一、趨勢：撥云見日

1、數智化轉型

數智化，包括了數字化與智能化；其中數字化是基礎，智能化是目標。

數智化帶來的價值主要包括兩個部分：

• 一個是大型工業企業普遍關注的降本增效，能給企業帶來實際的、可衡量的收益。
• 另一個是為用戶提供創新體驗，數智化具備提供給用戶“從無到有”這樣全新體驗的能力。

數智化的實踐方向為，將企業核心從物理世界為主、信息系統為輔的形態，轉換為數字世界為主、線下環節為輔的形態，即數字原生企業。

具體的實施路線是要將數據作為企業核心生產要素和戰略資源，實現數據資產化和數據經營化。并且通過全鏈路全要素數據打通，實現對全生命周期的產品、流程和服務進行數智化管理，并實現數據的實時分析和應用，從而為企業帶來更高的生產效率、更低的成本，從而為客戶帶來更好的體驗。

2、智能網聯汽車

智能網聯汽車（Intelligent Connected Vehicle，ICV）這一概念是由“智能化”和“網聯化”這兩個概念組成的。其中，“智能化”是目標，“網聯化”是手段與前提。

“智能化”不是簡單的有和無，而是涵蓋從數據監控到安全舒適、節能、高效行駛，再到智能駕駛、智能出行，是一個量變的過程；其中每一項技術都會隨著時間推移逐漸變化和完善，同樣也是個量變的過程。

“智能化”每個階段的突破都對“網聯化”有著更高的要求，如搭載更先進的車載傳感器、控制器、執行器等裝置，以及融合更先進、更高效的通信技術與數據分析處理技術；因此，“智能化”需要以“網聯化”作為基礎。

3、智能網聯汽車數智化轉型

具體到智能網聯汽車行業的數智化轉型，有以下幾點體會：

• 討論智能網聯汽車數智化轉型，不能局限于車聯網的搭建，而是要著眼于更高的維度。車聯網更多是強調服務和運維階段，而車輛的生產制造階段也需要通過智能化手段去關注，甚至要更進一步考慮生產制造數據與車聯網運營數據的聯合。
• 要從車輛生產制造、營銷服務全流程到企業經營層進行全面思考，包括如何在技術體系、組織關系上對轉型提供有效的支撐。

上圖中可以看出，對于智能網聯汽車數智化轉型的應用平臺，相對通用的能力主要是私有云的基礎能力，包括私有云基礎設施、應用運維中心、安全保障中心的建設能力等；在私有云能力的基礎上，深入著手落實卓越的數據平臺，統一數據標準和數據定義，以及數據原生組織協作機制等，最終形成統一能力開放平臺，賦能用戶創新，實現企業價值。

二、價值：日月長新

1、車聯網賦能全面升級售后服務體驗

• 為客戶提供更加個性化、定制化的售后服務，包括車輛駕控功能服務、車輛后市場服務、出行服務、生態服務等，讓車輛的售賣和維保不是價值呈現的終點，同時提高客戶忠誠度并增強車企品牌形象與競爭力。
• 借助全周期數字化運維平臺，將場景數據、車輛數據等回傳信息處理整合分發至數據需方。
• 數據需方包括整車廠研發部門、4S店運維部門、第三方服務部門等。
• 各數據需方基于各自領域的算法和應用為客戶提供數字化服務，共同組成數字生態，完成客戶的體驗升級。

2、車輛行駛過程與運行模式分析

• 車聯網數據分析的基礎是車輛狀態的判定，如按靜置、充電、行駛等狀態分段，大量的后續算法依賴于此。
• 而車輛行駛狀態的判定需要逐行、前后行的數據變化判定，這依賴于面向過程語言的分析。
• 車聯網海量數據分析的難點是如何將面向單車的、面向過程的算法應用于所有待分析的車輛且分析過程高效。

上表列出車輛行駛過程部分關鍵變量，以及核心的預警邏輯，用來判斷典型的故障預警，包括充放電過程預警、溫度預警、SOC預警等；并將核心預警邏輯從算法中被剝離出來，形成智能巡檢，將算法結果推送給運維人員。

3、基于機理與大數據的車輛故障預測性維護

• 預測性維護是技術方向，也是服務理念，其價值即包含顯性的降本增效，也包含隱性的客戶滿意度。
• 基于融合車輛設計階段、試驗階段的數據平臺。通過機理與大數據技術的結合，將其理論建模與實際數據相結合，針對關鍵部件部署預測性維護算法。
• 分析不同的工況下的數據表現，在部件發生故障前定位問題，提前介入維護，降低整體風險與成本。
• 提高車主對信息的掌控度，讓車主更自由的安排維修保養，把客戶滿意度提升到新的維度。

