微信扫码下载
编辑推荐
如何以较低成本满足用户定制化的需求？如何使制造过程的信息透明化、更加高效、提升质量、降低成本和资源消耗和更有效的管理？
如何提供设备全生命周期的信息管理和服务，使设备的使用更加高效、节能、持久？
如何使人的工作更加简单，甚至部分代替人的工作，在提高生产效率的同事降低工作量？
如何实现全产业链的信息整合，使整个生产系统达到协同优化，增加生产系统变得更加动态和灵活，进一步提高生产效率和降低生产成本？
工业大数据则以分析这些问题为出发点，围绕它能够解决什么样的问题和为用户提供什么样的服务为价值。同时，工业大数据能够在横向与纵向环节的互联与在统一平台的信息共享，由此将资源利用与分析维度规模化、价值最大化，进而能够最大范围地面向各环节的用户进行应用服务的定制与按需分发，由此又可衍生出持续性服务共赢的模式。
内容简介
工业大数据是未来工业在全球市场竞争中发挥优势的关键。无论是德国工业4.0、美国工业互联网还是《中国制造2025》，各国制造业创新战略的实施基础都是工业大数据的搜集和特征分析，及以此为未来制造系统搭建的无忧环境。《工业大数据：工业4.0时代的工业转型与价值创造》基于工业4.0的时代背景，通过深入剖析未来工业的商业模式和智能服务体系的创新技术变革，论述如何通过工业大数据的分析和应用去预测需求、预测制造，整合产业链和价值链，发现用户的价值缺口，发现和管理不可见的问题，实现为用户提供定制化的产品和服务。作者简介
李杰教授，现任美国辛辛那提大学(Univ.ofCincinnati)讲座教授，美国国家科学基金会(NSF)智能维护系统（IMS）产学合作中心主任，目前的研究重点是以工业大数据分析为主的智能预测技术、产品及服务的主控式创新设计(DominantInnovation)。自2000年起他领导IMS与全球80多家国际公司（其中包括宝洁、英特尔、GE航空、波音、丰田、小松、西门子、阿尔斯通等世界500强公司）进行工业大数据技术联合研发，开发了世界领先的WatchdogAgent?智能维护系统技术，突破了传统机械设备故障预测的理论、方法和技术，被美国《财富》杂志誉为21世纪全球三大热门技术之一。李杰教授曾在美国NSF主管先进制造项目，并在美国联合技术研究中心(UTRC)担任产品开发与制造部总监。李杰教授从2013年起担任美国白宫信息物理系统（CPS）专家组顾问，他同时也是上海交通大学特聘讲座教授与先进产业技术研究院前瞻顾问。精彩书评
★工业大数据分析是制造业转型的重要基础。《工业大数据：工业4.0时代的工业转型与价值创造》集中阐述了企业如何以工业大数据为核心，如何进行大数据的分析，这些内容对于企业转型及客户价值创造都是很有价值的，值得一读。——宝钢集团有限公司党委书记、董事长徐乐江
★工业大数据分析是智能制造的基础，也是支撑未来制造智能化的重要方向。我们需要加强大数据方法论的研究，开发出可以用于制造过程分析的工具和使用软件，才能真正推动制造技术的进步。
——中国工程院院士、上海交通大学常务副校长林忠钦
★人类创新的目的是为了社会更加进步和文明，企业创新的目的是为顾客创造价值。李杰教授主导的创新思想与工业大数据分析工具，会帮助企业家在互联网大数据时代找到创新的路径和方法。
——红领集团董事长张代理
★未来工业大数据的分析是客户定制C2B的基础，也是中国企业实现“互联网+”的重要方向。李杰教授的主控式创新的新思维与工具是企业创新与价值创造的基础，对中国企业是非常好的指引。
——尚品宅配董事长李连柱
★李杰教授曾经走进三一集团，与我们共同交流工业4.0的体会，他凭借丰富的经验与实践，提出了以工业大数据为核心的工业价值创造体系，在众多的工业4.0论述中，独辟蹊径，让我们受益良多。
——三一集团总裁唐修国
★智能传感器与大数据分析是制造业要成为世界级领导者的根基。李教授的美国NSF智能维护产学合作中心所开发的工业大数据分析技术是工业4.0的核心技术，企业应努力学习。
