工业大数据白皮书.pdf

工业大数据白皮书（2019 版）主编单位：中国电子技术标准化研究院全国信息技术标准化技术委员会大数据标准工作组联合主编单位：工业大数据产业应用联盟二零一九年三月I目录1 前言.11.1 研究背景.11.2 研究目标及意义.12 工业大数据内涵.32.1 工业大数据的定义与边界.32.1.1 工业大数据的定义.32.1.2 工业大数据的边界.32.2 与智能制造的关系.42.2.1 在智能制造中的应用.42.2.2 在智能制造标准体系中的定位.52.3 与工业互联网的关系.72.3.1 在工业互联网中的应用.82.3.2 在工业互联网标准体系中的定位.93 工业大数据产业发展现状.103.1 政策支撑.103.1.1 国际工业大数据战略.103.1.2 国内工业大数据政策.113.2 工业大数据应用参考架构.143.3 典型应用场景.173.3.1 智能化设计.18II3.3.2 智能化生产.193.3.3 网络化协同制造.213.3.4 智能化服务.223.3.5 个性化定制.233.4 产业发展分析.244 工业大数据关键技术.254.1 工业大数据技术架构.254.2 工业大数据平台.274.3 工业大数据采集技术.284.4 工业大数据存储与管理技术.294.4.1 多源异构数据管理技术.294.4.2 多模态数据集成技术.314.5 工业大数据分析技术.324.5.1 时序模式分析技术.334.5.2 工业知识图谱技术.344.5.3 多源数据融合分析技术.344.6 工业大数据的前沿技术趋势.355 工业大数据管理.365.1 数据管理体系.365.2 数据资源编目.375.2.1 数据资源目录应用架构.375.2.2 数据资源编目.38III5.3 数据质量管理.395.3.1 工业大数据质量问题.395.3.2 工业大数据质量检测方法.415.3.3 工业大数据质量管理.415.4 主数据管理.425.4.1 主数据管控体系.435.4.2 主数据应用管理.455.5 数据安全管理.465.5.1 工业大数据安全问题.465.5.2 工业大数据安全防护技术.465.5.3 工业大数据安全管理机制.486 工业大数据的标准体系.506.1 工业大数据标准化工作基础.506.1.1 国际标准化.506.1.2 国内标准化.506.2 工业大数据标准体系框架.526.3 工业大数据标准明细表.546.4 工业大数据重点标准描述.557 下一步工作建议.5611前言1.1研究背景当前，全球主要国家掀起了新一轮以“信息技术与制造业融合”为共同特征的工业革命，加速发展新一代信息技术，并推动其与全球工业系统的深入融合，以期抢占新一轮产业竞争的制高点。无论是欧美老牌国家制造业的重振，还是中国制造业的转型提升，工业大数据都将发挥不可替代的作用。习近平总书记在党的十九大报告中提出“加快建设制造强国，加快发展先进制造业，推动互联网、大数据、人工智能和实体经济深度融合，在中高端消费、创新引领、绿色低碳、共享经济、现代供应链、人力资本服务等领域培育新增长点、形成新动能。”工业大数据的创新发展，必将成为未来提升制造业生产力和竞争力的关键要素，是目前全球工业转型面临的重大课题。全国信息技术标准化技术委员会大数据标准工作组由工信部和国家市场监督管理总局共同指导，主要承担我国大数据领域标准化工作，已经发布大数据标准化白皮书、工业大数据白皮书（2017 版）等研究成果。为充分发挥国家标准的规划与指导作用，促进我国工业大数据标准体系建设，推动工业大数据在智能制造、工业互联网中的发展应用，全国信标委大数据标准工作组联合工业大数据产业应用联盟启动工业大数据白皮书（2019 版）编制工作，在 2017版的基础上更新了工业大数据发展的最新趋势以及在重点领域的应用实践，提出工业大数据管理的相关方法，进一步完善了工业大数据标准体系，给出工业大数据标准化工作建议，我国工业大数据相关标准研究成果在本版本中也有所体现。1.2研究目标及意义本白皮书的目标在于梳理工业大数据技术、产业发展现状，通过综述全球主要国家在工业大数据上的战略部署，从典型应用、技术架构的角度进行分析，勾画出工业大数据发展的整体轮廓，并结合国内工业大数据的发展态势，总结我国在推进工业大数据发展过程中存在的问题及难点，为下一步工作理清思路。2此外，本白皮书围绕“工业数据管理”这一重要议题，提炼了当前业界在工业数据管理体系、工业数据资源编目、工业数据质量管理、工业数据主数据管理、工业数据安全管理等方面的重要方法。