摘要：阿里云工业大数据总监杨斌在2018云栖大会·深圳峰会中介绍了他们团队的ET工业大脑，通过大数据以及人工智能，创建一个工业的最强大脑，协助制造业实现关键工序智能化、生产过程智能优化控制等方面的转型升级。
数十款阿里云产品限时折扣中，赶紧点击这里，领劵开始云上实践吧！
以下内容根据演讲嘉宾PPT以及视频整理而成（云栖社区做了不修改原意的编辑）。
实际上，在云计算和大数据的驱动下，智能制造是工业升级，改造的核心内容，其中工业大数据在整个升级改造中处在重要地位。对于如何利用海量的大数据进行分析挖掘，提高生产效益这一研究问题上，杨斌团队做了大量的项目实践。
数据是工业系统的核心要素，但在中国工业文献中，工业1.0，2.0，3.0，4.0中的内容非常层次不齐的，很多数据没有被充分使用，即便数据被使用了，它的价值也没有被充分发挥。以车间制造系统为例，只有个位数比例的数据被用于辅助工业决策。阿里云将数据分为质检数据，仪器数据，设备参数等。对于阿里云来说，他们积累了很多数据分析的经验，再加上阿里数据智能的技术，这两者结合起来足以解决使用工业大数据面临的诸多难题，比如数据的深度整合，数据的分析挖掘，以及数据的使用。数据使用的场景一般是存，通，用。存和通的关键在于数据上云，数据上云之后，构建机器神经网络，汲取和吸纳行业的经验和社会的运行特征参数以及规律，在这之上统筹归纳为人工智能。所以，整个人工智能服务分为三步走，如下图所示，首先是看见数据，对应于企业深度数据洞察，把实时的数据和离线的数据在线统一；之后在第一步的基础上进一步做数据处理，将数据按照各个维度关联起来，形成工业领域的知识图谱，在一个个项目中沉淀出行业模型；最终这些行业知识图谱可以对标具体的工业业务（包括工业的业务，工业研发的业务，营销的业务等），在原有的工业信息系统，工业的制造执行系统基础上进行拔高和叠加，然后给每个企业创造自己的工业大脑。以上是整个产品设计的核心思想。
阿里云将整体工业大脑的设计称为三舱一体，如下图所示。第一舱为数据舱，利用工业数据集成套件，在云上进行数据处理，归纳为知识中心，信息中心以及数据中心，这几个中心实现都对应不同管理体系下的不同子系统。这些整体的数据系统进行重组，打散业务的需求，整理成为工业企业的大数据总线。在数据舱之上，定义了应用舱，应用舱是一个开放的智能算法服务平台，阿里云围绕着“供，研，产，销，能，环”沉淀了一系列供用户使用的官方数据智能服务。同时，阿里云希望引入更多的合作伙伴，利用应用舱提供的开发接口把他们的算法服务拉到数据智能服务中，共同服务客户解决问题。对企业和工业来说，管理者也好，一些员工也好，他们常常会面临非实时，非集成的数据。阿里云希望把数据舱的实时数据，知识图谱以及应用舱的智能服务暴露的服务接口，在可视化的条件下进行集成，然后面对不同业务角色形成满足业务需求的业务指挥舱，供企业进行监控与指导。对工业和企业的用户来说，为了降低大家使用技术的门槛，希望用户更多的了解自身的业务，通过AI创作间平台，通过拖拉拽的方式，把数据舱的数据模型，组件和应用舱的算法服务组件结合起来满足业务需求，所以用户不需要懂很多专业的技术，只需要专注于自己的业务，工艺。
阿里云提供了工业数据集成套件，如下图所示。工业数据采集上云一直是一个非常具有挑战性的问题。本身设备的多样性，工业协议的不一致性，对数据安全的顾虑都是我们要充分重视的。对于工业大脑的设计来说，通过工业数据集成套件，依托阿里云的数据安全技术，给数据稳定地搭建安全通道，处理好数据管道安全，云端数据的安全。为了提高用户体验，提供了数据设备服务，支持用户将他的设备注册管理，这里的设备是面向对象的。然后通过智能网关，对接工业上的不同协议，例如OPC，CDT等，同时提供多源异构适配去适配不同的数据源。最后，数据从云上转成通用的格式，通过实时和离线的方式，根据不同的业务场景，最后形成归档。
