数字化底层困惑 | 数据采集怎么做？

　　近日，工信部《工业互联网创新发展行动计划（2021-2023年）》提出到2023年，工业互联网新型基础设施建设量质并进，新模式、新业态大范围推广，产业综合实力显著提升。

　　在政策层面，工业互联网政策不断落地，事实上，到了企业层面，工业互联网应用却是另一番景象。先来看两个数据，德勤《人工智能制造业应用调查》数据显示，尽管制造型企业实施人工智能项目的不在少数，仅有9%实施企业认为项目达到他们预期的80-100%；两会期间，徐晓兰结合前期调研数据表示，我国目前尚未完成基础的设备数字化改造的企业超过55%。

　　尤其对于中小型企业来说，数据成为他们转型升级第一步的难题。纵观各种工业软件，比如生产制造环节使用的MES系统，管理产品全生命周期使用的PLM系统，销售服务环节使用的CRM系统，他们的基础步骤都是从数据开始的。无论是什么样的数字化系统，数据化是基础，形成数据闭环流转是关键。而这些是需要建立在被有效采集、传输、存储和分析的数据之上的。

　　其实，企业数字化多注重软件体系的打造，往往忽视了硬件设施，而这恰恰是关系到数据来源的重要步骤。尤其是制造型企业，大量数据来自于设备层，数据采集更是关键。而这一数据采集过程包括设备、感知设备、传输网络、人工智能、工业大数据和云计算。

　　在设备层，我们首先考虑的是哪些设备的什么数据需要采集。而这一部分，涉及到企业数字化的整体的规划、体系的建设。根据企业数字化实际目标调整确定我们是需要采集设备的运行信息以支持设备管理和运维系统，还是需要采集设备的启停、稼动率来支持生产质量管理系统等等。

　　然后是感知设备层，当我们明白我们需要什么数据，我们便可以根据实际需求选择不同的感知设备了。比如通过传感器、摄像头和其他智能终端数采模块来采集信号、视频、图片等不同的数据。当我们采集到了设备数据，需要通过网络来传输到计算机、云平台或者是边缘计算设备。目前常见的企业通讯网络是4G、工业以太网或者是WIFI等等。然而考虑到设备层每天产生的数据数量庞大，网络的成本、速率、覆盖范围、寿命等等都是需要企业注意衡量的。其中LoRa凭借它的灵敏度（-148dbm）、抗干扰能力、距离和成本等优势成为不少企业的选择。

　　除此以外，为了提高数据质量，我们获得原始数据之后，通常会进行数据清洗，比如删除重复信息、纠正存在错误信息、识别残缺信息等方法过滤不符合要求的数据。如果更进一步，我们还可以根据需求进行特征提取、特征选择等数据分析处理，让数据可以更好地为我们所用。

　　步子太大容易扭到腰。沉下心来，以问题为向导，从数据采集开始，一步步构建扎实的数字化转型底座，实现渐进式转型。