数字浪潮之工业智能化：大数据和AI赋能，工业互联铺强国之路

大数据是工业数字化的入口

工业大数据市场规模快速增长

数据成为工业领域新的“生产资料”。

根据IDC数据，2019全球数据量达到42ZB，预计2022年达到163ZB，复合增速为 57%。大数据急速膨胀不断在各个领域催生新的应用生态，工业领域成为下一个蓝海。随着我国工业自动化、信息化水平不断提升，数据市场也在快速增长。

根据赛迪顾问，2019年我国工业大数据市场达到146.9亿元，预计未来保持30%以上的高增长。工业数据涵盖企业运营、产品生产、工艺流程、市场销售等多个环节的信息，深度挖掘将大幅提升生产效率、降低生产成本，已经成为当前智能制造新的“生产资料”。

制造过程数据的提取挖掘，是当前智能制造迈上新台阶的关键。

根据数据来源，工业大数据可分为企业运营相关的数据、企业外部数据、制造过程的数据。在经过多年企业信息化发展后，企业管理ERP、销售CRM等内部运营类数据已经有了一定的积累。

互联网的快速发展，也为售后服务、产品跟踪、市场运营、行业发展提供了广阔的数据支持。而当前最重要的，则是生产制造环节的数据挖掘。工业制造已经由 3.0 的自动化，逐步迈向4.0的智能化。

以智能制造设备、工业机器人、各类传感器、智能仪器仪表为核心，通过构建广泛的物联网生产系统，汇聚生产过程中的物料、加工、流程等多维度数据，实现生产过程的全面优化。

从客户需求到销售、订单、计划、研发、设计、制造、采购、供应、库存、售后服务、运维等整个企业和产品全生命周期各个环节，工业大数据打通后，利用人工智能技术，实现真正智能制造。

工业数据的可靠可用是数字化应用的前提

工业数据是整体应用框架的第一步，入口价值凸显。

根据中国电子技术标准化研究院的《工业大数据白皮书》，整个工业大数据的应用分析框架分为5个部分，分别为数据提供者、系统协调者、应用提供者、大数据框架提供者以及数据消费者：

1）数据提供者主要就是为后续系统的分析和演绎提供高质量的数据；

2）系统协调者主要职责在于规范和集成各类所需的数据应用活动；

3）大数据框架提供者主要是为数据消费者提供各种处理方式和工具；

4）工业大数据应用提供者，主要将原始数据进行收集、预处理、分析、可视化等操作后给数据消费者；

5）数据消费者主要职责就是将数据高效利用到生产、设计、服务等各个环节。

所以，从整个工业大数据应用框架来看，工业数据作为整个应用框架的入口有非常重要的作用，提供数据的质量高低、预处理数据的效果好坏都直接影响着最终工业数据的应用效果。

工业数据的质量问题可以通过预处理进一步加强。

目前，在工业大数据的应用中，工业数据还有数据分散、数据质量差以及数据受背景影响较大等问题。具体来说：

1）数据分散是指工业数据零散地分布在各个系统中，比如 PLC、SCADA、DCS 系统从机器设备实时采集的数据，数据交换接口同步的数据，以及存放在公司数据库的业务数据等，这些零散的数据采集回来之后需要进一步的归类和分析；

2）数据质量差是指由于工厂复杂的应用环境，通过传感器采集的数据会包含很多的噪音数据，影响后期进一步的分析和应用；

3）数据受到设备参数设定、工况、环境等背景信息的影响，主要是因为工厂生产实践较为复杂，影响数据的因素较多。

可以通过多种数据预处理方法有效提高数据质量。

针对前文所述的工业数据质量问题，可以通过多种数据预处理方式对数据进行处理，以提高其可靠性、可用性，目前来说，主要的处理方法有工况分割、数据清洗、数据质量检测、数据归一化、数据样本平衡、数据分割等。具体来说：

1）工况分割，主要是将设备在不同运行状态下的数据分割出来，做有针对性的信号处理与特征提取，常用的工况分割变量有速度参数、环境参数、负载信息等；

2）数据清洗，将数据中存在的异常点尽可能的剔除，降低对后续模型训练的干扰；

3）数据质量检测，通常关注数据特性本身、建模有效性、以及领域相关的质量标准，针对不同的数据进行不同的质量检测；

4）数据归一化，将数据转换到同样的分布或者取值区间，来提升数据建模精度，加速参数优化求解的过程；

5）数据样本平衡，主要针对采集的数据标签不均的问题，比如，设备运行1小时的数据中可能只有1分钟的数据是异常的，可以通过重采样或者欠采样等不同的采样方法来改善数据不同类别之间的平衡性；

