他是國際知名的工業大數據專家，你或許不了解他的研究成果，但他開發了世界領先的Watchdog Agent智能維護系統技術，突破了傳統機械設備故障預測的理論、方法和技術，其中關鍵性技術被美國《財富》雜志譽為“21世紀全球三大熱門技術”之一。他就是美國辛辛那提大學講席教授、美國國家科學基金會IMS中心創始主任、麥肯錫全球資深顧問李杰。

中國是一個目前相當具有激情的一個環境，大家都想把事情做好，求知性很強，大家每天都在追求自己的夢想，不管中國夢還是世界夢，我覺得都是好事情，但是過程必須要有一個規劃，不能隨便做。所以我今天講講工業大數據的能力。

工業大數據的前世

我們現在回想一下每個國家經歷的歷程。日本的問題，就是早期很注重工匠改革，就是制造精髓是把事情做得很好。所以日本講的第一個S，改善模式。但我跟豐田上課說如果我可以用數字告訴你，什么是理想最好境界，你為什么分實施改善，一次做好。突然豐田答不出來了。它說我看不到才一次一次改，我看得到的一次到位。這個問題就解決了。所以40年豐田推精益制造的時候當時也沒有互聯網，所以這個是文化訓練，但是條件太慢，改善太慢。對中國那么急的國家太慢了。

另一個六西格瑪，是第一次接觸到數據。就是做六西格瑪一定要把數字找來。找都是發生過的事情，沒有發生過的事情就找不到了。所以我們又回到只能針對看得到世界的問題。看不到世界的問題還是做不到，六西格瑪也做不到。

第三個叫做預測分析模式。這個模式基本上我去找它的可見世界和不可見世界的關系性，我來預測它可能會發生的地點在哪里。機床如果不穩定，可能發生的是尺寸問題還是邊緣性問題還是熱補償問題，預測出來。

第四，決策優化，就是我怎么來調整它。

第五層，今天無人駕駛的目的，一定是無憂駕駛。各位，你們是無人駕駛還是無憂駕駛，你們要哪個？無憂駕駛。所以這個地方出來了，我們今天講的轉型，不管做高鐵的中車、中船，還是做機床的，我們一開始都是從這邊開始，監控、精密、穩定，慢慢會往上走。第二步，叫智慧維護。就是先做預測和性能分析，然后衰退管理，這個科學性到現在也沒有完全做的很好。但是能做到這一步的企業基本上已經掌握到問題的特征性。可是還不夠，因為你要做到它系統的可能性，就是可能傳感器很多的行業，或者傳感器不多的行業，都能夠去了解它之間所生成的問題，那就用不同的方式，有的是用物理模型、有的是數學模型、有的是動態模型、有的是數據模型、有的是自我生成的比較模型，一種是可視性的算法。所以我們這邊所談的，就是用各種的智能運算的方法，幫助我們去了解看不到世界，還沒有問題產生的這些因果，最后才回到我們講的物理世界。所以這個步驟從第一層往上走，或者說往右走，都可以，三步走，就是跟中國的航天一樣，繞落回。不能一步到位，三步走。

工業大數據的今生

我們今天講的中國制造創新思維，回到上午講的模型，就是每個企業都有核心制造，核心產品設計，可是顧客端的價值，又是另外一套。所以怎么把蛋黃和蛋白結合在一起，不管是任何一個企業，都需要闡述給顧客了解的。

這里我們講了6M：材料、裝備、工藝、量測、維護。最后我把這五個可見世界還不能了解的關系建立起來，這個Model可能是一個數字化Model，也是一個數學Model，也是一個數據Model，重點是可不可以描述它。首先是預測。我可以預測出來，我怎么設計，做出來就是這個。其次可加工性。我設計完了，加工不出來，沒有辦法。第三，效率質量量產。你沒有3P是不可能做智能制造。所以6M代表建模能力一定要有。所以我要結合物聯網的時候傳感器怎么使用云，建立一套可以在數據端形成的管理機制，而不是用行為管理。