4、預測性維護常見技術路線——機理+大數據

以一個人為例，一個人在100米跑、1公里跑、20公里跑的狀態下，以及在安靜狀態、吃飯狀態、睡眠狀態下，都會有各項的指標。以心跳為例，傳統的指標是定義一個固定的閾值（比如170或180這樣的數值）作為上限，測量數值一旦達到上限就報警，這是最基本的閾值管理；然而實際上，如果一個人在睡眠狀態下心跳達到了100甚至110，就可以判斷其狀態不正常了，而這個是傳統閾值所檢測不到的。

回到上圖汽車的例子，旋轉軸承的偏心是其中的一個測量變量，如果使用單閾值的方式，那就只會在軸承偏心超過一定閾值的情況下報警；而如果將偏心結合壓力、速度、溫度等因素綜合考慮，在一定的狀態下，當其他取值在一定范圍內而偏心過高的情況下，軸承就已經存在問題，這種方法比通過單一閾值的方法能夠更早地發現問題，從而更早地介入處理，間接節省了部件的成本。

因此，預測性維護的主要技術方式是：

• 基于數字孿生的預測性維護=異常識別（預測模型）+故障推導（故障機理）。
• 收集豐富工況下物理對象的狀態矩陣，并將它們匯聚成基準狀態空間，即為數據驅動的數字孿生模型。
• 此模型能夠根據當前工況，預測出這個工況下狀態“應該”是怎么樣的，通過它與現實狀態的偏差識別異常。
• 根據異常指標的組合，結合專家知識，判定可能的異常根因和應對方法。

5、基于生產工序數據的準確溯源追溯

生產制造領域，最核心的一點是對生產數據進行準確的溯源追溯。

• 提升車企的品牌信譽和消費者信任度，降低企業的召回風險和成本，提高效率和運營管理水平，實現可持續發展。
• 由于不確定哪些產品和原料會在未來產生問題，因此在部署追溯系統的過程中，不能是特定產品與原料的簡單覆蓋。
• 通過全量生產數據接入與高效的關聯分析，讓追溯達到對生產環節的“人、機、物、料、法、環”更全面的覆蓋效果。

通過溯源追溯，把整個生產工序中包括原料、工序、成品等每個環節的輸入和輸出串聯起來，不僅可以實現故障的溯源追溯，更重要地是實現更全面的全生命周期管理。

6、業財融合與生產過程監控

業財融合與生產過程監控的意義在于：

• 通過融合采購、工廠運營、人力資源與生產制造數據，建立業財融合體系，實現業務與財務視角的統一。
• 讓生產制造運營者可以及時發現并解決產線各類問題根因確保產能，直觀透明的成本投入產出呈現為降本指明了方向。
• 通過實時匯聚各生產執行系統數據并與歷史進行對比，強化生產過程流程監控，優化信息化系統的接口和對接，建立可視化可追蹤、高度柔性的生產過程監控，解決生產執行中的異常無法及時發現，影響生產效率等實際問題。

7、基于產品指標的工藝優化

通過前后工序的關聯整合，分析生產過程中同一類設備在某一工序各項指標的歷史表現，通過現象促使我們追溯機理，進而實現基于產品指標的工藝優化：

• 基于各生產基地、前后工序的數據互聯互通與匯聚融合。
• 通過對產品生產制造前后相關工序的工藝參數與對應產品的檢測指標數據進行批量分析。
• 洞察過程控制指數的同時，可以在頂層視角發現潛在的關聯關系與規律，如車身沖壓、焊接參數對總裝的影響。
• 進一步地，通過生產工藝參數與產品運維階段數據的批量聯合分析，找尋潛在關聯。
• 從實際的產品數據表現找到可信的工藝參數優化方向。

以下圖為例，也許設備的數據在單一維度下的觀測值（均值、方差、離散系數、箱線圖等）并不“突出”，但是當統計維度發生變化，通過“類比”可以發現設備的異常：

首先基于其中一套工序的SN，通過裝配關系表將其遞歸到另一套工序的SN；然后通過另一套工序或設備進行分組統計后續工序中的整體表現，這樣可以得到在前序工序下不同設備、不同工藝參數選擇對后續帶來的影響。

三、痛點：知易行難

1、頂層痛點：理念難統一，價值難量化

企業轉型升級的愿景是美好的，但現實的道路卻荊棘密布。根據麥肯錫對全球800多家傳統企業的數字化轉型調研，大約70%的企業停留在轉型試點階段，無法實現價值和競爭力的突破。轉型階段性成功的更是少之又少。

