工业4.0产生的背景是离散制造业。将思想用于流程业时，多少总会感觉有点‘别扭’。这到底是为什么呢？只有搞清楚这个问题，才能实现信息技术与流程业的深度融合点。本文就此谈一点粗浅的想法。

　　流程工业推进工业4.0的困难在于数字化。

　　工业4.0的本质是智能化,智能化的前提是数字化。数字化有程度上的差异：对产品和生产过程的数字化描述，必须达到足以支撑CPS的水平，才能实现智能决策。这一点，恰恰是流程行业难以做到的。

　　流程行业的数字化为什么难呢？这是因为：产品和工艺的耦合太强。

　　对离散制造业来说，工艺对产品质量的影响相对较小。只要能正确地安装起来、不损害零件，不同安装工艺下产品质量的差别较小。 而流程行业则不然，工艺（包括设备状态）对产品质量的影响非常大。以钢铁为例，同样的成分，不同工艺可以生产出完全不同的产品；不同的成分，工艺要点差别很大；工艺的稍许变化，会引发质量不合。工艺影响为什么这么大呢？因为流程行业的生产，往往伴随物理和化学变化。与之相比，离散制造业则主要是简单安装，连物理变化都很少。

　　耦合度强，为什么就难以数字化呢？这是因为：问题太复杂了。假设产品的设计组成有n个要点，工艺过程有m个要点。耦合度低时，影响产品质量的要点大体有n+m个；耦合度高时，产品质量的要点则可能有n*m个。故而，耦合度越强，问题的复杂性往往越大。

　　在离散制造业，问题的复杂度相对较低，技术人员有能力把每个关键因素遍历一遍。在钢铁行业，从炼铁到冷轧，有成千上万个工艺要点、且与产品相关。遍历要点的难度和工作量太大，只能抓住重点进行考虑。

　　说流程行业复杂，是有具体表现的。

　　复杂的表现之一：质量控制难。在离散行业，人们追求产品质量的6σ。然而，在钢铁行业，有的高端产品的成材率不足60%，连1个σ都没有；能有2σ，就比较满意了；产品合格率达到3~4σ时，就考虑降成本了....产品合格率低，本质上还是人们掌握的知识不完整，很多重要因素被当成了‘随机干扰’。

　　复杂的表现之二：经验很重要。理论上可能引起质量问题的因素太多，难以逐一分析。因此，需要依赖经验，抓住关键问题，才能用可接受的有限尝试得到合理的做法。事实上，尽管理论上的影响因素很多，现实中真正起作用的因素一般却较少。能否正确抓住重点，要看水平了。

　　复杂的第三个表现是：标准化方法难以推广。像6σ、APQP等标准化方法，在钢铁行业中的推进很难。这些方法都需要从逻辑上罗列重点要素，以避免经验上的盲点。但是，离开经验，要罗列的问题实在太多。罗列得少，与经验方法差不多；罗列得多，工作会极其复杂。故而，这个度非常难把握。

　　那么，流程行业如何推进工业4.0呢？

　　如前所述，流程行业推进工业4.0的难点在于数字化。而数字化的难点又在于工艺与产品的耦合。无论如何，这都要求我们加强对产品质量和工艺过程（含设备状态）的感知。但是，如果不能解决复杂性带来的问题，流程智能化很可能以两种形式失败：

　　1、因用户反对失败。

　　如果无端地为用户增加大量无效的劳动，肯定受到现场技术人员的抵制，导致失败。

　　2、因数字化建设过于复杂失败。

　　数字化建设可能因工程量浩大，难以结尾，而最终失败。

　　据此，流程工业数字化的方向是什么？笔者认为：处理好“简单”与“复杂”的关系，是在流程行业推进工业4.0的关键。

　　那么，如何才能解决“简单”与“复杂”的矛盾呢？笔者认为：要解决这个矛盾，需要的是“知识管理的智能化”。具体地说，知识必须能够智能地推送到需要知识的人手中、推送到所需要的流程中。

　　要做到这一点，需要做的基础工作是数据和知识的结构化。而结构化一定是针对问题的，问题一定是某个工作流程中的。无论如何，这将是一个工作量极大的工作。做得好，路越走越宽；做的不好，路越走越窄。关键是顶层设计。一个好的顶层设计，应该可以在未来几十年中持续得到优化，而不至于被迫放弃。这是项非常复杂的智慧活动，是项极大的挑战。

　　顺便说一句：数字化企业的建设不同于大数据。大数据、尤其是商务大数据的思维方式，在很多地方不适合企业界。我们必须辩证地吸收大数据的思想，不能盲目跟风，才能走向正确的方向。有些人提到大数据，就否认因果性、就强调非结构化、关注数据存不下怎么办.....这些说法，就像当年被热炒的神经元，害人不浅啊。

　　来源 蝈蝈1968的博客