最后把体量、运行效率、能耗等各个领域，综合起来放到我们企业生产过程当中。比如现在比较火的数字化工厂、智能化工厂等，都是综合性地运用数据，全方位地帮助企业提高智能化的决策和生产水平。
5. 其他实践与探索
除了以上介绍的案例之外，我们还在其他领域做了大量的探索，也发现了工业的数字化过程中广阔的前景和面临的挑战。
--
03
思考
1. 工业数智化技术特征
工业软件有其专业性，每一个行业都有它背后深厚的基础。由于这个行业背后的一些机理、生产工艺流程，工业软件也会更复杂。从研发到生产制造的过程，所有的行业都是不一样的，甚至同一个行业里面也是千差万别的，而且数据类型也很多。比起消费互联网，工业数据质量其实更参差不齐。工业数据分析的另外一个难度在于对精度的高要求。比如控制类，精度甚至要做到99%，细微的差别都可能会导致整个产线运行的不安全。
2. 工业数智化需要3T深度融合
工业数据还有一些从数据分析角度来讲的难点。
首先，这些设备本身、特别是大型的装备，其实是很少坏的，所以拿到的很多数据通常都是正常的。很多时候要通过正向的数据去做分析，对它潜在的故障进行发现、挖掘。
第二，工业有很多背后的机理可以去结合，比如风力发电的机理、燃烧的机理，帮助提升数据分析，以及指导数据分析的方向。然而很多机理是偏理想化的，比如标准大气压下，拿到当前温度等，而在很多工业现场，很多量是不可测的，例如高温高压，环境和理论是有非常大的偏差的，需要通过拟合、软测量的方式去做工艺数据的分析。
第三，专家的经验可能没有量化，是否准确也都是要去考虑的。
以上难点可以归纳为：量大但不充足，要素全但不精准，实用但不完备。要在工业领域落地，一定还是需要将IT计算能力、DT数据分析能力、工业领域的知识OT，这3T深度融合起来。
3. 工业数智化是长期持续，迭代演进的
工业数智化是需要长期持续不断去迭代演进的，不停有新的场景、新的需求出来，并且不断有新的工艺、新的设备、新的量测手段和新的分析方法可以引入，是一个不断迭代的过程。
