智擎信息CEO王曦：工業大數據預測性運維，業務場景是關鍵

調研 | 李喆 關蕾

撰寫 | 慶賀

工業領域大數據應用是傳統製造業轉型升級的重要手段之一，數據分析需求日趨強烈。

從數據源來看，工業大數據主要分為機器數據、外部第三方數據和企業經營相關業務數據。基於工業行業特性，工業大數據早期顯現出規模大、類型雜、質量低的三大難點。

在工業應用場景中，對業務的理解具有較高的入場門檻，客戶需求也相對繁雜，定製化率較高是明顯特點；而對於預測性運維，同類別工業設備可複製性較強，設備數量多，不少廠商以此切入工業大數據。

傳統製造業巨頭如GE、SIEMENS憑藉對工業領域的深厚積累，在資源、技術、人才等層面優勢明顯，相比之下，憑藉先進技術實力入場的創新公司不多，聚焦在較為標準化的故障預測與健康管理（PHM）的應用方向。

美國創業公司Uptake憑藉大數據、AI等技術提供端到端服務，以工業設備故障預測分析、性能優化為主營業務，擁有機械大亨Caterpillar級別的種子客戶，現已擴展到農業、航空、風電、零售、醫療等行業。

國內市場中，對標Uptake的智擎信息成立於2014年，利用大數據、機器學習等技術進行工業設備的故障預測，幫助企業降低運維成本，並優化設備產能。

在大數據應用於工業領域之前，設備故障以及時報警的方式呈現，個別故障預測只能基於專家經驗判斷，且時效短，價值有限。相比之下，大數據、機器學習等技術使工業設備的故障預測變得更加智能。

智擎信息創始人王曦認為，通過機器學習技術處理設備歷史數據和實時運行數據，研發一套故障預警的通用模型，可提前更換即將損壞的部件，避免小故障演變為更嚴重故障，助力中國工業企業轉型升級。

智擎信息以第三方大數據服務商切入風電行業，專註自身在產業鏈中的位置，不站隊，提供端到端服務，逐步在一些細分行業實現產品化，為標杆企業提供工業大數據實時分析、關鍵部件故障預測等服務。

王曦在訪談中表示，目前智擎的故障預測產品可以提前2~4天預判故障，從而降低運維成本和備品備件庫存成本，提升設備可利用率和整體運轉性能。

由此分析，在工業大數據賽道，深耕於某個行業，隨著數據逐漸豐富，將其底層演算法模型標準化、產品行業化，並提供上層定製化應用場景，進而在不同行業間複製的打法，是未來的發展趨勢之一。

近期，愛分析專訪智擎信息創始人兼CEO王曦，現將部分內容分享如下：

大數據分析平台是核心，故障預測是主要場景

愛分析：大數據底層平台產品通用性較高，主要包括哪些功能？

王曦：數據安全採集、接入和存儲，並將其業務化和模式化後進行實時分析。此外，通過機器學習分析和預測演算法，提前預測設備及其部件的故障。

在部署方式上，根據客戶的不同需求，可以為客戶提供私有化部署和公有雲兩種版本。在2017年之前，客戶的基本上都是私有化部署的，從今年開始，公有雲版本的客戶開始增加。

愛分析：設備故障的預測分析模型用到哪些新興技術？

王曦：以前稱為分散式演算法，現在利用大數據、機器學習技術，除了純粹的機器學習技術以外，還在其框架下使用了動態閾值的方法，在不同工況下都能實現高準確率的預測分析。我們在深度學習上也有投入，通過神經網路進行故障診斷。

不同設備故障預測對數據的依賴程度不同，在數據接入方面，需要獲取儘可能豐富的數據，用於模型持續的分析和優化。

數據收集是一個持續長期工作，目前很多數據都未被取盡，多數停留在數秒級、分鐘級。隨著業務價值的持續顯現，更進一步的毫秒級數據也將帶來更深層次的價值，未來毫秒級的採集是必然趨勢。

愛分析：通常情況下，模型的生命周期有多久？

王曦：具體場景具體分析，原則是長期保證設備低故障和高效運轉。預測模型本身通過機器學習持續自動更新，更新周期一般是三個月，以KPI參數及重點監控指標評價新模型是否優於原模型。

愛分析：平均來看，目前故障預測可以做到提前多久？

王曦：電力行業平均提前2~4天。傳統方法是基於專家邏輯預判，這更多的是依賴專家的行業經驗，只能做到幾小時，價值有限。

愛分析：從長遠來講，如何理解智擎信息的戰略定位？

王曦：將技術與更多行業的工業設備相結合，幫助更多的工業領域通過故障預測來降低運維成本。

當然，前期做數據完備度高的行業，切入設備體量大、橫向複製性強的領域會逐漸擴展，像石油石化等行業，服務於最終用戶的設備運行狀況，降低設備的停機故障率。其他行業在做初步調研，比如無人值守電信基站，裝備製造型企業的生產線等。