——上银科技董事长卓永财
★《中国制造2025》强国梦的实现，必须依靠精益求精的品质与客户价值的创造。工业大数据分析是企业增强竞争力，使中国转变为“制造强国”的关键要素。
——制造业国际联盟主席王洪艳
★李杰教授提出的“6M+6C”智能体系设计，可以从理论与实践两方面精准地指引企业如何拥抱智能制造的新时代。他的新书将是企业家及各界人士迎接世界新一轮产业革命浪潮的指南。
——中国《福布斯》杂志执行主编康健
★以移动、互联、智能和共享为特征的“工业4.0”标志着制造业新纪元的开启，已成为我国相关产业转型升级、弯道超车的最好机遇，更为充满光明、无限美好的“中国梦”提供了难得的助力。
——中国船舶工业系统工程研究院院长张宏军
目录
认识工业4.0所需要的重要元素与概念推荐序一
推荐序二
推荐序三
前言工业4.0：一场不可见世界的竞争
第1章以价值创造为核心的工业转型新思维
1.1为什么有工业4.0？
1.2德国工业4.0与美国CPS战略计划
1.3以价值为导向的变革新思维
1.4“有之以为利，无之以为用”
1.5中国工业4.0的竞争力缺口
1.6探索适合中国工业4.0的转型之路
第2章工业4.0环境下的大数据价值创造体系
2.1工业4.0的大数据环境
2.2工业大数据和互联网大数据
2.3物联网的潜在危机
2.4挖掘工业大数据价值的核心技术——CPS
2.5“5C”：以CPS为核心的数据价值创造体系架构
2.6从数据到信息到价值的转化过程
2.7以数据价值创造为导向的CPS技术应用特征
2.8从CPS到工业4.0：制造的重新定位与新思维
第3章数据价值创造的设计与实践技术
3.1智能感知层：建立统一的数据环境（Connection）
3.2信息挖掘层：从数据到信息的分析过程（Conversion）
3.3网络层：网络化内容管理（Cyber）
3.4认知层：对信息的识别与决策（Cognition）
3.5配置层：系统的弹性和重构（Configuration）
第4章价值创造的商业模式设计
4.1寻找价值的“GAP”
4.2从创新到价值创造：主控式创新思维
4.3主控式创新工具
4.4手把手教你如何做“蛋白”
第5章案例与实践
5.1智能装备
5.2智能工厂
5.3智能服务
第6章竞争力战略新思维
结语
参考资料
译者介绍
美国智能维护系统(IMS)产学合作中心简介
精彩书摘
以数据价值创造为导向的CPS技术应用特征从CPS技术体系来看，核心在于以数据分析的能力创造新的价值，因此，这也决定了CPS技术的高移植性、高通用性，应用范围可以涉及工厂车间、运输系统、能源等各个行业。
从德国工业4.0的战略设计来看，德国更多的关注于制造领域的价值创造与智能转型，即注重以CPS中的CPPS（信息物理生产系统）为主导的智能制造，对于整个工业应用链的价值辐射面具有一定的局限性。
而实际上，以CPS为核心的数据价值创造体系应用于工业4.0，同样需要“二维”应用战略：
三个横向的应用基础：一是平台基础，即智能数据收集与平台运用；二是分析手段，即智能化的数据分析、管理、优化工具与软件应用；三是商业模式内核，即智能管理及服务体系的设计与应用。
三个纵向的应用扩展：一是基础的部件级应用；二是系统的装备级应用；三是成体系的应用链设计。
而上述二维应用战略可以用树木与树根的可见与不可见的关系来示意：图2-4CPS二维应用关系图
我们可以分别以智能装备、智能工厂与智能服务这三个方向来阐述CPS的应用过程：
1.智能装备——实现自省性、自比较性
对于智能装备的CPS应用设计，我们可以在网络层面上通过机器网络接口（CPI）进行网络健康分析的交互连接，这个从概念上类似于社交网络。一旦网络级基础设施到位，机器就可以注册到网络，通过网络接口交换信息。在这一点上，可以通过已经建立的一套算法跟踪机器状态的变化，从历史信息推断额外知识，应用对等比较，并将信息输出传递到下一层。这样，就必须制定新的方法来执行这些操作并产生相应的结果。这里引入“时间机器”的设计在网络层面执行分析，通过三个步骤实现一个智能装备的应用设计：
