“利用大数据分析系统，我们的工程师可以第一时间发现机器出现的异常，从而将受损失的产品数量降到最低。”中芯国际资深技术顾问王邕保对大数据的作用深有感触。在中芯国际这样的大型制造型企业中，每天各个部门都面临着很多基于数据的决策，从工业大数据中降低损失获取价值是最大诉求。随着《中国制造2025》和“互联网+”国家战略的提出，工业大数据的应用，将成为企业提升生产力、竞争力、创新力的关键要素，也是我国工业转型必须面对的重要课题。

实时数据流形成

大数据已经开始摆脱概念炒作的“雾霾”，开始走向实操阶段。近日，独立调研机构VansonBourne对11个国家中来自零售业、金融服务、医疗卫生、银行业、电信业、保险业和政府的1000名IT管理者进行了调查。调查结果显示，大数据战略为95%的中国企业带来了收益，96%的中国大型企业已经或计划在未来一年内实施大数据项目。最值得注意的是，中国区参与调查的全部企业正在或将会利用大数据进行目标更精准的市场和销售活动。

那么，对于工业大数据而言，与其他行业应用相比，又有哪些不同之处呢?

SAS全球行业最佳实践高级总监ThomasRoehm在接受《中国电子报》记者采访时表示，制造业应用大数据技术已有相当长的一段时间，不论是企业ERP系统还是生产车间的感应器等设备采集的数据，都能进行存储和分析。需要指出的是，与之前相比，目前工业大数据技术应用最大的变化就是数据采集的速度更快了，从而形成了实时数据流的分析，这样带来的好处是可以加速工业企业建立预测模型。例如，提高良品率分析的效率，从而能更加及时地采取预防措施提高良品率，减少浪费并减低运营成本。当然，在完善供应链、提高产品质量方面也会有促进作用。

不过，ThomasRoehm也表示，无论是在未来的工业4.0阶段还是智能制造领域，工业大数据最大的挑战仍然是数据本身，特别是实时海量的数据如何更加快速采集、存储和分析。

让数据动起来

在工业领域，随着物联网技术的深入应用，将诞生越来越多的智能工厂，产品全生命周期中各个环节会产生大量的数据类型更为复杂的数据，例如半结构化和非结构化数据。对于这些数据，不仅给数据存储带来挑战，更给数据分析带来前所未有的难题。

“随着非关系型数据库的崛起与非结构化数据量的增长，企业的数据库环境会逐步转变为异构混合环境，关系型数据库和非关系型数据库共存。这对管理带来了更大的挑战，以前只需要几个DBA就可以管理的中心型关系数据库，现在则需要更多专家，尤其是非关系型数据库专家的加入，并且投入更多管理工具来维护和监控这个复杂的环境。”王铮补充道。

达梦数据库有限公司董事长冯玉才认为平台化将是大数据技术发展的趋势。“近年来，数据量的规模化增长和应用场景的越发丰富，使传统IT架构信息系统已无法满足需要，企业级大数据管理不仅面临着有效存储、实时分析和再处理以及各种信息安全风险等诸多挑战，而且在大数据整合、管理、分析、呈现等各个环节，还需考虑所采购的不同工具之间的兼容、适配以及建设和维护整套系统所带来的成本压力。因此，能够提供从大数据存储、交换、管理到分析和呈现的一体化大数据管理服务的大数据平台将成为未来市场的焦点。”冯玉才表示。

需要“干净”的数据

对于大数据分析，也不能完全迷信。如果从一堆错误的数据里挖掘价值，那么得到的决策建议也是错误的。西安交大管理学院副院长冯耕中向记者表示，大数据时代企业不仅要重视大数据技术应用，更要重视数据质量的管理。ThomasRoehm也认为，数据分析一切都是源于数据本身，因此一定要保持数据的清洁和干净。

记者了解到，在工业生产中，传感器搜集的数据就具有数据不纯的问题，很多数据值是缺失的。例如，在进行相关温度测定的时候，有可能只是温度达到一定的预值之后传感器才可能进行数据采集，从而导致最后收集到的数据是不完整的，这就带来了问题。对此，不仅需要企业改善数据的纯度，还需要对一些数据进行注入和补充，通过平均值或者是标准差等方式更好地进行建模分析，这样才能得到正确的决策。

“当企业将数据收集起来并放到数据仓库之后，需要进行数据质量相关的研究和管理，比如说判断数据值是否正确，是否出现了重复和冗余的情况。另外，还需要在数据库里部署相应的机制，这样可以扩展到针对所谓的事件流进行实时的研究分析并发现相关数据的规律，从而进一步判断数据值的缺失或者数据值不准确的情况，以此来保证收集数据的准确性。”ThomasRoehm这样建议。

ThomasRoehm还提醒道，工业企业除了生产之外，在产品营销方面也会产生大量的非结构化的数据，特别是来自类社交媒体的数据。例如，有一些人针对产品进行点评，相关点评的真实性有时候是值得怀疑的，这个人有可能对这个产品不感冒，或者持否定的态度，他会一直发表针对该产品的一些负面观点。那么如果企业把这种信息全部收集过来就有可能影响结果的真实性和客观性，这就需要数据质量管理，确保最终分析的数据是优质的。

高端人才成掣肘

工业大数据技术不仅涉及IT还涉及工业技术。在工业领域应用大数据技术对于人才的复合型要求更为突出。例如，做汽车行业的数据分析，不仅需要计算机、统计学、数学等知识，还要拥有丰富的汽车行业知识和经验，通过这些知识经验进行建模，才能开发出合适的分析方法，从而找到数据的价值。

“高度多学科综合性是大数据研究的特点。”中国科学院院士徐宗本表示，“数据获取与管理涉及管理、物理、电子与信息等学科;数据存储与处理涉及计算机科学;数据分析涉及数据数学与统计学;大数据应用则与各行各业相关学科关联。要有技术储备，还要解决好人才培养问题。”

目前，人才培养的重要性已被产业界和教育界意识到。例如上海就已正式启动了“数据科学和大数据人才培养计划”。上海市数据科学重点实验室先期开展“大数据工程硕士项目”。同时，还面向在校大学生，建设一批研究生开放课程。除此之外，沪上大数据人才培养计划还包括数据科学博士与博士后培养。

另外，阿里云携手慧科教育集团启动阿里云大学合作计划，联合高校开设云计算与数据科学专业方向，北航、浙大、复旦等首批8所高校正式落户合作计划。按照规划，未来3年，阿里云与慧科教育集团将在全国100所高校完成专业课程开设，通过“互联网+教育”的模式覆盖300所大学的云计算与数据科学教育，培养和认证5万名云计算和数据科学工作者。此前，亚信与北航、慧科教育集团已达成战略合作，推出大数据企业定制硕士培养项目，帮助亚信突破大数据人才瓶颈。

今天，果酱君整理了一些工业大数据的相关案例，看看各家企业是如何成功实施工业大数据的。

4

能够实现定制化生产的案例

2014年，红领以零库存实现150%的业绩增长，以大规模定制生产每天完成2000种完全不同的个性化定制产品；公司的核心竞争力是一套大数据信息系统，任何一项数据的变动都能驱动其余9000多项数据的同步变动，真正做到了从用户的个性化设计订单到生产过程的“零时差”连接。

红领走了一条极端的定制路线，生产的每一件衣服从生成订单前就已经销售出去，并且每一件衣服都是由用户亲自完成的设计。这在成本上只比批量制造高10%，但收益却能达到两倍以上。实现低成本、高定制化生产的背后是一套完整的大数据信息系统，任何一个用户一周内就能够拿到定制的衣服，而传统模式下却需要3一6个月。

定制的第一步是用户数据的采集，最重要的数据是用户的量体。量体数据采集的方案主要有四套：第一套方案，用户可以根据以往在任何一个大品牌服装上体验的自认为最合适据，从红领的数据库中自动匹配对应的量体数据；第二套方案，通过O2O平台，在任何地点预约上门量体；第三套方案，用户可以到红领的体验店直接采集量体数据，整个过程只需要5分钟，采集19个部位的数据；第四套方案，用户也可以选择自己的标准号，但是要对自己的选择负责。完成用户的数据采集之后，红领就会形成一个用户的数据档案，在未来用户进行新的定制化设计时可以直接使用以前的数据。