整體來看，智擎的打法是在一個行業做深做透，以數據為基礎做故障分析預測，行業產品落地，商業化推廣，進而行業複製。目標是為最終客戶提供價值，客戶最看重預測準確率和最終效果。

聚焦風電客群，直銷與渠道共同發展

愛分析：合作的客戶有哪些？

王曦：首家合作客戶是金風科技，風電行業做得比較多，石油石化也有涉及。

愛分析：平均一個客戶的落地交付周期有多久？

王曦：基於我們的產品，提供端到端的類SaaS服務，有私有化部署和公有雲部署兩套版本。落地周期基本是1-2個月。

愛分析：什麼時候開始商業化？

王曦：過去一段時間一直在優化產品，逐步向客戶提供服務，現在簽了三家風電設備製造商，我們的預測分析產品已覆蓋多個品牌。今年開始商業化，主要採取直銷模式，渠道也在逐步建立。

愛分析：收費模式有哪些？

王曦：現在按照設備數量收取，基礎服務即提供平台服務，再往上按需收費。不同版本分為不同的套餐服務，基礎套餐內置了部分模型，可以滿足客戶的基本功能需求，客戶可以增購其它服務。

愛分析：服務於設備製造商和運營商有哪些差異？

王曦：設備製造商會刨根問底，關注預測結果和故障預測過程，設備運營商更偏向關注結果。現在兩者都有合作，設備製造商更多。

愛分析：製造廠商自己做故障預測的難度有哪些？

王曦：投入產出比不高，如果廠商自己去做，每年需要投入幾百萬的人力成本，服務客群有限，價值產出較低，所以也不願意投入，而更關注於設備本身。

第三方公司來做故障預測，服務的行業和企業限制較小，可以擴展到眾多客戶群體，投入產出比較為可觀。

愛分析：現在故障預測處於設備後市場的運維範疇，將來能往後延伸到哪些應用？

王曦：故障預測是降低成本，往後還可以延伸到設備性能優化，分析出影響設備性能和生產收益的亞健康狀態，及時提出優化建議，進而可以提升收入。此外還可以延伸到成本最優化模型、運維最優化模型。

數據採集是基礎，業務場景是關鍵

愛分析：在工業大數據領域，中美公司發展和市場有什麼差異？

王曦：第一，平台功能和機器學習演算法層面比較一致，但美國技術細節、數據質量及完整度領先中國。國內市場，工業感測器部署增多，企業對數據價值的逐漸認同，從去年開始，國內企業在數據層面改進很大。

第二，客戶面對數據服務公司的開放程度不一樣，國內客戶更關注行業背景和經驗，很少給一家資歷較淺的服務商開放數據窗口，美國相對更開放一些。

第三，國內數據服務公司相對做項目的時間更長，雖然Uptake也是以項目形式切入，但進行可快速的產品化和行業複製。另外，國內客戶的需求變更頻繁，所以長時間做項目導致公司很容易陷進去。

最後一點，美國的商業環境相對開放，Uptake創業團隊的實力強，熟悉創投圈，融資容易。當然美國企業對設備上數據的準備非常成熟，這也是Uptake能快速發展的原因之一。規模發展很快，國內的創業公司發展要慢一些。

愛分析：數據接入的前期準備工作是否由客戶來做？

王曦：根據客戶成熟度判斷，如果客戶有現成的數據介面，那麼我們開放API直接調用。如果客戶沒有數據介面或採集能力較弱，那麼我們免費給客戶裝一套數據採集系統。

愛分析：需要採集哪些數據？

王曦：感測器的實時數據、開關量等日誌數據，以及BOM、ERP等系統數據。

一類是設備本身的溫度、震動、壓力等結構數據，通過感測器採集數據，預測設備的亞健康或故障狀態，要求定位到具體部件。

另一類是不具備感測器的設備部件，比如石油石化老舊的非控部件，要通過其他設備感測器、歷史運行數據和業務數據做演算法來預測，或通過臨時加設備採集數據。

愛分析：工業大數據市場主要面臨哪些挑戰？

王曦：國內工業大數據市場在客戶認知、數據完備度、數據採集、場景開發等方面都存在一些挑戰。

首先，早期客戶需求驅動力不足，客戶不太明確數據採集之後能分析出哪些價值，對自身業務有什麼幫助。

其次，基礎設施不夠好，比如電廠的網路質量不理想，數據採集量少，這都影響到設備原始數據採集的完整性，進而影響到分析預測。

再次，國內部分中小企業採購了具有私有化協議的設備，設備數據無法高效率解析。我們之前較大的工作量是把很多私有化協議轉為國際標準的工業協議，將數據安全採集和存儲。

總體來看，國內市場仍處於早期階段，教育市場需要加強，數據採集是基礎，業務場景是關鍵。

愛分析熱文

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！