞利浦PR6424 航天云网：工业互联网的***者

航天科工基于自身在制造业的雄厚实力和在工业互联网领域的***先试经验，打造了工业互联网平台INDICS。

INDICS平台在IaaS层自建数据中心，在数字音频分析系统（DaaS）层提供丰富的大数据存储和分析产品与服务，在PaaS层提供工业服务引擎、面向软件定义制造的流程引擎、大数据分析引擎、仿真引擎和人工智能引擎等工业PaaS服务，以及面向开发者的公共服务组件库和200多种API接口，支持各类工业应用快速开发与迭代。通过应用INIDICS平台，河南航天液压气动公司实现了云端设计，基于云平台建立涵盖复杂产品多学科***的虚拟样机系统，实现复杂产品的多学科设计优化。

树根互联：面向设备健康管理的服务商

树根互联技术有限公司由三一重工物联网团队创业组建,是***开放的工业互联网平台企业。2017年初，树根互联发布了根云RootCloud平台。根云平台主要基于三一重工在装备制造及远程运维领域的经验，由操作技术（OT）层向IT层延伸构建平台，***面向设备健康管理，提供端到端工业互联网解决方案和服务。根云平台主要具备三方面功能。一是智能物联，二是大数据和云计算，三是SaaS应用和解决方案。

推进工业互联网还要跨越哪些数据障碍

随着这几年工业互联网的不断深入发展，大数据在工业领域的应用取得了可喜的巨大进步。然而，我们也应该看到，成功案例仍然只是星星之火。由点及面形成燎原之势，***道远，还需要跨越“缺数”“低质”“浅层”“孤岛”等障碍。

一是“缺数”。理论上，工业领域的数据应该是非常丰富的。麦肯锡2009年的报告显示，美国的离散制造业是所有行业中数据储量***大的。而我国情况如何呢？根据中国信息通信研究院和工业互联网产业联盟2018年底对国内74家工业企业的调研，我国工业企业的数据资源存量普遍不大，66%的企业数据总量都在20TB以下，还不到一个省级电信运营商日增数据量的十分之一。这背后的原因主要是我国工业互联网发展还处于起步阶段，企业数字化网络化程度普遍较低，数据资源的积累尚需时日。而目前工业系统协议七国八制现象非常突出，很多软件系统的接口不开放，也增加了数据采集的技术难度。

二是“低质”。警惕“垃圾进，垃圾出”。数据质量问题是长期困扰数据分析工作的难题。工业领域对数据分析的可靠性要求更高，因而对数据质量的要求也就更高。美国2016年《联邦大数据研发战略计划》还专门把确保数据质量、提升数据分析可信性作为七***略之一。从信息化程度较高的***、电信、互联网等行业的经验看，如果不开展专门的数据治理，就难以确保数据质量。调查表明，我国工业企业只有不到1/3的企业开展了数据治理，51%的企业仍在使用文档或更原始的方式进行数据管理。在数据治理方面，大部分工业企业还需加快补课。

三是“孤岛”。数据孤岛是几乎所有企业都面临的困境。从单一企业内部来看，存在着不同时期由不同供应商建设的客户管理、生产管理、销售采购、订单仓储、财务人力等众多IT系统，烟囱林立，而要深度推进智能制造，更要打通IT和OT，推进难度非常大，而且越大的企业包袱越重。从全行业看，发展工业互联网，实现从单一企业内部的局部优化，跨越到整个产业链的全局优化，必然要实现产销与供应链上不同企业之间的数据流通，进一步面临着安全合规、商业模式和技术标准的更大挑战。调查显示，超过半数的企业表示需要使用外部数据或对外提供数据，仅有2.7%企业觉得不会涉及数据合作。德国工业4.0计划已经把数据流通作为***议题，国内促进工业数据流通方面工作还需加快。

四是“浅层”。大数据在工业领域的作用，纵向可以从三个层次来看：***基础的，是可以根据数据来描述工业产线、营销和企业经营活动的历史与现状；进一步的，可以基于数据预测设备、车间和整个企业的未来状况；***高层次，是根据数据分析结果，绕过人工干预，自动的直接指导企业运作，形成智能化的数据闭环。横向则可以跨越设计、生产、销售、服务等全链条。但推进情况如何呢？***近，工业互联网联盟对国内外366个工业互联网平台应用案例进行了分析，40%的平台应用集中在产品或设备数据的检测、诊断与预测性分析领域，而在涉及数据范围更广、分析复杂度更高的经营管理优化和资源匹配协同等场景中，多数平台现有数据分析能力还无法满足应用要求，需要进一步推动数据分析技术创新以及实现长期的工业知识积累。工业数据分析的深度还需加快爬坡升级。

工业互联网的长期目标，是构建“数字双胞胎”，使得物理世界的万物得以在数字世界重现，通过数字世界里的计算、分析、预测、优化，来指导物理世界的***优化运行。这就要求在物理和数字这对双胞胎之间架设畅通的“大动脉”。数据就是这大动脉里流淌的血液。只有工业数据越来越丰富、***，质量越来越高，“数字双胞胎”才能长得像。在这基础上，对工业数据的分析利用，还需要结合对物理机理模型的透彻理解，甚至老师傅几十年积累的经验，不断迭代，走向深入。做好了这些，数据对制造业转型的基础资源作用和创新引擎作用就能真正发挥出来。