除了量体数据的定制化，最大程度满足西装的合身之外，客户还可以定制衣服的面料、图案、光泽、颜色，甚至是一些极其微小的细节。比如纽扣的形状和排列方式、口袋的样式、里衬的走线纹路，甚至是添加一个水滴形的钢笔口袋，或是印上自己家族的徽章和名字。即使是在如此复杂和高度定制化的情况下，依然可以确保在7天内为用户完成制作并发货。这其中的秘诀依然离不开数据：当客户在网上完成下单之后，这些定制化的设计被转变成数以万计的生产指令数据，并按照工序被记录在数十个磁卡中，形成了一件衣服在制作过程中的“身份证”。

一件定制化西服的生产流程可以简单描述为：工厂的订单信息全程由数据驱动，在信息化处理过程中没有人员参与，无须人工转换与纸质传递，数据完全打通，实时共享传输。所有员工在各自的岗位上接受指令，依照指令进行定制生产，员工真正实现了“在线”工作而非“在岗”工作。当一件正在制作中的西服到达一个工人面前时，员工可以从互联网云端获取这件西服的制作指令数据，按客户的要求操作，确保了来自全球订单的数据传递零时差、零失误率，用互联网技术实现客户个性化需求与规模化生产制造的无缝对接。

在生产线的智能化升级方面，基于MES , WMS , APS等系统的实施，通过信息的读取与交互，与自动化设备相结合，促进制造自动化，流程智能化。通过AGV小车、智能分拣配对系统、智能吊挂系统与智能分拣送料系统的导入，加快整个制造流程的物料循环，通过智能摘挂系统、线号识别系统、智能取料系统、智能对格裁剪等系统的导入实现整个制造流程的自动化。除此之外，红领还利用大数据分析解决生产线平衡和瓶颈问题，使之达到产能最大化、排程最优化及库存和成本的最小化。

红领经过10多年的数据累积，建立了个性化产品数据模型以及数据累积管理模型，基于数据模型完善大数据，目前具有千万种服装版型，数万种设计元素，满足用户个性化定制需求，组合出无限的定制可能，目前能满足近100%的个性化设计需求。红领在产品设计方面采用了与传统服装行业不同的三维计算机辅助设计（CAD）、计算机辅助工艺规划（CAPP）方式，对款式、尺码以及颜色等都进行智能化管理。红领使用大数据技术的最核心价值就是对C2M各生态链上的海量数据进行收集、存储和分析，构建了以下5个方面的核心能力：

规模化：将软件、硬件设备资源进行规模化集成，提升设备的计算能力；

可靠性：用分布式数据中心的存储和备份，保证了数据的容灾性；

虚拟化：将软、硬件相互隔离，虚拟化应用，减少了设备之间的依赖性；

按需服务：建立云端的虚拟资源池，为各模块提供弹性支撑服务；

通用性：不用针对具体的应用，在“云”的支撑下可构造不同的应用。

正是有了这样的一套大数据驱动的生产系统，红领员工才发出这样的感慨：现在人人都是设计师，每一件西服都是一个故事，从衣服上可以猜测它背后是什么样的人来穿，甚至以什么样的心情来穿。

5

能够实现产品的持续跟踪服务的案例

通用汽车

1987年，美国通用汽车（General Motors）收购了了休斯电气公司（Hughes ElectronicsCorporation），应用各自领域的专业技术优势和经验在1992年开发出了OnStarTM（国内称为“安吉星”）系统。安吉星最初的功能主要是远程监控和危机处理，比如当用户丢失车钥匙时帮助他们远程打开车门、汽车发生问题时进行远程诊断筛选，以及汽车在发生碰撞后提供紧急救援服务。这也是汽车领域利用远程数据采集为用户提供服务的第一次尝试。

GE

GE Medical Systems （GE Healthcare的前身）推出的InSite设备网管系统，能够通过无线系统网络对GE的医疗泛备（如核磁共振仪等）进行点对点监控。在InSite推出以前，医疗设备在故障后需要联络现场工程师到现场处理，从派遣工程师到维修完毕的平均时间为4个小时，故障后常常造成顾客长时间等待和抱怨。InSite系统可以直接对设备进行远程监控，发生故障时远程帮助用户及时找出问题并自行解决，减少了不必要的到点维修。如果客户无法自行解决，也可以在远程对设备的故障进行较为详细的诊断，在到点维修前提示准备好所需的资源和备件。使用InSite系统后，41%的故障可以远程排除，平均消耗时间仅为15分钟，而34%的故降可以进行远程诊断和到点维修准备，平均故障排除时间降低到了2小时。在InSite的帮助下，GE大幅削减了售后服务的成本，而且将设备的停机率缩短至小于1天/年。这个概念也激发了GE为航空发动机开发On-wing SupportTM服务的灵感，为GE第二代远程大数据服务系统打下了基础。

奥蒂斯

奥蒂斯（OTIS）电梯公司的远程电梯维护系统（Remote ElevatorMaintenance，REMTM）早在1995年就利用监控数据对电梯进行远程维护。那个时候电梯最大的问题就是经常打不开门，把乘客关在一了电梯里，而维修人员赶到现场进行故障排除需要1个小时左右的时间。为了避免故障的发生，OTIS有一个庞大的维护人员团队，对每个城市的高层OTIS电梯进行定期的巡检，带来了高昂的人力成本。于是OTIS通过REMTM监控每一台电梯的平均开门时间和电气设备的重要参数，判断电梯发生故障的风险，为维护团队提供巡检的优先级排序和预防性维护决策支持，在承担较低的人力成本条件下最大限度地避免了电梯故障。

小松机械

小松机械（Komatsu）在2005年推出了康查士（KomtraxTM系统），利用ICT技术对车辆进行远程使用管理，将设备的使用数据和各种健康信息及时反馈给客户，帮助客户做好日常保养工作，使设备保持良好的状态。该系统还可以对用户的使用工况进行判断，例如当挖掘机设备在土质松软的海边工作时，由于设备自身无法固定而牢固，常常需要在超负荷的工况下运行，康查士系统就可以提醒用户在该工况下的使用风险，并给出相应的维护建议。小松曾派工程师于2005~2006年到美国的IMS中心合作开发智能维护分析工具，对远程装备管理提供信息服务。

阿尔斯通

阿尔斯通（Alstom）的TrackTracerTM车载诊断系统能够在高铁运行时监控车辆关键部件的健康状况，一旦发现现异常，TrackTracerTM就可以对故障进行远程诊断，并派遣维护人员在车辆的下一个站点进行维修，从而最大限度地保障列车的运行率。TrackTracerTM还可以通过车载的振动传感器对铁轨进行监控，避免了以往人工检查的低效和安全隐患。

6

能够为企业提升新的服务价值的案例

GE旗下的飞机发动机公司（GE Aircraft Engine）在2005年将公司名称改为“GE航空”（GE Aviation），这代表着业务模式的转型。原来的发动机公司只做发动机，而改名后的GE航空则提供运维管理、能力保障、运营优化和财务计划的整套解决方案，还可以提供安全控件、航管控件、排程优化、飞航信息预测等各类服务，由服务带来的价值空间更大了。

例如，GE航空提供的“On-Wing Support”服务，在航班飞行的过程中监控发动机的健康状态，对可能发生的故障风险进行预测，在飞机落地前就可以在相应的机场准备好维护所需的备件和技师等资源，从而使发动机的使用率大大提升，同时安全性也得到了很好的保障。这项服务推出后，从美国芝加哥飞往上海的航班降落后仅需3小时的周转时间就可以搭载上海的乘客返回芝加哥，航班的周转率大大提升，为航空公司带来了相当可观的价值增长。有了这些服务之后，GE卖的已经不是或者不只是发动机，而是航空管理服务。这样，发动机生产商从过去单纯的发动装置提供者转变为如今的航运信息管理服务商。