（1）数据切片管理：如图2-5所示，信息不断地从机器中输入网络空间，快照收集的任务就是以有效的方式管理输入数据，存储信息。基本上，机器的快照性能，是通过利用历史记录和维护记录来减少需要的硬盘空间和处理能力。一旦监测机器的状态发生重要变化时，这些快照才出现。这些变化可以定义为机器健康值的偶然变化，维护行为或者工作制度的改变。在机器的整个生命周期里，这些快照将被收集并用于构造特定状态点的时间机器的历史。这个当前的时间机器记录将被用来进行优点之间的对等比较。一旦这个优点失效或者被替代，其相关的时间机器记录将改变状态，从当前变为历史，并将用作相似性的识别和合成的参考。
（2）相似识别：在网络层面，对设备自身（以及相同设备）在不同运行模式和健康模式下的历史数据进行特征提取和建模，再利用该模型与当前状态产生的数据进行比较，就可以自动识别设备当前的健康状态，进而对设备进行风险评估和故障诊断。除此之外，单个设备还可以与设备集群中的同类设备进行比较，自动识别与自己工况模式相似的其他设备并进行聚类，在工况模式相同的条件下比较自身的性能与其他设备的差异性，这种自比较和自省性的能力是以往“机器对机器（Machine-to-Machine）”概念中所没有的。通过对当前设备运行的模式匹配以及健康模式随时间的变化轨迹分析，就能够更加准确地预测设备未来状态的变化，实现设备自预测性的能力。
（3）执行决策的优化：当设备具备了自省性、自比较性、和自预测性的能力时，就可以对自己当前和未来的性能进行预测。单个设备作为复杂工业系统中的一份子，承担着该系统某个环节的任务要求。智能设备能够结合当前自身的性能与任务要求，自动预测自身性能与任务需求在当前和未来的匹配性，并制定最优化的执行策略。执行策略优化的表现是，在满足任务要求的前提下，使用资源最少、对自身的健康损害最小以及在最优的维护时机进行状态恢复。执行决策的优化需要设备对自己在整个系统中的角色有较为清晰的认知，并能够预测自身的活动对系统整体表现的影响，是设备从自省性到自认知能力的进一步智能化。
2.智能工厂——实现无忧生产
评价生产系统性能的关键指标是产量、质量、成本和零部件的精度，利用数据去分析和了解影响生产系统的上述关键指标的因素，并对可能出现的风险进行预测和管控，是能否实现预测型制造的关键。今天大多数工厂的生产系统较为普遍地运用商业化的管理软件辅助工厂管理者去获取整体设备效率(OEE)等信息，从而对生产系统中可见的影响因素和产生的结果进行及时的掌握和应对。然而生产系统中更多的是不可见因素的影响，比如设备性能的衰退、精度的缺失、资源的浪费等。而可见的影响因素往往是不可见因素积累到一定程度所引起的，比如设备的衰退最终导致停机、精度的缺失最终导致质量偏差等。因此对这些不可见因素进行预测和管理是避免可见因素影响的关键。在工业4.0的工厂中，自省(Self-Aware)和自我预测(Self-Predict)的功能成为监测和控制系统的新功能，这些新功能可以帮助用户去了解机器的健康退化、剩余可用时间、精度的缺失以及各类因素对质量和成本的影响。此外，机器的健康还可以通过零部件的健康状况的融合和同类机器的对比(peer-to-peer)来预测。这种预测能力使得工厂可以采取及时的维护措施从而提高管理效率，并最终优化机器的正常运行。最后，历史健康信息也可以反馈到机器设备设计部门，从而形成闭环的生命周期更新设计，最终实现无忧生产(worry-freeproduction)。
