博客
关于我
工业互联网的两种极端想法和两点反思
阅读量:442 次
发布时间:2019-03-06

本文共 1088 字,大约阅读时间需要 3 分钟。

最近走访企业的思考与反思

在过去的几个月里,我走访了多个行业的企业,包括军工、特钢、有色、加工制造(如海洋钻井平台)、建材、纺织等。与这些企业的交流让我发现一个普遍现象:他们往往过分强调自己行业的特殊性和难度,而轻视其他行业。这是人之常情,但这种现象也可能成为行业或企业无法持续发展的原因。

在与这些生产制造型企业的交流中,我深刻体会到一个关键问题:尽管他们拥有一定的生产过程控制系统(如PLC、SCADA)和ERP系统,但这些系统往往只是单一的财务或生产数据管理工具,缺乏整体的信息和业务系统支持。工业物联网、工业大数据等概念虽然被提及,但实际应用中仍然面临着数据采集、建模、分析等方面的诸多挑战。

两种极端想法

在与企业的沟通中,两种极端想法经常出现:

  • 过分依赖“工业互联网系统”

    这种想法带有强烈的情怀,但缺乏实际路径。许多服务商希望通过一套系统即刻解决企业的核心问题,但现实是企业的数字化转型需要长期规划和系统性实施。就像Office办公工具并未真正解决企业的核心问题一样,生产制造企业的数字化转型同样需要从基础的数据采集和分析做起。

  • 忽视系统化发展

    如果企业领导人持有“数据都在那里,系统也没必要复杂”这种想法,那么合作的空间就非常有限。消除信息孤岛、实现不同部门和系统的协同工作,需要超越单一技术思维,转而采用系统化、全方位的解决方案。

  • 两点反思

    通过近半年的跨行业交流和项目实施,我有以下两点反思:

  • “工业互联网”是否需要包含控制系统?

    从技术角度来看,工业互联网的核心始于控制系统,终于控制系统。无论是L1到L5级别的控制系统,还是专家系统、供应链管理系统、设备管理系统等,最终都为生产服务。因此,工业互联网的实现路径必须与底层控制系统紧密结合,确保上下行链路的畅通和数据的及时传递。

  • IT与OT的融合是否只是技术问题?

    这个问题让我逐渐意识到,IT与OT的融合首先是人员的融合。不同背景和思维模式的人共同参与项目,往往会产生目标不一致、沟通不畅的问题。因此,数字化转型不仅需要技术解决方案,更需要团队成员在思维模式上的统一和协作。

  • 总结

    通过这些思考和反思,我认识到企业的数字化转型是一个系统工程,需要从技术、组织、文化等多个维度进行综合考虑。只有将工业互联网与控制系统深度融合,才能真正实现生产过程的优化和智能化提升。同时,IT与OT的融合不仅是技术问题,更是人员协作和文化变革的过程。

    如果你对工业互联网的实现路径和数字化转型的实践感兴趣,欢迎加入我们的技术交流群:物联网大数据技术QQ群:54256083,或通过微信合作:wxzz0151和我深入探讨!

    转载地址:http://gyoyz.baihongyu.com/

    你可能感兴趣的文章
    OpenCV-Python接口、cv和cv2的性能比较
    查看>>
    opencv26-模板匹配
    查看>>
    opencv32-基于距离变换和分水岭的图像分割
    查看>>
    opencv5-图像混合
    查看>>
    opencv9-膨胀和腐蚀
    查看>>
    OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
    查看>>
    OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
    查看>>
    OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
    查看>>
    OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
    查看>>
    OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
    查看>>
    OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
    查看>>
    OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
    查看>>
    OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
    查看>>
    OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
    查看>>
    OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
    查看>>
    Opencv中KNN背景分割器
    查看>>
    OpenCV中基于已知相机方向的透视变形
    查看>>
    opencv之模糊处理
    查看>>
    opencv保存图片路径包含中文乱码解决方案
    查看>>