工業數字化是制造強國的必由之路

在新一輪信息技術與制造業融合的趨勢下，新時代的“工業革命”正席 卷全球。在大數據、人工智能、工業互聯網等新興技術快速發展的背景 下，我們認為工業數字化是制造強國的必經之路，隨著工業數字化程度 的不斷深化，將有助于我國加快建設成工業制造強國，提升我國工業在 全球的競爭力。

大數據是工業數字化的入口

隨著數字化浪潮在工業領域的滲透，數據已經成為工業領域新的“生產 資料”，根據 IDC 的統計，2019 全球數據量達到 42ZB，預計 2022 年達 到 163ZB，復合增速為 57%。工業數據在工業領域的應用場景也不斷增 加，根據賽迪統計，2019 年我國工業大數據市場達到 146.9 億元，預計 未來保持 30%以上的高增長。作為工業數字化的重要入口，雖然工業數 據在采集過程中會遇到數據完整性、數據質量等方面的困難，但諸如工 況分割、數據清洗、數據質量檢測、數據樣本平衡、數據分割等數據預處理方式的興起也大大提升了工業數據的可靠性和可用性。

人工智能是工業數字化的大腦

在數據、算法、算力等基礎要素得到充足發展后，人工智能有了實現的 基礎。鑒于人工智能在社會各個領域內的巨大潛在應用市場，我國已經 在 2017 年發布的《新一代人工智能發展規劃》中將人工智能戰略上升為 國家戰略，人工智能產業水平不管從企業數量還是全球申請專利情況來 看都位于領先行列。人工智能的發展也為制造業發展帶來了良機，有望 從素質維度、體質維度以及本質維度全面提升工業制造水平。目前人工 智能已經在工業領域的多個應用場景得到應用，比如智能生產場景的工業視覺檢測以及設備管理領域的預測性維護。

工業互聯網集大數據和 AI 之大成

在人口老齡化，用工成本上升的趨勢下，各地政策齊發力，推動制造業 向以智能化為代表的工業 4.0 邁進。其中以 MES 為代表的生產環節， 逐步向工業互聯網領域升級，終極智能制造是一個從 IOT、大數據、AI、 工業互聯網平臺逐步上臺階的過程。IOT 平臺對接生產環節海量的 IOT 設備，并獲取數據，進行初步分析；大數據平臺實現生產環節的數據可 視化，對數據進行模型建立，并進行分析和預測；AI 工業應用智能平臺 形成對生產的預測，并自適應調整生產系統。

工業互聯網安全是智能制造的重要保障

工控領域信息安全事件頻出，關鍵信息基礎設施被攻擊將對國計民生造 成直觀的嚴重影響，因此政策以“工業互聯網+安全生產”為抓手進行推 動。工業互聯網安全與生產系統緊密結合，基于大數據和 AI 的工業態勢 感知成為更完整的安全方案，確保智能化的工業系統安全運營。

大數據是工業數字化的入口

工業大數據市場規模快速增長

數據成為工業領域新的“生產資料”。根據 IDC 數據，2019 全球數據量達到 42ZB， 預計 2022 年達到 163ZB，復合增速為 57%。大數據急速膨脹不斷在各個領域 催生新的應用生態，工業領域成為下一個藍海。隨著我國工業自動化、信息化 水平不斷提升，數據市場也在快速增長。根據賽迪顧問，2019 年我國工業大數 據市場達到 146.9 億元，預計未來保持 30%以上的高增長。工業數據涵蓋企業 運營、產品生產、工藝流程、市場銷售等多個環節的信息，深度挖掘將大幅提 升生產效率、降低生產成本，已經成為當前智能制造新的“生產資料”。

