图片来自“123RF”
“云访谈”－软件谷 A计划是软件谷联合智能网，针对谷里未到A轮但正在上升且潜力大的种子以及天使型科创企业的帮扶计划，企业在发展过程中，种子以及天使期因力量较小，较易被忽视，“A计划”旨为广泛的种子以及天使企业集群助力。
由于企业集群种子较多，故“A计划”也设计出模糊的筛选指标，由企业内外可收集到的数据基本判定出三个指标，产品试研初模／技术细分领先／市场反馈数据，筛选出的种子先期将通过访谈的形式逐一将企业的定位／行业／领域进行提炼，旨在让企业集群里的优质种子以及天使企业获得更多市场关注，自然也可获得更精准的市场机会，对提高初创期创业成功率也可尽一份微薄且关键之力。
“云访谈-A计划”系列002期
凯奥思数据创始人杨世飞博士：降低数据采集成本才是工厂智慧化的关键
未来3-5年，工业大数据领域的机遇会越来越大。在杨世飞博士看来，他正带领同事干一件非常了不起的事情，“用一年半到两年的时间，带着一群不是名校高材生的同事，干了美国需要三年甚至五年才能够完成的事情。”
2017年，杨世飞在Wisconsin-Madison攻读博士毕业后，在世界第一大工业气体公司林德集团做研发科学家，拿到特殊人才绿卡，在美国定居，但在2017年决定辞职回国，创立了凯奥思数据。
当被问到，为什么会有如此选择时，他说到：“工业领域是我的专业，是事业和理想。所以我和我的合伙人邹小勇，也是我的研究生同学，找了一群同样有理想的同学和同事，他们一位是统计学领域顶尖的科学家，一位是运筹学领域顶尖的科研人才，还有一位专门做大数据平台架构，一起做了这个技术主导的公司。我们希望通过这种跨专业的协作，来解决工业领域的实际问题。”
超壁垒：多维度提取数据，降本优先
凯奥思数据专注的点是动力设备的运维，振动的在线监测，这个方向非常具有专业性，杨世飞博士本身是这个领域的专家，他把自己的专家经验和凯奥思团队另外一个做大数据的结合在一起，让他用数学模型，学习杨世飞博士的经验。这个方向上，技术壁垒很高，核心的竞争力是技术团队的工业背景和数据应用能力，以及对现场的了解。
杨世飞博士谈到，动力设备监测和故障诊断当前应用的痛点是，人工巡检耗时耗力，同时故障诊断需要专业知识，需要了解设备、了解生产流程的专家去读懂设备运行的状态，然后给设备运维人员反馈意见，告知他们如何维修，什么时候维修，修什么。目前是需要人工决策，决策依赖的是经验，可以观察的数据维度也比较小。
凯奥思数据把各个领域的专家聚集在一起，希望利用深度学习，去学习专家们的经验，对80%的简单问题作出自动判断，提高判断的效率，通过模型不断训练，降低设备故障的漏报和误报，提高判断准确率。
降本和增效上面，凯奥思数据首先解决的是降本，用更低的成本把更多的数据拉上来，然后是增效，结合具体应用场景，把数据用好。这是不同阶段的问题，目前凯奥思关注第一阶段，逐步推进第二阶段。
杨世飞博士透露，在他回国之前，单个点的振动监测成本接近两千美金，采用国产的系统大约是为成本一半，凯奥思的目标是进一步降低采集成本，到国产系统的一半，今年将会达到目标，目前是市场推广阶段。
新基建：会加速工业领域的信息互通
杨世飞博士讲到，目前工业大数据有两个问题，一是数据上不来，全球6400万台生产设备中，90%以上没有任何数据采集，采集成本高；二是数据用不好，大半的企业使用Excel对数据进行简单统计和展示，缺乏大数据分析手段。
而目前当红的“新基建”一定会对工业领域起到加速作用。传统基建是修路搭桥，搭建基础设施，新基建是面对工业领域的基础设施搭建。工业领域数据化的最大问题是投入产出比不明确，企业不敢大幅投资做回报不明确的事情。这其中，数字基础设施投入是很大一部分，相当于国家从战略高度帮助解决了。
这里面首先要解决数据上不来的问题，因为没有一就谈不上二。数据采集成本高，实施布线难度大，周期长，数据分散，需要打通各个系统之间的壁垒，数据量大，对网络承载能力的考验等等，这些都需要大量的投入和使用才能降低单位成本，新基建首先是解决数据上不来的问题，解决工业领域信息互通的问题。
深场景：个性场景评估与共性规模复制需拿捏平衡
工业大数据其实是一个很宽的概念，核心目标是智慧工厂，有多个不同的应用场景，比如需求预测，原材料成本和供应链预测，设备监测与故障诊断，生产规划，质量优化，物流管理等等，涉及到工业生产各个环节。这些其实也是工业企业的共性需求，当然，每个企业的侧重略有不同。