6）数据分割，主要是将数据集分割为多份，用作不同的目的，一般分为用于训练模型的训练集、对模型进行参数优化的验证集以及用来得到最终模型的测试集。

人工智能是工业数字化的大脑

我国人工智能产业发展位居全球前列

数据是人工智能的基础，算力是人工智能的动力，算法是人工智能的工具。

从人工智能的发展历史来看，经历了三起三落的发展过程，从达特茅斯会议首次提出人工智能，到霍普菲尔德神经网络被提出，再到Hinton提出深度学习神经网络，目前的人工智能已经具备了大发展的基础：

大数据时代的到来为人工智能提供了源源不断的基础材料；

CPU、GPU、FPGA的性能提升以及异构计算的发展都为人工智能提供了强大的算力；

以机器学习、深度学习等算法的发展也为人工智能的应用提供了实现的工具。

人工智能战略上升为国家战略，国内AI产业迎来大发展。

鉴于人工智能在社会各个领域内的巨大潜在应用市场，我国在政策上也为产业营造了较为友好的发展氛围，2017年我国发布了《新一代人工智能发展规划》，将人工智能上升为国家战略，确立了人工智能产业的三步走发展目标。

同时，不仅仅是我国，全球其他国家也都十分重视人工智能的发展，比如日本也提出了人工智能三阶段发展战略、韩国提出了人工智能五年规划（投资 2.2 万亿韩元）、新加坡2017年发布了“AI Singapore”战略、澳大利亚发布了人工智能四年投资计划等。

国内AI发展水平已处于世界前列。

由于我国的人口数来基数大、应用场景多样化，人工智能技术已经在多个行业落地，根据艾瑞咨询的数据，我国的人工智能核心产业规模在2019年大于510亿元，发展到2022年有望超过1万亿元，复合增长率约 170%。

我国的AI发展水平从人工智能企业数量和全球范围内人工智能申请专利分布情况来看处于领先地位：

1）根据六和咨询和清华大学的联合数据，我国2018年人工智能企业数量为1011 个，相比于美国2028个有一定的差距，但是和全球其他国家相比仍处于领先地位；

2）从艾瑞咨询2018年统计的全球人工智能专利申请的分布情况来看，中国地区的专利数量占比达到37.1%位居第一，美国和日本紧随其后，分别为24.8%、13.1%，从专利的数量方面来看，我国的人工智能发展状况良好。

人工智能为工业生产带来发展良机

人工智能的运用为工业智能制造带来了发展良机。

在传统的工业生产中，主要的品质要素有三个：

1）素质维度，主要涉及的是工业生产中的能力、组织文化和管理能力，这点在传统生产过程中主要是靠人和人之间传承进行的，这方面做的比较好的是日本；

2）体质维度，主要涉及设备、系统和流程，在以往是通过标准化的工艺流程和优秀的装备设计制造能力实现的，德国在这方面做的比较好；

3）本质维度，主要涉及的是创造价值，这个以往是以授权技术的方式为基础不断进行协同创新完成的。

在人工智能时代，上述的三个维度将发生较大的不同，也为每个使用人工智能的工业企业或者国家带来了弯道超车的机会。

人工智能对于上述工业三个维度的改变，具体来说：

1）在素质维度上，可以通过数据化的方式将人的工作流程标准化，以达到后续稳定传承的效果；

2）在体质问题上，通过数据将问题进行显性化，将设备的健康状态进行透明化管理，保证设备的健康状态以及整个工艺流程的稳定性，提升产品质量的稳定性；

3）在本质维度上，利用综合数据以及人工智能算法工具，发挥数据的价值，降低运营成本、提升运营效率，达到协同创新的目的。

人工智能在工业领域的运用和在其他行业中的应用有所区别，具体来说体现在以下几个方面：

1）两者定义不同，通用的人工智能可以应用的方向较为广泛，是一种具有试错调整导向性的认知科学，但是工业领域的人工智能是一种在工程应用中的系统训练及方法，具有快速性、系统性、可传承性等特征，这点的区别主要源自工业领域需要系统性的运行方式；

