飞马fw603s厚布跳长针的线怎么调？

科学技术在高速发展，服装制造业的数字化转型持续进行并不断成熟。

为什么称服装制造企业为“数字化转型”而不是“数据化转型”？数据资产在服装智能制造中有什么重要作用？服装制造企业如何用好数据资产？用好数据资产具体该怎么做？

闻力生教授在最新力作《数据是服装智能制造的资产》一文中给出了相关探讨和解答。

一、服装制造业转型为何叫数字化转型而不叫数据化转型

数字化是指将许多复杂的、难以估计的信息通过一定的方式变成计算机能处理的0和1的二进制码，让机器可以读懂和处理信息，形成计算机里的数字孪生。数字化也可以叫“比特化”，因为它可以泛化到一切都可以用0、1“比特值”来表示。

数据化是将数字化的信息进行条理化，通过智能分析、多维分析、查询回溯，为决策提供有力的数据支撑。因为数字只是数据的一种表达方式，所以数据这个概念要远远大于数字的概念，由此可说数字化带来了数据化，数据化是数字化进程的一个方向，但是数字化无法取代数据化,数字化应用在于数据化，正因为如此，目前对服装企业来说都叫进行数字化转型而不叫数据化转型。

服装企业之所以要实现数字化转型，那是因为数字化转型能给企业带来经营行为规范的价值提升、企业运营管理的价值提升、特别是可利用当前数字化技术，例如云计算技术、大数据技术、人工智能技术、物联网技术、数字孪生技术等等来推动企业商业模式创新和传统制造模式向智能制造模式转型。

二、为什么说数据是服装智能制造的资产

  01  数据资产的由来与特征

数据资产的概念是由信息资源和数据资源的概念演变而来的，在20世纪七十年代，信息被人们看成是人力资源、物质资源、财务资源和自然资源等重要的资源。到20世纪九十年代，随着政府和企业的数字化转型而产生了数据资源，当然这个数据资源只有在信息的数字变成数据后集结到一定规模之后才能叫数据资源。进入21世纪初，由于大数据技术的兴起而产生了数据资产，这个数据资产随着数据管理、数据应用、数字经济的发展而得到普及。由此可见，数据资产是一个包含数据权限（指所有权、使用权、探索权）、有价值的、可衡量的、可读取的、可交易的数据集。

2020年4月9日，中共中央国务院公布的《关于构建更加完善的要素市场化配置体制机制的意见》中，明确指出生产要素包括土地、劳动力、资本、技术、数据这五类，这五个生产要素也是资产，即土地资产、劳动力资产、资本资产、技术资产、数据资产。

近几年来全球数据年均增速都在20%以上。可以看到，数据这个资产的增速已经远远超过了技术、人力、资金、土地这些资产的增速。从数据的全球分布来看，中国的地位凸显。据国际数据公司IDC发布的统计数据显示，2018年中国数据产生量约占全球数据产生量的23%，仅低于EMEA（欧洲、中东、非洲）的数据产生量（约30%），是国际上名列前茅的数据资源大国和全球数据中心。APJxC代表亚太和日本地区占18%。见图一。

图一   全球数据分布域

同样，据国际数据公司（IDC）发布的《数据时代2025》显示，全球每年产生的数据将从2018年的33ZB（1ZB=10万亿亿字节）增长到175ZB，相当于每天产生491EB（1EB=1.1529e+18字节）的数据。据IDC预测，2020年，全球数据量会达到44ZB，2035年会达到1.9万ZB。见图二。

图二  全球数据增量趋势

由图二还可见，全球数据增量趋势是符合新摩尔定律的，（所谓摩尔定律就是人类有史以来的数据总量，每过18个月就会翻一番）。2004年，全球数据总量是30EB，2005年达到了50EB，到2015年，居然达到了惊人的7900EB，2020年达到35000EB。我们整个人类文明所产生的全部数据中有90%是过去两年出现的。

数据增量的发展意味着全球数据资产的增加，而作为资本资产所有者，只有使用了数据资产才能体现数据的价值。数据的价值和下面一些因数有关：数据应用次数越多，数据价值越高；数据集聚越多，数据价值越高；数据时效越长，数据价值越低；数据越分享，数据价值越低等。

