图一：工业价值的煎蛋模型新思维

以风力发电为例，风机本身的差异化并不明显，用户的定制化需求也并不强烈，但是风机在运行过程中的发电能力、运行稳定性、和运维成本等却是用户价值的核心。利用风机的运行大数据可以对风机进行健康管理、对潜在的运行风险进行预测、和对风场的运维进行优化，从而提升风机的可用率、改善发电效率、和降低运维成本。风机的制造厂商也可以不再仅仅通过卖出装备获得一次性的盈利，还可以通过向用户提供使用过程中的增值服务实现持续性的盈利。

图二：可见与不可见的转型思维

人类社会在经历了200多年的科技革命后，已经积累了巨大的工业产品存量，工业的基础设施和大量基本生产要素，如机床、电力设施、动力设施、制造装备、交通装备等需求都已逐渐趋于饱和。因此德国的“工业4.0”战略中将面向制造系统的集成和软件服务作为重点，具体表现在“纵向集成”、“横向集成”和“端到端集成”。同样发现这个问题的还有美国GE公司，他们意识到装备销售过程中的获利远远不及在产品使用过程中的价值服务，客户需要的价值也远不止对产品状态的保持，更在于如何去使用这些能力来实现更高效的价值再创造。

以数据为核心使产品发挥最大的能力，归根结底是利用数据建模实现对状态、环境和任务的精确评估，对管理和控制活动进行实时的决策优化，并协同和调度相关产品高效率运行的过程。

“无忧”的制造环境

制造系统中的问题同样也有 “ 可见” 和“ 不可见”之分，我们对待这些问题的方式既可以在问题发生后去解决，也可以在问题发生前去避免。生产系统中存在的“不可见”问题包括设备性能的衰退、精度的缺失、易耗件的磨损、和资源的浪费等，可见的问题往往是这些不可见因素积累到一定程度所引起的，比如设备的衰退最终导致停机、精度的缺失最终导致质量偏差等。就如同冰山一样，可见的问题仅仅是冰山一角，而隐性的问题则是隐藏在冰山下面的恶魔。通过大数据对“不可见”问题获得深刻的洞察，是实现无忧虑制造环境的基础，也是智能制造的本质。

制造改进与转型的机会空间可以被分为四个部分(图二)，第一个部分是去满足用户可见的需求和解决可见的问题，这个空间内依然有中国制造需要补的课，比如质量、污染、和浪费等问题，需要的是持续的改善与不断完善的标准化。第二个空间在于避免可见的问题，需要从使用数据中挖掘新的知识对原有生产系统和产品做加值改善。第三个空间在于利用创新的方法与技术去解决未知的问题与创造新的竞争力，例如具有自省能力的设备，以及利用传感器与大数据使不可见的问题透明化，进而去管理和解决不可见的问题。第四个象限是寻找和满足不可见的价值缺口，避免不可见因素的影响，这部分需要利用大数据分析产生的智能信息去创造新的知识和价值与传承力，这也是工业互联网的最终目标。

通过分析数据，预测需求、预测制造、利用数据去整合产业链和价值链，这就是工业大数据的思维。工业互联网是一场在不可见世界中的战争，而工业数据分析的竞争力则是连接可见与不可见世界的桥梁。

利用大数据实现无忧的制造环境有三个方向，数据在每一个阶段中扮演的作用也并不相同。第一个方向是在解决可见问题的过程中积累经验和知识，从而去避免这些问题。在这个过程中，数据可以作为经验和知识的载体。第二个方向是依靠数据去分析问题产生的隐性线索(evidence)、关联性、和根原因等，进而利用预测分析将不可见问题显性化，从而实现解决不可见问题的目的。现在的制造系统正在经历从第一个阶段到第二个阶段的转变过程，在完成这个过程后，制造系统将不再有‘surprise’，使得所有隐性问题在变成显性问题和影响之前都可以被提前解决。第三个方向是通过对数据的深度挖掘，建立知识和问题之间的相关性，从数据中启发出新的知识，并能够利用知识对制造系统进行精确的建模，产生能够指导制造系统活动的镜像模型，从系统的设计端避免可见及不可见问题的发生。

这三个方向对企业都非常具有借鉴意义，但是需要根据不同的情况侧重于不同的方向。总的来概况，这三个方向分别适用于以下几类情况中问题的解决：

第一个方向：适合在某一个领域已经经营了很久，有了一定的经验积累，但是却很难总结出为什么做的好或是不好。

第二个方向：在解决了可见的问题之后，仍然存在一些不可见问题对制造系统造成的影响，希望能够了解不可见因素的变化过程和相互的关联性，积累更加深入的制造知识。

第三个方向：在制造基础还较为薄弱的领域，并没有形成太多有效的数据，但是拥有非常丰富的使用数据和经验，则可以借助使用过程中积累的知识对制造系统提出设计的要求。

图三：问题、数据、与知识的关系及管理方式