最后基于工业大数据技术、产业发展需求，完善了工业大数据标准体系，为推动工业大数据落地应用和战略部署提供标准化支撑。32工业大数据内涵2.1工业大数据的定义与边界2.1.1 工业大数据的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所产生的各类数据及相关技术和应用的总称。工业大数据以产品数据为核心，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。工业大数据具备双重属性：价值属性和产权属性。一方面，通过工业大数据分析等关键技术能够实现设计、工艺、生产、管理、服务等各个环节智能化水平的提升，满足用户定制化需求，提高生产效率并降低生产成本，为企业创造可量化的价值；另一方面，这些数据具有明确的权属关系和资产价值，企业能够决定数据的具体使用方式和边界，数据产权属性明显。工业大数据的价值属性实质上是基于工业大数据采集、存储、分析等关键技术，对工业生产、运维、服务过程中数据实现价值的提升或变现；工业大数据的产权属性则偏重于通过管理机制和管理方法帮助工业企业明晰数据资产目录与数据资源分布，确定所有权边界，为其价值的深入挖掘提供支撑。本白皮书在第 4、5 章节分别对工业大数据关键技术和工业大数据管理体系进行介绍。2.1.2 工业大数据的边界工业大数据的边界可以从数据来源、工业大数据的应用场景两大维度进行明确。从数据的来源看，工业大数据主要包括三类：第一类是企业运营管理相关的业务数据。这类数据来自企业信息化范畴，包括企业资源计划(ERP)、产品生命周期管理(PLM)、供应链管理(SCM)、客户关系管理(CRM)和能耗管理系统（EMS)等，此类数据是工业企业传统意义上的数据资4产。第二类是制造过程数据。主要是指工业生产过程中，装备、物料及产品加工过程的工况状态参数、环境参数等生产情况数据，通过 MES 系统实时传递，目前在智能装备大量应用的情况下，此类数据量增长最快。第三类是企业外部数据。包括工业企业产品售出之后的使用、运营情况的数据，同时还包括大量客户名单、供应商名单、外部的互联网等数据。从工业大数据的应用场景看，工业大数据是针对每一个特定工业场景，以工业场景相关的大数据集为基础，集成工业大数据系列技术与方法，获得有价值信息的过程。工业大数据应用的目标是从复杂的数据集中发现新的模式与知识，挖掘得到有价值的信息，从而促进工业企业的产品创新、运营提质和管理增效。根据行业自身的生产特点和发展需求，工业大数据在不同行业中的应用重点以及所产生的业务价值也不尽相同。在流程制造业中，企业利用生产相关数据进行设备预测性维护、能源平衡预测及工艺参数寻优，可以降低生产成本、提升工艺水平、保障生产安全。对于离散制造业，工业大数据的应用促进了智慧供应链管理、个性化定制等新型商业模式的快速发展，有助于企业提高精益生产水平、供应链效率和客户满意度。2.2与智能制造的关系智能制造是工业大数据的载体和产生来源，其各环节信息化、自动化系统所产生的数据构成了工业大数据的主体。另一方面，智能制造又是工业大数据形成的数据产品最终的应用场景和目标。工业大数据描述了智能制造各生产阶段的真实情况，为人类读懂、分析和优化制造提供了宝贵的数据资源，是实现智能制造的智能来源。工业大数据、人工智能模型和机理模型的结合，可有效提升数据的利用价值，是实现更高阶的智能制造的关键技术之一。2.2.1 在智能制造中的应用狭义的智能制造（Smart Factory）主要针对制造业企业的生产过程，从工业 2.0、工业 3.0 到工业 4.0 的进阶过程中，首先是关注提升系统的自动化水平，5完善 MES、APS 等信息化系统的建设，面向对整个生产过程的流程优化实现提质增效。同时，整个生产体系的数字化水平得到极大提升，使得从生产设备、自动化系统、信息化系统中提取数据对人、机、料、法、环等生产过程关键要素进行定量刻画、分析成为可能。这既是从自动化、信息化走向智能化目标的过程，也是通过数字化、网络化最终实现智能化的现实路径。智能化（Intelligent）描述了自动化与信息化之上的智能制造的愿景，通过对工业大数据的展现、分析和利用，可以更好地优化现有的生产体系：通过对产品生产过程工艺数据和质量数据的关联分析，实现控制与工艺调整优化建议，从而提升产品良率；通过零配件仓储库存、订单计划与生产过程数据分析，实现更优的生产计划排程；通过对生产设备运行及使用数据的采集、分析和优化，实现设备远程点检及智能化告警、智能健康检测；通过对耗能数据的监测、比对与分析，找到管理节能漏洞、优化生产计划，实现能源的高效使用等。