• 缺少合理的頂層設計，點狀應用難以集成。
• 數據基礎差，制約智能化創新。
• 技術應用難以突破試點。

數智化轉型其本質的難點在于其價值鏈過長：沒有一個老板不支持數智化轉型，但沒有?個老板無條件支持數智化轉型。因此，好的轉型既要高瞻遠矚，又要腳踏實地；既要短期有效果，又要長期有視野。

2、底層痛點：缺乏適用于數智化轉型的數據基礎設施

上述痛點具體到工業行業，主要的現狀在于缺乏適用于數智化轉型的數據基礎設施：

（1）業務單元和應用場景多樣：

研發中心、售后診斷、報警預警、數字汽車、電子圍欄、駕駛行為分析、電耗分析、充放電分析、駕駛循環等各個部門都對數據有需求，且需求各不相同。

（2）數據量大指標多：

• 生產溯源數據隨產量和時間膨脹，傳統平臺觸達存儲計算瓶頸；
• 車機信號可達每天幾十億條，指標從幾百到幾千，寫入量大，容易延遲。

（3）采集和上報頻率多樣：

固定采集和變化采集，實時上報和延遲上報，延遲上報時間不可控。

（4）數據類型與數據分析多樣：

車機、埋點、GPS等數據，涉及時序、文本、JSON、地理位置等類型數據。

（5）數據處理、分析效率低：

膠水代碼泛濫，執行緩慢，影響判斷時效，影響迭代進程。

具體到架構實現角度看，數據往往通過消息中間件進入系統，進而通過Hadoop體系進入HBase、Flink、MySQL、ES等架構。然而，不同的組件、不同的技術棧會帶來很大的數據遷移成本以及運維成本，導致整個過程效率低下：

• 數據接入慢，數據遷移難。
• 技術棧膨脹，開發迭代慢。

四、方案：滴水石穿

1、制造服務融合數字化轉型架構

智能網聯汽車數智化轉型中所產生的價值，依然可以從職能上劃分各自領域，但具體的實現已經離不開業務間的數據融合，融合甚至跨越制造與服務的界限，貫穿整個鏈路。與其說數據孕育智能，不如說信息融合孕育智能。因此，信息的交互不僅僅需要簡單的數據互通，其數量、質量、分布、多樣性、標簽缺?不可。數據標準，數據質量的作用不容忽視。

如上圖所示，生產制造大數據平臺和車聯網大數據平臺基于統一的數據基座進行多源異構數據的交互和融合。

生產制造大數據平臺的數據主要來自MES系統，上層基于MES系統中各地各類業務數據、設備指標數據、設備狀態數據以及生產過程數據，完成產品溯源、業財融合、供應商管理、預測性維護等業務。

而車聯網大數據平臺內部基于服務器內置的數據回傳模塊（T-Box），實現客戶關系管理以及邊緣數據落地等功能，最終完成數字化營銷、產品運營與健康管理、智能網聯汽車預測性維護等業務。

（1）車企智能制造頂層數智架構

如上圖所示，各地各業務數據建立本地MES系統，包括生產運營系統、運籌執行系統、全面運營管理等，在邊緣數倉完成本地業務的處理；各邊緣數倉的數據回傳匯聚至總部數據平臺，由總部統一提供各類應用能力；邊緣端也具備應用能力，但僅限本地數據。

（2）智能網聯汽車頂層數智架構

車聯網的底層架構不同于智能制造，因為車聯網數據是存儲至大數據集群的。通過數據網關，通過Kafka或對象存儲，再經過消費程序進行必要的數據清洗，然后進行負載均衡處理并入庫，最終匯聚到大數據集群中。

經過以上一套流程，數據全部存儲至數據庫中；上層應用首先基于各項業務，從操控、使用、性能、用戶行為、環境、工況等各個維度進行特征提取，從各自視角構建數據明細層，供上層算法分析使用。

算法分析包括以下三大類算法：

• 指標探索：對數據指標進行最新值查詢、窗口回溯、聚合計算等操作、或者基于幾個指標的函數進行業務指標的二次開發，通過 API 對外提供接口服務；例如：最新值、峰值、峰值差、跳變，聚合等等；
• 數字汽車：為每輛車進行數字孿生建模，記錄每輛車的全量數據并進行統計分析，勾勒出用戶的通行習慣，創建用畫像，如：互聯網日常通勤族、接送孩子的家庭用戶等等標簽，為個性化的用戶服務提供支撐；
• 報表分析：提供日常經營報表分析，并為數據科學家提供平臺，實現算法建模，面向全量運營車輛分析發掘共性問題，以數據驅動整體運營效率。

