龙小昂 | 数据要素支撑数字化转型

从数据要素看数字化转型


数字化转型是当前很多组织的发力点,形式多样。数据要素则是一个重要线索。数据要素已经从国家层面正式提出来,这是一种全新的思维方式转变。每一个数据,其实都是数据要素,但这个要素一直在变换形态。从设计、研发、生产、制造、营销,一直到用户使用,它面向的群体是不一样的。因此,数字要素是有生命力和应用场景的。在数字化转型过程中,如何发挥数字要素的价值,非常值得关注。而不同的相关群体,如在预测和决策方面所要求的数据要素,关系也大不相同。


数字孪生就是数据要素的场景化


数字孪生是将数据要素重新编织在一起的重要载体。在整个数据要素的变化过程中,包括设计对象数字化、运行环境数字化、运行模型数字化,同样的数据参与了不同的流程,呈现了不一样的特征。


数字孪生就像是数字化的替身演员,与物理实体相比,它的试错成本会大幅度降低。人们在现场完成调试和改善的成本是巨大的,而利用数字孪生技术则可以利用模型驱动,提前虚拟试错,减少昂贵的物理实体的移动和消耗。


笔者在2008年就开始组建数字孪生的团队,为一家烟草工厂的设备零部件建立起 3D 虚拟辅助维修,以解决昂贵的机器维修问题。当时一台设备的投入动辄上亿人民币,近2万个零部件,没有三年以上的培训,工人不敢开动机器;而一旦机器有了故障,往往需要等国外工程师来修复。后来采用了将机器零部件逐一建立1:1的数字模型,然后按照机器运动轨迹,建立空间实际运动机理,并且将电路图、使用指南的知识都进行了数字化。这三者不同的数据要素重新结合在数字孪生机器里。当机器有故障的时候,维修人员就可以按图索骥,直接在屏幕上分析出故障位置,并且借助于电子手册,找到合理的维修方式。早期的数字孪生,让一台高不可攀的设备,变成可以轻松上手的寻常机器。


十三年过去了,随着数字化技术的完善,数字孪生也越来越成熟。2021年5月27日,国家统计局公布了《数字经济及其核心产业统计分类(2021)》(简称“统计分类”)。数字孪生首次列入其中,正式成为国家统计指标。


从数据要素到数字孪生,落地应用越来越务实,这是数字化转型的快速进步。

就地生产,就地解决是王道


那么,数据源从何而来,向何而去?道理很简单,实践很繁杂。


这几年的智能制造,让IT与OT两个不同方向的团队开始走向融合。但是信息化的团队尽管在绞尽脑汁研究机器如何管理,如何做设备控制模型,但实际对设备并不了解。而OT的团队则不懂编码技术,心中万千体会也无法实现软件化表达。如果这是两支团队分别行动,那么IT与OT两张皮的现象是永远存在的。后面我们用数字孪生技术最好的方法是,OT人士和IT人士组成一个紧密的团队,并且以数字孪生为对象,将很多数据在边缘侧解决。特斯拉电动车就代表了一种很简单而先进的方式。汽车有两类芯片,一类芯片是控制车子的运行,还有一类芯片在管理现场设备。在行驶过程中,边缘侧会有自己的处理程序。如果碰到一条新路,云端没有的时候,边缘侧先形成一套路径。随后这段新路段的所有数据,就会全到云上。而后下载到任何一台特斯拉的汽车,一条新路变成了所有车的老路。数据的特征描述也同样非常重要。就地处理数据,就涉及到数据清洗。很多脏数据和不准确的数据需要剔除掉。而对于处理好的数据,由于如此之多,必须能够快速合理地设置标签,以便于后续不同场合进行调用。就地处理,实现标签认定和标识界定,就可以使得数据的去向变得非常清晰。


数据要素的纲举目张


工业互联网平台的架构,从边缘层、PaaS,到SaaS层来区分,这是一种视角。如果完全从另外的角度来看,也就是数据要素的架构。一个工业互联网平台里面,它的数据要素是什么?所有数据放在这里是干什么,为什么要放在这个位置,哪些数据是在Paas层,哪些是在边缘层,搞清楚这个原理了,工业互联网平台就迎刃而解了。


原来的信息化系统都是由N个不同信息化公司建立的,所有数据都是单列的,天生就是烟囱式一样的相互分离。很多数据库,如ERP数据库、MES数据库、大数据数据库、边缘侧的数据库,都各自为政。但是如果从场景应用出发,从数字孪生角度看,就可以把数据库做成一体化。有了被标识过的数据,无论它们来自何方,都可以按照一个数据库进行统一排队和分类。就像是用同一个数据库,将各种数据库直连,人们可以在任何时候,寻找所需要的数据模型,改变响应的指标参数。


数字孪生是应用场景的虚拟化,每一个领域、每一个行业、每一个设备、每一个装备、每一个产品都是不一样的,而不一样的数字孪生的数据要素,如何变成统一?就是要靠数据标识。只有数据标识统一,才能让数据实现自动化流动,可以实现横向集成或者纵向集成。


那么既有的信息化系统需要重构吗?


