工业大数据是智能制造的核心，以“大数据+工业互联网”为基础，用云计算、大数据、物联网、人工智能等技术引领工业生产方式的变革，拉动工业经济的创新发展。工业大数据分析技术作为工业大数据的核心技术之一，可使工业大数据产品具备海量数据的挖掘能力、多源数据的集成能力、多类型知识的建模能力、多业务场景的分析能力、多领域知识的发掘能力等，对驱动企业业务创新和转型升级具有重大的作用。

工业大数据定义

工业大数据是指在工业领域中，围绕典型智能制造模式，从客户需求到销售、订单、计划、研发、设计、工艺、制造、采购、供应、库 存、发货和交付、售后服务、运维、报废或回收再制造等整个产品全生命周期各个环节产生的各类数据及相关技术和应用的总称。其以产品数据为核心，极大延展了传统工业数据的范围，同时还包括工业大数据相关技术和应用。工业大数据的主要来源有如下3类。

生产经营相关业务数据

生产经营相关业务数据主要来自于传统企业信息化范围，存储在企业信息系统 内 部，包 括 传 统 工业设计和制造 类软件、企业资源计划（ERP）、产品生命周期管理（P L M）、供 应 链 管 理（S CM）、客户关 系管 理（CRM）和环境管理系统（EMS）等。这些企业信息系统已累积了大量的产品研发数据、生产性数据、经营性数据、客户信息数据、物流供应数据及环境数据。此类数据是工业领域传统的数据资产，在移动互联网等新技术应用环境下正在逐步扩大范围。

设备物联数据

设备物联数据主要指工业生产设备和目标产品在物联网运行模式下，实时产生收集的涵盖操作和运行情况、工况状态、环境参数等体现设备和产品运行状态的数据。此类数据是工业大数据新的、增长最快的来源。狭义的工业大数据即指该类数据，即工业设备和产品快速产生且存在时间序列差异的大量数据。

外部数据

外部数据指与工业企业生产活动和产品相关的企业外部互联网来源数据，例如，评价企业环境绩效的环境法规、预测产品市场的宏观社会经济数据等。工业大数据技术是使工业大数据中蕴含的价值得以挖掘和展现的一系列技术与方法，包括数据规划、采集、预处理、存储、分析挖掘、可视化和智能控制等。工业大数据应用则是对特定的工业大数据集，集成应用工业大数据系列技术与方法，获得有价值信息的过程。工业大数据技术的研究与突破，其本质目标就是从复杂的数据集中发现新的模式与知识，挖掘得到有价值的新信息，从而促进制造型企业的产品创新，提升经营水平和生产运作效率以及拓展新型商业模式。

工业大数据特征

工业大数据除具有一般大数据的特征（数据容量大、多样、快速和价值密度低）外，还具有时序性、强关联性、准确性、闭环性等特征。

数据容量大（volume）：数据的大小决定所考虑的数据的价值和潜在的信息。工业数据体量比较大，大量机器设备的高频数据和互联网数据持续涌入，大型工业企业的数据集将达到PB级甚至EB级别。

多样（variety）：指数据类型的多样性和来源广泛。工业数据分布广泛，分布于机器设备、工业产品、管理系统、互联网等各个环节，并且结构复杂，既有结构化和半结构化的传感数据，也有非结构化数据。

快速（velocity）：指获得和处理数据的速度。工业数据处理速度需求多样，生产现场级要求分析时限达到毫秒级，管理与决策应用需要支持交互式或批量数据分析。

价值密度低（value）：工业大数据更强调用户价值驱动和数据本身的可用性，包括：提升创新能力和生产经营效率及促进个性化定制、服务化转型等智能制造新模式变革。

时序性（sequence）：工业大数据具有较强的时序性，如订单、设备状态数据等。

强关联性（strong-relevance）：一方面，产品生命周期同一阶段的数据具有强关联性，如产品零部件组成、工况、设备状态、维修情况、零部件补充采购等；另一方面，产品生命周期的研发设计、生产、服务等不同环节的数据之间需要进行关联。

准确性（accuracy）：主要指数据的真实性、完整性和可靠性，更加关注数据质量以及处理、分析技术和方法的可靠性。对数据分析的置信度要求较高，仅依靠统计相关性分析不足以支撑故障诊断、预测预警等工业应用，需要将物理模型与数据模型结合，挖掘因果关系。

闭环性（closed-loop）：包括产品全生命周期横向过程中数据链条的封闭和关联以及智能制造纵向数据采集和处理过程中，需要支撑状态感知、分析、反馈、控制等闭环场景下的动态持续调整和优化。

由于以上特征，工业大数据作为大数据的一个应用行业，在具有广阔应用前景的同时，对传统的数据管理技术与数据分析技术也提出了很大的挑战。

工业大数据架构

工业大数据架构包含3个维度：生命周期与价值流、企业纵向层和IT价值链，如图1所示。在生命周期与价值流层，按照工业大数据的应用领域，又可分成产品生产阶段开始前的产品研发与设计、产品交付前的生产与供应链管理及产品交付后的运维与服务管理3个领域。在企业纵向层，按照数据采集方式与应用层级又可分成信息物理系统层、企业管理信息系统层及平台互联系统层。在IT价值链层，又可分成业务架构、信息系统架构及IT技术架构3个层次，其中信息系统架构又可分为应用架构及信息架构。

生命周期与价值流维度

工业大数据架构中的生命周期与价值流维度涵盖了整个产品生命周期的各阶

段，即研发与设计、生产、物流、销售、运维与服务5个阶段，其中，生产、物流和销售可进一步归类于生产与供应链领域，则生命周期与价值流维度包含了3个领域：研发与设计、生产与供应链及运维与服务3个领域，各领域的应用场景如图2所示。

研发与设计领域

研发数据通过研发人员在研发设计过程中不断积累而成，其来源于产品生命周期各个环节，包括：用户需求大数据、研发知识大数据、产品重用大数据、研发协同大数据等，具有跨产品和跨行业、种类繁多的特性。

生产与供应链领域

生产大数据不仅包括产品生产制造过程中采集的产品生产信息、订单信息、设备信息、控制信息、物料信息、人员工作排程，还包括企业内部管理信息流、资金流、产品生产上下游的供应商及客户管理等相关辅助生产管理的信息，生产数据的采集依托于企业已有资源管理、制造执行、工控管理、供应链管理、供应商管理、客户管理、商务管理等信息系统。

运维与服务领域

运维与服务领域的数据来源有很多，主要包括：在客户允许的情况下，通过嵌在产品中的传感器采集的产品实时运行状态数据及周边环境数据；通过商务平台获得的产品销售数据、客户数据及相应的产品评价或使用反馈；客户投诉及相应处理记录；产品退货/返修记录及相应的维修记录。通过对这些数据进行分析、挖掘及预测，可帮助工业企业不断创新产品和服务，发展新的商业模式。

互联互通社区

互联互通社区专注于IT互联网交流与学习，关注公众号：互联互通社区，每日获取最新报告并附带专题内容辅助学习。方案打造与宣讲、架构设计与执行、技术攻坚与培训、数据中台等技术咨询与服务合作请+微信：hulianhutongshequ