工业大数据是智能制造的基础，没有大数据的支持，企业无法真正完成智能制造的升级。如果大家想要更深入了解工业大数据的评估与实施，那么果酱君给大家推荐由上海市信息化专家委员会委员的贺博士主讲的《大数据技术与工业应用》。

文章来源：CSDN

国匠学院公开课

《大数据技术与工业应用》

时间：2018年9月26日-29日

地址：江苏省苏州市工业园区苏虹中路398号1号门

适用对象

1、制造业企业的大数据项目负责人

2、工业4.0推进小组负责人／CIO

3、精益负责人／COO

课程收益

准确理解数据内在信息，从而实现更好的商业洞察、决策，更准确的理解生产运营情况和预判；收获国际前沿的最新大数据在工业领域应用的成功经验；可申请”工业和信息化领域急需紧缺人才培养工程“证书”。

讲师简介

贺老师

国匠道场讲师

主持承担工信部、上海市工业互联网创新课题多项。参与工信部《工业互联网网络标识解析体系》项目，主持承担工业互联网标识解析国家节点建设、制造强国工业大数据国家节点的规划设计/建设/运营工作。

从事企业管理咨询、信息化规划建设及大数据业务经营10余年，发表互联网大数据等方面核心期刊论文30余篇。

擅长领域：工业物联网、工业4.0、工业大数据、智能制造

工业是国民经济不可或缺的一环，也是一个国家强大竞争力背后的力量支撑。而我国工业目前位居世界第一，但却大而不强。企业创新能力不足，高端和高价值产品欠缺，在国际产业分工中处于中低端状态，中国工业企业急需转型和升级。

制造企业在利用大数据技术后，其生产成本能够降低10%—15%，大数据对于工业企业的重要性不言而喻。不同层面的制造企业在发展过程中，应该采取相应的大数据策略，才能离“工业4.0”、“工业互联网”和“中国制造2025”更近一步。

工业大数据四大特征

工业大数据具有一般大数据的特征（海量性、多样性等），此基础上具有四个典型的特征：

价值性、实时性、准确性、闭环性。

（1）价值性（Value）：工业大数据更加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，以及促进个性化定制、服务化转型等智能制造新模式变革。

（2）实时性（Real-time）：工业大数据主要来源于生产制造和产品运维环节，生产线、

设备、工业产品、仪器等均是高速运转，从数据采集频率、数据处理、数据分析、异常发现

和应对等方面均具有很高的实时性要求。

（3）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、分析技术和方法的的可靠性。

（4）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。

工业大数据“3+3”理论——3个层面+3个过程

第一个“3”是指3个层面——企业，企业上面的供应链、产业链和生态链，以及在这上面的行业管理和宏观经济。

第二个“3”是指每个企业都有的3个过程——生产，使用，以及发展中的经营效益。

从企业的角度看，工业大数据是在一个企业的设计、创新、生产、经营和管理决策过程产生、使用和转型升级过程需要的信息之和。所以最小的圈是企业，一个企业从开始到生产线到设计、到工艺过程、到人，一直到管理、决策、市场、服务，像这样的环节都在使用。

从供应链、产业链和生态链的角度来看，工业大数据是供应链、产业链和生态链产生、使用和需求的各类信息之和。这三个链之间很难一刀断开，因此，我也是从一个概念来看。所以，制造业也好、工业企业也好，整个过程是一个链环周。这个链不仅是一个企业，更重要的是政府机构、研究机构，需要把控和研究如何追求制造业前两环的优化。所以我们看到了超越一个企业的生存、使用和发展需求的新工业数据。

从行业管理和宏观调控的角度来看，工业大数据是工业行业管理和宏观调控产生、使用和需求的各类信息之和。每一个行业的管理都需要工业大数据，在工业行业又生存了很多企业，做好工业数据管理需要这样一个链条，所以“3+3”构成了工业大数据的外延，每一个环节，使用的和需求的中间是交集，这样才对工业大数据的发展提供了基础。

数从何处来？工业大数据溯源

工业大数据从哪里来？来源于产品生命周期的各个环节，包括市场、设计、制造、服务、再利用各个环节，每个环节都会有大数据。“全”生命周期汇合起来的数据更大。当然，企业外、产业链外的“跨界”数据也是工业大数据“不可忽视”的重要来源。

工业大数据的主要来源有三类：

第一类是生产经营相关业务数据。

主要来自传统企业信息化范围，被收集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（PLM）、供应链管理（SCM）、客户关系管理（CRM）和环境管理系统（EMS）等。通过这

些企业信息系统已累计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。

第二类是设备物联数据。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

和产品快速产生的并且存在时间序列差异的大量数据。

第三类是外部数据。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。

中国工业大数据发展简史

目前我国工业技术进步速度较快，发展势头良好，但实现向工业大数据、智能制造模式

转型依旧存在很多的困难。经过近十几年的科技创新和设备改造升级，国内制造业信息化水

平较上世纪末有了较大提升，但与发达国家相比仍有较大差距。在大数据的应用上面，与徐

工集团、三一重工、红领集团这样能够成熟应用工业大数据技术的企业相比，大多数的工业

企业尚未对工业大数据技术形成明确的认识和技术上的应用，工业大数据的落地推广依旧存

在很多的瓶颈，离工业大数据孕育工业应用生态的发展态势还有很长的路要走。

　2014年，中国电子技术标准化研究院开展工业大数据相关研究，承担工业大数据等多项智能制造专项，相关成果不断向江苏省等地方推广应用。

　　2015年8月，中国工业大数据创新发展联盟在工信部指导下成立，主要研究制定工业大数据创新发展指导意见，交流展示两化融合发展的成功经验。

　　2015年12月，工信部、国标委联合发布的《国家智能制造标准体系建设指南(2015年版)》，指南中确定工业大数据属于智能制造标准体系五大关键技术之一，并定义了工业大数据标准。

2016年8月，工业互联网产业联盟(AII)工作组第二次全会在北京成功召开，会议审议了联盟总体组工业大数据等三个特设组。

　　2016年9月，工信部和北京市经信委指导成立北京工业大数据创新中心，致力于打造核心技术突破、应用推广、标准制定、产业孵化、人才培养和国际合作六位一体的工业大数据产业协同创新基地。

　　2016年10月，清华大学数据科学研究院成立了工业大数据研究中心，实现跨信息学科与工业学科的大数据研究融合，旨在打造自主创新的工业大数据平台。

2016年11月，在工信部指导下，中国电子技术标准化研究院联合智能制造相关领域的系统解决方案供应商、行业用户和研究院所共同发起成立智能制造系统解决方案供应商联盟。

　2017年1月17日，国家发布了《关于印发大数据产业发展规划(2016-2020年)的通知》，该规划指出，要加快工业大数据基础设施建设，推进工业大数据全流程应用，培育出数据驱动的制造业新模式，为工业大数据的发展指明了方向。

　　2017年2月：中国电子标准化研究院(四院)和全国信息技术标准化技术委员会大数据标准工作组作为主编单位联合发布了《工业大数据白皮书(2017版)》。这可称得上是国内第一部在工业大数据领域的总结梳理报告。

为何发展工业大数据？三个层面一个需求

为何要发展大数据？从三个由小到大的层面，加上一个需求，来看一下工业大数据的作用和意义。

第一个层面——企业。

工业大数据为企业全过程设计、创新、生产、经营、管理、决策服务，为企业的发展战略和目标的实现服务。

第二个层面，供应链、产业链和生态链。

从供应链、产业链、生态链来看，不管是CSM的生产圈，还是一个特定产品制造过程的供应链，或是一个完整生产过程的分析，工业大数据都是为了它的形成和优化。

第三个层面，行业管理和宏观调控。

工业大数据要满足行业和宏观决策调控的实际需求，提高行业和宏观经济管理决策质量、能力。政府的行业管理对于供应链、产业链、生态链、商业链、价值链有着非常重要的作用，但是政府的宏观调控超越了这样的链环本身，我们要对经济发展面临的重大问题作出回应，甚至回答制造业如何来应对这样的问题。所以从这个行业来看重要的是行业发展战略，而到宏观调控的时候，不但要从行业的发展战略，还要从整个经济发展去看这些问题怎么解决？这就需要信息。