相關性和分類性就是出來的結果。比如我用基于視覺檢測裝備的質量。但是檢測后根據工序，第幾道跟這個機器有關系。分類性，跟它的加工工具有關系，那就不一樣了。所以我的相機突然之間很有錢了。以前只是檢測過還是不過，現在不過是什么原因，去哪邊修改，這樣完成后對質量的改善相當值錢。社群，因為不是你去做，別人也要用，所以要保持分享性、共性，但是專業的可以不分享。所以這里怎么產生社群。

定制化。這6C是我們今天要談到落地的能力。我們談到四個核心的技術，就是數據技術、平臺技術、分析技術、工具和軟件技術工藝，第五個是運營技術。什么叫DT？這個就是數據的處理技術，還沒有分析，你釣魚，還沒吃之前要把魚鱗去掉，頭弄掉，內臟割掉，再撒上鹽，姜，然后煮。這個過程誰幫你做？你買一條魚，下班回家就吃，不可能，一定是要處理。不是你處理，就是小販幫你處理。所以數據處理有很多種，比如說處理的復雜性，它的噪音、它的背景、它的優劣性，平臺技術，廚房是一個平臺，有烤箱、有蒸箱，但是怎么煮是工具跟工藝。平臺和電冰箱都有，但是只是平臺，里面裝什么客戶自己決定。這樣的話就決定未來一定要有OT，說我來運作產品設計的時候，一定要了解怎么做優化。

DT里講的三個東西，叫數據回頭看的問題。大數據也一樣，就是數據的背景性不清楚的時候，數據是沒有用的。早期我們做分析測試，很多耗油，天氣環境不知道，那也沒有用。我們做很多傳感器也是一樣，少了背景資料也是沒有用的。所以這個技術是需要有的，光這個市場在中國有三千億市場，就是一個企業把亂七八糟的數據給你，但是會問這里是什么背景，說可以找到一些蛛絲馬跡，把它挖出來。

PT是平臺，平臺代表什么？就是我們每一個系統去做，它應該有一個體系建設功能，就是從數據端到轉換端、到可視性端、到裝備的重組。這是邏輯性很強的，像機器有邊緣端，就是這邊數據量不用太大，一定把特征提取后先處理掉，到云端的時候是很少的，執行速度就相當快，而且負擔很低，保密性相當高，最后人端跟終端價值很高。所以的我的分析方法在每個體系端都要用。

優化。當初我們在做優化的時候，有很多裝備，但是怎么來匹配，什么裝備開始維修，什么時間它的機會會給你，什么時候做最好，需要多少人來做。這是優化的問題，優化做的好可能產生更優勢的效果，這四個決定一個好的能力團隊建設夠不夠到位。

我想這里是我們今天講的很重要的制造業，智能制造三個不可見世界，但是怎么用不同數據來源能夠發展不同的加工過程，這個很重要。第二，關系性，它的原因跟它的理由在哪里，為什么發生。第三，參考性，怎么去了解做很好的調整。

工業大數據的未來

因此，我們來講一個案例，就是富士康的實現三步走。第一步走，有一條生產線，工作人員做很久了，他們覺得不錯了。數據量很多，上去了。上去后可以找到核心的零部件吻合。這個叫做過去發生種類的分析性，變化性，它的整個的質量的偏差，最后它的這些關系。所以這部分的建立是一個數據跟分析的關系。

第一步，要找到重要性。這個可能是有25個制成，有300個不同的裝備，但不可能裝備都重要，所以要根據過去發生問題的次數，和發生對質量效率產生原因做分類，一二三四象限出來了。可行性和重要性分析先做好。這個做不好一般來講我們對，你想走進去，我幫你解決工廠的問題，不可能。

第二步，預測性分析。找到特征參數了，提取出來做分析。改善前，改善后它怎么提升的，這個需要做預測分析。通過過去做的預測不出來，你怎么預測未來？所以把過去的分析建立起來，預測過去怎么發生的，我就可以預測未來怎么發生的，可以用過去數據驗證它是對的。

第三步，效益分析。有時候做了很多事情沒有效應，那就不對了。所以第三，是效益分析。這個團隊花了一年不到的時間，幫富士康減少54小時不必要停機。