2）在功能方面，通用人工智能主要是发散性的机会导向，比如自动价值、分享经济、人脸识别等，而工业领域的人工智能则面对的问题是有限的，不需要通用性很强，但是要有针对性的解决现存的问题，所以功能是收敛性的；

3）在应用领域，工业人工智能主要是帮助工业企业提高生产效率、增强产品品质、降低生产成本和减少非必要库存，通用人工智能则可以应用在如社交网络、医疗、金融等多个领域；

4）在算法工具上，工业领域的人工智能也和通用人工智能一样需要机器学习、深度学习等工具，但也对宽度学习、模糊学习等工具有需求。

工业人工智能相比通用人工智能有特殊的工业要素。

正如上文所述，由于工业企业的产生过程牵扯的变量较多，一般着眼于具体问题的解决，所以人工智能在工业系统中落地需要系统性考虑，要考虑的因素相较通用人工智能而言多了领域知识、事实依据以及反馈闭环等特有因素。

具体来说，在计算机平台以及大数据的基础上进行建模分析是通用人工智能都需要的因素，但是在工业应用中还需要：

1）领域知识，需要对工业模型中的设备或者机理理解清楚，一般来说工业领域知识相比如语音识别、语音合成、图像识别等通用人工智能而言较为复杂；

2）事实依据，在工业控制系统中，需要掌握能够反应目前系统状态的依据，以方便系统的临时决策；

3）反馈闭环，这点很重要，因为工业系统一般都是为了解决某个收敛性问题而存在的，如果没有反馈闭环则系统无法判断实际输出的结果和理想结果之间的差异，这点和比如人工智能在人脸识别方面的应用不同（人脸识别应用不需要对输出结果判断是否正确）。

工业人工智能应用众多前景广阔

目前， 人工智能正在从消费、互联网等领域逐步向工业领域渗透。

人工智能对制造业的赋能正在全球范围内进行，一方面由于工业制造业在全球GDP的占比中较高，人工智能应用的空间较大，另一方面由于目前全球的制造业确实遇到了比如生产成本上升、生产线设计缺乏灵活性、产品质量不稳定等问题。

根据德勤的统计调查与预测，人工智能在中国制造业的应用前景广阔，预计2020年应用规模在252.2亿元左右，到2025年将达到2057.6亿元，复合增速维持在40%以上。

人工智能在工业领域应用的场景很多。

根据德勤的调查报告，目前工业企业对于人工智能应有需求的领域主要包括：

1）智能生产应用场景，比如工业视觉、为自动化生产工厂、订单管理和自动化生产排产、产品质量监控和缺陷管理等、虚拟量测与过程质量控制等；

2） 产品与服务应用场景，比如缩短产品设计周期、个性化客户体验、识别新的商业机会、提升营销效率、客户需求洞察等；

3）企业运营管理应用场景，比如在财务、能源、人力资源和投资方面的管理；

4）供应链管理应用场景，比如设备预测性维护、配送管理、需求管理与预测、紧急时间相应、物流服务、资产与设备管理以及运输与网络设计等。

应用1：人工智能在工业视觉领域的应用

AI 软件及算法是工业视觉的核心环节。

在整个人工智能和工业应用结合的众多领域里，工业视觉是结合的较为紧密的一种。在工业视觉的整体解决方案中，主要分为核心零部件、AI 软件及算法以及整体解决方案等几个环节：

1）核心零部件，主要是指光、工业镜头、工业相机、图像采集卡等上游的零部件，这些部件将拍摄出来的图像交给 AI 软件及算法去判别产品是否达标，之所以有很多的不同部件，是由于不同的场景对于采集图像部件的要求不同，比如检测物体在快速移动那对部件的动态捕捉能力较高，比如检测产品的精度很高，那对部件的高清捕获能力要求较高；

2）AI软件及算法是整个工业视觉解决方案里的核心，在没有成熟的解决方案之前，一般都是通过人工或者其他设备间接检测为主，AI的算法需要通过学习符合要求的图像后提取出判别的关键点，将以前依靠人经验判断的方式通过数字化的方式保存下来；