对服装制造业来说，所有制造资源优化配置的科学性、实时性、有效性都来自于把正确的数据在正确的时间，以正确的方式，传递给正确的人和机器，这种使数据的全自动化流动本质就是用数据驱动企业运行，见图三。

来源：网络    图三 企业运行的数据全自动流动

当然数据的精确全自动化流动是基于“数据+算法”才能将正确的数据（所承载知识）在正确的时间传递给正确的人和机器，很明显这时数据才具备了资产价值。

数据作为资产有着一系列独有的特征
数据具有可交易的资产特点；
数据具有资源丰富、更新频繁、类别多样等信息价值；
数据具有可流通使用的外部性；
数据具有持续产生和不断创造价值的自然增值属性；
数据具备多方面满足人类生存和发展的多维性；
数据具有零成本无限共享和集聚使用价值高等特征。


  02  数据资产最大价值在于应用它
能实现企业的智能制造

由数据到智能的过程见图四，数据、信息、知识及智慧金字塔（即 DIKW 体系）揭示了人类知识推理演进的原理和过程。人们通过原始观察、度量及数字化手段获取作为原始材料的各类数据。按照规则将有逻辑、有意义的数据加工成信息，再对各类信息集合进行综合、提炼、归纳后形成特定的知识。智慧则是合理地应用知识并进行正确判断、决策的能力，是人类的最大特征。

来源：网络 图四   DIKW智慧金字塔体系

由数据到大数据，所谓大数据指的是要用数据库管理工具处理的庞大和复杂的数据，如果用定量的方法来描述大数据，那应该说数据量大到超过PB级【1PB=1000000000000000byte（10的15次方）】以上的数据才叫大数据。在制造业方面，大数据是指从车间现场到企业顶层所有生成、交换和集成的数据。大数据是未来智能制造业的命脉，制造业必须找到有效的方法来应用和管理大数据，所以说有了数据才有大数据，有了大数据才有人工智能，有了人工智能才有智能制造。制造业转型于智能制造一定会应用好数据资产，随着大数据产业不断发展，根据Statista数据统计，全球大数据2011—2027年市场规模预测（亿美元），见图五。我国大数据产业生态联盟及赛迪发布的《2020中国大数据产业发展白皮书》，预计到2020年，中国大数据产业整体市场规模将达到6670.2亿元，到2022年将突破万亿元。在此基础上进一步预测，到2025年中国大数据产业整体市场规模将达到17568亿元左右，见图六。大数据产业市场规模的快速发展，意味着今后一定会采用大数据技术和人工智能技术来实践企业的智能制造。

三、服装制造业如何用好数据资产

大数据技术包括了：数据的采集、保管、存储、搜索、共享、传递、分析和可视化，其中最重要我以为在于数据资产的采集、分析和安全保护：

  01  采集好数据资产

制造业的数据是通过采集得来的，在线的传感器或软件技术对被测对象进行自动采集数字或模拟信号，并传送到DCS、PLC、DNC、SCADA、仪表等系统进行分析、处理。工业大数据主要来源于机器设备数据、工业信息化数据和产业链相关数据等，见图七。

图七  制造业工业大数据来源

这些数据不仅要涵盖基础数据，还要逐步包括用户数据、社交关系数据、设备和传感器采集的周期性数据等各类数据。目前主要包括以下几种类型数据的采集，即海量的Key-Value数据、文档数据、信息化数据、接口数据、视频数据、图像数据、音频数据等等。通常数据采集使用不同类型的工业传感器和RFID技术方法来获得。

  02  分析好数据资产

在数据采集的基础上，需要对采集到的相关数据进行分析，对于大数据的分析处理，早在1999年欧盟SIG组织就提出大数据分析流程的标准模型“CRISP-DM”，该标准的具体流程为：

商业理解---明确目标，分析需求；
数据理解---采集、描述、探索、检验、数据；
数据准备---选择、清洗、构造、整合、格式化数据；
建立模型---选择建模技术、参数调优、测试计划、构建模型；
评估模型---模型全面评价、评价结果、重审过程；
结果部署---分析结果、方案实施应用，见图八。