更为广义的智能制造本质是数据驱动的创新生产模式，在产品市场需求获取、产品研发、生产制造、设备运行、市场服务直至报废回收的产品全生命周期过程中，甚至在产品本身的智能化方面，工业大数据都将发挥巨大的作用。例如，在产品的研发过程中，将产品的设计数据、仿真数据、实验数据进行整理，通过与产品使用过程中的各种实际工况数据的对比分析，可以有效提升仿真过程的准确性，减少产品的实验数量，缩短产品的研发周期。再如，在产品销售过程中，从源头的供应商服务、原材料供给，到排产协同制造，再到销售渠道和客户管理，工业大数据在供应链优化、渠道跟踪和规划、客户智能管理等各方面，均可以发挥全局优化的作用。在产品本身的智能化方面，通过产品本身传感数据、环境数据的采集、分析，可以更好的感知产品所处的复杂环境与工况，以提升产品效能、节省能耗、延长部件寿命等优化目标为导向，在保障安全性的前提下，实现在边缘侧对既定的控制策略提出优化建议或者直接进行一定范围内的调整。2.2.2 在智能制造标准体系中的定位智能制造标准体系如图 2-1 所示。工业大数据标准属于智能制造标准体系“智能赋能技术”部分，为智能制造提供技术和数据支撑。6图 2-1 工业大数据标准在智能制造标准化体系中的定位工业大数据标准在智能制造标准体系框架中的具体位置如图 2-2 所示。图 2-2 智能制造标准体系-智能赋能技术标准国家智能制造标准体系建设指南（2018 年版）中关于智能制造标准体7系中的工业大数据标准给出了具体的描述：主要包括平台建设的要求、运维和检测评估等工业大数据平台标准；工业大数据采集、预处理、分析、可视化和访问等数据处理标准；数据质量、数据管理能力等数据管理标准；工厂内部数据共享、工厂外部数据交换等数据流通标准。主要用于典型智能制造模式中，提高产品全生命周期各个环节所产生的各类数据的处理和应用水平。2.3与工业互联网的关系与智能制造的场景有所区别，工业互联网更为关注制造业企业如何以工业为本，通过“智能+”打通、整合、协同产业链，催生个性化定制、网络化协同、服务化延伸等新模式，从而提升企业、整体行业价值链或是区域产业集群的效率。与智能制造相似的，工业互联网既是工业大数据的重要来源，也是工业大数据重要的应用场景。尤其在工业互联网平台的建设中，工业大数据扮演着重要的角色。2017 年，工业和信息化部指导编写了工业互联网平台白皮书，围绕工业互联网平台的概念、技术体系、产业生态、应用场景等进行了研究，提出了工业互联网平台功能架构图，如图 2-3 所示。图 2-3 工业互联网平台功能架构图在工业互联网平台功能架构中，工业大数据技术、工业大数据系统是工业互8联网平台层（工业 PaaS 层）的重要核心。一方面，借助工业大数据处理、预处理、分析等技术，基于工业大数据系统，平台层（工业 PaaS 层）得以实现对边缘层、IaaS 层产生的海量数据进行高质量存储与管理；另一方面通过工业大数据建模、分析、可视化等技术，将数据与工业生产实践经验相结合，构建机理模型，支撑应用层各种分析应用的实现。2.3.1 在工业互联网中的应用工业大数据在工业互联网中的应用首先体现在对于工业互联网个性化定制、网络化协同、服务化延伸等工业互联网新模式场景的支撑。在大规模个性化定制场景下，企业通过外部平台采集客户个性化需求数据，与工业企业生产数据、外部环境数据相融合，建立个性化产品模型，将产品方案、物料清单、工艺方案通过制造执行系统快速传递给生产现场，进行生产线调整和物料准备，快速生产出符合个性化需求的定制化产品。在网络化协同场景下，基于工业大数据，驱动制造全生命周期从设计、制造到交付、服务、回收各个环节的智能化升级，最终推动制造全产业链智能协同，优化生产要素配置和资源利用，消除低效中间环节，整体提升制造业发展水平和世界竞争力。在服务化延伸场景中，通过传感器和工业大数据分析技术，对产品使用过程中的自身工作状况、周边环境、用户操作行为等数据进行实时采集、建模、分析，从而实现在线健康检测、故障诊断预警等服务，催生支持在线租用、按使用付费等新的服务模型，创造产品新的价值，实现制造企业的服务化转型。除了在工业互联网新模式场景中的应用，从集中化平台的角度来看，工业互联网平台还承载了通过工业大数据的分析利用从而实现知识积累的重任。