3）工业视觉解决方案，需要将核心零部件以及AI算法整合到一起，为工业制造客户输出完整的解决方案。

工业视觉已在下游多个制造业领域使用。

工业视觉目前已经在电子行业、汽车行业、半导体及平板显示行业、物流包装行业进行了大规模应用，具体来说：

1）在电子行业，比如电子产品表面的缺陷检测，由于目前3C行业的产品缺陷种类多且复杂，产品表面构成复杂，所以对于工业视觉的需求较高，目前行业内已经有针对 MIM工艺的表面缺陷在线检测设备，能够进行360°外观检测，同时18余种缺陷识别模型，能够在500ms 内实现对模型并发处理。

2）在汽车行业，比如涂装线标签检查，业内通过OCR技术对相机采集滑撬号图像，对滑撬上镂空字符进行读取并处理，通过PLC上传给车间生产过程监控系统输出滑撬号信息，以达到检查的目的；

3）在半导体级平板显示行业，业内可以利用机器视觉实现制造工艺外观缺陷3D、2D检测，同时还可以通过工业视觉实现封装工艺、晶片不良、胶水不良、焊线不良、焊球不良等方面的检测；

4）在物流、包装行业，业内可以通过工业视觉在高速生产线中对包装安全条进行快速有无的判断，以确保安全包装条无缺失。

工业视觉可以大幅降低生产成本。

在工业生产中，3C电子产品产业的外观检测人员的用工成本较高，国内企业仅在玻璃盖板、触摸屏以及显示屏这个三个行业的外观检查员可能就达到数十万之多。以手机盖板玻璃检测为例，长期以来都是依靠人眼，效率低且误检漏检率较高，随着工业视觉解决方案的成熟，自动化检测成为发展的方向。

目前，业内已经采用灵活、可扩展、低延时的解决方案，搭配超高分辨率光学系统形成了统一的管理平台，能够实现至少30种缺陷的一站式全检，可替代30名质检人员。从玻璃盖板的检测可以看出，工业视觉解决方案将为工业客户带来成本的大幅降低，假设玻璃盖板检测行业从业人数在20-40万，每个员工的月薪在4500-6000元/月不等，那么整个行业在检测领域的总成本为 108-288 亿元，这也给工业视觉的发展带来了长足的空间。

应用2 ：人工智能在设备预测性维护的应用

设备预测性维护是人工智能在工业领域的又一大应用。

在以往的应用场景中，一台机器或者设备的磨损情况是否达到报废的条件，一般都是依赖人的经验去判断，对于工业企业来说，是决定设备进入更新流程还是继续使用是一个较难的决策。企业如果决定设备进行更新，那么面临的是更换成本，如果决定继续使用，则可能影响后续产品的质量，导致损失成本。

对于企业来说，如何将设备价值最大化、如何将机会成本降到最低，是一个急需解决的问题。人工智能的应用使得这个问题有了客观的数据衡量标准，为企业决策带来依据。

以机床刀具的预测性维护为例。

机床刀具是机械加工的核心部件，刀具的损坏程度直接影响着加工工件的质量。由于刀具随着切削工件的数量增加会使得自身的磨损加大，继续加工会导致后续的产品质量下降，所以及时了解刀具的状态并进行及时更换很重要。

传统的方式中，刀具的健康状态是通过人员针对切屑的颜色、加工时长以及加工中所产生的噪声与线下测量等方式判断的，费时费力且准确度不高。

人工智能可以利用建模分析的方式，一方面抽取出准确的判断模型，另一方面可以避免庞杂数据的繁杂计算，为刀具的健康状况提供便捷的判断。

首先，将通过传感器和控制器采集的高频数据以及通过PLC采集的低频数据（包含振动信号、电流信号、加工单节、加工时间等）进行数据处理，通过信号处理和特征提取后，提取能够表征刀具衰退状态的数十甚至数百个关键特征。

其次，基于提取出来的关键特征，建立刀具的磨损量评估模型，并基于刀具磨损量的评价结果建立刀具剩余寿命预测模型。最后，将该模型部署到服务平台上，及时为刀具的维护、管理人员提供实时信息。

