圖為時培昕接受媒體采訪

對石油和化工行業來說，“大數據”可謂是個既熟悉又陌生的詞兒。熟悉是因為它頻繁出現在新聞中，陌生則是因為很多人還不清楚大數據到底如何為行業賦能。3月28日，寄云科技董事長時培昕接受中國化工報記者專訪，就大數據、工業互聯網在石油和化工行業中的落地途徑和應用前景進行了探討。

“如果石油行業不算大數據，那就沒有行業算大數據了。”

石油和化工行業是相對傳統的工業，很多人還在疑問，這個行業到底適不適用大數據。時培昕指出，石化行業剛剛走過自動化的階段，加之行業本身正處于智能化升級的熱潮中，這正好給大數據技術提供了發揮的空間。他以石油行業為例分析：“如果石油行業不算大數據，那就沒有行業算大數據了。大數據所適用的特征石油行業都有，行業涉及的數據非常多，包括油藏地質數據、實時設備數據、記錄現場日報、鉆井記錄數據、檢測報告等等。大數據就是要依據龐大的數據量，研究歷史趨勢和特征，挖掘數據的深層次價值。數字化的手段不僅可以優化石油行業生產過程中的效率、質量、成本等關鍵指標，還能夠通過遠程的數據采集和分析建模，實現對分散在全球各地的石油裝備的智能運維，降低維修成本、備品備件的庫存成本，進而降低運營風險和整體運營成本。”

記者了解到，此前，寄云科技在電力能源、軌道交通、高端制造等領域都有工業大數據相關項目經驗，近兩年寄云開始涉足石油和化工行業。提到石化行業在工業大數據方面的發展契機，時培昕分析，石化行業與電力、鋼鐵和高端制造業等一樣，是國民發展的基礎工業，這類行業有一些共性特點，比如自動化程度相對較高、對生產安全水平和設備的可靠性要求高、對成本控制的需求很大。各環節高度的信息化和自動化就一定會產生大量數據，而這些數據中往往有很多經驗和規律可循，對設備運維和成本控制有非常大的幫助，這正是石化企業所需要的。

“大數據不同于控制系統，它有自我演化的過程。”

時培昕談到，在石化行業，經常有人會向他提出疑問，許多石化企業已采用的自動控制系統就可以采集和處理數據幫助生產，那么大數據技術與這種控制系統之間有什么區別。他告訴記者，首先，控制系統考慮的是短期的判決，是基于簡單、明確的指標范圍的觸發式反應。而大數據技術更多是從海量的優質數據樣本里提取并發現規律，總結特征，這些規律不是靠人的經驗或者公式就能識別的。比如，在某些領域，甚至經過大數據分析挖掘之后，人們才發現往往就是那些容易被人忽視的指標最終導致了一些安全事故。

他指出：“傳統的控制系統與工業大數據技術相比有很多不同：控制系統難以處理非常龐大的數據量，當數萬個數據點匯集，控制系統只能做到有限場景的判決，既不全面也不系統；對石化行業來說，很多數據的時間維度可能會拉長到數年，而控制系統是不會保存這么長的維度來做分析的，無法對歷史上產生的故障進行保存，就無法形成知識和特征庫，更無法實現基于特征的判斷；控制系統中一些指標可以直接通過測量的方式來實現，但大數據分析里講究的是準確度，更多依靠數據樣本的多少來決定識別的準確度，有持續的數據采集、存儲、處理、建模和分析，規律和特征的總結就會越做越好，結果判決的準確率就越來越高，這就是大數據的威力，它有自我演化和學習的過程。數字化的好處，就是可以把人現在能解決的經驗保存下來，把人解決不了或者看不到的東西用數字化手段和模型體現出來，最終實現智能判斷。”

“互聯網企業要下沉到實業，需要行業專家的共同參與。”

對于石化行業來說，工業互聯網、大數據、云計算在行業落地并不是一蹴而就的事情，甚至多數石化企業還不能清晰地把握二者的結合點。行業發展經驗的不足也意味著市場空間的巨大。那么作為互聯網企業，寄云在下沉實業方面有哪些經驗呢？時培昕表示，互聯網技術要解決工業中的深層次問題，就必須先理解這個領域具體的裝備、工藝、上下游邏輯及其中的技術核心問題，這不僅需要從基礎做起，還需要行業專家團隊的加入。

時培昕坦言，對互聯網企業來說，基礎IT層面的算法或者數據處理都不是問題，但真正進入到具體行業中，特別是石化這種分支特別多的專業領域中，關鍵是怎么結合工業的知識解決工業問題。行業專家不僅要把行業通用知識加入到數據處理方式中來，還要把他們對異常工況的處理經驗變成真正能夠指導生產的準確結論。大量的專家經驗與大量的實時數據結合起來，就可以開發出一些數字化的模型，實現基于特征的判斷。結合石化行業客戶所提出的具體需求，互聯網技術才能融入工業生產過程中。

時培昕還表示，為了積累更多可以在行業中推廣復制的經驗，他們也正在跟國內不少龍頭石化企業合作，嘗試以試點項目為抓手，打造更多行業標桿型項目，推動石化行業快速實現智能化升級。

“提升石化安全水平要靠物聯網手段。”

近期石化行業安全事故頻發，化工企業如何提升安全水平成為各方熱議的焦點。對此，時培昕認為，安全生產一方面靠技術手段，另一方面靠嚴格管理。他告訴記者：“管理是安全的基礎，但對于管理者來說，總有一些東西是人為看不見、想不到、無法預測的，這就需要依靠物聯網和大數據手段，把原來測不到的地方測到，把原來實時性不夠的巡檢方式變成實時在線的形式，把原來容易忽視的地方顯現出來，去提升企業的感知能力和管控能力。單一的數據采集還不夠，企業對采集到的數據還應做深入分析，包括根據趨勢的分析做短期預測、根據歷史事件相關性做模型，去推測和預警安全隱患。”

時培昕指出，歷史經驗非常重要，每次有安全事故，全行業都會總結學習引以為戒，就是為了避免犯同樣的錯誤。具體到互聯網技術上，這些可能會導致安全事故的禁忌行為就可以不斷加入到系統中來進行識別、監測或者報警。而且在化工等連續化生產的工業中，事故往往是異常指標由小到大的傳導，最初某一處的異常數據未必能引起操作人員重視，但通過大數據進行規律和特征總結，通過模型建立和預警，這些安全隱患就能減少很多。處理一個危機，有時就能避免一場大的事故。