制造過程數據的提取挖掘，是當前智能制造邁上新臺階的關鍵。根據數據來源， 工業大數據可分為企業運營相關的數據、企業外部數據、制造過程的數據。在 經過多年企業信息化發展后，企業管理 ERP、銷售 CRM 等內部運營類數據已 經有了一定的積累。互聯網的快速發展，也為售后服務、產品跟蹤、市場運營、 行業發展提供了廣闊的數據支持。而當前最重要的，則是生產制造環節的數據 挖掘。工業制造已經由 3.0 的自動化，逐步邁向 4.0 的智能化。以智能制造設 備、工業機器人、各類傳感器、智能儀器儀表為核心，通過構建廣泛的物聯網 生產系統，匯聚生產過程中的物料、加工、流程等多維度數據，實現生產過程 的全面優化。從客戶需求到銷售、訂單、計劃、研發、設計、制造、采購、供 應、庫存、售后服務、運維等整個企業和產品全生命周期各個環節，工業大數 據打通后，利用人工智能技術，實現真正智能制造。

工業數據的可靠可用是數字化應用的前提

工業數據是整體應用框架的第一步，入口價值凸顯。根據中國電子技術標準化 研究院的《工業大數據白皮書》，整個工業大數據的應用分析框架分為 5 個部分， 分別為數據提供者、系統協調者、應用提供者、大數據框架提供者以及數據消 費者：1）數據提供者主要就是為后續系統的分析和演繹提供高質量的數據；2） 系統協調者主要職責在于規范和集成各類所需的數據應用活動；3）大數據框架 提供者主要是為數據消費者提供各種處理方式和工具；4）工業大數據應用提供 者，主要將原始數據進行收集、預處理、分析、可視化等操作后給數據消費者； 5）數據消費者主要職責就是將數據高效利用到生產、設計、服務等各個環節。 所以，從整個工業大數據應用框架來看，工業數據作為整個應用框架的入口有 非常重要的作用，提供數據的質量高低、預處理數據的效果好壞都直接影響著 最終工業數據的應用效果。

工業數據的質量問題可以通過預處理進一步加強。目前，在工業大數據的應用 中，工業數據還有數據分散、數據質量差以及數據受背景影響較大等問題。具 體來說：1）數據分散是指工業數據零散地分布在各個系統中，比如 PLC、SCADA、 DCS 系統從機器設備實時采集的數據，數據交換接口同步的數據，以及存放在 公司數據庫的業務數據等，這些零散的數據采集回來之后需要進一步的歸類和 分析；2）數據質量差是指由于工廠復雜的應用環境，通過傳感器采集的數據會 包含很多的噪音數據，影響后期進一步的分析和應用；3）數據受到設備參數設 定、工況、環境等背景信息的影響，主要是因為工廠生產實踐較為復雜，影響 數據的因素較多。

可以通過多種數據預處理方法有效提高數據質量。針對前文所述的工業數據質 量問題，可以通過多種數據預處理方式對數據進行處理，以提高其可靠性、可 用性，目前來說，主要的處理方法有工況分割、數據清洗、數據質量檢測、數 據歸一化、數據樣本平衡、數據分割等。具體來說：1）工況分割，主要是將設 備在不同運行狀態下的數據分割出來，做有針對性的信號處理與特征提取，常 用的工況分割變量有速度參數、環境參數、負載信息等；2）數據清洗，將數據 中存在的異常點盡可能的剔除，降低對后續模型訓練的干擾；3）數據質量檢測， 通常關注數據特性本身、建模有效性、以及領域相關的質量標準，針對不同的 數據進行不同的質量檢測；4）數據歸一化，將數據轉換到同樣的分布或者取值 區間，來提升數據建模精度，加速參數優化求解的過程；5）數據樣本平衡，主 要針對采集的數據標簽不均的問題，比如，設備運行 1 小時的數據中可能只有 1 分鐘的數據是異常的，可以通過重采樣或者欠采樣等不同的采樣方法來改善 數據不同類別之間的平衡性；6）數據分割，主要是將數據集分割為多份，用作 不同的目的，一般分為用于訓練模型的訓練集、對模型進行參數優化的驗證集 以及用來得到最終模型的測試集。

人工智能是工業數字化的大腦

我國人工智能產業發展位居全球前列

數據是人工智能的基礎，算力是人工智能的動力，算法是人工智能的工具。從 人工智能的發展歷史來看，經歷了三起三落的發展過程，從達特茅斯會議首次 提出人工智能，到霍普菲爾德神經網絡被提出，再到 Hinton 提出深度學習神經 網絡，目前的人工智能已經具備了大發展的基礎：大數據時代的到來為人工智能提供了源源不斷的基礎材料；CPU、GPU、FPGA 的性能提升以及異構計算 的發展都為人工智能提供了強大的算力；以機器學習、深度學習等算法的發展 也為人工智能的應用提供了實現的工具。