工业互联网集大数据AI之大成，开启工业4.0之路

工业数字浪潮掀起，多重政策大力推动

AI和大数据技术驱动 和大数据技术驱动，制造业迈入工业4.0时代。

制造业仍是全球经济发展的核心支柱，信息技术的发展也在不断为制造业赋能。

早期工业1.0时期，以蒸汽机为代表，掀起了第一次工业革命；随后电力的发展和应用，推动工业2.0的第二次工业革命。

从20世纪70年代至今，电子和IT技术融合下的自动化，成为了当前工业体系的基础，大幅提升生产效率和安全性。

随着软件技术，尤其是大数据、AI、物联网等持续发展，智能化生产必将成为制造业下一个高峰。以工业软件为核心的工业互联网平台将驱动工业 4.0 的新革命。

我国制造业升级迫在眉睫，工业互联网成智能制造方向。

中国作为“世界工厂”，全球制造龙头的地位正受到挑战。尤其当今国内人口老龄化严重，年轻劳动力供给不足；而互联网企业的高薪招人背景下，制造业用工成本逐渐上升，且招人困难。

制造业是我国的经济基石，为了保证制造业在国内稳步发展和转型，通过工业互联网，打造智能工厂，尽量减少用工需求，成为制造业务发展的必然方向。

自2015年“中国制造2025”提出后，我国在智能制造和工业互联网领域持续推出新政。在2015-2020期间，智能制造的转型，更多的是在以云为基础设施的建设，以及标准梳理、示范项目为主。

积极催化 ， 各地方已开始进入落地环节 。在国家政策引导下，各地方也不断推出具体补贴政策支持工业互联网发展。

对于制造业较强的地方政策支持更为积极，单就2020年，就有苏州、佛山、青岛、西安、广州发布具体支持政策。

其中，尤其以制造业大省广东省补贴范围和强度最大。从各地补贴支持共性来看，对于工业互联网应用、平台给予不同程度的补贴，尤其是跨行业、跨领域的工业互联网平台，支持力度最大。从2021年开始，工业互联网平台有望进入密集落地环节。

MES为生产环节核心，智能制造价值凸显

MES是制造业信息化的核心 是制造业信息化的核心。企业生产运营管理流程一般分为计划层、执行层和控制层：

计划层以ERP为代表，根据企业资源安排生产计划；

执行层以MES为代表，根据计划安排控制层的任务；

控制层以PCS为代表，直接对生产进行操作控制。

MES构筑了上层计划与底层控制之间的桥梁，是生产的核心环节。

具体来看，MES是一套面向制造企业车间执行层的生产信息化管理系统，包括制造数据管理、计划排程管理、生产调度管理、库存管理、质量管理等多种功能模块。

在当前智能制造的发展中，MES作为整个生产环节知识的凝结，在云和大数据的发展下，成为智能制造的基石。

MES市场增长有望加快，下游应用领域广泛。

在我国制造业升级的过程中，MES是制造企业通往智能制造的必经之路。根据第三方测算，我国MES软件市场规模在50亿左右，整体仍然较小。随着政策不断催化，以及产业内部压力下降本增效的持续需求，MES市场整体增速有望向上。

从下游来看，MES已经广泛应用于钢铁、机械、汽车、轻工、化工等行业。随着工业互联网在各个行业逐步落地，MES的升级和改造也会带动市场的高速成长。

智能制造优势已经显现。

根据数字化智慧工厂SaaS+解决方案提供商云栖智造的案例，其通过核心“数据中台”和“业务中台”双中台技术架构驱动，结合工业物联网、机器视觉、AI、5G等新兴技术帮助制造业企业打造数字化智慧工厂。

以年产值3千万的200人离散型工厂为例，云栖智造的方案可以减少75%的管理人士、提高75%的生产效率、缩短53%的交货周期、提高10%的良品率、减少73%的物料滞留、提高16%的设备利用率。智能制造价值显著，工业4.0升级已经成为众望所归。

工业互联网平台集AI和大数据之大成，助力智能制造再升级

工业互联网平台汇聚AI和大数据能力，是MES的新升级。

随着MES等生产制造信息化的普及，面向制造业数字化、网络化、智能化的浪潮下，工业互联网平台应运而生。工业互联网构建了基于海量数据采集、汇聚、分析的服务体系，支撑制造资源泛在连接、弹性供给、高效配置。

