工业大数据这个词并不是最近几年才兴起的词汇。早在1990年开始，就已经有对工业大数据进行研究。

最开始，工业大数据的应用是一些公司对他们的设备进行远程的监控，通过监控所产生的数据进行一个分析判断。通过这个分析判断的结果，来做决策。

比如奥的斯（OTIS）电梯公司95年的时候开发了一个远程电梯维护系统（Remote Elevator Maintenance, REM）。因为那个时期电梯最大的问题就是打不开门，把乘客关在里面。所有OTIS就有一个很庞大的维护人员团队。他们对每一个OTIS的电梯进行定期的维护。那维护的成本可想而知。所以OTIS就通过REM来监控每一台电梯的开门时间和电器设备的重要参数。根据此来判断电梯是不是要进行维护。比如原本OTIS公司是无差别的维护，一个小区一个小区的跑，保证每个小区的电梯在一年之内都会被检查一次。但是由于电梯的使用寿命和使用程度有关系，所以当检测到这个电梯的开门次数或者开门时间以后，就可以对那些高风险的电梯进行重点维护，对那些低风险的电梯进行低频次的维护，这样就最大程度的保证了人员的调控，节省了浪费。

但是这样也产生了一个问题，随着产品质量的不断提高，维护的准备性越来越强。设备的使用寿命也就越来越好。举一个很简单的例子，德国制造的设备虽然昂贵，但是基本上不需要维修和维护。一用就是大几十年。德国企业发现他们的设备质量虽然一直保持着世界第一的水平，但是他们并不赚钱。因为设备质量实在是太好了，好到他们赚钱的方式只能是在卖给客户的时候第一笔极其昂贵。就是所谓的一年不开张，开张吃一年。所以一些类似的企业就开始琢磨怎么能通过卖出去的产品来持续的赚钱这个问题，很快他们也得出了答案，那就是——卖服务。

这时候一些企业开始建立自己的大数据中心，为客户提供产品的使用和管理的方案。比如，阿尔斯通（Alstom）的TrackTracer车载诊断系统。和奥的斯一样，他也是通过检测一些关键部件的数据和参数来推测一些故障。如果发现高铁运行中某一项数据突然发生了异常，那么这个数据就会传递给数据中心，数据中心就会派人在下一个站点提前准备好，等高铁进站以后，快速的对数据反映的部件进行检测和维护。这样就可以保证高铁的长时间运转，减少因为某个部件突然损坏所造成的停机现象。所以，在这个阶段，阿尔斯通提供的并不只是简单的维护，而是一项服务。一项帮助你监控，维护，保养的服务。这就在某种程度上减少了前面说的“一年不开张，开张吃一年”的这类问题。因为企业发现买设备能赚到的钱已经很少了，不如把设备租给用户从而赚服务费。于是就产生了产品的租赁体系和长期服务合同。企业卖的也不再是设备，而是为客户提供设备使用的能力。

随着时代的发展，这样的服务依旧存在，但是更多的服务需求开始出现。比如每个客户对同样一个设备的使用方向，使用环境，使用方法，使用频次都不再相同，以往单纯的检测某些特定数据对不同客户的应用程度也不再那么完美贴合。那怎么办呢？

工业大数据的第三阶段：企业的核心开始从“一对多”的数据中心的模式变成了以客户为核心的平台服务模式。也就是说客户可以根据自己的需求，自行定义自己的产品。比如IMS中心就开发了Watchdog Agent,这样，不同的用户就可以对不同的问题进行解决。一个更加定制化，个性化的服务产品开始成型。

那么我们回到问题：什么是真正的工业大数据？为什么工业大数据的相关资料和案例这么少，相比较互联网目前的大数据而言，工业大数据到底该如何应用？

在解答这个问题之前，我们需要了解工业大数据以及互联网大数据的差别。

工业环境中大数据与互联网中大数据相比，最重要的不是不同数据的提取。工业大数据更关心的是数据的物理意义和特征关联性的机理逻辑，而互联网大数据更倾向于挖掘其中的相关性。比如，在工业中，成品率的降低和某项工艺指标的高低有关。如果是互联网大数据的分析方法，我们只需要知道，他们之间是有关系的，且是什么样的关系，就可以了。只需要知其然。而工业大数据所要求的是知道为什么这项参数会带来这样的改变。其背后的物理逻辑如何？是产生了什么样的物理或者化学变化。这是要知其所以然。所以这也就是为什么很多很多企业投入了大量的人，财，物去建立物联网。也通过物联网产生了非常多的数据，但是这些数据并没有产生价值。这也是一个用互联网大数据思维来解决工业大数据问题的一个很典型的例子。互联网大数据可以从数据出发看问题，但是工业大数据的出发点应该是价值和功能。

另外一点不同就是：工业大数据对数据段要求是非常全面的，且是实时的。如果收集到的数据无法及时的做出判断，那么这个数据的价值就会逐渐的减弱。所以从分析方法上，工业大数据的分析方法有别于互联网大数据的分析方法。工业大数据更需要用有专业的生产知识的人员，通过对数据一个固定流水线式的分析，得出一个快速的决断结果。这需要人的能力要软硬兼修，而目前我们的高校教育培养机制，和课程设置还无法培育出这样的人才。

最后一点不同：工业大数据的容错性更低，这个的结果就是，虽然数据产生了很强的相关性，但是无法对实际的生产或者管理进行变动。在互联网大数据上，你听了10首歌，可以给你推送第11首，这首歌你百分之70是会喜欢的。即使你不喜欢也无所谓。但是到了工业上这就行不通了，如果说一个参数的改变和最终的成品率的相关性是百分之70，产品质量随着参数的升高而提高。在明白其背后原理之前，是没有办法通过这个结果将参数贸然提高的。因为这将带来的问题会非常复杂。也就是说，互联网大数据可以不考虑为什么，但工业大数据是一定要考虑为什么，且一定要弄清楚为什么。

本文为授权转载文章，已标明作者和出处，文章内容仅代表作者观点。如需转载，请与作者或授权媒体联系。如对文章内容有疑议，请联系editor@xingongye.cn。