第四个层面，工业转型升级。

工业大数据是为了一个个企业、行业、装备、工艺、生产线、供应链的转型升级服务。先进制造业、工业4.0、智能制造，以两化融合和智能制造为重点的中国制造2025，都是工业转型升级模式的未来方向。原来我们的3.0工业，是以装备和生产线为核心的自动化，而4.0的智能化是把这两个过程自动化和数据自动化结合在一起。

工业大数据如何助力制造业转型升级？

制造业存在着哪些主要问题：

1、在数据生成环节，主要存在跑冒滴漏和非标准的问题；

2、在数据利用环节，主要存在数据不足、质量不高、各个环节协同存在制度、核算、标准等大量障碍；

3、在发展需求环节，主要存在缺乏预见性、缺乏有效的模型和工具、缺乏制度和标准规范等问题。

要想建设好、应用好大数据，首先要解决这三个问题：

首先是建设。把大数据作探矿、采矿、炼矿、用矿，实际上探矿和采矿就是建设好信息，可以从三个纬度四个方面来建设好信息。三个纬度首先是发现，然后才可以按照应用需求结合起来。

第二要有制度，要有标准，要实现系统之间的互操作。同时我们还要发现、收集、组织，来提升系统性、完整性、及时性、准确性。这是建设好、运用好。

最后，要特别注重取得实效、最佳实践和理论研究。

1、要特别注重实效。因为今天的大数据，每一个环节的形成都有它的实效，这件事情从开始到做完以后，效果究竟是什么？有很多企业家，当你用大数据对你企业各个环节进行改善提升的时候，你首先第一条要把提高效率放在首位，这是关键，而且对于制造业来说，要永远把利润率放在最重要的位置。当然，工业大数据不能直接用钱来算，有的环节是企业老板在管理上、服务上提效，但是这个效果必须是可测量的，不管是定性的还是定量的。

2、要特别注重最佳实践。i5数控机床，从开始研发到今天位列智能数控机床试点领先的行列，花了十年的时间。为什么前面几年没有成功？就是因为数据缺失。缺什么数据？高端数控机床为什么长期被国外控制？数控机床的技术为什么那么长时间没有克服？因为不管是材料的发展，还是装备的发展，都没有数据，没有实践过程中的数据，它是发展不起来的。接下来是模型怎么建，也需要数据来支撑，但是原来由于高端数控机床都由国外来控制，我们没有数据。另外，它在这个过程里面还倡导商业模式，这个机床是按服务钥匙收费。所以它又变成了今天最新最热门的制造行业分享。这显然是一个最佳实践，这里面工业数据是极其重要的。

3、要注重理论的研究，注重方法、制度创新的研究。在这个过程中，需要对制造业发展的趋势、特征，工业大数据的内涵外延，工业大数据建设和利用的系统方法，工业大数据质量保证、协同发展、制度创新等等一系列问题进行研究。

工业大数据应用案例

发展大数据是个过程，最终目的是为了利用大数据，对工业企业起到作用。因此，企业需要冷静思考，坚持以业务应用为驱动，才能最大化实现数据价值。

　　企业所积累的数据量以越来越快的速度在增加，很多企业也就顺势将大数据技术引入企业的生产经营中。大数据在工业企业的应用主要体现在三方面：

　　一是基于数据的产品价值挖掘。通过对产品及相关数据进行二次挖掘，创造新价值。

　　日本的科研人员日前设计出一种新型座椅，能够通过分析相关数据识别主人，以此确保汽车的安全。这种座椅装有360个不同类型的感应器，可以收集并分析驾驶者的体重、压力值，甚至坐到座椅上的方式等多种信息，并将它们与车载系统中内置的车主信息进行匹配，以此判断驾驶者是否为车主，从而决定是否开动汽车。实验数据显示，这种车座的识别准确率高达98%。

二是提升服务型生产。

提升服务型生产就是增加服务在生产（产品）的价值比重。主要体现在两个方向。一是前向延伸，就是在售前阶段，通过用户参与、个性化设计的方式，吸引、引导和锁定用户。比如红领西服的服装定制，通过精准的量体裁衣，在其他成衣服装规模关店的市场下，能保持每年150%的收入和利润增长，每件衣服的成本仅比成衣高10%。

二是后向延伸，通过销售的产品建立客户和厂家的互动，产生持续性价值。苹果手机的硬件配置是标准的，但每个苹果手机用户安装的软件是个性化的，这里面最大的功劳是APPStore。苹果通过销售苹果终端产品只是开始，通过APPStore建立用户和厂商的连接，满足用户个性化需求，提供差异性服务，年创造收入在百亿美金。

　　三是创新商业模式。商业模式创新主要体现在两个方面，一是基于工业大数据，工业企业对外能提供什么样的...

“真正的大数据不是有了数据，把这些数据接入之后存起来就可以了，真正要做的事情是智能分析和智能决策，通过在两化融合的基础上构建的智能分析优化系统“工业大脑”，进行相应的智能决策。”

近年来，工业大数据逐渐从概念走向落地阶段，数据基础较好的一些细分工业领域，已经在利用新兴的大数据等技术创造价值。昆仑数据科技公司首席运营官陈晨阐述了大数据如何推动中国工业转型升级、产业变革，以及工业大数据的特点难点，行业中面临的挑战和实施路径。

图：12月26日，清数大数据产业联盟与清华校友总会AI大数据专委会（筹）共同主办的清数思享会系列活动首次在天津武清举办。陈晨在会上做了相关分享。

大数据文摘对本次分享的精彩内容进行了整理，在不改变原意的前提下有删改：

工业革命的关键技术要素是工业大数据。各个产业大国都面临着从传统制造业向制造服务业转型的压力。美国的应对方法是工业互联网革命，德国提出实施工业4.0战略，我们国家提出“中国制造2025”战略规划。美国的工业互联网侧重于用互联网激活传统工业带动产业变革，关键是通过大数据的分析能力实现智能决策。德国4.0的本质是基于“信息物理系统”实现“智能工厂”标准化，”中国制造2025”战略将工业互联网和智能制造两者进行有机的结合。

面对新一轮的工业革命，要以信息化和工业化的深度融合为基础进行智能化升级。真正的大数据不是有了数据，把这些数据接入之后存起来就可以了，真正要做的事情是智能分析和智能决策，通过在两化融合的基础上构建的智能分析优化系统“工业大脑”进行相应的智能决策。这些智能分析与决策离不开原有的信息化系统和自动化系统的支撑，更离不开产生这些数据的实体设备与装备。工业大数据的来源其中一部分是生产经营领域的数据，另外很大一部分则是生产设备和生产出来的高端产品与装备在运营过程中产生的机器数据。基于这些数据集成实体运行所在环境数据，在信息管理系统和自动化系统基础之上，构建具备智能分析优化能的大数据系统 ，达成提质、增效、降耗和控险的目的。

工业大数据可以分为三类，一部分是工业物联网数据，比如生产设备、智能产品、复杂装备24小时不断产生的数据。一部分企业信息化数据，同时还有很重要的一部分数据是外部跨产业链的数据，包括设备在运行过程中所处的环境数据，比如气象数据、地理数据、相应的环境数据，这三种数据合计才能称之为工业大数据。

工业大数据的挖掘就是把工业物联网数据与跨产业链数据以及企业信息化数据相结合，把分散在企业各个角落里的数据进行整合，挖掘这些数据融合所能产生的价值。

工业大数据的特点：多模态、高通量以及强关联

多模态。

在工业系统里数据种类、数据格式以及数据结构非常多，结构关系复杂。一个汽轮机里面会有上万个零部件，一个复杂装备的制造企业，它的数据种类多达三百余种，所以在工业领域里会存在数据多模态特征。

高通量。

即无论是生产设备还是智能装备有可能是24小时不间断产生数据的，我们以分、秒的频率采集数据，在很多应用场合甚至是毫秒级的数据。这些数据的数据量非常大，海量的设备与测点，数据采集频度高、数据吞吐总量大、数据的实时性要求高，呈现出工业大数据的“高通量”特征。