人工智能戰略上升為國家戰略，國內 AI 產業迎來大發展。鑒于人工智能在社會 各個領域內的巨大潛在應用市場，我國在政策上也為產業營造了較為友好的發 展氛圍，2017 年我國發布了《新一代人工智能發展規劃》，將人工智能上升為 國家戰略，確立了人工智能產業的三步走發展目標。同時，不僅僅是我國，全 球其他國家也都十分重視人工智能的發展，比如日本也提出了人工智能三階段 發展戰略、韓國提出了人工智能五年規劃（投資 2.2 萬億韓元）、新加坡 2017 年發布了“AI Singapore”戰略、澳大利亞發布了人工智能四年投資計劃等。

國內 AI 發展水平已處于世界前列。由于我國的人口數來基數大、應用場景多樣 化，人工智能技術已經在多個行業落地，根據艾瑞咨詢的數據，我國的人工智 能核心產業規模在 2019 年大于 510 億元，發展到 2022 年有望超過 1 萬億元， 復合增長率約 170%。我國的 AI 發展水平從人工智能企業數量和全球范圍內人 工智能申請專利分布情況來看處于領先地位：1）根據六和咨詢和清華大學的聯 合數據，我國 2018 年人工智能企業數量為 1011 個，相比于美國 2028 個有一 定的差距，但是和全球其他國家相比仍處于領先地位；2）從艾瑞咨詢 2018 年 統計的全球人工智能專利申請的分布情況來看，中國地區的專利數量占比達到 37.1%位居第一，美國和日本緊隨其后，分別為 24.8%、13.1%，從專利的數 量方面來看，我國的人工智能發展狀況良好。

人工智能為工業生產帶來發展良機

人工智能的運用為工業智能制造帶來了發展良機。在傳統的工業生產中，主要 的品質要素有三個：1）素質維度，主要涉及的是工業生產中的能力、組織文化 和管理能力，這點在傳統生產過程中主要是靠人和人之間傳承進行的，這方面 做的比較好的是日本；2）體質維度，主要涉及設備、系統和流程，在以往是通 過標準化的工藝流程和優秀的裝備設計制造能力實現的，德國在這方面做的比 較好；3）本質維度，主要涉及的是創造價值，這個以往是以授權技術的方式為 基礎不斷進行協同創新完成的。

在人工智能時代，上述的三個維度將發生較大 的不同，也為每個使用人工智能的工業企業或者國家帶來了彎道超車的機會。 人工智能對于上述工業三個維度的改變，具體來說：1）在素質維度上，可以通 過數據化的方式將人的工作流程標準化，以達到后續穩定傳承的效果；2）在體 質問題上，通過數據將問題進行顯性化，將設備的健康狀態進行透明化管理， 保證設備的健康狀態以及整個工藝流程的穩定性，提升產品質量的穩定性；3）在本質維度上，利用綜合數據以及人工智能算法工具，發揮數據的價值，降低 運營成本、提升運營效率，達到協同創新的目的。

人工智能在工業領域的運用和在其他行業中的應用有所區別，具體來說體現在 以下幾個方面：1）兩者定義不同，通用的人工智能可以應用的方向較為廣泛， 是一種具有試錯調整導向性的認知科學，但是工業領域的人工智能是一種在工 程應用中的系統訓練及方法，具有快速性、系統性、可傳承性等特征，這點的 區別主要源自工業領域需要系統性的運行方式；2）在功能方面，通用人工智能 主要是發散性的機會導向，比如自動價值、分享經濟、人臉識別等，而工業領 域的人工智能則面對的問題是有限的，不需要通用性很強，但是要有針對性的 解決現存的問題，所以功能是收斂性的；3）在應用領域，工業人工智能主要是 幫助工業企業提高生產效率、增強產品品質、降低生產成本和減少非必要庫存， 通用人工智能則可以應用在如社交網絡、醫療、金融等多個領域；4）在算法工 具上，工業領域的人工智能也和通用人工智能一樣需要機器學習、深度學習等 工具，但也對寬度學習、模糊學習等工具有需求。

