先看三个概念：
工业10
机械化，以蒸汽机为标志，用蒸汽动力动力驱动机器取代人力，从此手工业从农业分离出来，正式进化为工业。
工业20
电气化，以电力的广泛应用为标志，用电力驱动机器取代蒸汽动力，从此零部件生产与产品装配实现分工，工业进入大规模生产时代。
工业30
自动化，以PLC（可编程逻辑控制器）和PC的应用为标志，从此机器不但接管了人的大部分体力劳动，同时也接管了一部分脑力劳动，工业生产能力也自此超越了人类的消费能力，人类进入了产能过剩时代。
这三个定义都很学术，你们放心，这是全文最学术的一段话，后面就都是讲故事了。
要理解工业40，我们得先看下目前的状况，我们称之为工业3X，用修真小说的时髦描述，也就是30中后期，这种状态叫做完全的自动化和部分的信息化。
咱们还得从工厂的业务模式说起。
作为一个工厂，存在的目的只有两个，生产产品，然后卖出去。所以在工业企业中，通常会分为两个大的部门，一个是生产部门，一个是业务部门，前者通过MES（制造执行系统）管理，后者通过ERP（管理信息系统）来管理。
这两个系统啥区别呢？ERP更倾向于财务信息的管理，而MES更倾向于生产过程的控制，简单的说，ERP主要告诉你客户需要生产多少个瓶子，哪天下单，哪天要货，而MES主要负责监控和管理生产这些瓶子的每一个步骤和工序如何实现。
在中国工厂的很多车间里，各个生产设备之间、生产设备和控制器之间，都已经基本实现了连通。再牛逼一点的公司里，整个工厂已经通过制造执行系统（MES）连通起来，而业务部门全部通过ERP连通起来了。
发现问题了吗？
ERP和MES其实并没有连起来！
所以当ERP给MES下达生产计划指令后，MES在生产过程中发生了与计划偏差的事项（比如设备坏了，原料不合格等等），MES会根据车间的实际情况进行调整。但是ERP是不知道的！所以它会继续按照原本的计划执行订单，时间久了，财务系统和工厂的实际情况就会出现非常大的偏差。
至于为啥没连起来，两个原因，首先是ERP和MES的开发公司通常是两拨人，搞财务的和搞生产的合作，不但互相不懂对方的职业术语，鸡同鸭讲，而且互相看不上对方。另外，业务部门和生产部门在公司里通常是分开运营，各自的领导有各自喜欢的供应商（原因你懂的）。
当然，人民群众的智慧是无穷的，他们是断然不会干等着两个系统的偏差越来越大的，既然系统不给力，咱人工上，咱们工人有力量。所以工厂车间通常会定期把MES的调整项做成一个表，交给业务部门，然后由业务部门手动在ERP中调整过来。
ERP和MES的问题只是工厂内系统断层的一个问题缩影，事实上工厂里还有非常多的其他系统，设计、制造、采购、办公等等，这些系统都是一个个的信息孤岛，互相都不知道对方在干啥，干到哪一步了。其中一个部分出了特殊情况，其他部分都不知道，只有等到问题出现了，才能退回来，所有系统再一个个改。
插一句，老罗的锤子手机之所以难产，就是因为在设计的时候，生产人员并没有实时了解情况，所以实际生产时发现原本的牛逼设计会导致良品率很低，只能退回去重新设计。这样每一个产品都要改来改去，所以一个工业品从设计到上线量产，往往要用一两年的时间。
当然，这种事也不是第一天存在的，以前因为在工业时代，产品的生命周期很长，兔哥的老东家西门子一个型号的变频器可以卖三十年，这样一两年的研发上线时间也就显得不那么长了，其余的问题，靠着人工沟通，虽然有错，倒也都相安无事。
然而，可怕的狼终于还是来了。
这两只狼，一只叫产能过剩，一只叫互联网。
全球性的产能过剩，导致企业的竞争越来越激烈，以往一款产品卖三十年的做法已经不行了，你跑不快，有的是快的。老罗的锤子手机仅仅晚上线了几个月，就从一款万众期待的爆款，成为了臭大街的过时货，产品的生命周期大大缩短了。
互联网时代的到来，撼动了工业时代的一大基础，信息不对称。工业时代里，因为生产厂家无法低成本的了解每一个客户的需求，所以往往采用一刀切的方法，就是把需求做多的性能组合到一起，成为一款产品。
比如你想要一双适合你的脚的鞋子，鞋厂是无法知道你的脚多大的，所以只能测量很多人的脚之后，把最集中的尺码分成40号，41号，42号等等，但是如果你的脚偏肥或偏瘦，对不起，概不伺候。