工业领域经历了数百年的发展，在不同的行业、领域和场景下积累了大量的工业机理和工业知识，体现了对工业过程的深刻理解，能够持续地指导工业过程的优化和改进。在工业大数据时代，通过对这些工业机理、知识的提炼和封装，实现工业机理、知识模型上云、共享和复用，一方面，将使工业机理更好地融入于工业大数据算法，实现模型的调优和迭代，缩短数据模型的收敛时间；同时，通过对海量工业大数据的深入挖掘、提炼、建模和封装，进一步形成面向各个细分工业领域的各类知识库、工具库、模型库和工业软件，将有助于加速旧知识的复用和新知9识的不断产生，进一步服务于工业过程的改进和提升，为用户提供基于工业互联网的持续价值创造良性闭环。2.3.2 在工业互联网标准体系中的定位2019 年，工业和信息化部、国家标准化管理委员会共同组织制定并发布了工业互联网综合标准化体系建设指南。文中提出了工业互联网标准体系框架，包括基础共性、总体、应用三大类标准，工业大数据标准在工业互联网标准体系中处于“平台与数据”部分，如图 2-4 所示。图 2-4 工业互联网标准体系框架在工业互联网标准体系框架中，工业大数据标准主要包括工业数据交换标准，用于规范工业互联网平台内不同系统之间数据交换体系架构、互操作、性能等要求；工业数据分析与系统标准，用于规范工业互联网数据分析的流程及方法；工业数据管理标准，用于规范工业互联网数据的存储结构、数据字典、元数据、数据质量要求、数据生命周期管理、数据管理能力成熟度等要求；工业数据建模标准，用于规范物理实体（在制品、设备、产线、产品等）在网络空间中的映像及相互关系；以及工业大数据服务标准，用于规范工业互联网平台运用大数据能力对外提供的服务，包括大数据存储服务、大数据分析服务、大数据可视化服务、数据建模及数据开放、数据共享等相关标准。103工业大数据产业发展现状3.1政策支撑3.1.1 国际工业大数据战略工业是国民经济的基础和支柱，也是一国经济实力和竞争力的重要标志。随着云计算、大数据和物联网等新兴技术的发展，全球掀起了以制造业转型升级为首要任务的新一轮工业变革，主要的工业发达体纷纷制定工业再发展战略。（1）美国2014 年，美国白宫总统行政办公室发布2014 年全球大数据白皮书，文中指出，美国大型企业在投资大数据科技方面存在以下几个关键驱动因素：分析运营和交易数据的能力；洞察客户线上消费的行为，以向市场提供新的高度复杂的产品；对组织中的机器和设备进行更加深入的感知。2018 年 10 月,美国白宫发布了四年一度的美国先进制造领导战略，在“智能数字制造”部分提出下一步计划“要通过将大数据分析和先进的传感和控制技术应用于大量制造业活动，促进制造业的数字化转型”。（2）德国2015 年 4 月，德国提出来“工业 4.0”战略。强调通过信息网络与工业生产系统的充分融合，使产品与生产设备之间、工厂内部纵向之间、工厂与工厂之间，都能通过 CPS（信息物理系统）联结为一个整体，从而实现生产的智能化，提升制造业的灵活性和工程效率。工业 4.0 战略展现了一幅全新的工业蓝图：在现实和虚拟结合的网络世界里，互联网将渗透到所有的关键领域，价值创造过程将会改变，原有的行业界限将会消失，新兴的产业链条将会重组，全新的商业模式和合作模式将会出现。德国“工业 4.0”战略的实施重点在于信息互联技术与传统工业制造的结合，其中大数据分析作为关键技术将得到较大范围应用。一是“智能工厂”，重点研11究智能化生产系统及过程，以及网络化分布式生产设施的实现；二是“智能生产”，主要涉及整个企业的生产物流管理、人机互动以及 3D 技术在工业生产过程中的应用等；三是“智能物流”，主要通过互联网、物联网、物流网，整合物流资源，充分发挥现有物流资源供应方的效率，需求方则能够快速获得服务匹配，得到物流支持。（3）法国2015 年，法国推出“新工业法国战略”，总体布局为“一个核心，九大支点”。一个核心即“未来工业”，主要内容是实现工业生产向数字化、智能化转型，以生产工具的转型升级带动商业模式转型。九大支点，包括新资源开发、可持续发展城市、环保汽车、网络技术、大数据技术、新型医药等，一方面旨在为“未来工业”提供支撑，另一方面重在满足人们日常生活的新需求。该战略为期十年，主要解决三大问题：能源、数字革命和经济生活。