工業人工智能相比通用人工智能有特殊的工業要素。正如上文所述，由于工業 企業的產生過程牽扯的變量較多，一般著眼于具體問題的解決，所以人工智能 在工業系統中落地需要系統性考慮，要考慮的因素相較通用人工智能而言多了領域知識、事實依據以及反饋閉環等特有因素。具體來說，在計算機平臺以及 大數據的基礎上進行建模分析是通用人工智能都需要的因素，但是在工業應用 中還需要：1）領域知識，需要對工業模型中的設備或者機理理解清楚，一般來 說工業領域知識相比如語音識別、語音合成、圖像識別等通用人工智能而言較 為復雜；2）事實依據，在工業控制系統中，需要掌握能夠反應目前系統狀態的 依據，以方便系統的臨時決策；3）反饋閉環，這點很重要，因為工業系統一般 都是為了解決某個收斂性問題而存在的，如果沒有反饋閉環則系統無法判斷實 際輸出的結果和理想結果之間的差異，這點和比如人工智能在人臉識別方面的 應用不同（人臉識別應用不需要對輸出結果判斷是否正確）。

工業人工智能應用眾多前景廣闊

目前， 人工智能正在從消費、互聯網等領域逐步向工業領域滲透。人工智能對 制造業的賦能正在全球范圍內進行，一方面由于工業制造業在全球 GDP 的占比 中較高，人工智能應用的空間較大，另一方面由于目前全球的制造業確實遇到 了比如生產成本上升、生產線設計缺乏靈活性、產品質量不穩定等問題。根據 德勤的統計調查與預測，人工智能在中國制造業的應用前景廣闊，預計 2020 年應用規模在 252.2 億元左右，到 2025 年將達到 2057.6 億元，復合增速維持 在 40%以上。

人工智能在工業領域應用的場景很多。根據德勤的調查報告，目前工業企業對 于人工智能應有需求的領域主要包括：1）智能生產應用場景，比如工業視覺、 為自動化生產工廠、訂單管理和自動化生產排產、產品質量監控和缺陷管理等、 虛擬量測與過程質量控制等；2 產品與服務應用場景，比如縮短產品設計周期、 個性化客戶體驗、識別新的商業機會、提升營銷效率、客戶需求洞察等；3）企 業運營管理應用場景，比如在財務、能源、人力資源和投資方面的管理；4）供 應鏈管理應用場景，比如設備預測性維護、配送管理、需求管理與預測、緊急 時間相應、物流服務、資產與設備管理以及運輸與網絡設計等。

應用 1：人工智能在工業視覺領域的應用 AI 軟件及算法是工業視覺的核心環節（略）。

應用 2：人工智能在設備預測性維護的應用（略）。

工業互聯網集大數據 AI 之大成，開啟工業 4.0 之路

工業數字浪潮掀起，多重政策大力推動

AI 和大數據技術驅動，制造業邁入工業 4.0 時代。制造業仍是全球經濟發展的 核心支柱，信息技術的發展也在不斷為制造業賦能。早期工業 1.0 時期，以蒸汽機為代表，掀起了第一次工業革命；隨后電力的發展和應用，推動工業 2.0 的第二次工業革命。從 20 世紀 70 年代至今，電子和 IT 技術融合下的自動化， 成為了當前工業體系的基礎，大幅提升生產效率和安全性。隨著軟件技術，尤其是大數據、AI、物聯網等持續發展，智能化生產必將成為制造業下一個高峰。 以工業軟件為核心的工業互聯網平臺將驅動工業 4.0 的新革命。