互联网改变了这个局面，人与人，人与厂商，可以低成本的实现连接，从而让每个人的个性需求被放大，人们越来越喜欢个性化的东西。但是个性化的东西需求量没有那么大，这就需要工业企业能够实现小批量的快速生产。
这两只狼，逼迫着传统工业必须做一件事，一件工业社会最不爱做的事，就是快速、小批量、定制化的生产。
这个时候，先得做点准备工作，就是工业30首先要进化为3X，所谓工业3X，其实就是先把ERP和MES等等信息系统彻底打通，让工厂原本的所有信息孤岛实现连通。这个时候，就从完全的自动化和部分的信息化，进入了完全的自动化和完全的信息化，也就是工业30大圆满阶段。
别小看这个过程，单就这一条，也许我们中国就需要十年甚至更长才能完成。
好了，前面的都是现实问题，30大圆满之后，我们就要开始科幻烧脑之旅了，我们终于要冲击工业40了。这个过程中，3,0中以及完全的自动化和信息化要开始做一件事，就是结婚，生孩子。
这个过程，德国叫工业40，美国叫工业互联网，我们工信部称之为两化融合，物联网的脑残粉们把它叫做万物互联。
这里我要说一下，所有的物，如果需要互联沟通时，就有一个问题，说什么语言？说英语、德语、还是四川话？
通讯协议是什么，这个是一个关键问题。你可能会说，为什么不用现在互联网的通讯方式，也就是TCP/IP协议，这是个技术问题，没法给你这种小白解释明白（其实我这个曾经的半桶水自动化工程师也不怎么太懂）。简单的来说，互联网的通讯方式，速度还是太慢，精准度还是不够，安全性还是不好。而工业生产中，对于速度、精度和安全性的要求，要远远高于你在家下德艺双馨的苍老师的要求。
所以万物互联，必须需要一个专门的通讯协议。
这也是德国的工业40，美国的工业互联网，以及中国的两化融合中国制造2025，这些时髦的名词背后隐藏的核心问题，大家在争这个通讯标准。美国的互联网世界第一，所以美国人希望从信息化层降维到自动化层；而德国的机械制造业最强，所以他更希望从自动化层升格到信息化层；中国嘛，制造业第一大国，互联网第二强国，所以两边都不想跟，打算自己搞个互联网+，也叫中国制造2025。
按照修真小说的习惯，每一个境界都要分成一个小境界，以突显差异和牛逼，我按照这个方法，把工业40也分成六重天。
工业40第一重天，智能生产。
之前我们说过，生产设备和管理信息系统也各自连接起来，并且设备和信息系统之间也连接起来了。你有没有觉得还缺点什么？没错，就是生产的原材料和生产设备还没有连接起来。
这个时候，我们就需要一个东西，叫做RFID，射频识别技术。估计你听不懂，简单来说，这玩意儿就相当于一个二维码，可以自带一些信息，他比二维码牛叉的地方，在于他可以无线通讯。
我还是来描述一个场景，百事可乐的生产车间里，生产线上连续过来了三个瓶子，每个瓶子都自带一个二维码，里面记录着这是为张三、李四和王二麻子定制的可乐。
第一个瓶子走到灌装处时，通过二维码的无线通讯告诉中控室的控制器，说张三喜欢甜一点的，多放糖，然后控制器就告诉灌装机器手，“加二斤白糖！”。
第二个瓶子过来，说李四是糖尿病，不要糖，控制器就告诉机器手，“这货不要糖！”
第三个瓶子过来，说王二麻子要的是芬达，控制就告诉灌可乐的机械手“你歇会”，再告诉灌芬达的机械手，“你上！”
看到了，多品种、小批量、定制生产，每一灌可乐从你在网上下单的那一刻起，他就是为你定制的，他所有的特性，都是符合你的喜好的。
这就是智能生产。
工业40第二重天，智能产品。
生产的过程智能化了，那么作为成品的工业产品，也同样可以智能化，这个不难理解，你们看到的什么智能手环、智能自行车、智能跑鞋等等智能硬件都是这个思路。就是把产品作为一个数据采集端，不断的采集用户的数据并上传到云端去，方便用户进行管理。
德美工业40和工业互联网的核心分歧之一，就是先干智能工厂，还是先搞智能产品。德国希望前者，美国希望后者。至于中国，我们就搞加，还是加这个东西好，正加反加都行，反正能糊弄住大家就行。
工业40第三重天，生产服务化。