2015 年 5 月，法国经济、工业与就业部又公布了未来工业计划，该计划将在“新工业战略”的第二阶段中扮演核心角色，主要目标是建立更为互联互通、更具有竞争力的法国工业，旨在使工业工具更加现代化，并通过数字技术帮助企业转变经营模式、组织模式、研发模式和商业模式，实现经济增长模式转变。未来工业计划提倡在一些优先领域发展工业模式，例如新资源、可持续发展城市、未来交通、未来医药、数据经济、智能物体、数字安全和智能电网等。3.1.2 国内工业大数据政策近年来，工业大数据作为我国“智能制造”和“工业互联网”的关键技术支撑以及两化融合的重要基础备受关注。党中央、国务院出台了一系列“大数据”、“两化融合”、“互联网与制造业融合”等综合性政策与指示，其中对工业大数据发展提出了明确的要求，全面指导我国工业大数据技术发展、产业应用及其标准化进程。12表 3-1 国家工业大数据相关政策排序政策名称发布日期发文单位1国务院关于积极推进“互联网+”行动的指导意见2015 年 07 月国务院2国务院关于印发促进大数据发展行动纲要的通知2015 年 08 月国务院3国务院关于深化制造业与互联网融合发展的指导意见2016 年 05 月国务院4关于深化“互联网+先进制造业”发展工业互联网的指导意见2017 年 11 月国务院2015 年 7 月，国务院下发关于积极推进“互联网+”行动的指导意见，进一步推动互联网与制造业融合，提升制造业数字化、网络化、智能化水平。文中指出要加强产业链协作，在重点领域推进智能制造、大规模个性化定制、网络化协同制造和服务型制造，打造一批网络化协同制造公共服务平台，加强工业大数据的开发与利用，支撑制造业智能化转型，构建开放、共享、协作的智能制造产业生态。2015 年 8 月，国务院印发促进大数据发展行动纲要，在“工业和新兴产业大数据工程”专栏中指出发展工业大数据，推动大数据在工业研发设计、生产制造、经营管理、市场营销、售后服务等产品全生命周期、产业链全流程各环节的应用，分析感知用户需求，提升产品附加价值。同时提到要建立面向不同行业、不同环节的工业大数据资源聚合和分析应用平台，抓住互联网跨界融合机遇，促进大数据、物联网、云计算和三维（3D）打印技术、个性化定制等在制造业全产业链集成运用，推动制造模式变革和工业转型升级。2016 年 5 月，国务院关于深化制造业与互联网融合发展的指导意见中提出要推动制造企业与互联网企业在发展理念、产业体系、生产模式、业务模式等方面全面融合，深化工业云、大数据等技术的集成应用，汇聚众智，加快构建新型研发、生产、管理和服务模式，促进技术产品创新和经营管理优化，提升企业整体创新能力和水平。2017 年 11 月 27 日，国务院关于深化“互联网+先进制造业”发展工业互联网的指导意见中再次指出要加快建设和发展工业互联网，推动互联网、大数据、人工智能和实体经济深度融合，发展先进制造业，支持传统产业优化升级，工业大数据在制造业的应用进一步贯彻落实。13围绕国家政策我国工业和信息化部也出台了一系列文件用以促进和推动工业大数据在工业领域中的快速应用。表 3-2 工业和信息化部相关政策排序政策名称发布日期发文单位1信息化和工业化融合发展规划(2016-2020 年)的通知2015 年 5 月工业和信息化部2大数据产业发展规划（20162020 年）2017 年 1 月工业和信息化部3工业互联网发展行动计划（2018-2020 年）2018 年 6 月工业和信息化部2015 年 5 月，工业和信息化部在 信息化和工业化融合发展规划(2016-2020年)中指出，要推广网络化生产新模式，引领生产方式持续变革；同时深化物联网标识解析、工业云服务、工业大数据分析等在重点行业应用，构建智能监测监管体系，支持机械、汽车等行业发展产品在线维护、远程运维、智能供应链、协同研发等服务新业态，推动大数据在工业设计、生产制造、售后服务等产品全生命周期的应用。2017 年 1 月，工业和信息化部在大数据产业发展规划(2016-2020 年)中指出要以应用为导向，突破大数据关键技术，推动产品和解决方案研发及产业化，创新技术服务模式，形成技术先进、生态完备的技术产品体系。加强工业大数据基础设施建设规划与布局，推动大数据在产品全生命周期和全产业链的应用，推进工业大数据与自动控制和感知硬件、工业核心软件、工业互联网、工业云和智能服务平台融合发展，形成数据驱动的工业发展新模式，探索建立工业大数据中心。