我國制造業升級迫在眉睫，工業互聯網成智能制造方向。中國作為“世界工廠”， 全球制造龍頭的地位正受到挑戰。尤其當今國內人口老齡化嚴重，年輕勞動力 供給不足；而互聯網企業的高薪招人背景下，制造業用工成本逐漸上升，且招 人困難。制造業是我國的經濟基石，為了保證制造業在國內穩步發展和轉型， 通過工業互聯網，打造智能工廠，盡量減少用工需求，成為制造業務發展的必 然方向。自 2015 年“中國制造 2025”提出后，我國在智能制造和工業互聯網 領域持續推出新政。在 2015-2020 期間，智能制造的轉型，更多的是在以云為 基礎設施的建設，以及標準梳理、示范項目為主。

積極催化，各地方已開始進入落地環節。在國家政策引導下，各地方也不斷推 出具體補貼政策支持工業互聯網發展。對于制造業較強的地方政策支持更為積 極，單就 2020 年，就有蘇州、佛山、青島、西安、廣州發布具體支持政策。 其中，尤其以制造業大省廣東省補貼范圍和強度最大。從各地補貼支持共性來 看，對于工業互聯網應用、平臺給予不同程度的補貼，尤其是跨行業、跨領域 的工業互聯網平臺，支持力度最大。從 2021 年開始，工業互聯網平臺有望進 入密集落地環節。

MES 為生產環節核心，智能制造價值凸顯

MES 是制造業信息化的核心。企業生產運營管理流程一般分為計劃層、執行層 和控制層：計劃層以 ERP 為代表，根據企業資源安排生產計劃；執行層以 MES 為代表，根據計劃安排控制層的任務；控制層以PCS 為代表，直接對生產進行 操作控制。MES 構筑了上層計劃與底層控制之間的橋梁，是生產的核心環節。 具體來看，MES 是一套面向制造企業車間執行層的生產信息化管理系統，包括 制造數據管理、計劃排程管理、生產調度管理、庫存管理、質量管理等多種功 能模塊。在當前智能制造的發展中，MES 作為整個生產環節知識的凝結，在云 和大數據的發展下，成為智能制造的基石。

MES 市場增長有望加快，下游應用領域廣泛。在我國制造業升級的過程中， MES 是制造企業通往智能制造的必經之路。根據第三方測算，我國 MES 軟件 市場規模在 50 億左右，整體仍然較小。隨著政策不斷催化，以及產業內部壓力 下降本增效的持續需求，MES 市場整體增速有望向上。從下游來看，MES 已經廣泛應用于鋼鐵、機械、汽車、輕工、化工等行業。隨著工業互聯網在各個 行業逐步落地，MES 的升級和改造也會帶動市場的高速成長。

智能制造優勢已經顯現。根據數字化智慧工廠 SaaS+解決方案提供商云棲智造 的案例，其通過核心“數據中臺”和“業務中臺”雙中臺技術架構驅動，結合 工業物聯網、機器視覺、AI、5G 等新興技術幫助制造業企業打造數字化智慧工 廠。以年產值 3 千萬的 200 人離散型工廠為例，云棲智造的方案可以減少 75% 的管理人士、提高 75%的生產效率、縮短 53%的交貨周期、提高 10%的良品 率、減少 73%的物料滯留、提高 16%的設備利用率。智能制造價值顯著，工業 4.0 升級已經成為眾望所歸。

工業互聯網平臺集 AI 和大數據之大成，助力智能制造再升級

工業互聯網平臺匯聚 AI 和大數據能力，是 MES 的新升級。隨著 MES 等生產 制造信息化的普及，面向制造業數字化、網絡化、智能化的浪潮下，工業互聯網平臺應運而生。工業互聯網構建了基于海量數據采集、匯聚、分析的服務體 系，支撐制造資源泛在連接、彈性供給、高效配置。其主要包括以數據采集為核心的邊緣層；以大數據處理、人工智能分析為代表的平臺層，也是工業互聯網的核心操作系統；以不同行業和場景的工業 SaaS 和 APP 應用未代表的應用層。在傳統企業管理和生產系統中，主要由企業層 ERP、車間層 MES、單元層 PCS、設備層構成，其中傳統 MES 與工業互聯網平臺的界限逐步模糊，海量的生產設備成為 IOT 節點，上傳數據至工業互聯網平臺，通過大數據和 AI 分析不斷提升生產效率。