这种预测分析方法可以使产品和制造系统都具备自我意识和自我维护的功能。产品预测服务系统可以使得产品在其功能退化的过程中产生主动触发的服务请求并进一步预测和预防潜在的故障。预测及制造融合了来自生产制造系统的信息和来自供应链系统的信息。传统意义上，制造商通过供应链系统做出决策，这种方法利用物流、同步化供给与需求，以及全球化性能测试来实现优化成本的目标。
工业4.0实现自我意识、自我预测和自我重新配置的能力所需的核心技术是利用智能预诊断工具和解析工具来实现预测分析。智能预诊断工具主要涉及信号采集、数据存储、同步、合成与服务。解析工具主要涉及信息转化的四个子工具：信号处理和特征提取、健康评估、性能预测以及故障诊断。图2-6展示的就是传统工厂与未来工业4.0工厂的差别。
3.智能服务——实现全产业链协同优化
工业4.0时代的智能信息服务已经不再是传统意义上远程人工在线的应答式和售后产品服务的模式，而是更注重利用全产业链形成的大数据进行综合的数据分析与挖掘，针对全产业链各个环节的各级用户，面向其具体的活动需求提供定制化的，可以辅助其具体活动决策的信息。
不同层级的用户对于信息的要求是不同的，对于数据量和种类的要求也是有差距的。执行层更关心具体设备控制活动的实时性和精确性，因此，要求的数据种类不多，但是每个类别的数据量要求很大；管理层关心活动组织的合理性和高效性，因此，对数据种类要求更全，但每类的数据量要求呈指数下降；决策层关心活动方向的正确性和前瞻性，于是，对数据种类的要求最全，对于每类数据量的要求最小，对于数据价值的要求最高。
这种不同层级的用户对于数据有不同程度的要求并对数据分析有层次化的需求，如果不加选择地将所有数据汇聚到一起，在一个所谓的数据中心进行数据分析与挖掘，将是一个灾难性的工作，因此，必须将数据的采集与分析层次化进行，才具有工程的实际意义。
同时，正如德国对于工业4.0分析中指出的那样，只有建立起“二维战略”的智能信息体系，才能真正发挥数据对于实体活动最大的价值。这是因为，在微观与宏观、产业上下游活动中所有活动都是相互影响和相互作用的，将自身活动产生的数据都当作自身的核心秘密，敝帚自珍，互相就各自的数据进行分析与挖掘，效率比是极其差的。其实，企业核心竞争力并不是数据的拥有，而是数据信息化后的利用能力！
所以，如果产业链相关企业能够建立一个智能信息同盟，将各自数据交由一个熟悉产业链各环节的机构。该机构并不参与产业链各环节的实体活动，只是专门进行智能信息服务体系的建设。由这个机构在基于产业链数据的基础上，按需为各级各类用户提供各自需要的定制化信息服务，这是可分享的；而各个企业以此为基础开展满足各自企业发展目标的信息价值化利用，这是不共享的。
这样，既发挥了工业大数据最大的作用，又在最大程度上保护甚至提高了各个企业的核心竞争能力！或许，这是在智能时代的制造业和现代工业的一种新模式。
……
前言/序言
工业4.0：一场不可见世界的竞争工业4.0（Industry4.0），是德国政府和工业界定义的制造业的未来蓝图。德国人认为，18世纪机械制造设备的引入标志着“工业1.0”时代，20世纪初的电气化与自动化标志着“工业2.0”时代，20世纪70年代兴起的信息化标志着“工业3.0”时代，现在，人类正进入“工业4.0”时代，即实体物理世界和虚拟网络世界融合的时代。其中，所谓信息物理系统（Cyber-PhysicalSystem,CPS）是新一代工业革命的核心技术。诺伯特?维纳在1948年就提出的“控制论”（Cybernetics）是CPS技术的前身，现在为工业界广泛知晓的CPS则是美国国家科学基金会（NSF）在2006年正式提出的，是NSF重点资助的研究方向。德国工业4.0与美国CPS，究其核心要义，是传统制造业利用物联网（InternetofThings，IoT）和大数据分析(BigDataAnalytics)进行的智能化转型。
