自德国2013年4月正式提出“工业4.0”战略迄今已两年有余，“工业4.0”在国内已得到了非常广泛的关注和讨论，很多优秀企业开始摩拳擦掌，开始制定和实施自己的“工业4.0战略”，这些如火如荼的景象凸显出未来创新产品智能制造领域的诱人前景。无独有偶，GE公司不久前宣布出售旗下包括GE Capital在内的非工业资产，将主要精力回归于高精尖的创新制造领域。这一切似乎都在佐证着一场以创新和数字化驱动的智能制造为核心的新工业革命正在向我们频频招手。

　　工业4.0离不开数据分析和应用

　　工业4.0的一个目标，是要实现从智慧工厂到智能生产的的建设和升级，前者重点研究智能化生产系统及过程以及网络化分布式的生产设施的实现，而后者涉及整个企业的生产物流管理、人机互动，3D打印以及先进制造技术在工业生产过程中的应用。一个普遍的共识是，要实现这一新的“工业革命”，基于“大数据”技术的数据挖掘和知识发现能力，将是其中最为重要的能力之一。而总体而言，制造业存储了远超过其他工业部门的数据，据不完全统计，从2010年以来的新产品数据就达到了接近2艾字节(216),这其中就包括大量的仪器仪表测量数据，供应链数据乃至产品全生命周期数据。对这些数据的分析和价值挖掘，是为创新和生产实践提供智能指导必须要完成的工作，将直接影响智能生产能够实现的程度。而几乎在所有剖析工业4.0的文献汇总，都着重强调了数据分析和知识发现的重要性。

　　制造业数据采集和分析领域的共性问题

　　工业4.0是多品种小批量创新产品高精度卓越质量的生产，而要实现这种“高精度卓越质量的生产”而言，对生产数据准确、及时的采集和分析无疑是不可或缺的。为了实现产品创新和高精度的质量控制，苹果和Intel这样的顶尖公司每年花费在数据分析软件上的费用是非常惊人的，而且在其员工的培训和考核体系上，数据分析能力也被作为一个重要的考量维度。在世界范围内，各个工业巨头在数据采集和分析领域的投资还在不断加码，而国内的绝大多数企业也正在掀起一场数据采集和分析利用的热潮。作为业内专业的质量大数据和智能制造解决方案供应商，QuAInS在2014年深入调研了数十家企业，发现不少企业已经开始增加在数据采集和分析领域的投资，但由于起步较晚，在这个领域还普遍存在着一些具有共性的重要问题。

　　目标不明确导致贪大求全

　　曾有专家呼吁“大数据”应该从“小应用”着手，即选取一到两个具体的领域开始数据采集和分析技术的应用，并随着时间和经验的积累逐步向相关的领域拓展。而有些企业一开始并没有选定这样的“小应用”，而是从尽量多的领域全面铺开，结果各部门疲于奔命，搜集了供应链、生产、质量、财务成本、ERP，售后服务等各个方面的数据组成了一个庞大的数据群，但却对如何应用这些数据来解决何种具体的问题并不明确，只是形成了一个价值相当有限的“数据堆”。比如江苏有一家企业，在这种情况下花近两年的时间集中了5个数据库的数据，各个团队为此耗费了巨大的精力和成本，但最终却因为应用目标不明确，项目迟迟不见收益而不了了之。

　　QuAInS质量大数据研究院资深专家Roger介绍说：由于国内大多数制造型企业本身并没有太多的数据分析和应用经验，有时候在对“小应用”还不明确的情况下为了赶“大数据”的“时髦”而匆匆上马一些项目，这样失败的风险就很大。其实，对制造业来说，精细化和质量是永恒不变的最重要的课题，企业完全可以从提高生产质量和流程能力、降低单位质量成本入手，收集和整合产品的质量数据以及‘生产这些质量’的过程数据并加以分析利用，这往往是一种能够比较快地见效和获得客户认可的路径。