下面为大家介绍一下数据舱中的领域知识图谱，如下图所示。数据上云的第一步是要打破物理的数据孤岛，打破物理的数据孤岛有三个一的概念，即工业数据集成套件，自己通过多个项目踩过的坑形成的数据上云的解决方案以及工业的合作伙伴。工业的合作伙伴在数据采集领域有多年的经验，每天都在和不同的工业设备打交道。第二步需要打破逻辑的数据孤岛，基于工业业务的供，研，产，销进行纵向梳理，在横向上打散数据，依托数据舱中的工具建立工业的服务自身需求的数舱体系。在信息仓库的基础上，基于初步的工业数据进行数据关联，形成知识图谱。将这些知识图谱作为标准的数据土壤，搭载人工智能算法模型以及深度学习模型，形成神经网络，优化工业制造。以上过程类似与大脑的思考，首先是信息汲取，之后信息的分析，最后进行信息的仿真。
下面为大家展示一下工业数据门户，如下图所示。用户对个人的精品资产进行盘点，可以根据不同的维度进行筛选，了解原始数据，数据标签，数据模型，而且可以定位到哪张表格等更多的细节信息。这些数据模型将底层的原始数据和底层的智能应用链接起来，用户可以载入行业数据模型，看看能否一键部署直接建立自己的模型体系。也可以在现有的载入之后，进行一定配置和修改之后重新部署。让用户在不同的数据层面了解到数据现有状况。用户能知道哪些数据是缺失的。
下面介绍应用舱的设计，如下图所示。应用舱的设计目标是达到工业智能的普惠化，应用舱提供了一系列算法服务。一般企业的开发人员在使用算法服务时都遇到了很多挑战，需要花很多时间将算法和业务进行整合，所以在这个层面上，阿里云希望明显降低算法服务的使用门槛，希望用户在使用具体算法模型时，能够直接载入具体的算法服务，通过简单的定制修改就可以算法服务的搭建。不管哪个行业都可能涉及到关键参数识别，功能推荐等实现场景，阿里云在过去的项目实践中对这些领域进行了算法沉淀，用户只需要选择具体的数据源，具体的算法之后进行配置修改生成算法服务，最后执行调试。整体上，应用舱提供了供，研，产，销，能，环全链路算法服务，在这基础上，希望最大限度地降低用户的使用门槛，达到易用会用的目标。比如说在智能研发套件中，用户可以获取海量的设备信息，使用数据进行深度的挖掘，提供关键参数识别，良品率预测，产能分析等算法服务。之后，阿里云希望引入更多的合作伙伴，在应用舱合作提供更多的算法服务供用户使用。
下面介绍指挥舱中的设计内容，如下图所示。在产品领域，指挥舱提供了多种模板，有关于生产监控的模板，有关于设别监控的模板以及整个企业关键信息的展示模板。针对不同角色的工业企业提供不一样的功能，比如说，对于企业的管理者而言，更关心企业生产的成本，效益等内容；对于车间主任来讲，他们更想看到生产的总体情况以及团队的绩效情况；对单个个人来说，他们关注与设备运行的健康状况。所以，阿里云量身定做了一套模板，用户取到模板后就可以将这些数据应用起来。
新能源生产及技术研究副总刘建平说过一句话：“观念转变：以前是讲逻辑，现在是看数据，讲事实，通过计算与挖掘发现问题，很‘野蛮’。”在某种程度上，经过项目的经验沉淀，杨斌团队发现工业智能在一定程度上有跨行业的可能性，在具体的细分行业，细分场景下，例如在工艺优化，关键因素识别，推荐上都会有涉及的。工业场景的多变复杂性需要我们考虑到效率，安全，成本等更多因素，所以往往一些沉淀出来的解决方案一旦被搬到现实场景下，起到的效果是非常有限的，只有通过实时的数据分析，数据挖掘去洞察背后的影响。杨斌团队所做的事情并不是和以前的一些技术进行对抗，更多的是和原有的技术专家进行技术的结合产生一些期望的“化学效果”。工业大脑的推出是企业的财富，由于专家的脑海中的知识，在平时工作的工程中，因为外界原因无法完整被记录下来，所以如果通过引入工业大脑的解决方式，所有的经验都会沉淀为数据，这些数据通过挖掘，分析又可以产生新的规律，因此工业大脑可以说是实现了工业技术传承的目标。对于工业企业来说，数据是一笔宝贵的财富，上亿次的生产，成百上千的工业曲线本身就是历史经验，人工智能技术通过分析历史，找到规律。为了更好地应用数据，依托工业大脑为底座，形成了属于团队的一套解决方案，如下图所示。杨斌团队的思路是和现有的系统结合在一起形成联动，并不希望对现有的系统长期的改造。在工业大数据中，这个大字并非仅仅体现在数据量的大，更多的体现在解决问题的思路比较多，并非是数据量一定要大，一定要完备才能获取知识。
在多个领域，阿里云ET工业大脑都有涉及，有很多实践案例，通过实打实的技术效果体现技术的价值。如下图所示，主要提升体现在运维成本的降低，工作效率的提升，稳定性的提升等等。
本文由云栖志愿小组沈金凤整理，编辑百见