然而，我们在谈到工业转型带来的变革时，往往容易看到其代表性的技术特征，而忽视促使其转型的最原始的驱动力，即对于新价值创造的永恒追求。如果说前三次工业革命从机械化、规模化、标准化和自动化等方面大幅度地提高了生产力，那么工业4.0与前三次工业革命最大的区别就在于：不再以制造端的生产力需求为起点，而是将用户端的价值需求作为整个产业链的出发点；改变以往的工业价值链从生产端向消费端、从上游向下游推动的模式，从用户端的价值需求出发提供定制化的产品和服务，并以此作为整个产业链的共同目标，使整个产业链的各个环节实现协同优化：这一切的本质是工业视角的转变。工业4.0的概念有三个支撑点：一是制造本身的价值化，不仅仅是做好一个产品，还要将产品生产过程中的浪费降到最低，实现设计、制造过程与用户需求相配合；二是让系统在制造过程中根据产品加工状况的改变自动进行调整，在原有的自动化基础上实现系统的“自省(Self-Aware)”功能；三是在整个制造过程中实现零故障、零隐患、零意外、零污染，这就是制造系统的最高境界。
在现今的制造系统中，存在着许多无法被定量、无法被决策者掌握的不确定因素，这些不确定因素既存在于制造过程中，也存在于制造过程之外的使用过程中。前三次工业革命主要解决的都是可见的问题，如避免产品缺陷、避免加工失效、提升设备效率和可靠性、避免设备故障和安全问题等。这些问题在工业生产中由于可见、可测量，往往比较容易加以避免和解决。不可见的问题通常表现为设备的性能下降、健康衰退、零部件磨损、运行风险升高等。这些因素由于其很难通过测量被定量化呈现，往往是工业生产中不可控的风险，大部分可见的问题都是这些不可见的因素积累到一定程度后造成的。因此，工业4.0的关注点和竞争点是这些不可见因素的避免和透明呈现。
工业4.0的另一个特点就是制造过程和制造价值向使用过程的延伸，不仅仅关注将一个产品制造出来，还应该关心如何去使用好这个产品，实现产品价值的最大化。产品的创新和价值的创造不再仅仅以满足用户可见的需求为导向，而且要利用用户的使用数据创建使用情景模拟，从情景模拟中找到用户需求的缺口（GAP），这些缺口我们称之为“不可见的需求”，对此即便是用户自己都很难意识到。例如，买汽车的人都会提出省油的需求，各家汽车制造商因此致力于改进车型和发动机让车子更加省油，却很少去关注用户的驾驶习惯对于油耗的影响。同时，驾驶习惯对于用户而言也是不可见的，因此不会有用户要求汽车具备管理驾驶行为的功能。由此可见，工业4.0时代的市场竞争会从以往满足客户可见的需求向寻找用户需求的缺口转变。以往我们将产品卖给客户之后就几乎到达了生产价值链的终点，然而工业4.0时代将价值链进一步延伸：以产品作为服务的载体，以使用数据作为服务的媒介，在使用过程中不断挖掘用户需求的缺口，并利用数据挖掘所产生的信息为用户创造价值。
我们不妨以汽车为例做一个大胆的预测，在未来的工业4.0时代，人们去4S店选车不再仅仅选择车型、颜色和内饰等定制化特征，而且用户还可以在一辆布满传感器的车内进行试驾，当用户坐上驾驶座椅时，传感器会自动记录整个座椅上的压力分布，一款符合用户身形和坐姿习惯的座椅就自动设计完成了；在用户开车过程中，汽车内部的传感器自动记录用户的驾驶动作，进而预测用户的驾驶习惯，一套兼顾驾驶操作体验和舒适性的动力系统和控制系统即被自动匹配完成；在用户驾驶汽车的过程中，汽车能够自动识别用户驾驶习惯的改变，提醒用户驾驶习惯的变化对于能耗和剩余里程的影响；在上下班高峰期，汽车能够通过海量的交通数据预测出未来一段时间内可能通过道路的拥堵情况，并为用户推荐最佳行驶路径；在驾驶过程中汽车还可以记录路面的平整度，这些数据首先在系统内被分享，提醒后面的驾驶者减速驶过一段坑洼的路面，随后被发送给市政管理部门，第二天再经过相同路段时发现坑洼的路面已经被修补好了。用户到家之后，可以通过手机或是网页查看一天的驾驶记录，不同驾驶模式下的能耗情况一目了然，可以与社区内的其他用户比一比谁更加节能环保，同时系统还提供了相应的驾驶习惯改善建议。此外，用户还能查看汽车的健康状态报告，各个关键部件的健康状况、衰退情况和故障风险一目了然，与之相匹配的维护保养建议也被自动提供，网上预约后就可以到4S店进行维护。如果只是简单的更换，还提供视频及文字讲解的详细步骤说明。至此用户发现虽然去4S店的次数和保养维修的费用明显减少了，但汽车的故障却几乎降到了零。