强关联。

真正做一个产品设计的时候，它涉及到学科与专业是非常多的，比如设计复杂装备的时候，不仅仅是涉及到结构分析，流体力学、声学、动力学、电磁辐射等等各个学科的数据都要进行关联。数据之间的“强关联”反映的就是工业的系统性及其复杂的动态关系。

基于工业大数据的特点，工业大数据的数据分析与消费互联网领域里的数据分析是有相当大的差别的。消费互联网大数据的分析对象更多的是以互联网为支撑的交互，工业大数据实际上是以物理实体和物理实体所处的环境为分析对象，物理实体就是我们的生产设备以及生产出来的智能装备及复杂装备。在商业数据里面关注数据的相关性关系，但是在工业领域里面一定要强调数据因果性，以及模型的可靠性，一定要提升分析结果的准确率才能把分析结果反馈到真正的工业控制过程中。

工业大数据面临的挑战

企业应用工业大数据面临的技术挑战。企业普遍面临数据基础薄弱的境况，企业收集的数据不够，甚至没有数据。企业真的要在数据转型有战略上的调整，它才会有较大的投入，如果它没有这种战略规划的时候，很难负担得起专业数据人才的成本。市场上也缺乏工业大数据所需的复合型人才。另外每个工业领域里都有独特的知识领域和机理形成的行业门槛，没有一个普适性的解决方案可以在工业领域里通用。行业解决方案，只会对某一个行业才能发挥相应的价值。

企业应用工业大数据面临的管理挑战。很多合作伙伴或者客户初期并不知道数据和业务问题之间怎么关联，怎么和业务结合都不清楚，不知道数据到底能不能解决业务问题。有的企业有应用工业大数据的愿景，但是业务与工业大数据的实施路径都没有统一。

大数据不仅仅是物联网数据采集与存储，包括数据的管理、分析与反馈，需要在数据生命周期内构建一个闭环系统，构建这个闭环需要一个过程，不可能一蹴而就。同时，大数据的应用会涉及到企业内部管理流程和经营理念的变革,工业大数据是把工业领域内三类数据进行融合应用，真正发挥大数据的价值的场景不仅是智能制造，同时也包括产业互联网里业务模式创新，所以相应的经营理念和管理机制都要发生变革。这是企业在管理方面面临的最大的挑战。所以有时候大家会看到，工业企业的大数据应用甚至都不仅是一个企业的CIO所能牵引的，这需要整个企业在战略层面去推动，要有明确的数据驱动的业务战略规划。

工业大数据的业务落地

通常来讲，在与企业规划工业大数据业务落地可以从两个维度与企业一同进行思考。一方面是从业务驱动角度来看，要思考企业的整体业务目标是什么，为了实现这个业务目标要做什么样的转型以及哪方面的能力提升，具体的业务提升和转型方向是什么；为了实现业务目标，理想的业务流程是什么，如何让这个流程跟数据流进行相应的结合和映射。这是一个由上而下的思考过程，是企业的高层管理者、战略管理者进行思考并牵引，通过中间管理层完善与丰富，最后落地实施的过程。很多时候大数据应用确实可以解决业务问题，但也可能解决不了所有的业务问题。大数据应用真正帮助企业的不仅仅是在于具体业务问题的解决层面，它是要让企业构建对数据驾驭的能力，当企业具备了这种能力后，才能够真正让企业在内部的生产管理、对外的经营模式上产生变化，真正形成持续的创新与应用的能力。

如何利用数据进行驱动。第一是去看现在手里有什么样的数据，这些数据从哪儿来，如果没有这些数据要怎么收集，以及这些数据的特点到底是什么，是时序数据、时空数据、智能产品产生的数据、生产设备产生的数据，数据量到底有多大；第二是对这些数据有了了解以后，这些数据怎么保存、管理、使用，另一个比较重要的则是数据质量怎么保证。第三是用什么样的系统、什么样的工具保证数据存储、数据管理、数据处理？同时这些数据到底如何进行集成、关联，不仅仅要把设备产生的数据拿来进行分析管理，还要在分析过程中关联周边的环境数据、地理数据等跨界数据。

工业大数据价值实现的场景

工业大数据应用场景主要可以归纳为两个场景，一个是围绕制造全生命周期的业务创新即先进制造，通过大数据驱动的创新产品设计、智能制造、智能服务，实现“提质、增效、降耗、控险”，达到提升企业在行业内竞争力的目的；另一个是产业互联网新业务创新（制造+互联网）：以智能联网的工业产品为载体承载服务产品周边生态系统的产业互联网业务，达到开创新兴市场和业务模式的目的。

工业大数据应用案例

工业大数据在工程机械领域应用案例。

工程机械设备大都在野外作业，作业环境恶劣，作业工况复杂。基于工程机械大数据解决方案实时监测设备状况，实现对设备的预防性维修及服务，在设备发送故障前，主动预警并触发维保方案， 基于设备运行状况大数据分析，为企业带来新的决策创新-助力企业准确判断市场热度、实现产品精准营销、产品改进和企业风险管控。

工业大数据在风电领域应用也体现出巨大的价值。基于工业大数据分析平台，从故障预警、运营优化等方面着手挖掘大数据价值，取得明显成效。风机的设计/仿真数据、运维档案、风机状态监测数据、测风塔观测数据、气象数据、地理信息等风电数据资源池统一整合到工业大数据分析平台，通过装备智能化、供应链协同、跨生态整合三条路径，逐步实践风电装备制造的数字化升级。在既有业务提质增效的基础上，进一步驱动产业互联新业务。

【干货分享】智造+V课堂:第83期|资深工业互联网专家、云鼎奖获得者聚力分享《工业物联网和工业大数据助力企业实现智能制造》

工业物联网作为制造业智能化的核心部分被称之为智能制造的神经系统。而工业大数据又是智能化的来源，未来制造企业的运营过程，或者说产品的全生命周期都将由大数据串联起来。那么大数据和工业物联网是如何共同助力企业实现智能智造呢？

第83期【智造+V课堂】分享嘉宾：北京寄云鼎城创始人兼CEO时培昕博士

作为互联网专家，时博士就“工业大数据和工业物联网如何助力企业实现智能制造”的主题带来精彩分享！

个人简介

北京寄云鼎城科技有限公司创始人兼CEO；

企业级云计算联盟 副秘书长；

2003年毕业于北京邮电大学，信号与信息处理专业博士；

2003年-2005年，北京万林克通信技术有限公司任硬件经理；

2005年-2013年，汉柏科技有限公司联合创始人、历任研发总监，研发中心总经理，战略产品中心总经理，海外技术总监，汉柏研究院院长；

2012年，任《信息安全与与技术》杂志编审委员会成员 。

行业成就

时培昕博士是国内最早从事云计算和大数据相关领域研究的人员之一，拥有长达15年的管理和创业经验。

目前带领所在公司团队研发的寄云工业物联网平台的发布填补了国内该领域的空白，是国内首个世界级、拥有独立自主产权的平台。

在汉柏工作期间，组建研发团队，开发包括防火墙、安全网关、防火墙、流控，此外负责新产品策划和大项目支持，承接过多个大型云计算数据中心和大数据项目的设计和建设，对计算机网络、网络安全、计算和存储、虚拟化、云计算以及大数据有着多年丰富的项目咨询和实施的经验。

凭借多年企业市场的产品开发和服务经验，以及雄厚的技术积累，时培昕博士率领众多技术专家和行业专家，发布了从设备端到服务器端的整体工业互联网平台解决方案，包括工业网关、工业物联网平台、工业大数据平台和工业云平台。

荣获奖项

2015年4月，荣获商业伙伴颁发的方案商创新人物奖；

2015年12月，荣获赛迪网颁发的2015 SaaS行业最具影响力人物奖；

2016年4月，再次荣获商业伙伴颁发的2016中国方案商领袖人物奖；

2016年9月，荣获云鼎奖-中国最具影响力人物奖；

2017年4月，入选2017未来人物100名；

2017年4月，连续第三次荣获2017中国方案商精英人物奖；

分 享 主 题《工业物联网和工业大数据助力企业实现智能制造》

原文实录

先简单介绍一下寄云科技，寄云科技还是一个比较年轻的公司，我们成立4年左右的时间，我们主要是在给大型的工业企业的客户和一些不同行业的企业提供数字化转型的解决方案，我们更关注怎么用先进的IT技术去解决一些OT的问题。我们现在的业务单元主要是在北京、上海和西安三个地方，我们服务的行业也包括轨道交通、电力能源、航空航天，还有包括一些装备制造。