刚才说了，智能产品会不断的采集用户的数据和状态，并上传给厂商，这个就使一种新的商业模式成为可能，向服务收费。我好多年前在西门子的时候，西门子就提出来向服务收费，当时我觉得这是德国佬拍脑袋想出来的傻×决定，但是现在我才明白这是若干年前就已经开始为工业40的生产服务化布局了。你对西门子的印象是什么？冰箱？你个糊涂蛋，西门子这些年已经悄然并购了多家著名软件公司，成为仅次于SAP的欧洲第二大软件公司了。
这个服务是什么呢？比如西门子生产一台高铁的牵引电机，以往就是直接卖一台电机而已，现在这台电机在运行过程中，会不断的把数据传回给西门子的工厂，这样西门子就知道你的电机现在的运行状况，以及什么时候需要检修了。高铁厂商以往是怎么做的？一刀切，定一个时间，到时间了不管该不该修都去修一下，更我们汽车保养没什么差别。现在西门子可以告诉你什么时候需要修什么时候需要养护，你要想知道，对不起，给钱。
再举个例子，智能产品实现后，每一辆汽车都会不断地采集周边的数据，来决定自己的行驶路线，整个运输系统会完全服务化，任何人都不需要再买车，有一天也许自己开车会成为严重的违法行为，因为设备是智能的，而人确实不可控的。
在这个阶段，所有的生产厂商都会向服务商转型。
工业40第四重天，云工厂。
当工厂的两化融合进一步深入的时候，另一种新的商业模式就有要孕育而生了，这就是云工厂。
工厂里的设备现在也是智能的了，他们也在不断地采集自己的数据上传到工业互联网上，此时我们就可以看到，哪些工厂的哪些生产线正在满负荷运转，哪些是有空闲的。那么这些存在空闲的工厂，就可以出卖自己的生产能力，为其他需要的人去进行生产。
互联网行业为什么发展的这么快，就是因为创业者只需要专注于产品和模式创新，不需要自己去买一个服务器，而是直接租用云端的服务就行了。而目前工业的创业者，还是要不断地纠结于找OEM代工还是自建工厂中，这个极大地限制了工业领域的创新。当云工厂实现的时候，我预言中国的工业领域将出现一个比互联网大百倍以上的创新和创业浪潮，那个时候这个社会的一切都将被深刻的改变。
兔哥之所以坚定地要做工业互联网领域的投资和创业服务，就是在等这个风口。但愿我是先辈，不是先烈。
工业40第五重天，跨界打击。
互联网行业天天说降维打击传统行业，什么谷歌小米阿里巴巴乐视，可是我告诉你，当工业40进入第五重天时，工业企业的跨界打击将比这些互联网企业猛烈百倍。这个过程将从根本上撼动现代经济学和管理学的根基，重塑整个商业社会。
举个例子，一个生产手表的厂商，这个表每天贴着你的身体，采集你身体的各项数据，这些数据对于手表厂商也许没啥用，但是对于保险公司就是个金库，这个时候，手表厂商摇身一变，就能成为最好的保险公司。
当自动化和信息化深度融合的时候，跨界竞争将成为一种常态，所有的商业模式都将被重塑。
工业40大圆满，黑客帝国。
整个工业40过程，就是自动化和信息化不断融合的过程，也是用软件重新定义世界的过程。
在未来，多元宇宙将在虚拟世界成为现实，一个现实的世界将对应无数个虚拟世界。改变现实世界，虚拟世界会改变；改变虚拟世界，现实世界也会改变。一切都基于数据，被精确控制，人类的大部分体力劳动和脑力劳动都将被机器和人工智能所取代，所有当下的经济学原理都将不再适用。
但是我相信有一些东西是不会变的，那就是人类的爱、责任、勇敢，对未来和自由的向往，以及永无止境的奋斗。大数据的分析从所周知，大数据已经不简简单单是数据大的事实了，而最重要的现实是对大数据进行分析，只有通过分析才能获取很多智能的，深入的，有价值的信息。那么越来越多的应用涉及到大数据，而这些大数据的属性，包括数量，速度，多样性等等都是呈现了大数据不断增长的复杂性，所以大数据的分析方法在大数据领域就显得尤为重要，可以说是决定最终信息是否有价值的决定性因素。基于如此的认识，大数据分析普遍存在的方法理论有哪些呢？1 可视化分析。大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。2 数据挖掘算法。大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。3 预测性分析。大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。