并不需要。原有系统的数据可以看成是风筝,而这些系统自有的标准和规范,就像是风筝的拉线。任何第三方的数据(风筝)抽取以后,都可以带着“尾巴”参与业务的重新编排使用,而借助于拉线则很容易跟原有系统建立关联。在新的数字化平台上,数据是自由流动的,而且可以实现数据自动化,推动数字孪生完成规定动作。


数字孪生是否可以廉价


数字孪生为场景而生。如果它无法快速复制,那么建立一个一个数字孪生将是昂贵的。最好的方法就是将支撑数字孪生的数据要素形成模型化和规则化的方式。同时要有数字孪生生产平台实现数字孪生的快速生产、调用、复制和组合。


如果把数字模型、驱动模型、设计模型、管理模型全部融合成数据标签,实现自由流动,那么这样数字孪生将可以变得廉价。而且,它可以实现跨界面的应用。例如原来一台人机界面只能看到某一台设备的情况,而现在数字孪生的跨界面性,可以使得一个人可以随时调出其他机器的设备运行情况,而且可以实现交互,甚至反控。


一个数字化工厂在建设过程当中,可以同步建立一个数字孪生平台。设计图纸会同时导入到数字孪生平台,二者按照1:1的比例关系。与此同时,这些模型之间,按照一定的约束关系进行重新组合。当生产线发生变化的时候,由于数字孪生带有的数据,具有逻辑可追溯性,因此很容易进行再次组合。一台机器原来放在A厂区,现在放到B厂区了。只要点击相关运行程序,A厂区所有的数据都会全部调用过来,B厂区的人就只需要寻找变化量进行配置,其他数据配置都是一键导入。大大降低了生产线的调试时间。五年前一个工厂的数字孪生,20个人需要一年。而现在5个人2个月就能建一个数字化工厂的数字孪生空间,而且展示的面板都是不用写代码的。


表面的柔性,离不开底层的支撑。在建设数字孪生平台的过程中,首先需要支持多种协议接口,强大的集成功能包括辅助决策。而数据则是多样化,包括设计数据、经营管理数据、装备铭牌数据等。除了这些静态数据之外,还要包括各种生产工艺配方、设备消耗、人员管理、日常排班等动态数据。数字孪生在建设的过程当中,它与数据要素是交融的。除此之外,每一个环节里面还需要加入控制逻辑,实现具体的业务模型驱动。只有这样,一个工厂才能从数据工厂变成模型工厂,最终走向智能工厂。


笔者十年来通过实践,建立了一个庞大的知识图谱,很多知识通过数字化进入了一个企业的知识体系。一家制造商生产的价值7000万的设备,在卖给客户的时候,没有一页说明书,没有一本操作手册。所有数据、信息和知识点,都包含在机器系统之中。这种连装备带知识的一体化数字化交付机器的方式,引起了用户的高度好评。昂贵机器的使用,再也不需要很高的门槛。数据要素,通过知识图谱,构建了一个一个友好界面的数字孪生,与工厂操作工可以实现高度互动和智能性辅导。一台设备的旁边,悄然驻扎了设计师、工艺员和故障维修工。


这种数字孪生平台可以实现跨产业的应用。在一个省的数字化转型项目中,它需要从一产一直到三产的全产业链联动。首先从原产地的育苗、山林、阳光等开始记录数据。随后进入复杂的制造环节,既有发酵等流程行业工序,也有高速包装这样的典型离散制造。最后进入流通环节,也可以实现消费者一码追溯。数据要素在全环节的流动过程中,层层增值,而不同形式的数字孪生,则相互交融、套合,形成一套全链价值的提升。


小记


数据要素已经独立解放出来,呈现出自己活灵活现、天马行空的风格,但有效的约束是必不可少的。而数字孪生则让数据流动变得井然有序,充分吸收不同系统的数据来形成价值合力,逐渐释放数据要素的交易性特征。从这些角度出发,数字化转型就有了坚实的基座。


注:本文仅代表作者个人观点。)


News


和美与共,高手论道城市“最小管理单元”治理新模式