现在各方面都有一些非常多的新技术出现，会给整个工业带来一些新的冲击。这里面我们看得见的，跟工业紧密相关的是一些新的技术，包括工业物联网联接不同的工业设备，采集工作设备传感器的数据实现边缘计算，也包括工业大数据，通过存储海量的历史数据，实时地分析海量的工业数据掌控设备当前的状况，洞悉设备历史的趋势。

同时，也会包括一部分人工智能的话题。比方说，怎么去找到问题的相关性，怎么从历史数据里面去学习一些异常的模型来去实现对当前状态的一个判决。包括怎么对一些关键指标实现人工智能的一些预测和判决。云计算主要是指能够提供很多便利的一些手段和便利的一些资源，包括怎么在任何时间、任何地点来使用，以及怎么去弹性扩展、按需使用的一个方式。

从大的角度来说，大家也都理解未来的制造一定是一个数据驱动的智能制造。左边这张图其实是一个大家比较耳熟能详的一套数据流程，但是它是以控制为目的的，从传感器的数据采集到PLC这种控制系统，实现简单地一些存储和一些告警，然后再上到生产管理系统，再上到企业的经营管理系统，一直到上面最上层的决策系统，所以它实现的是从最原始的数据到到最高层价值的一个体现。

其实我们看得见是从最原始的数据到最终展现，它是需要一层一层往上传递的，但原有的系统由于它是以控制为目的的，所以它在以数据采集，包括数据分析都是以控制为目标的，实现的数据采集的量，包括准确度，包括范围可能都有一些限制。

我们现在看得见更多还是希望通过这些原始的数据能够发现更多的价值，这个价值包括一些设备的故障诊断，包括性能的优化，包括能效的一些分析，这些价值的原始数据都是来自于最原始的控制系统和传感器的这些数据。

关于工业企业的大数据平台，我这里给了一些规划的建议图，大家可以做一些参考。其实左边这一列是大家都比较熟悉的一些，从最基本的生产作业的管理MES、DCS、FCS这些控制系统里面做的一些控制逻辑提取来的数据，再上升到企业的经营管理、运营管理的过程中，需要的供应链管理，相应的决策经营管理，包括整个物料的管理。再上到最上层其实就是相当于企业内部流程的管理，包括财务，包括人事，包括绩效这些。但这些业务系统其实跟我们要做的工业大数据分析并不冲突。我们更多还是希望从左边业务系统和控制系统中，从更多地维度来去提取有效的数据，来形成右边工业大数据的一个平台，把它所有的数据注入到我们一个大的平台里面，采用不同的模型，建立不同的指标，包括基于不同主题来去构建相应算法和模型来实现可视化。

通过这种数据分析能创造什么样的价值？可以用在哪些应用场景呢？我们看得见，主要还是在三段：设计、制造、运维。

在设计端其实大家讨论得比较少，主要还是针对一些提升设计质量，包括一些模拟仿真，包括实验数据管理这些，我们接触得也相对比较少一点。我们在做的更多一个范畴其实还是集中在后面两块，制造和运维。在制造这一端，我们可以从很多的生产数据里面提取出来有效地数据来实现一些质量的改进，产线地优化，包括一些供应链协同的，包括效能提升的一些事情。

在运维端主要是针对一些大型地工业设备，其实我们现在在提的比较多PHM，也就是预测和健康管理。通过采集这种大型工业设备的运行数据来实时地评估设备当前的工作状态，以及提前的预警来保证这种大型装备不要出故障，不要出现一些非计划的停机，最终实现效能的提升，这是运维端要考虑的事情。我就拿几个例子来简单给大家展开分析一下。

第一个例子，其实是我们在做的一个整车厂质量追踪的问题。这个整车厂其实是在生产的过程中发现有一些问题，它因为从上游的零件大概过了三天之后才能到总装的车间，但是到了总装车间的时候会发现有一些部件缝隙过大的情况，但是因为它在整个生产流程的过程中，上百个环节里面，都按照标准的SOP的方式来去操作，所以它非常想知道最终缝隙过大的情况到底是由什么造成的。我们找客户摇了整个生产过程中产线采集下来的数据，总共9个测量的参数和不同维度的一些数据。

这一块其实有9个测点，每个测点大概有X、Y、Z，三个不同方向的一些误差测量。我们其实也是把这些数据采集下来，首先做了一个前后的对齐，因为它有不同批次。之后我们又做了一个关联矩阵的分析，找到最终的测量数据是和之前的哪一个测点的数据是相关的，最终得到了一个判决结果，也就是导致缝隙过大的质量问题其实是由三个测点的数据造成的。对于客户来说，你在整个三天的过程中，你只要能够实时地监测这三个测点，而不用监测全部九个参数，构建一个异常模型，就可以监控加工过程的质量。一旦我们实时的数据跟这个模型出现一些偏差，我们就可以提前预知到这个设备已经出现了缝隙过大这样的情况，我们就可以提前把这个设备给停下来，而不用到最后一步才采取措施。

第二个案例，风力发电机叶根螺栓断裂的分析。风力发电机大家其实也都知道，一般都是在野外几百公里之外，客户每巡检一次他都会发现风力发电机的叶片有一些都已经掉下来了，但什么时候掉的，其实他并不知道。

有些叶片都已经掉下来了，但什么时候掉的其实他并不知道。掉的原因客户也都知道，叶片根部会有一些螺栓，螺栓在旋转的过程中都出现一些松动，当掉1-6根的时候螺栓叶片还可以修，但是超过6根之后，螺栓基本上会出现一个加速损坏的过程，直到叶片断下来。每次维修叶片的费用基本上是在几十万到几百万不等。

我们自然会想能不能给螺栓加一个传感器来监测这个螺栓什么开始断的，其实这个比较比较难。因为螺栓实在是太多了，每个风机上大概有150个螺栓，加传感器的成本是实在太高。我们就给客户建议，是不是能够通过传感器本身的风机上带来各种各样的数据来推测螺栓断裂的情况呢？正好风机现在有很多的传感器，包括机舱角度、轮毂的转速、风速、变桨角度，这些大概总共有几十个指标，我们就拿过来做分析。

我们在这上面做的事情其实就是包括下面几步了，首先我们从历史的数据里面提取一些特征，然后构建一个正常和一个异常的模型，把其他故障风机的数据输入到模型里面，来去根据模型去做判决，来去确定故障发生的时间，在这个上面去预测故障发生的未来趋势。

这张图其实是一个原始的数据。大家可以从图上可以看到，从2016年5月16日到6月15日，如果从单一变量或者组合变量这个逻辑上来说，其实你是看不出来有太大的规律，每个信号在这段时间内表现的现象前后没有什么差别。

但是我们把这个变量全部送到模型之后，我们得到的判决结果是非常惊人的。这个判决结果在我的红框这一段范围之前，大家也都看得见，这是一个1的判决，就是说明它是一个正常的状态。在红框的范围之后，是一个0判决，零判决是一个故障的状态。这个判决其实非常明显，我们做的过程其实就是拿历史数据训练出来一个故障模型，基于这个模型去对设备实时的数据进行判决，根据这个模型的判决结果和历史之间的偏差，它相应的分布来去决定这个设备当前状态是一个正常状态，还是一个故障状态。