图八   大数据分析标准流程CRISP-DM

大数据的分析处理结果在于应用，在我们服装制造业主要用在指导生产制造的改进与优化，这往往从三个方面入手：

① 对加工设备状态数据分析
对采集到的各种数据进行加工处理后，以各种方式进行输出和展现，使相关人员第一时间了解设备生产的实时情况，如实时状态、加工工艺数据等，便于做出及时、科学的管理决策。

② 生产制造工艺数据优化
主要表现在两方面：
a)设备工艺参数监控：将采集到的设备工艺参数，如温度、压力等，与设定的标准参数进行实时比对与管控，从而实现对生产过程进行实时、动态、严格的工艺控制，确保产品质量的稳定性。
b)加工工艺改进与优化：对制造过程的主要工艺参数与完工后的产品合格率进行综合分析，便于对加工工艺改进与优化。

③ 生产过程追溯
通过产品加工制造的过程数据实现对产品制造历史的追溯，达到问题复现、质量追溯等目的。

  03  保护好数据资产
我们服装制造业在数据资产安全方面目前主要存在三个问题，一是数据资产多且繁杂，存在数据风险无法量化的难题；二是大部分企业目前无法根据数据使用者、数据使用现场做出动态数据权限管控，造成数据安全风险较大；三是大数据平台漏洞和配置问题多，数据安全风险面广。总之，随着企业数据资产成规模的指数化增长，大数据技术的全面应用，数据资产安全的风险也越来越大，所以保护好数据资产的安全十分重要，如何保护数据安全呢?

当前数据安全所建立的一体化解决方案有下面一些，企业可以视需使用：
（1）采用戴尔“避风港”方案（Cyber Recovery Vault）。它具有Air Gap网闸隔离机制和副本锁定机制，以阻断勒索软件接触可能，从而大大降低病毒感染备份数据的机率。备份数据存储在生产端的存储设备上后，和Cyber Recovery Vault区存储设备建立复制链接，通过内部网络和专用接口，将备份数据从生产中心复制到Cyber Recovery Vault区（数据隔离保存库）。Cyber Recovery Vault区对网络攻击者“隐身”，阻断勒索软件感染备份资料的机率。一旦数据同步完毕即可关闭Air Gap网闸，数据访问路径被断开禁用，同时为了防止备份文件被恶意删除，系统可针对隔离保存库内的数据进行锁定，以保证备份数据拷贝副本不可加密、不可篡改、不可删除。

（2）采用谷歌云平台，企业可以在数据保护得到保障的情况下过渡到云平台。谷歌云平台已完成平台向开放性和云计算的巨大转变，给企业带来了更强大的数据资产和更好更安全的数据分析。谷歌云平台开放式基础设施让你可以选择最适合自己业务的上云路径。有了谷歌云的基础设施和我们的数据和人工智能机器学习解决方案，将数据上云并开始分析就很容易了。

（3）采用具有安全管控系统的曙光大数据平台。曙光大数据平台是结合大数据技术的海量数据智能分析处理解决方案，能帮助企业用户快速构建高效、智能、易用的一体化大数据系统，挖掘数据价值。曙光大数据分析平台采用融合的技术架构，深度实现存储融合、计算融合、调度融合、多源数据融合、业务流程融合，构建体系化融合的整体系统，见图九。

图九   曙光大数据平台架构

（4)采用创新奇智的“Orion自动化机器学习（AutoML）平台”。该平台主要帮助客户如何用好数据资产，如何提高数据决策能力，赋能客户运行业务。该平台是一套符合未来数据智能范式的，拥有可灵活选择、配置的三层结构，面向企业客户，以私有化部署为主的系列产品和解决方案。Orion数据智能引擎主要包括三大产品单元，即：
Orion IRC---智能资源调度管理，提供计算资源管理和数据资产地图；
Orion DAC---智能数据融合管理，支持数据动态融合，实现数据供应链；
Orion AML---自动化机器学习，基于数据完成智能决策。