2018 年 6 月，工业和信息化部发布工业互联网发展行动计划(2018-2020年)，文中在重点任务“工业互联网平台建设行动”中明确提到“支持建设涵盖基础及创新技术服务、监测分析服务、工业大数据管理、标准管理服务等的平台公共支撑体系”。此外，工信部连年来通过遴选工业大数据相关产业发展试点示范项目，以及“智能制造综合标准化项目”工业大数据服务标准化和试验验证系统等创新应用新模式项目申报及建设支持，围绕深化制造业与互联网融合发展，以及大数据技术在制造业中的深度应用，不断刺激产业进步，增强制造业转型升级新动能，已促成一批高质量行业应用级工业大数据平台的落地，助推工业企业转型发展。143.2工业大数据应用参考架构结合大数据标准化白皮书（2018 版）中提出的大数据参考架构，针对工业领域的应用，本白皮书给出了工业大数据应用参考架构如图 3-1 所示。图 3-1 工业大数据应用参考架构工业大数据应用参考架构将大数据参考架构的构件落实到了工业领域内的具体活动。工业大数据应用参考架构构件包括系统协调者、数据提供者、大数据应用提供者、大数据框架提供者、数据消费者、安全和隐私、管理。（1）系统协调者系统协调者的职责在于规范和集成各类所需的数据应用活动。系统协调者的职能包括配置和管理工业大数据应用参考架构中其它构件执行一个或多个工作负载，以确保各项工作能正常运行；为其它组件分配对应的物理或虚拟节点；对各组件的运行情况进行监控；通过动态调配资源等方式来确保各组件的服务质量水平达到所需要求。系统协调者的功能可由管理员、软件或二者的组合以集中式15或分布式的形式实现。（2）数据提供者数据提供者的基本功能是将原始数据收集起来经过预处理提供给工业大数据应用提供者。数据提供者主要包括数据源和系统两部分，数据源是数据的产生处，它产生的数据通过信息系统收集、分析和分类后提供给工业大数据应用提供者；系统主要对数据源产生的数据进行收集、分析与分类，然后提供给工业大数据应用提供者。（3）工业大数据应用提供者工业大数据应用提供者的基本职能主要是围绕数据消费者需求，将来自数据提供者的数据进行处理和提取，提供给数据消费者，主要包括收集、预处理、分析、可视化和访问五个活动。收集负责处理与数据提供者的接口和数据引入，根据工业大数据数据格式、类型的不同，通过引用对应的工业应用或构件，完成数据的识别和导入。预处理包括数据清洗、数据归约、标准化、格式化和存储。分析是指基于数据科学家的需求或垂直应用的需求，利用数据建模、处理数据的算法，以及工业领域专用算法，实现从数据中提取知识的技术。可视化是指对经处理、分析运算后的数据，通过合适的显示技术，如大数据可视化技术、工业 2D或 3D 场景可视化技术等，呈现给最终的数据消费者。访问与可视化和分析功能交互，响应数据消费者和应用程序的请求。（4）大数据框架提供者大数据框架提供者的主要是为工业大数据应用提供者在创建具体应用时提供使用的资源和服务。大数据框架提供者包括基础设施、平台、处理框架、信息交互/通信和资源管理 5 个活动。基础设施为大数据系统中的所有其他要素提供必要的资源，这些资源是由一些物理资源的组合构成，这些物理资源可以控制/支持相似的虚拟资源，包括网络、计算、存储、环境等。平台包含逻辑数据的组织和分布，支持文件系统方式存储和索引存储方法。处理框架通过提供必要的基础设施软件以支持实现应用程序能够满足数据数量、16速度和多样性的处理，包括批处理、流处理，以及两者的数据交换与数据操作。信息交互/通信包含点对点传输和存储转发两种通信模型。在点对点传输模型中，发送者通过信道直接将所传输的信息发送给接收者；而在后者中，发送者会将信息先发送给中间实体，然后中间实体再逐条转发给接收者。点对点传输模型还包括多播这种特殊的通信模式，在多播中，一个发送者可将信息发送给多个而不是一个接收者。资源管理主要指计算、存储及实现两者互联互通的网络连接管理。主要目标是实现分布式的、弹性的资源调配，具体包括对存储资源的管理和对计算资源的管理。（5）数据消费者数据消费者是通过调用工业大数据应用提供者提供的接口按需访问信息，并进行加工处理，以达到特定的目标。数据消费者有很多种，典型的有智能化设计、智能化生产、网络化协同制造、智能化服务和个性化定制等 5 种应用场景。本章第 3.3 节将对这 5 中典型应用场景进行介绍。（6）安全和隐私在安全和隐私构件，是指通过不同的技术手段和安全措施，构建大数据平台安全防护体系，实现覆盖硬件、软件和上层应用的安全保护，从网络安全、主机安全、应用安全、数据安全四个方面来保证大数据平台的安全性。