第三个案例，我们叫做故障关联性的分析。这个案例是整车的一些维修记录的分析，我们的目标是从长达十多年的故障维修记录里面找到故障的关联关系。大家可以看左边的这个图，所有的结点代表了一种不同类型的故障，故障和故障之间会有一定的关联关系。通过调整每一个结点，你把鼠标移到这些结点之上呢，你都可以看见这个故障是和什么样的故障相关。比方说，雨刷只和玻璃相关，但是玻璃又和非常多的部件相关。在这个过程中，我们可以调整过滤的关联门限值，我们发现了最Top的两个故障是一个通讯设备的故障和一个探照顶灯的故障，也就是照明系统的故障。在原厂的设计过程中，不可能预测到照明系统和通信系统之间有很强的故障关联性。我们用这种大数据的方式帮他去找出关联关系，客户自己去找的原因，最后发现其实是在组装的过程中，把不同的线捆在了一起，这就造成了它两种不同的故障之间伴随高频次发生的概率。

还有一个案例，其实也是故障分析的方式。我们其实是把大量的故障，根据他的时间轴上做了一些切片。切片然后之后，找出来每一个故障的前序和后续发生的一些事件，相当于来做故障的溯源，分析这个故障产生的路径。你可以看这张图，其实是风机故障的图，我们叫Spath。你根据最右边出现的一个故障，你可以往前去推这个故障，比方说，产生1000种这样的故障有多少个？有500个是由故障造成的？这500个故障又是由一个什么样故障造成的？你可以按照这种方式时间轴来去推测这个故障发生的路径，这其实是帮助维修和分析人员能快速来找到故障产生的原因。

前面提到的各个不同的案例，其实还是主要还是数据分析，我也是想让大家看得见，通过数据分析能够解决很多质量包括运维层面，很多我们以前解决不了的一些问题。但是这个问题怎么从数据来发现价值呢？其实它要有很长的链条，我们把它分成了几段，一个是数据采集，一个是数据存储，一个是数据分析还有性能的预测，包括应用开发出来一个可视化的应用。

我们说这几个环节大家都理解，但是是大家都会面对很多的难题。首先说数据采集，工业数据采集的时候都会涉及到不同的设备，不同的封闭的协议，不同的接口，海量的测点你怎么去采集，包括很多的恶劣的工况，你的数据怎么去传回来。

同样在工业这种传感器的数据、工业设备的数据的存储上面也存在很多问题。

第一，它的测点非常多，采集的点也非常多。无论是采集的方式还是存储的介质都非常多样，同时量也非常大。对存和查的性能压力也非常大。因为海量的数据，特别是大型的设备都希望有一个长达数年的存储周期，但原有的控制系统并不是以分析为目�...

“根据IDC此前的EMC数字宇宙研究显示，平均仅5%的大数据得到分析。” NI（美国国家仪器，National Instruments，简称“NI”）工业物联网行业市场经理崔鹏在前不久举行的2017 NI工业物联网高峰论坛上谈到相较于 22 ×2 60 字节的大数据总量，5%无异于冰山一角。而作为一种新的资产、资源和生产要素，工业大数据是工业物联网的核心，更是中国制造业转型升级的重要战略资源。

公司信息:

NI--美国国家仪器公司

阅读全文

工业大数据最基础的工作当然是数据采集，没有数据，一切跟大数据相关的技术、应用都是空中楼阁，那么，工业大数据的采集和传统的互联网大数据采集有哪些不同，又会涉及到哪些技术呢？今天我们就来聊一聊。

在谈工业大数据采集之前，先看看都有哪些类型的工业数据需要采集。互联网的数据主要来自于互联网用户和服务器等网络设备，主要是大量的文本数据、社交数据以及多媒体数据等，而工业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。这些上一部分我们已经基本谈到了。在此不再赘述。

那么这些数据从类型上能分为哪些类型呢？主要包括以下几种：

1、海量的Key-Value数据。在传感器技术飞速发展的今天，包括光电、热敏、气敏、力敏、磁敏、声敏、湿敏等不同类别的工业传感器在现场得到了大量应用，而且很多时候机器设备的数据大概要到ms的精度才能分析海量的工业数据，因此，这部分数据的特点是每条数据内容很少，但是频率极高。

2、文档数据。包括工程图纸、仿真数据、设计的CAD图纸等，还有大量的传统工程文档。

3、信息化数据。由工业信息系统产生的数据，一般是通过数据库形式存储的，这部分数据是最好采集的。

4、接口数据。由已经建成的工业自动化或信息系统提供的接口类型的数据，包括txt格式、JSON格式、XML格式等。

5、视频数据。工业现场会有大量的视频监控设备，这些设备会产生大量的视频数据。

6、图像数据。包括工业现场各类图像设备拍摄的图片（例如，巡检人员用手持设备拍摄的设备、环境信息图片）。

7、音频数据。包括语音及声音信息（例如，操作人员的通话、设备运转的音量等）。

8、其他数据。例如遥感遥测信息、三维高程信息等等。

那么，对如此海量的工业数据进行采集，主要有哪些技术难点呢？主要包括以下几方面：

1、数据量巨大。任何系统，在不同的数据量面前，需要的技术难度都是完全不同的，我们设计一个数据采集软件，如果每秒采集1000条，我相信大部分程序员都可以很好地完成这个工作，如果是10W呢？1000W呢？甚至几十亿呢？如果频率提高到ms级呢？这就是技术难度非常复杂的任务了。

如果单纯是将数据采到，可能还比较好完成，但采集之后还需要处理，因为必须考虑数据的规范与清洗，因为大量的工业数据是“脏”数据，直接存储无法用于分析，在存储之前，必须进行处理，对海量的数据进行处理，从技术上又提高了难度。

2、工业数据的协议不标准。互联网数据采集一般都是我们常见的HTTP等协议，但在工业领域，会出现ModBus、OPC、CAN、ControlNet、DeviceNet、Profibus、Zigbee等等各类型的工业协议，而且各个自动化设备生产及集成商还会自己开发各种私有的工业协议，导致在工业协议的互联互通上，出现了极大地难度。很多开发人员在工业现场实施综合自动化等项目时，遇到的最大问题及时面对众多的工业协议，无法有效的进行解析和采集。

下面这张图是我从网上找到的一张工业协议的汇总图，其实这仅仅是众多协议中的一部分。

3、视频传输所需带宽巨大。传统工业信息化由于都是在现场进行数据采集，视频数据传输主要在局域网中进行，因此，带宽不是主要的问题。但随着云计算技术的普及及公有云的兴起，大数据需要大量的计算资源和存储资源，因此工业数据逐步迁移到公有云已经是大势所趋了。但是，一个工业企业可能会有几十路视频，成规模的企业会有上百路视频，这么大量的视频文件如何通过互联网顺畅到传输到云端，是开发人员需要面临的巨大挑战。

4、对原有系统的采集难度大。在工业企业实施大数据项目时，数据采集往往不是针对传感器或者PLC，而是采集已经完成部属的自动化系统上位机数据。这些自动化系统在部署时厂商水平参差不齐，大部分系统是没有数据接口的，文档也大量缺失，大量的现场系统没有点表等基础设置数据，使得对于这部分数据采集的难度极大。

5、安全性考虑不足。原先的工业系统都是运行在局域网中，安全问题不是突出考虑的重点。一旦需要通过云端调度工业之中最为核心的生产能力，又没有对安全的充分考虑，无异于“傻白甜”彻底暴露在“猥琐男”面前！一旦造成损失，是难以弥补的。2015年，受网络安全事件影响的工业企业占比达到30%，因病毒造成停机的企业高达20%。仅美国国土安全部的工业控制系统网络应急响应小组(ICS-CERT)就收到了295起针对关键基础设施的攻击事件。不久之前，德国一家钢铁厂遭受高级持续性威胁(APT)网络攻击，导致工控系统的控制组件和整个生产线被迫停止运转，损失惨重。前一段时间的半个美国网络瘫痪，对于工业来说也算是“警钟长鸣”。