（5)采用TalkingData数据安全岛平台。TalkingData“安全岛”是基于业界领先的可信的数据计算技术，构建起安全合规的多方数据融通一站式平台，提供面向不同业务场景的数据产业化应用与价值释放新模式。为了能够平滑地将TalkingData的数据服务和数据能力完整地应用于客户这一侧，所开发的安全岛解决方案，其实就是一个安全计算平台，其出发点是让客户在平台上实现安全合规的数据价值交换，隔离双方的隐私问题，帮助客户弥补数据能力上的不足，真正释放数据的价值。

四、数据资产在服装智能制造中的应用举例
前面说过，有了数据才有大数据，有了大数据才有人工智能，有了人工智能才有智能制造，而实现智能制造必须要有真正落地的人工智能，而真正的人工智能又是靠大数据、先进算法模型和超大的计算能力（例如CPU/GPU/TPU）来实现的，见图十。

图十  落地的人工智能相关技术

服装的智能制造包括服装的智能设计、智能生产、智能管理以及集成优化等具体内容，而实现这些内容最本质的就是大数据资产。下面就应用大数据技术对服装产品市场调研、服装流行趋势发布和服装加工工艺优化进行举例：

  01  建立在大数据分析基础上的服装市场的产品销售举例
服装企业要想在市场中分得一杯羹，需要依靠大数据战略，拓宽服装行业调研数据的广度和深度，从大数据中了解服装市场构成、细分市场特征、消费者需求和竞争者状况等众多因素，在科学系统的信息数据收集、管理、分析的基础上，提出更好的解决问题的方案和建议，保证企业产品在市场定位的独具性，提高企业产品在市场的接受度。一个企业想进入或开拓服装市场，首先要进行项目评估和可行性分析，只有通过项目评估和可行性分析才能最终决定是否适合进入或者开拓这块市场。如果适合，那么这个区域人口是多少？消费水平怎么样？客户的消费习惯是什么？市场对产品的认知度怎么样？当前的市场供需情况怎么样？公众的消费喜好是什么等等，这些问题背后包含的海量信息，构成了服装市场的大数据，对这些大数据的分析就是市场定位过程。

2020年临近双十一期间前，天猫对2019年双十一期间一天就销售了约474万条秋裤情况下，又针对全年中国人秋裤市场销售超过5000万条的市场作了深入的调查，并对调查得到的大数据进行分析，得到在2020年双十一期间应该加强对价格在100--500元以内的秋裤投入，见图十一。

来源：CDA 图十一   秋裤价格分布

同样，在店铺的选择上发现在买秋裤时，消费者并没有特别的品牌要求，好穿、舒适、性价比高才是最好的，这也解释了秋裤销量位于前列的店铺为什么多为一些不知名的商家，见图十二。由于在这样大数据分析基础上的决策，2020年双十一秋裤销售量比2019年上升101.4%。

来源：CDA 图十二    秋裤店铺名称及数量

  02  建立在大数据分析基础上的服装流行趋势预测发布举例
英国Fashion Pocket股份有限公司认为正确把握服装流行趋势可以推动服装市场消费，因此他们收集了超过2500万张的服装图像数据，这些彩色图像数据量在千万亿拜特（byte）以上，是典型的大数据量，采用流行趋势预测模型和人工智能机器学习算法分析、预测了全球服装服饰的趋势走向，并协助算出和预测英国和全球市场服装产品流行动向，见图十三。

图十三  大数据分析服装流行趋势

  03  建立在大数据分析基础上的服装缝制加工工艺参数调优，以获得高质量成衣产品应用举例

图十四 大数据技术应用于服装加工工艺参数的调优

服装在对各种面料进行缝制加工时首先要进行缝制参数设置，例如缝纫机车速、缝线张力、线迹形式、针距大小等等，这些参数设置不好，往往会影响缝制质量，因此在缝制过程中，可以利用这些参数大数据和人工智能中的机器视觉技术、机器学习和深度学习技术来选择最优缝制参数，使服装缝制质量达到最好，见图十四。

其他由大数据和人工智能所构成的服装智能制造各个环节应用，请大家参阅“人工智能在服装智能制造中的应用”一文（闻力生“人工智能在服装智能制造中的应用”纺织高校基础科学学报2020年第33卷第二期P30—36），此处不再赘述。