4 语义引擎。非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。5数据质量和数据管理。大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。大数据的技术数据采集：ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。数据存取：关系数据库、NOSQL、SQL等。基础架构：云存储、分布式文件存储等。数据处理：自然语言处理(NLP，Natural Language Processing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机”理解”自然语言，所以自然语言处理又叫做自然语言理解(NLU，Natural Language Understanding)，也称为计算语言学(Computational Linguistics。一方面它是语言信息处理的一个分支，另一方面它是人工智能(AI, Artificial Intelligence)的核心课题之一。统计分析：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。数据挖掘：分类（Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity grouping or association rules）、聚类（Clustering）、描述和可视化、Description and Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)模型预测：预测模型、机器学习、建模仿真。结果呈现：云计算、标签云、关系图等。大数据的处理1 大数据处理之一：采集大数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和 *** 作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。2 大数据处理之二：导入/预处理虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。3 大数据处理之三：统计/分析统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。4 大数据处理之四：挖掘与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。End成系列ZL包括ZL1、ZL2、ZL3、ZL4、ZL5、ZL6和ZL7。ZL1是一款无人机系统，它是一种可自动飞行的无人机，可在原有的高度和速度上进行飞行，也可以调整飞行高度和速度，集成传感器和视觉模块，能够实现自动控制、定位和感知等功能，可以实现高精度航线规划、航点检查、精准定位和智能控制等。ZL2是一款海上无人机系统，它具有良好的航行稳定性，可以实现自动控制、定位和感知等功能，可以实现海洋环境的快速监测和跟踪，以及可携带货物的货运服务。ZL3是一款火箭发射系统，它可以实现火箭的控制、定位、发射和控制等功能，可以实现发射多种不同类型的火箭，以及进行高精度的发射优化和定位控制。ZL4是一款固定翼无人机系统，它具有高度的稳定性和高精度的控制能力，可以实现自动控制、定位和感知等功能，可以实现高精度航线规划、航点检查、精准定位和智能控制等。ZL5是一款高空无人机系统，可以实现自动控制、定位和感知等功能，可以在高空进行高精度的航线规划和飞行控制，也可以实现大范围的环境监测。ZL6是一款多旋翼无人机系统，可以实现自动控制、定位和感知等功能，可以实现高精度的航线规划、航点检查、精准定位和智能控制等。ZL7是一款网络无人机系统，可以实现自动控制、定位和感知等功能，可以实现大范围的环境监测和监控，可以搭建跨越多个无人机的网络。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）