其主要包括以数据采集为核心的边缘层；以大数据处理、人工智能分析为代表的平台层，也是工业互联网的核心操作系统；以不同行业和场景的工业 SaaS 和 APP 应用为代表的应用层。

在传统企业管理和生产系统中，主要由企业层 ERP、车间层 MES、单元层 PCS、设备层构成，其中传统 MES 与工业互联网平台的界限逐步模糊，海量的生产设备成为 IOT 节点，上传数据至工业互联网平台，通过大数据和 AI分析不断提升生产效率。

工业互联网平台由信息化到智能化， 共有三个层次：

层次一：基于平台的信息化应用，实现“连接+数据可视化”。

传统的泛生产制造和企业管理类软件，如MES、ERP、CRM等在上云过程中广泛应用，其中以MES为代表的生产监控分析领域是重点。这类应用实现数据汇聚和可视化，方便管理者了解企业经营状态。

层次二：基于平台大数据能力的深度优化，实现“模型+深度数据分析”。

在设备运维、产品后服务、能耗管理、质量管控、工艺调优等场景获得大量应用，并取得较为显著的经济效益。如青岛纺织机械厂依托海尔COSMOPlat平台，通过数据分析实现设备远程运维，每年可节省96万元，宕机时长从每次的三天缩短为一天，可降低直接损失64万/次。

层次三：基于平台协同能力的资源调配和模式创新，实现产业链资源整合和生产能力交易。

如智能云科依托iSESOL平台开放共享自身生产力，提高闲置设备的利用率，目前已对24000台机床提供超过533万小时的交易共享服务。各层次 平台应用的开发复杂性，及优化成效与收益回报，造成了当前工业互联网应用的主要结构。

数据是平台的核心资产，也是价值创造的源泉，大数据的AI 分析能直观提升生产效率、降低能耗成本等，因此资产管理服务和生产过程管控占比共达到60%-70%，是工业场景的热门方向。另一方面，工业机理最复杂的数字化仿真、工艺设计等，应用案例较少。

工业互联网平台应用丰富。

凭借海量的数据积累，以及智能分析，工业互联网平台可以提升生产设备的健康程度、优化生产过程的各个环节等。根据对国内外366个平台应用案例的分析，当前工业互联网平台应用主要集中于设备管理服务、生产过程管控与企业运营管理三大类场景，占比分别达到38%、28%和18%。

相比国外平台，其依托大数据开展重点应用已较为普遍，如设备健康管理、产品远程运维已可达到预测水平。因此我国工业互联网平台的应用仍待进一步升级，未来空间广阔。

综上所述，终极智能制造是一个从 IOT、大数据、AI、工业互联网平台逐步上台阶的过程，不同阶段均需要相应平台来实现，人工智能即是终极目标，也是各个环节必要的支撑技术。

IOT平台阶段：对接生产环节海量的IOT设备，并获取数据，进行初步分析。在边缘侧，AI 在语音、机器视觉等多个领域获取数据，提升人机交互效率。

同时，边缘设备进一步向智能升级。例如，航天云网基于INDICS工业互联网平台打造口罩生产边缘智能一体机，实现车间级的生产闭环，口罩日产能达到10万只，帮助企业快速组织生产。

大数据平台阶段：实现生产环节的数据可视化，对数据进行模型建立，并进行分析和预测。AI在数据清洗和训练上展现价值，寻找最优的生产工艺、参数等。

例如TCL格创东智针对液晶面板的成膜工序，通过机器学习算法实现了关键指标的预测与品质优化，年收益达到近千万元。

AI工业应用智能平台：形成对生产的预测，并自适应调整生产系统。通过工业大数据分析，AI能够预测生产中的问题，并根据外部变化自适应调整生产系统，真正实现无人化的智能制造。

例如， AI在制造上的灵活性帮助企业构建知识图谱和专家系统，为企业提供战略方案选择，西门子、IBM、华为等公司通过构建供应链知识图谱，提高供应链风险管理效率。自适应的AI生产是制造业终极 生产是制造业终极目标，大数据和 ，大数据和AI 仍是当前攻坚阶段。