工業互聯網平臺由信息化到智能化，共有三個層次：

層次一：基于平臺的信息化應用，實現“連接+數據可視化”。傳統的泛生產制 造和企業管理類軟件，如 MES、ERP、CRM 等在上云過程中廣泛應用，其中 以 MES 為代表的生產監控分析領域是重點。這類應用實現數據匯聚和可視化， 方便管理者了解企業經營狀態。

層次二：基于平臺大數據能力的深度優化，實現“模型+深度數據分析”。在設 備運維、產品后服務、能耗管理、質量管控、工藝調優等場景獲得大量應用， 并取得較為顯著的經濟效益。如青島紡織機械廠依托海爾 COSMOPlat 平臺， 通過數據分析實現設備遠程運維，每年可節省 96 萬元，宕機時長從每次的三 天縮短為一天，可降低直接損失 64 萬/次。

層次三：基于平臺協同能力的資源調配和模式創新，實現產業鏈資源整合和生 產能力交易。如智能云科依托 iSESOL 平臺開放共享自身生產力，提高閑置設 備的利用率，目前已對 24000 臺機床提供超過 533 萬小時的交易共享服務。

各層次平臺應用的開發復雜性，及優化成效與收益回報，造成了當前工業互聯 網應用的主要結構。數據是平臺的核心資產，也是價值創造的源泉，大數據的 AI 分析能直觀提升生產效率、降低能耗成本等，因此資產管理服務和生產過程 管控占比共達到 60%-70%，是工業場景的熱門方向。另一方面，工業機理最 復雜的數字化仿真、工藝設計等，應用案例較少。

工業互聯網平臺應用豐富。憑借海量的數據積累，以及智能分析，工業互聯網 平臺可以提升生產設備的健康程度、優化生產過程的各個環節等。根據對國內 外 366 個平臺應用案例的分析，當前工業互聯網平臺應用主要集中于設備管理 服務、生產過程管控與企業運營管理三大類場景，占比分別達到 38%、28%和 18%。相比國外平臺，其依托大數據開展重點應用已較為普遍，如設備健康管 理、產品遠程運維已可達到預測水平。因此我國工業互聯網平臺的應用仍待進 一步升級，未來空間廣闊。

綜上所述，終極智能制造是一個從 IOT、大數據、AI、工業互聯網平臺逐步上 臺階的過程，不同階段均需要相應平臺來實現，人工智能即是終極目標，也是 各個環節必要的支撐技術。

IOT 平臺階段：對接生產環節海量的 IOT 設備，并獲取數據，進行初步分析。 在邊緣側，AI 在語音、機器視覺等多個領域獲取數據，提升人機交互效率。同 時，邊緣設備進一步向智能升級。例如，航天云網基于 INDICS 工業互聯網平 臺打造口罩生產邊緣智能一體機，實現車間級的生產閉環，口罩日產能達到 10 萬只，幫助企業快速組織生產。

大數據平臺階段：實現生產環節的數據可視化，對數據進行模型建立，并進行 分析和預測。AI 在數據清洗和訓練上展現價值，尋找最優的生產工藝、參數等。 例如 TCL 格創東智針對液晶面板的成膜工序，通過機器學習算法實現了關鍵指標的預測與品質優化，年收益達到近千萬元。

AI 工業應用智能平臺：形成對生產的預測，并自適應調整生產系統。通過工業 大數據分析，AI 能夠預測生產中的問題，并根據外部變化自適應調整生產系統， 真正實現無人化的智能制造。例如， AI 在制造上的靈活性幫助企業構建知識圖 譜和專家系統，為企業提供戰略方案選擇，西門子、IBM、華為等公司通過構 建供應鏈知識圖譜，提高供應鏈風險管理效率。自適應的 AI 生產是制造業終極 目標，大數據和 AI 仍是當前攻堅階段。