这个例子离我们并不遥远，也许在未来5年甚至更短的时间内就会成为现实。未来工业界卖给用户的不再是产品，而是有价值的能力；对于驾驶者而言，汽车是一个产品，但是更重要的是汽车带来的行动力、时尚感、经济性、舒适性和安全性等一系列能力。这些能力对应的服务也不再像以往那样只提供给用户有限的选择，而是根据用户的使用情况和需求提供定制化的最佳匹配方案，因为每一个用户的使用数据都是定制化的，这使用户不再是统计结果中的一个样本，而是一个丰富的、高度个性化的个体。
再举一个与我们日常生活息息相关的例子。我们大部分人都有去超市买鞋垫和去制衣店量身定制西装的经历。过去我们买鞋垫只会问要买多大的尺码，同一个尺码的所有人得到的鞋垫都是相同的。但是我们每一个人的脚形、体重、站姿、走路习惯、搭配的鞋类都是不同的，因此不可能有一款鞋垫能够同时满足同一尺码每一个人的需求。美国的Dr.Scholl’s公司在卖鞋垫给用户之前会先让用户站在一个连接传感器的踏板上，系统会记录用户站立时足底的压力分布，随即用户就可以获得一款定制化的鞋垫。这其实也只是个开端，还有更多的价值空间可以挖掘，比如足部压力数据的采集只考虑到了站立时的情况，走路和跑步时的压力分布同样十分重要，同时还要考虑鞋垫与不同鞋类的搭配，如运动鞋、高跟鞋、皮鞋等。这些数据还可以卖给制鞋公司，在买完鞋垫之后向用户推荐一款适合搭配的鞋。最后，这些数据如果与医学研究相结合，还可以提醒用户站立姿势和跑步习惯可能造成的足部和膝盖的损伤风险，给用户提供改善习惯的建议。对于制衣店而言也是一样，大多数制衣店在给用户量体时都在固定的姿势下进行，而没有考虑用户在动态情况下的舒适程度。如果我是一个教师，会经常抬手在黑板上写字，手臂的运动幅度就会很大，手肘和腋下部分就需要加大弹性。因此，未来的量体应该是动态的，让用户穿上特制的衣服之后按照喜好随意活动，衣服上的传感器会自动记录几个关键位置的应力情况，根据这些数据为用户制作更加合体的衣服。这些在过去看来都是天方夜谭的事情，随着智能传感和3D视觉技术的成熟，已经触手可及，这就是科技进步带动商业与服务模式创新的良性循环。
从以上两个例子我们不难看出，数据依然是为用户提供定制化产品最重要的媒介，工业4.0时代的制造将通过数据把终端用户与制造系统相连接，这些数据将自动决定生产系统各个环节的决策，实现生产上下游环环相扣的整合，人的工作难度将被大大降低，在这种模式下工厂的组织构架将趋于扁平，生产资源的利用也将更加优化。
还有一个例子是最近特别流行的智能手环，佩戴智能手环可以采集睡眠过程中的数据，醒来之后查看数据分析的结果，睡眠质量如何、有多少时间处于深度睡眠状态、深浅睡眠交替的曲线等信息都一目了然。这时我们才发现决定睡眠质量的并不是一共睡了几个小时，而是深度睡眠占整个睡眠时间的比例。白天的精力好坏是我们可见的现象，但睡眠质量是不可见的，智能手环通过睡眠数据的分析将不可见的睡眠质量变成了可见可测的结果，并利用这些信息帮助用户去管理可见的生活。
工业4.0并不仅仅是制造业的革命，而是一场更加深刻的变革，创新模式、商业模式、服务模式、产业链和价值链都将产生革命性的变化。制造业的革命只是工业4.0实现的基础条件，其最根本的驱动力来自于商业模式与智能服务体系的创新技术变革，这两者才是未来工业界竞争的关键。