（7）管理管理构件主要包括三方面功能，一是提供大规模集群统一的运维管理系统，能够对包括数据中心、基础硬件、平台软件和应用软件进行集中运维、统一管理，实现安装部署、参数配置、监控、告警、用户管理、权限管理、审计、服务管理、健康检查、问题定位、升级和补丁等功能。二是具有自动化运维的能力，通过对多个数据中心的资源进行统一管理，合理的分配和调度业务所需要的资源，做到自动化按需分配。三是对主管理系统节点及所有业务组件中心管理节点实现高可靠性的双机机制，采用主备或负荷分担配置，避免单点故障场景对系统可靠性的影响。173.3典型应用场景随着信息化与工业化的深度融合，工业企业所拥有的数据也日益丰富，包括设计数据、传感数据、自动控制系统数据、生产数据、供应链数据等，数据驱动的价值体现及其带来的洞察力贯穿于智能制造生命周期的全过程。领先企业以平台为载体，不断形成针对制造业应用场景的大数据解决方案。制造和自动化领域的领军企业也依托长期积累的核心技术和行业知识，大力推广大数据在工业领域的应用，推动制造企业形成以数据驱动、快速迭代、持续优化的工业智能系统。面向制造业企业陆续形成的工业大数据平台正在为工业大数据在制造业的深入应用提供新技术、新业态和新模式。工业大数据已经成为工业企业生产力、竞争力、创新能力提升的关键，相关技术及产品已经逐步应用于工业企业和产业链的各环节，是驱动智能化产品、生产与服务，实现创新、优化的重要基础，体现在产品全生命周期中的各个阶段，正在加速工业企业的转型升级。近年来由智能制造、工业互联网发展催生的新模式、新应用，再次丰富了工业大数据的应用场景。依据工业大数据支撑产品从订单到研发设计、采购、生产制造、交付、运维、报废、再制造的整个流程考虑，本白皮书将工业大数据典型的应用场景主要概括为智能化设计、智能化生产、网络化协同制造、智能化服务和个性化定制等五种模式，如图 3-2 所示。图 3-2 工业大数据典型应用场景183.3.1 智能化设计智能化设计是支撑工业企业实现全流程智能化生产的重要条件。设计数据包括企业设计人员或消费者借助各类辅助工具所设计的产品模型、个性化数据及相关资料，例如计算机辅助设计（CAD）、计算机辅助制造（CAM）、计算机辅助工程（CAE）、计算机辅助工艺设计（CAPP）、产品数据管理（PDM）等。工业大数据在设计环节的应用可以有效提高研发人员创新能力、研发效率和质量，推动协同设计。客户与工业企业之间的交互和交易行为将产生大量数据，挖掘和分析这些客户动态数据，能够帮助客户参与到产品的需求分析和产品设计等创新活动中，实现新型产品创新和协作的新模式。西门子在数字环境下构建基于模型和仿真的研发设计，有效提升了设计质量、节约研发成本；玛莎拉蒂通过数字化工具加速产品设计，实现开发效率提高 30%。另一方面，传统的产品设计模式是基于设计师的灵感和经验，揣摩消费者的需求喜好，设计产品，针对性不强，不精确，工业大数据可以拉近消费者与设计师的距离，精准量化客户需求，指导设计过程，改变产品设计模式。通过将产品生命周期设计中各个环节所需要的知识资源有机的集成在一起，运用大数据相关技术，可以将产品生命周期设计所需大数据与各种设计过程集成，以高度有序化的方式展示产品生命周期大数据与设计的关系。GE 公司使用 Predix 平台助力自身发动机的设计优化，平台首先对产品交付后的使用数据进行采集分析，依托大量历史积累数据的分析和航线运营信息的反馈，对设计端模型、参数和制造端工艺、流程进行不断迭代优化，实现了发动机的设计改进和性能提升。金风科技通过工业大数据平台的大数据优化处理和针对载荷的定制化应用开发，将 5000 个工况的单轮仿真数据的后处理速度从半个月跑 1 轮，提速为一周跑 3 轮，单轮30G 仿真数据的后处理速度从几个小时降低到了几分钟，极大地提升了风场定制化设计的迭代速度和开发效率。工业大数据使产品生命周期大数据在设计过程中得到有效的应用、评价和推荐。设计知识能够快速地推送给所需要的人，并方便地融合员工在设计中产生的新知识，进一步丰富产品设计大数据。193.3.2 智能化生产智能化生产是新一代智能制造的主线，通过智能系统及设备升级改造及融合，促进制造过程自动化，流程智能化。从数据采集开始，生产阶段工业大数据的驱动力体现在数据关联分析和数据反馈指导生产。在生产阶段，对所采集的数据进行清洗、筛选、关联、融合、索引、挖掘，构建应用分析模式，实现数据到信息知识的有效转化。