案例一：寶信軟件打造鋼鐵行業“燈塔工廠”（略）。

案例二：用友以云化打造智能制造生態（略）。

工業信息安全是智能制造下的剛需

工控安全事件頻出，智能制造轉型安全當先

工業互聯網的應用同樣引入安全風險，工業安全事件直接影響國計民生。伴隨著工 業制造流程逐步自動化、數字化、網絡化、智能化的進步，面向電力、能源、水利、 汽車等各類工業系統的網絡攻擊也越來越多。相比于傳統的辦公 IT 網絡，工業系 統承載著國計民生的關鍵電力、生產、運輸等多個環節，其被攻擊會給全社會帶來 極其嚴重的后果，造成國家風險。2010 年伊朗核設施鈾濃縮離心機的西門子控制 系統遭到“震網”病毒攻擊，給全球造成了極大的不可控風險；而近年來全球各類 工業系統安全事件頻出，也讓世界認識到工業信息安全是工業互聯網建設的重要保 障。根據東北大學“諦聽”團隊監測數據，我國暴露在互聯網的工控設備數量排名 已由 2018 年的全球第六名躍至 2019 年的第三名，我國工控安全態勢仍然很嚴 峻。因此，我國在強調掌握核心技術的同時，持續強調“工業互聯網+安全生產”。

政策重點推動“工業互聯網+安全生產”，以大數據為核心的工控態勢感知為建設目標。2020 年 10 月，工業和信息化部、應急管理部共同印發《“工業互聯網+安 全生產”行動計劃（2021-2023 年）》，強調增強工業安全生產的感知、監測、預警、 處置和評估能力，加速安全生產從靜態分析向動態感知、事后應急向事前預防、單 點防控向全局聯防的轉變，提升工業生產本質安全水平。隨著信息安全領域，大數 據和 AI 技術的逐步普及，也形成了態勢感知類的全面安全方案，在工業體系里同 樣可以適用。該政策要求到 2023 年底，工業互聯網與安全生產協同推進發展格局 基本形成，一批重點行業工業互聯網安全生產監管平臺建成運行，“工業互聯網+ 安全生產”快速感知、實時監測、超前預警、聯動處置、系統評估等新型能力體系 基本形成。

工控安全體系開始建設，大數據和 AI 助力全面工業態勢感知

工業互聯網安全與生產系統相結合。工廠智能化的提升，讓工業控制系統由封閉走 向開放，生產網、辦公網與互聯網互聯互通，均提升了網絡的復雜性和風險性。針 對不同的工業系統對象，需要不同的安全防護措施，主要涵蓋設備、控制、網絡、 應用、數據五大重點。設備層包括傳感器、儀器儀表、機器人、生產系統等各類終 端；控制層包括各類交互協議，控制軟件等；網絡層包括工廠內部和外部的網絡； 應用層包括工業互聯網平臺本身，及各類工業應用的安全；數據層包括各個數據交 互環節的采集、傳輸、存儲、處理等。在政策推動下，安全開始與工業互聯網同步 建設，解決方案也開始由單品單點問題解決，逐步向大數據和 AI 的整體安全態勢 感知過度。

工業安全市場熱度漸起，態勢感知建設成為重點。工業互聯網建設也帶動了安全市 場的興起，根據工信部數據，我國工業互聯網安全產業存量規模已經由 2017 年的 13.4 億元增長至 2019 年的 27.2 億元，年復合增長率高達 42.3%。技術上，生產 系統全面互聯互通后，大量終端設備需要管控、各個網絡需要安全監測、生產過程 需要審計和數據采集、各類工控系統資產需要統一管理。整個體系面臨的安全威脅 更加復雜，因此單一技術無法解決問題，需要將傳統 IT 檢測技術和工業 OT 檢 測技術有機結合，利用大數據和 AI 技術實現全面態勢感知。例如，在廠區內部署 工業安全監測系統（ISD），對工業網絡中的 IT 和 OT 流量進行綜合實時的監控， 在集團總部部署工業安全監測控制平臺（ISDC）。通過將各廠區的監測結果實時上 報集團總部，實現全面的數據匯總、統一監測、集中分析。通過大數據為核心，結 合 AI 和威脅情報分析，可以規避掉單點盲區，實現更精準的威脅發現、主動防御， 達到更智能化的工業系統安全運營。

風險提示

疫情加劇，影響制造業升級投資。 智能制造方案落地不及預期。

（本文僅供參考，不代表我們的任何投資建議。如需使用相關信息，請參閱報告原文。）

精選報告來源：【未來智庫官網】。