更上層的業務應用包括售后服務、行為預警、軌跡查詢、車險優化、充電樁選址等業務。

（3）適合數智化轉型的人員組織架構調整，位置決定視角

下面分享一個華為數據之道中采用的數字化的架構。

①數據 Owner

公司級：

• CDO(首席數字官)

領域級：

• 實線匯報質量運營部
• 虛線匯報公司級數據 Owner

②數據管理部

公司級：

• 實線匯報質量與流程IT管理部
• 虛線匯報公司級數據 Owner

領域級：

• 實線匯報業務領域 GPO
• 虛線匯報公司數據管理部

內部角色：

• 信息架構工程師
• 數據治理工程師
• 數據平臺工程師
• 數據分析師
• 數據科學家

上述架構的一個特點是：有專門的數據owner和數據管理部。上述架構僅供參考，不一定每個企業都要照搬上述架構，而是需要思考：在實際數字化轉型過程中，部門間的協作有沒有因為企業架構而帶來阻礙？如果有，就需要做出改變。

2、統一數據標準與模型，統一數字“語言”

（1）數據標準：確保數據一致的關鍵

如上圖中左表所示，不同的部門對同一客觀事物的描述用詞會存在差異性，因此存入數據庫就會出現不同的字段，這樣會給后期聯合分析帶來極大的麻煩；因此，制定企業內部的數據標準，是確保數據一致的關鍵。

（2）數據模型：對數據和關系的描述

除了構建統一的數據標準，還需要構建數據模型，從數據視角對現實世界進行特征的模擬和抽象，根據業務需求抽取信息的主要特征，反映業務信息（對象）之間的關聯信息，實現對數據和關系的描述。

以一臺車為例，在這套數據模型體系下，通過車輛編號、地理位置、客戶信息、制造數據、運營數據等維度將這輛車的整體信息描述出來，這是實現將生產、制造和運維階段的數據進行融合的基礎。

3、卓越數據基座，滿足海量數據存儲、計算、分析與融合

第三個基礎是構建卓越的數據基座，要滿足以下能力：

• 海量數據接入能力
• 各類數據場景處理能力
• 實時計算能力
• 高效執行可預計的批量任務
• 不可預計的臨時任務開發方便
• 豐富的數據分析方法支持
• 標準開發語言，低門檻，可傳承
• 安全穩定的數據服務

4、YMatrix 超融合數據庫

傳統的數據架構類似“搭積木”，結構復雜，不易維護；四維縱橫自研產品——YMatrix 超融合數據，基于多核數據庫技術，使用一款數據庫支持幾乎所有數據類型的所有操作，可實現時序明細、最新值、關聯查詢、實時分析、離線分析等功能，大大提高了數據的查詢分析效率。

5、YMatrix超融合數據庫架構

YMatrix數據庫支持所有存儲類型的所有操作，外圍工作（Dirty Job）只需完成?次，不斷迭代。

下圖是YMatrix超融合數據庫的整體架構，將車輛制造數據和運行數據接入到系統中，系統通過多模引擎支撐不同的數據類型和不同的數據操作方式，內建python、SQL、C等不同分析語言，通過接口支撐前端開發應用和數字化應用。

6、性能卓越、分析高效，快速實現數據洞察

下面以幾個例子來說明YMatrix的性能：

• YMatrix TPCH數倉性能為 HIVE 的26.7倍。
• YMatrix 的TPCB測試并發性能超 150 萬 TPS。
• YMatrix SSB 性能優于 ClickHouse 30%以上。

7、SQL 內建面向分析與查詢，計算貼近數據

對于車聯網分析這一應用場景下，使用面向過程的語言，將一輛汽車的分析流程應用到海量汽車上，主要方法是將python代碼注冊到數據庫內成為數據庫的內置函數，進而通過SQL的方式調用實現這部分功能，利用服務器資源實現多臺設備的并行分析，相較于傳統的方式會更加高效。

數據庫的內置函數主要支持以下兩種：

（1）Python/R/Java

• 應用Python/R/Java代碼原地處理庫內海量數據，大量函數庫支持，Pandas、Numpy等。

（2）TensorFlow/機器學習

• 使用主流AI庫對數據庫內部海量數據原地訓練和分析。
• 監督學習、無監督學習、統計分析、圖計算等。