目前，由场景驱动的工业数字化发展理念正逐渐被行业所接受，并形成“场景为王”基本共识。然而，在构建工业数字场景的过程中，工业数字场景中的不同角色“场景”工业数字场景的建设和推广迫切需要一套系统方法论的指导。作者试图应用它“象，数，理”从三维分析的角度来看，应用程序从场景的应用范围出发“小场景”和“大场景”分层分析定义它“象”研究微循环、小循环、大循环等工业数据流现象“数”多层循环，和“理”指导工业知识内化和场景迭代升级。

一、象工业数字化的小场景和大场景

工业数字化的概念可以大也可以小。宏观是一个系统工程，微观是几个相互关联的场景单元，类似于解决发明问题的理论（TRIZ）在子系统、系统和超系统的讨论中，层层嵌套，相互关联。目前，宏观、中观、围观研究对象和内容在推广智能生产、网络合作、个性化定制、服务延伸等新型工业数字模式应用过程中往往混淆，缺乏一致的理解和目标。因此，在推广工业数字应用的过程中，也需要运用系统思维来构建多层次、多类别的场景系统，以表达其“象”。

所谓多层次，就是根据设备级、生产线级、车间级的小场景，以及工厂级、企业级甚至产业链级的大场景，根据不同的应用范围和具体需求。早在2013年，德国发布的工业4.0系统就提出了智能制造“纵向集成”理念是将企业管理体系、运营体系、制造体系、基础设施等多层次垂直整合。

所谓的多种类型，即不同类型的企业，应用环节的需求非常不同，需要平行或串行多种场景模块，这也是工业数字系统建设的基本规律之一。不同的模块将满足非常不同的工业需求和技术路线，如基于机械臂的自动装卸和基于计算机的视觉质量检测。

二、数-工业数据流多循环

场景建设是构建工业数字化的躯壳，赋予其灵魂需要工业数据的闭环连接。中医讲中医。“通则不痛，痛则不通”工业数字智能体的有机运行还需要构建毛细血管和神经末梢、主动脉和神经网络，支持数据的有效循环，实现场景“数”流动的科学循环。

由于工业数字场景“象”因此，层次化和模块化在其背后“数”层次流通也存在多个循环现象，即相应的颗粒场景、小场景和大场景的数据微循环、小循环和大循环。通用模型，如输入(感知)、计算(处理)、输出(执行、反馈)等，可以简化每个数据循环。数据循环嵌套在场景的中间层后，可以处理设备、生产线、车间或工厂等不同层次的并行或串行任务。在简单计算方面，数据还需要进行终端计算、边缘计算和云计算等多层次数据计算系统的布局。

另外，在工业应用场景的数据循环中，“人”它是一个不可或缺的角色，它起着多样化的作用。人员可以作为数据输入的入口，例如工作人员向机械设备或生产系统发出指令；它可以用作数据计算的主体，例如通过视觉检查判断生产状态和设备运行状态；它也可以用作输出和执行的主体，例如根据工艺卡操作汽车轮胎设备或纠正误差。但由于人为因素的存在，数据传输和流通在正确性和效率上存在着明显的问题和瓶颈。

三、理工业知识内化与场景迭代升级

在过去的一个多世纪里，自动化设备、工具软件和管理信息系统已经取代了大多数一线员工在体力和脑力方面的简单重复工作。然而，在一些不确定性强、灵活性要求高的复杂场景中，机器无法直接取代人们的经验和适应性。目前，工业数字化的推广也已进入深水区。目前，工业数字化的重要难点在于数字场景中复杂工业知识的内化和沉淀，以及工业智能高度适应性的演变和提高。

一方面，工业知识的内化可以基于现有的知识系统数字化，建立专家数据库或知识库，包装成标准化算法或机制模型；另一方面，我们需要期待工业领域AlphaGo积极挖掘和探索超越传统认知范围的新产业知识，构建数字知识核心引擎，积累工业制造基本规律。

工业数字领域是不现实的。工业制造数字场景的建设将受到工业知识更新、产品类型升级、工艺流程调整、订单需求增加等内外直接间接动态因素的影响，以及人工智能、大数据、物联网等新一代信息技术软硬件升级的间接因素。因此，不同层次、不同类别、不同模块的工业数字场景需要不断更新版本迭代和功能点。然而，场景的迭代升级是在整合过去知识和经验的基础上进行的增量创新，以确保其进化和改进的连续性，当然，也不排除破坏性新场景的跨越式发展。

总之，工业数字化是一种“持久战”需要探讨成熟可靠的方法论和可持续的长期投资。本文初步阐述了工业数字场景的工业数字场景“象，数，理”三个方面可以结合工业企业的实际情况进一步系统思考，重塑数字转型战略思维的场景驱动，支持企业协会小场景集群建设，开放内外数据循环经络，促进数据充分挖掘和利用，继续深化工业知识内化，以工业数字场景为核心，在外部环境因素的影响下进行迭代升级。