2019版工业大数据白皮书_62页_2mb

工业大数据白皮书（2019版）总结

核心内容

本白皮书由中国电子技术标准化研究院主编，联合工业大数据产业应用联盟共同编写，旨在梳理工业大数据技术、产业发展现状，分析其在智能制造和工业互联网中的应用，并提出工业大数据管理与标准体系构建的建议。

主要观点

• 工业大数据是智能制造和工业互联网的重要组成部分，具有双重属性：价值属性和产权属性。
• 工业大数据在智能制造中起到数据支撑和智能来源的作用，通过与人工智能模型和机理模型的结合，提升数据利用价值。
• 在工业互联网中，工业大数据是平台层的重要核心，用于数据存储、分析、建模和可视化，支撑产业链协同与智能服务。
• 工业大数据的关键技术包括采集、存储、分析和数据服务，其中多源异构数据管理与多模态数据集成技术是当前研究重点。
• 工业大数据的标准体系包括平台建设、数据处理、数据管理、数据流通和数据服务等标准，为工业大数据应用提供规范和支撑。
• 当前我国工业大数据在政策支持、平台建设和应用场景方面均取得一定进展，但仍面临数据获取困难、格式不统一、产权不清、数据壁垒等问题。

关键信息

1. 工业大数据定义与边界

• 定义：工业大数据是围绕智能制造模式，从产品全生命周期各环节产生的各类数据及相关技术和应用的总称。
• 边界：包括企业运营管理数据、制造过程数据和企业外部数据。

2. 工业大数据与智能制造、工业互联网的关系

• 智能制造：工业大数据是智能制造的数据支撑和智能来源，用于优化生产流程、提升产品质量、实现精益管理。
• 工业互联网：工业大数据是工业互联网平台的核心，用于数据存储、分析、建模，支撑个性化定制、网络化协同制造和服务化延伸等新模式。

3. 工业大数据产业发展现状

• 政策支撑：国家层面已发布多项政策，如《关于深化“互联网+先进制造业”发展工业互联网的指导意见》等，推动工业大数据在智能制造和工业互联网中的应用。
• 典型应用场景：
  • 智能化设计：提升研发效率和创新能力，如GE使用Predis平台优化发动机设计。
  • 智能化生产：实现生产过程的优化与控制，如美林数据系统提升冲压产品质量。
  • 网络化协同制造：推动产业链协同，如河南航天实现协同研发与制造。
  • 智能化服务：支持产品运维、故障预警、远程监控等，如三一重工根云平台。
  • 个性化定制：基于用户需求快速调整生产，如联想实现大规模个性化定制。

4. 工业大数据关键技术

• 技术架构：包括数据采集层、存储管理层、分析层、服务层和应用层。
• 采集技术：需支持多源异构数据，包括时序数据、结构化数据和非结构化数据。
• 存储与管理技术：包括多源异构数据管理、多模态数据集成，以及数据质量、安全、生命周期管理等。
• 分析技术：包括时序模式分析、工业知识图谱和多源数据融合分析。
• 前沿技术趋势：包括深度学习、工业知识图谱和**虚拟现实（数字孪生）**等。

5. 工业大数据管理

• 数据管理体系：依据《数据管理能力成熟度评估模型》（DCMM）国家标准，将数据管理能力划分为8个能力域：数据战略、数据治理、数据架构、数据标准、数据质量、数据安全、数据应用和数据生命周期。
• 数据资源编目：通过规范的元数据描述，对企业数据资产进行集中管理，便于数据检索、定位和获取。
• 数据质量管理：需建立数据质量检测与管理机制，确保数据在采集、存储、分析等环节的可靠性与准确性。
• 数据安全管理：涵盖网络安全、主机安全、应用安全和数据安全，构建全面的安全防护体系。

结构总结

工业大数据技术架构

工业大数据应用场景

工业大数据标准体系

工业大数据发展挑战

• 数据获取困难：设备数据读写不开放，格式多样，难以统一处理。
• 数据管理不足：缺乏统一的数据管理机制，数据质量与安全存在隐患。
• 数据产权不清：数据权属关系复杂，影响数据共享与应用。
• 平台标准化不足：工业大数据平台边界不统一，需进一步规范与标准化。

下一步工作建议

• 推动工业大数据标准体系建设，完善数据管理、数据共享与数据服务标准。
• 加强数据采集与治理能力，构建统一的数据采集体系与治理机制。
• 推进工业大数据平台的标准化与应用，提升平台的通用性与可用性。
• 加强数据安全与隐私保护，构建全方位的工业大数据安全防护体系。
• 鼓励技术融合创新，推动深度学习、知识图谱、数字孪生等技术在工业场景中的应用。