数字孪生制造【八】| GE的数据驱动策略

导读：传统的数据分析方法需要完美的结构化数据，新的数据分析方法则采用了机器学习在原始数据直接处理，这是GE Digital数据科学家孜孜以求的目标。本文作为数字孪生制造之八，主要介绍GE的数据驱动策略。

虽然GE提出了“工业互联网”（Industrial Internet），但是它很快发现数字孪生体才可以称得上工业互联网的核心，大量的核心竞争力必须围绕数字孪生体构建，其中，在数字孪生基础设施上，可以利用机器学习等人工智能工具，提升数据分析的质量。

GE Digital的数据科学家Sarah Lukens对此做了完整的介绍，推荐数字孪生体联盟成员参加数字孪生体课堂对应在线课程，学习全部演讲内容。

Sarah Lukens一直学习计算科学，博士毕业后还在高校还工作了一段时间。2014年10月加入Meridium，负责设备健康管理工作，2016年Meridium被GE收购后，成为GE Digital的数据科学家，主要负责资产性能管理认知分析工作。

通常情况下，工业数据有三大挑战：数据可信度、数据应用和数据标准化。

工业4.0研究院发现，国内大部分处理工业数据的做法跟消费数据类似，那就是想法子“标准化”，这是一条可行的技术路径，国际标准有ISO 14224，SMRP，它们对工业数据如何处理提出了完整系统的指导。

但是，仅仅依赖于标准化的传统方法显然不够，GE Digital的数据科学家应用数字孪生基础设施，可以做系统工程分析，即便数据有大量缺失，也可以利用NLP等方法来弥补。

这种方法跟DARPA解决数据分析缺失的方案类似，那就是从原始数据（Raw Data）入手，而不是经过必须的数据清理和整理，当然，这样做带来新的工作内容——开发处理原始数据的工具。

数字孪生制造系列文章以介绍为主，不详细讲解技术细节，有兴趣的行业人士可以自行阅读演讲稿。

Sarah Lukens在演讲稿最后，讲解了数据驱动策略的核心——商业模式。

采用不同的运维模式，那么就可以给客户提供基于不同模式的解决方案，包括收费方法。

演讲稿中，Sarah Lukens分析了Model 1和Model 2两种方法的累计成本，初期（2018年）Model 1成本高于Model 2，但只到第二年两者成本类似，以后每年设备资产性能解决方案的成本逐年比Model 2要低。

回到Sarah Lukens这位数据科学家，她最近一些年非常活跃，撰写了不少机器学习驱动的数据分析方法，这些论文也发布到数字孪生体课程对应课程了。

如果对本文所讲内容感兴趣，大家可以到数字孪生体课堂学习对应课程（本课程链接：https://uni.innodigital.cn/course/17，或点击阅读原文），数字孪生制造系列文章对应的演讲稿都会发布到课程页面上去。