在制造阶段，通过对制造执行系统中所采集的生产单元分配、资源状态管理、产品跟踪管理等信息进行关联分析，为合理的库存管理、计划排程制定提供数据支撑；并且结合实时数据，对产品生产流程进行评估及预测，对生产过程进行实时监控、调整，并为发现的问题提供解决方案，实现全产业链的协同优化，完成数据由信息到价值的转变。工业大数据通过采集和汇聚设备运行数据、工艺参数、质量检测数据、物料配送数据和进度管理数据等生产现场数据，利用大数据技术分析和反馈并在制造工艺、生产流程、质量管理、设备维护、能耗管理等具体场景应用，实现生产过程的优化。在制造工艺场景中，围绕生产工艺过程参数，设备运行状态参数与产品质量性能、生产线排产负荷、耗能等数据进行关联性深度挖掘，形成数据闭环，可得出工艺参数的最优区间、生产质量控制的最优调控手段等，提升产品制造品质。美林数据设计的图像实时采集与智能分析系统，能快速识别冲压件表面缺陷，同时关联了质检数据、生产过程工艺参数、产品设计参数，形成冲压产品质量问题分析管理的闭环连接，实现了冲压产品质量的精确控制和优化提升。阿里巴巴基于燃烧机理与锅炉运行数据，深度分析识别锅炉燃烧过程中的关键因子，找到了最优的锅炉操作参数，使燃煤效率提升了 4.1%，大大降低了能源消耗。生产流程管理优化场景中，基于数据标准化思路的企业全流程的数据集成贯通及对生产进度、物料管理、企业管理等数据的分析，提升排产、进度、物料、人员等方面管理的准确性，企业的生产效率与管理水平显著提高。通过生产制造各个环节的数据整合集聚，对工业产品的生产过程数据进行关联，建立虚拟模型，仿真并优化生产流程。当所有流程和绩效数据都能在系统中重建时，对各环节制造数据的集成分析可以助力制造企业改进其生产流程。东方国信基于 BIOP 平台，通过工业大数据分析技术，建立虚实映射、实时监控、智能诊断、协同优化的数20字孪生，实现对工业实体生产制造过程和工艺流程的仿真及优化，在炼铁、工业锅炉、水电、空压机、能源等多个行业或领域落地应用。质量管理场景中，基于产品质检数据和生产过程数据进行关联性分析，实现在线质量监测和质量异常与追溯分析，提升产品良品率。例如美林数据通过分析高压开关关键质检数据及过程加工数据，开展质量问题分类、质量问题原因分析、质量问题追溯等分析管控，促使产品良品率提升 1.3%，提升了企业的质量管理水平。联想通过工业大数据平台，提供面向制造、汽车、能源等行业的智能生产解决方案，为平台企业生产制造过程管理提供预见性的支撑与指导，提升精益管理水平。能耗管理场景中，基于能耗数据的采集与分析，对设备、产线、场景能效使用进行合理规划，提高能源使用效率，实现节能减排。霍尼维尔通过能源管理系统提供能源设备管理、生产能耗分析、能源平衡管理等功能，帮助用户企业实现工艺流程的优化，设备改造升级，提升了能源利用率。在复杂产线设备健康管理方面，随着科技的不断进步以及工业化水平的不断提高，工业系统的规模越来越大，集成的设备越来越多。系统内部通常存在复杂的耦合关系，其可靠性难以得到保障,一旦发生故障时，设备的停机损失将会非常大。当前对于复杂系统健康度与可靠性评估主要通过利用传感器对设备进行感知和从实时数据库系统获取设备振动、温度、压力、流量等数据，基于大数据平台对数据进行存储管理，借助人工智能算法对设备健康进行评估，实现设备故障预测和健康度监控。如美国电力公司（AEP）通过对变压器、断路器和蓄电池分别加装了 8600 个、11500 个和 400 多个传感器，基于其工业大数据平台，开展设备数据采集、诊断与分析，AEP 可以实时监控其设备参数、进行故障诊断预警，将设备寿命延长了 3 年，维护成本降低了 2.7%，设备维护效率提高了 4%，实现了设备预测性维护。工业大数据助力解决生产过程复杂系统的精确建模、实时优化决策等关键问题，涌现出的一批自学习、自感知、自适应、自控制的智能产线、智能车间和智能工厂，正在推动产品制造的高质、柔性、高效、安全与绿色，驱动生产过程的智能化升级。213.3.3 网络化协同制造在制造业向着大型、精密、数控、全自动趋势不断靠拢的时代下，基于工业大数据技术，将制造环节与设计、经销、运行、维护直至回收处理联系起来，由传统的数据孤岛转为信息化协同管理，推动产业链各环节的并行组织和协同优化。另一方面，借助大数据平台，将产业链各个环节的数据进行采集并输入到全生命周期数据库形成总知识库，通过信息技术、自动化技术、现代管理技术与制造技术相结合，构建面向企业的网络化协同制造系统，推动制造全产业链智能协同