因此，在选择工业大数据的采集方案时，一定要慎重选择，不要迷恋新技术，更多的要考虑安全、可靠、稳定，毕竟工业领域出现问题是有可能造成无法挽回的损失的。

工业大数据一般如何进行处理呢？我画了一个相对通用的架构图来解释一下：

工业大数据在业务逻辑大的分层上和互联网大数据类似，一般都分为三部分，数据采集层、数据处理层和数据展现层，当然，具体到一个实际案例中，或者说根据不同的应用场景，可以划分为更多的层次，比如数据处理可以分为元数据管理层、数据交互层、数据分析层等等，如果你有兴趣，可以把大数据划分为N层。在分层的同时，还有许多同等重要的事情，例如安全保障、运维服务、测试规范等等，要都说清楚，基本也就搞不清楚工业大数据是怎么回事了。所以我们今天只讨论通用的、简化的、适用于一般场景的架构，而且仅仅是业务和逻辑层面的，技术层面的我们后面再详细说明。

工业大数据系统非常重要的，也是基础的层次是数据采集。没有数据采集，所有的强大的、华丽的、技术非常NB的各种东东只能躲在黑暗里哭泣，英雄无用武之地。在这一层，也是工业大数据与互联网大数据差异非常大的一层，互联网大树的数据采集主要靠用户的各种操作，例如网页浏览、系统登录、信息的互动、鼠标的点击等，而工业大数据的数据来源更加多种多样，最基本的是用于采集各类工业信号的传感器，通过传感器的采集，可以获得机器设备的运行状态、环境的指标、操作人的操作行为等各类信息。除通过传感器采集的信息，还包括现场的视频信息，各类图像设备拍摄的图片（例如，巡检人员用手持设备拍摄的设备、环境信息图片），语音及声音信息（例如，操作人员的通话、设备运转的音量等），遥感遥测信息等等，这些信息都是通过各类设备传输的。除此之外，还有操作人员手工录入的各类信息，采集软件抓取的企业内网的信息、互联网上与企业相关的信息等等。这些信息共同构成了数据采集的来源。

数据采集领域也是自动化和信息化交叉最多的领域，其实也是一般IT从业人员比较头疼的领域，跨学科嘛，哈！

数据采集结束后，就进入了数据处理阶段，这一阶段，软件人员就可以大显身手了，大部分技术都和互联网大数据技术差不太多。通常，我们会对采集到的数据先进行一定程度的处理，各类工业协议需要解析、视频流需要解码、语音需要识别等等，识别处理好后再对数据进行规范、清洗，洗刷刷完成后，干净数据才好用。需要立即处理的数据，例如报警、监测等，直接送到实时处理系统中进行处理，不着急的非急诊数据请进入仓库，按照类型存起来先。然后慢慢分析加工。存储可能会用到多种数据库，包括工业实时数据库、关系型数据库、地理数据库、分布式数据库、非关系型数据库、内存数据库等，这些数据库的整合、管理、链接又是工业大数据的一个难题，这个我们放到后面详细谈。今天先聊宏观。

洗干净、切成块、冷冻好的红烧肉，啊，不是，存储好的工业数据如此之海量，怎么推送给用户就成为数据可视化层要干的事情了。数据可视化最近也比较火，原先做报表的，现在都号称大数据可视化公司了，其实，单纯的大数据可视化是没有意义的，没有对工业业务的深入理解，很难做出让客户的满意的可视化结果。可视化包括许多方式，如报表、二维地图、三维地图、三维模型、短信、手机APP、微信、大屏等等，总之，通过一切手段让用户看到自己想看的数据即可。

基于通用业务架构，都涉及到哪些技术环节，需要了解哪些技术呢，咱们下一部分再来谈这个问题。

当下，互联网技术与可再生能源革命正在开启新一轮工业革命的大幕，人类已经站在新时代的门槛上。

随着物联网（IOT）技术的飞速发展，对传统企业，能否抓住这一历史机遇，依靠技术进步，改善和产业素质与提高生产效率，对企业进行智能化、工业化相结合的改进升级，从传统的厂发展为高技术企业。借助互联网+物联网等技术， 坚持“创新驱动、质量为先、绿色发展、结构优化、人才为本”的基本方针，实现“中国制造2025”伟大目标。

在工业领域中，以产品数据为核心，极大延展了传统工业数据范围，同时还包括工业大数据相关技术和应用。其主要来源可分为以下三类：第一类是生产经营相关业务数据。第二类是设备过程数据。第三类是外部数据。

上述三种数据中，最难获取的是第二类数据，是产业升级中实现过程自动化、机械制造自动化、管理自动化的关键数据来源依据。

工业大数据平台由后台服务器、WEB服务器、手机APP、数据库、后台监控软件、前端展示框架、现场采集控制主机、工业微电脑控制器、物联网模块、无线网关、4G传输设备、传感模块等组成。

在工业大数据领域的从业者有很大一部分是传统IT从业人员，对于工业控制协议比较陌生，因此再做工业大数据采集时，对于各类工业协议有时容易搞不清楚，我简单把在做工业大数据采集时常见的几种工业协议整理了一下，以便搞清这些工业协议的概念和区别。

为了容易理解，我把常见的工业协议按照OSI（Open System Interconnect）参考模型分到了不同层次，注意，这只是为了容易理解和区分各类协议，实际上，随着各种协议的发展，很多自身都跨越了很多层次，能够实现多层协议的功能，我们做的划分只是它最重要的功能所处的协议层。

接下来，按照从低到高的顺序，介绍一下上面图中这几种常见的工业协议。

1、RS232

在串行通讯时，要求通讯双方都采用一个标准接口，使不同的设备可以方便地连接起来进行通讯。RS-232-C接口是目前最常用的一种串行通讯接口。RS-232-C是美国电子工业协会EIA（Electronic Industry Association）制定的一种串行物理接口标准。RS是英文“推荐标准”的缩写，232为标识号，C表示修改次数（“RS-232-C”中的“-C”只不过表示RS-232的版本，所以与“RS-232”简称是一样的） 。。RS-232-C总线标准设有25条信号线，包括一个主通道和一个辅助通道。工业控制的RS-232口一般只使用RXD、TXD、GND三条线。通常 RS-232 接口以9个引脚 (DB-9) 或是25个引脚 (DB-25) 的型态出现，一般个人计算机上会有两组 RS-232 接口，分别称为 COM1 和 COM2。

2、RS485

随着企业信息化法发着的需要，企业在仪表选型时其中的一个必要条件就是要具有联网通信接口。最初是数据模拟信号输出简单过程量，后来仪表接口是RS232接口，这种接口可以实现点对点的通信方式，但这种方式不能实现联网功能。随后出现的RS485解决了这个问题。

485通讯接口一个对通讯接口的硬件描述，它只需要两根通讯线，即可以在两个或两个以上的设备之间进行数据传输。这种数据传输的连接，是半双工的通讯方式。在某一个时刻，一个设备只能进行发送数据或接收数据。而RS232是全双工，最少3条通信线（RX,TX,GND），因为使用绝对电压表示逻辑，由于干扰，导线电阻等原因，通讯距离不远，低速时几十米也是可以的。

在RS232或RS485设备联成的设备网中，如果设备数量超过2台，就必须使用RS485做通讯介质，RS485网的设备间要想相互通信息只有通过“主（Master）”设备中转才能实现，这个主设备通常是PC，而这种设备网中只允许存在一个主设备，其余全部是"从（Slave）"设备。而现场总线技术是以ISO/OSI模型为基础的，具有完整的软件支持系统，能够解决总线控制、冲突检测、链路维护等问题 。

3、CAN

控制器局域网CAN（ Controller Area Network）属于现场总线的范畴，是一种有效支持分布式控制系统的串行通信网络。是由德国博世公司在20世纪80年代专门为汽车行业开发的一种串行通信总线。由于其高性能、高可靠性以及独特的设计而越来越受到人们的重视，被广泛应用于诸多领域。CAN协议分为二层：物理层和数据链路层。CAN的信号传输采用短帧结构，传输时间短，具有自动关闭功能，具有较强的抗干扰能力。CAN支持多主工作方式，并采用了非破坏性总线仲裁技术，通过设置优先级来避免冲突，通讯距离最远可达10KM/5Kbps/s，通讯速率最高可达40M /1Mbp/s，网络节点数实际可达110个。

由于CAN总线本身的特点,其应用范围目前已不再局限于汽车行业,而向自动控制、航空航天、航海、过程工业、机械工业、纺织机械、农用机械、机器人、数控机床、医疗器械及传感器等领域发展。