案例一：宝信软件打造钢铁行业“灯塔工厂” 宝信是钢铁行业 MES 龙头。

宝信软件始于1978年宝钢股份的自动化部，以钢铁行业信息化和自动化业务起家，其中MES系统在钢铁市场占有率超过50%，并逐步扩展到化工、医药等领域。公司凭借以MES为核心的产品战略，成功跃升为工业互联网第一梯队。

宝信正式推出xIn³Plat工业互联网平台。2020年12月，中国宝武及宝信软件工业互联网基础设施的核心——xIn³Plat平台正式推出。宝信软件早在2015年就成立了工业4.0项目部，xIn³Plat 平台标志着我国钢铁行业数智化体系变革迈出重要一步。

目前 xIn³Plat工业互联网平台拥有注册企业用户14万家、已连接352万台设备、开发3895个云化软件和工业APP、创造经济效益累计达到26.08亿元。xIn³Plat 平台一经发布，立刻入选国家工信部公示2020年跨领域跨行业工业互联网平台，成为2020年新增 5 家之一。

xIn³Plat平台依托于大数据、人工智能、智能装备、集控、工业网络安全、移动物联、虚拟制造等七大核心技术，通过打造满足智慧制造应用场景的 iPlat 和满足智慧服务应用场景的ePlat两大平台，帮助企业实现能力服务化、业务数字化、企业平台化、管理智能化的企业智数化时代“新四化”转型。

ePlat定位智慧服务。ePlat平台具备平台化、中台化、生态化的特点，是产业生态圈的信息基础设施。其强化业务微服务化、应用和数据中台化的能力复用设计思想，打通业务烟囱和数据竖井，实现互联互通、业务敏捷、数据智能。

iPlat定位智慧制造。iPlat平台具备数字化、网络化、智能化的特点，围绕“数据”核心要素，构建工厂边缘级的数字化中心，实现泛在连接、互联互通和数据融合。

宝钢股份上海基地工厂成为唯一入选“灯塔工厂”的中国钢铁行业代表。宝信xIn³Plat 工业互联网平台虽然推出并未很久，但是其在体系内打磨和应用已经多年，且取得了较好的成绩，如宝钢股份生产运行中心、鄂城钢铁操业集控中心、中国宝武高炉互联智控平台等。其中，宝钢股份在上海宝山基地的冷轧热镀锌智能车间，成功入选世界经济论坛发布的“灯塔工厂”名单。“灯塔工厂”网络是全球先进制造领域最具影响力的评选之一，此次评选中，宝钢股份上海基地的五个智慧制造项目获评“灯塔工厂”最佳实践案例，覆盖智慧计划、智慧生产、智慧设备管理、智慧质量管理和智慧物流五大模块。该厂房引入多项技术，为生产了带来了大量积极影响。宝信打造智能工厂，有望率先在钢铁行业广泛复制。

除此之外，宝信还通过宝信工业互联网平台实现产品质量优化。比如，钢材成品卷的表面质量是最重要的质量指标之一，宝钢通过宝信工业互联网平台，实现了表检仪实时分析。宝信将生产缺陷以图像形式上传至平台，通过图像库的机器学习，形成了缺陷等级的分类器，最后将数据传送到现场的边缘服务器上，可以实现快速检测，大幅减少人力投入。

案例二：用友以云化打造智能制造生态

ERP生态助力用友在工业互联网领域突破。

用友于2017年8月发布精智｜用友工业互联网平台。用友精智平台融合了各种企业互联网化基础技术支撑层，以连接、适配、解析、存储、清洗、分析等技术为重点，可连接工业企业设备、应用系统、操作人员等，实现本地资源上云。

ERP 是企业管理软件的核心，用友以此为基础，工业互联网能与多类SaaS企业服务产品打通。目前用友工业云服务的核心包括设计云、制造云、服务云，同时已支撑的企业云服务超过1000 个，提供了300多个应用组件、 50多个应用开发框架，能够支持百56万级用户并发、千万用户在线操作。

用友精智平台助力实现网络协同制造。

以家电制造业企业万和新电气为例，传统ERP系统存在大量信息孤岛问题，通过精智平台，实现事业部、生产基地的信息互联互通，同时与上百家经销商、供应商、物流商实现产业协同。公司实现了每月150万条数据的采集、归档、分析，极大提升数据利用价值。

因此，公司整体效率提升30%以上，产品交付周期缩短20%。销售收入由30亿增长到 40亿，同比增长33%，原材料库存由6700万减少到5200万，同比下降22.3% ，取得明显经济效益。