杨世飞博士以凯奥思数据目前切入的动力设备在线监测与预测性运维为例，凯奥思数据关注的电机、风机、压缩机、泵、传送带，在不同的行业都有应用，是跨行业的，比如在汽车行业、钢铁行业和化工行业的水泵上，用的很多都是西门子的电机，而且型号都是一样的，是具有跨行业通用性的，只是电机的工况，传输介质，运转速度等不一样，这是运行的参数和限制条件的问题。
但是同一个模型，应用在不同的场景下会有区别，这也是目前最大的一个难点，训练好的模型，放到另外一个场景下往往就不准确了甚至不能用了。面对这个现实的问题，凯奥思数据做了一个快速建模和自动模型调整的工具，对建模过程实现自动化，自动调整模型参数。
杨世飞博士透露，这些是他和另外一位博士做的，应该说在这个领域里面是国际最先进的，实现模型调参的自动化，降低模型调整的成本和时间，实现市场批量复制。
信号率：反向控制操作与信号传输安全
现在工业里面常说的三个层面：信息感知、智能分析、反馈执行，凯奥思数据利用数据物联和深度学习建模评估，在对设备进行下发命令反向控制操作层面，杨世飞博士说到，“边缘计算要求实时性，设备的运行情况发生变化，我们可能会要求在100ms内关停设备，5G还有时间同步网络，就是解决这个问题。”
在信号的传输安全问题上，杨世飞博士也提到，这个安全包括数据鉴权、网络隔离。凯奥思的边缘计算终端里面，采取了很多措施来保证数据的安全性，比如端口控制，访问控制，身份验证等等。凯奥思数据利用高性能FPGA，来保证实时性的问题。
实需求：智慧工厂不如工厂先智慧化
通常都说数字化工厂或智慧工厂，如一家工厂要完成数字化，他需具备哪些因素或特征才能完成数字化？杨世飞博士用一个实际的例子进行了说明。
以美国一家智慧工厂，以大河钢铁为例，他的人均钢铁产能会是传统钢铁公司人均钢铁产能的五倍左右。
智慧工厂需要大量的数字基础设施支承，需要大量的数据来进行决策，还是以大河钢铁为例，他们利用历史需求规律、宏观经济指数、新建房屋数量，对需求进行预测，同时利用AI模型，对原材料价格进行预测；在一条生产线上安装了超过5万个传感器，监测生产设备状态和完整流程，通过在线监测和预测性运维，避免异常停机和改进产品质量，降低维护成本，同时对物流运输进行优化。
每个子系统里面都有数据驱动，有大数据AI算法参与。所以还是回到前面，一个是数据要上来，其次是数据要用好，才能称为智慧工厂。
真价值：监测全面化，数据体系化
国外的工业大数据应用是由点及面，从最容易产生价值的点开始试点，逐步推广；国内的应用是先全面铺开，再找具体的应用点。
以上两点是杨世飞博士基于企业不同决策机制发现国外和国内在工业大数据领域商业化爆发的顺序，不过杨世飞博士也非常笃定的认为，工业物联网的前景一定是非常光明的。面对工业物联网应用领域前期投入大、投资回报不明确、管理层难以决策、落地难等痛点，欧美国家用很多案例都表明，工业物联网用好了，可以给企业产生巨大的效益。
杨世飞博士举例到，杜克能源是美国最大的发电公司之一，他们采用在线监测，对企业的数千台台核心设备进行在线监测，建立了集团运维中心，对设备进行监测，提高设备运行效率，降低能耗，项目投资八千多万美金，三年就收回成本并产生数千万美金的效益。
所以杨世飞博士也判断，在3到5年内，首先是数据拉上来，解决没有全面的数据的问题，然后才是数据的应用和各个应用领域开花结果。机遇会越来越大。
未来：从无序中寻找有序，用数据创造价值
chaos（凯奥思）是数学里面的一个概念，是混沌的意思。杨世飞博士以凯奥思为公司命名的寓意是find order in disorder, 从无序中寻找有序，用数据创造价值。
对于35周岁的杨世飞博士来讲，创业的这两年多时间，公司这群有激情、愿意奋斗的年轻人让他感触最深。2020年1月1日的跨年夜，他们是在办公室加班度过的，就在昨天和前天，为了赶一个项目交付，他们加班到凌晨四点。用“只争朝夕，不负韶华”来诠释再完美不过。
而最令他自豪的是，他在和美国的原同事介绍自己的工作时说到：“我们用一年半到两年的时间，带着一群不是名校高材生的同事，干了美国需要三年甚至五年才能够完成的事情”。
感谢参与访谈的特邀嘉宾：中国（南京）软件谷科技人才局创新创业服务部部长许瑾文；工业人工智能行业专家刘心广博士；伯乐会联席CEO、江苏投资人中心秘书长、沪宁A轮会联合发起人吴峰；智能网江苏总经理、沪宁A轮会联合发起人张乐为本次访谈提供的支持。
本文系投稿稿件，作者：苏磊张乐；转载请注明作者姓名和“来源：智能网”；文章内容系作者个人观点，不代表智能网对观点赞同或支持。