　　手动采集数据，效率低下

　　QuAInS在调研中发现，不少企业虽然已经有了一定的数据积累的意识，但数据采集过程的过程仍然是半自动甚至依靠手工进行。在浙江一家精密零件生产企业的测量车间，工作人员在完成测量后，需要将测量结果用笔手动记录在一张事先打印好的表格中，然后由另外一位工作人员集中输入电脑;而对于一些比较智能的测量仪器如CMM，测量仪器自动输出的数据文件仍然以单独文件的形式分散存储在各台测量电脑中，需要手动拷贝转换才能实现数据规整，做一份简单的质量检验报告也需要大半天的时间。这种方式不仅效率低下，造成很大的人力成本损失，而且，数据的记录非常容易出错。Tommy作为测量车间的主管对此深有体会：有时花了好几个小时寻找异常测量值出现的原因，最后发现是因为在手动记录是写错了小数点位置所致。“一般而言，如果借助一些自动化的数据采集方式，企业花在数据采集方面的时间至少能节省80%以上，而且还能大幅降低出错的概率”。QuAInS数据采集方案高级经理Tommy解释说。

　　只有结果数据，没有过程数据

　　为了进行质量监控或制作质量报告，很多企业都对客户直接关心的各个质量指标的数据进行了收集整理，比如某个具体产品的同心度、尺寸、角度等等。从质量大数据应用的角度，如果企业仅仅是为了制作质量报告或实现实时的质量监控(比如实施SPC，需以数据的实时采集为前提)，这种做法是可行的。但是质量大数据的更多价值在于从数据中发现质量改进的空间和线索，并以此制定切实可行的持续改进方案，甚至是对将来一段时间的质量状况进行预测，这点和提倡“用数据说话”以减少流程波动的六西格玛质量管理在某种程度上有一定的异曲同工之处。如果没有PCB生产工程中的喷淋角度、压力、药水PH值等方面的数据，我们就很难得到到底是哪个因素主要造成了某个批次线宽的不良。

　　未以应用为导向进行数据规整

　　在对数据进行探索和分析之前，对数据的规整是必不可少的。数据规整不同于简单的数据数据获取和整合，比如我们从不同的数据库中得到了所需的数据(其中包括加工的温度数据)，但很可能我们还不能对之进行分析，原因是，在不同的问题研究场合，有时候我们可能需要将温度当做连续变量来处理，有时候却需要当成离散变量来使用，这个需要根据行业和工艺特点和具体需要分析和解决的问题来确定，但在相同的行业或同一个企业，这种处理又是相对固定的。因此，最好能够在数据获取的过程中就能够自动完成类似的数据规整，这样获得的数据才能够直接进行分析。

　　进行数据分析时无所适从

　　可喜的是，目前的确已经有一些企业能够围绕质量控制、改进和预测的主题进行一定的分析工作，特别是在一些高科技半导体行业这种情况已经比较常见。但工程师在进行这些分析工作时，除了前文中提及的数据规整的问题之外，往往还有更多的困惑：对于同一个数据分析问题而言，从初级的基本方法到高级的方法往往不止一种，工程师常常需要花很长时间才能摸索出一套对具体某个问题比较有效的分析方法和思路。

　　这一方面是因为工业统计方法的应用具有相当的专业性，不仅需要具备一定的统计学基础知识，还需要有相当的工程背景和数据分析经验;另一方面，目前常用的数据分析软件普遍只是提供各种数据分析方法，且使用起来也非常灵活，但在对具体问题应该采取何种方法的问题上，却并未能给出足够的建议，使得绝大多数并不具备足够工业统计背景的工程师感到无所适从。就像一个屋子有很多扇门，我们很难知道到底哪一扇门才是通往我们想去的房间的最佳通道一样。不过，从客观的角度，这些工具软件的灵活性本身是非常值得推崇的，只是目前国内大多数企业的在数据分析应用方面的实际水平与这种灵活性之间还有一定的差距。“我们着力研究的行业化解决方案，正式为了帮助国内的企业缩短学习时间”，Roger说。

　　诚然，上述种种问题，需要我们从知识积累，系统建设，人才培养等多个方面进行长期的改善。在中国经济“新常态”背景和工业4.0的美好愿景下，我们有更多的理由去迈开坚实的步伐，毕竟“世界这么大”，我们能抓住的机会却不多。