工业信息安全是智能制造下的刚需

工控安全事件频出，智能制造转型安全当先

工业互联网的应用同样引入安全风险，工业安全事件直接影响国计民生。伴随着工业制造流程逐步自动化、数字化、网络化、智能化的进步，面向电力、能源、水利、汽车等各类工业系统的网络攻击也越来越多。

相比于传统的办公IT网络，工业系统承载着国计民生的关键电力、生产、运输等多个环节，其被攻击会给全社会带来极其严重的后果，造成国家风险。

2010年伊朗核设施铀浓缩离心机的西门子控制系统遭到“震网”病毒攻击，给全球造成了极大的不可控风险；而近年来全球各类工业系统安全事件频出，也让世界认识到工业信息安全是工业互联网建设的重要保障。

根据东北大学“谛听”团队监测数据，我国暴露在互联网的工控设备数量排名已由2018年的全球第六名跃至2019年的第三名，我国工控安全态势仍然很严峻。因此，我国在强调掌握核心技术的同时，持续强调“工业互联网+安全生产”。

政策重点推动“工业互联网+安全生产“，以大数据为核心的工控态势感知为建设

2020年10月，工业和信息化部、应急管理部共同印发《“工业互联网+安全生产”行动计划（2021-2023 年）》，强调增强工业安全生产的感知、监测、预警、处置和评估能力，加速安全生产从静态分析向动态感知、事后应急向事前预防、单点防控向全局联防的转变，提升工业生产本质安全水平。

随着信息安全领域，大数据和AI技术的逐步普及，也形成了态势感知类的全面安全方案，在工业体系里同样可以适用。该政策要求到2023年底，工业互联网与安全生产协同推进发展格局基本形成，一批重点行业工业互联网安全生产监管平台建成运行，“工业互联网+安全生产”快速感知、实时监测、超前预警、联动处置、系统评估等新型能力体系基本形成。

大数据和工控安全体系开始建设，大数据和AI助力全面工业态势感知

工业互联网安全与生产系统相结合。 工厂智能化的提升，让工业控制系统由封闭走向开放，生产网、办公网与互联网互联互通，均提升了网络的复杂性和风险性。

针对不同的工业系统对象，需要不同的安全防护措施，主要涵盖设备、控制、网络、应用、数据五大重点。

设备层包括传感器、仪器仪表、机器人、生产系统等各类终端；控制层包括各类交互协议，控制软件等；网络层包括工厂内部和外部的网络；

应用层包括工业互联网平台本身，及各类工业应用的安全；数据层包括各个数据交互环节的采集、传输、存储、处理等。

在政策推动下，安全开始与工业互联网同步建设，解决方案也开始由单品单点问题解决，逐步向大数据和 AI 的整体安全态势感知过度。

工业安全市场热度渐起，态势感知建设成为重点。

工业互联网建设也带动了安全市场的兴起，根据工信部数据，我国工业互联网安全产业存量规模已经由2017年的13.4亿元增长至2019年的27.2亿元，年复合增长率高达 42.3%。

技术上，生产系统全面互联互通后，大量终端设备需要管控、各个网络需要安全监测、生产过程需要审计和数据采集、各类工控系统资产需要统一管理。整个体系面临的安全威胁更加复杂，因此单一技术无法解决问题，需要将传统IT检测技术和工业OT检测技术有机结合，利用大数据和AI技术实现全面态势感知。

例如，在厂区内部署工业安全监测系统（ISD），对工业网络中的IT和OT流量进行综合实时的监控，在集团总部部署工业安全监测控制平台（ISDC）。通过将各厂区的监测结果实时上报集团总部，实现全面的数据汇总、统一监测、集中分析。

通过大数据为核心，结合AI和威胁情报分析，可以规避掉单点盲区，实现更精准的威胁发现、主动防御，达到更智能化的工业系统安全运营。

风险提示

疫情加剧，影响制造业升级投资。

智能制造方案落地不及预期。

感谢您关注，了解每日最新行业研究报告！

——————————————————————————

报告内容属于原作者，仅供学习！

作者：国信证券 熊莉 于威业 库宏垚 朱松

更多最新行业研报来自：【远瞻智库官网】