事实上，德国对工业4.0的定义仅仅体现了制造革命，并非是工业革命。这并不是去否定制造革命的重要性，如果制造系统不产生深刻变革，一切商业模式的创新都无异于空中楼阁。制造系统好比是工业4.0的“蛋黄”，我们在把“蛋黄”做好的同时也要努力把“蛋白”做大。老子云：“有之以为利，无之以为用”，如果拿一个杯子来做比喻，杯子当中看似“无”的空间才是容纳水的地方，才是价值真正的载体。中国的制造业一定要学会分析和使用杯子里面的价值：制造设备虽然是德国人生产的，但是我们要更懂得如何使用。如果我们的工厂虽然用的是德国人的设备，但是中国企业通过对使用数据的分析能够实现胜过德国工厂的高效、高质量、低成本和低污染，那么德国人就要反过来向中国人学习如何使用设备去创造价值。
发现用户价值的缺口、发现和管理不可见的问题、实现无忧的生产环境，以及为用户提供定制化的产品和服务，这些都离不开对数据的分析挖掘。我相信工业4.0的中心将会在中国，因为中国不仅仅是世界第一的制造大国，更是世界第一的使用大国，无论是制造设备还是终端消费品，中国都拥有最庞大的使用数据。然而这些数据并没有被很好地加以分析利用，因此还只是潜力，并没有成为真正的竞争力。
未来工业界的机会空间可以被分为四个部分。第一个部分是满足用户可见的需求和解决可见的问题，这个空间内依然有中国制造需要补的课，比如质量、污染和浪费等问题，需要的是持续的改善与不断完善的标准化。第二个部分在于避免可见的问题，需要从使用数据中挖掘新的知识为原有生产系统和产品增加价值。第三个部分在于利用创新的方法与技术去解决未知的问题，如具有自省能力的设备，以及利用智能手环管理睡眠质量等例子都是使不可见的问题透明化，进而去加以管理和解决不可见的问题。第四个部分是寻找和满足不可见的价值缺口，避免不可见因素的影响，这部分需要利用数据分析产生的智能信息去创造新的知识和价值，这也是工业4.0的最终目标。
通过分析数据预测需求、预测制造，利用数据去整合产业链和价值链，这就是工业4.0的思维。现在各个领域都在谈大数据，但是大数据本身并不是一个问题，而是一个看待问题的新方式。大数据只是一个现象，其本身并不重要，利用大数据创造价值才是根本目的。工业4.0是一场在不可见世界中的战争，而数据分析则是连接可见与不可见世界的桥梁。
李杰教授所带领的美国国家科学基金会(NSF)智能维护系统（IMS）产学合作中心从2000年就开始了工业大数据分析理论和方法的研究，并在大量与企业合作的实践项目中积累了丰富的经验和系统的方法论。《工业大数据：工业4.0时代的工业转型与价值创造》是李杰教授在中国出版的第一《工业大数据：工业4.0时代的工业转型与价值创造》，系统性地阐述了李杰教授在工业大数据以及商业模式主控式创新设计方面的思想和研究成果，旨在为读者认识工业4.0提供一个新的视角，并为工业4.0的实践者们提供方向性的参考。在李杰教授的指导下，邱伯华、刘宗长、魏慕恒和董智升翻译了李杰教授从2001年至今公开发表的文献、研究手稿、在各种会议上的主题ⅩⅩⅠ报告以及媒体的相关报道，整理了李教授近两年在工业4.0实践设计和“信息物理系统”（CPS）体系设计的最新研究成果的手稿和口述材料，并结合了在产研合作中的实践案例完成此书。在第四次工业革命的浪潮中，各类新的词汇、概念和技术层出不穷，使人们难免会有雾里看花的感觉。希望这《工业大数据：工业4.0时代的工业转型与价值创造》能够为国家政策制定者、企业管理者、技术拓疆者以及对工业4.0和工业大数据感兴趣的大众读者提供一个更加清晰的思路，并根据自己的定位和目标去选择适合自己的实践道路。《工业大数据：工业4.0时代的工业转型与价值创造》只是一个开始，接下来李杰教授还将出版与工业4.0、工业大数据和“信息物理系统”（CPS）相关的一系列书籍，从理念、体系设计、核心技术和实践等方面为读者带来更为详细的介绍和更加深刻的启发。
10.360buyimg.com/bookDetail/jfs/t2959/34/1123512756/202664/2700f910/577604feN2d94267e.jpg"alt=""/>
