新闻中心
工业大数据特点、价值及其计算
工业大数据开展背景（1）
工业开展进入新阶段：
1、经历自动化、进入网络化、智能化开展新阶段；
2、美国提出智能制造；德国提出工业4.0；
3、我国提出“互联网+”和“中国制造2025计划”。
工业大数据开展背景（2）
“制造业数字化网络化智能化”是新工业革命的核心技术：
1、制造业创新的三个层次：产品创新、制造技术创新、产业模式创新；
2、数字化网络化智能化是制造业创新的重要途径与共性使能技术；
3、以数字化网络化智能化为主线，必然形成工业大数据，需要大数据技术、平台与应用支撑。
工业大数据开展背景（3）机器数据正在高速增长：
1、Wikibon发布《工业互联网与大数据分析：机遇与挑战》；未来10年，工业数据增速将是其它大数据领域的两倍；
2、大数据咨询公司Think Big在“正在塑造大数据和企业未来的十大趋势”中，将“机器数据和物联网将占据中心舞台”列为首位，并指出“从RFID标签和工业仪器，到喷气发动机和消费电器，整个世界正在生产着越来越庞大的数据量。
工业大数据特点分析（1）
工业大数据来源：
1、数字化设计：如飞机全数字化设计；波音公司利用CATIA软件产生波音777的300万个零部件的尺寸和形状数据；我国飞豹飞机首次实现全数字化三维设计；
2、智能化制造：以智能工业机器人为典型代表的智能制造装备已经开始在多个领域得到应用；我国今年的工业机器人超过日本；
3、网络化监测：大型工业装备运行状态网络化远程动态监测；例如，波音737发动机在飞行中每30分钟产生10 TB数据；陕鼓实现数百台旋转机械远程在线监测及故障诊断；
4、物联化管理：工业生产过程开始大量使用RFID实现零件与产品管理。
工业大数据特点分析（2）
工业大数据分类：
1、产品数据：设计、建模、工艺、加工、测试、维护、产品结构、零部件配置、变更记录等数据；
2、生产数据：组织结构、业务管理、装备状态、质量控制、生产过程、采购库存、目标计划等数据；
3、价值链数据：市场营销、电子商务、客户、供应商、合作着等数据；
4、外部数据：行业、市场、竞争对手等数据。
工业大数据特点分析（3）
工业大数据同样具有“4V”特点：
1、大体量 （Volume）；一类家电智能工业生产过程一天产生20TB以上数据；3D打印一个中规模部件产生几十GB数据；
2、多样性 （Variety）；三维图形数据，监控视频数据，文字档案数据；RFID数值数据；
3、快速性（ Velocity ）；发动机运行监测数据；工业机器人运动数据；
4、价值性 （Valve）；工业大数据的价值是显性的；直接的。
工业大数据特点分析（4）
工业大数据具有自身特点；
1、多源性获取，数据分散，非结构化数据比例大；
2、数据蕴含信息复杂，关联性强；
3、持续采集，具有鲜明的动态时空特性；
4、采集、存贮、处理实时性要求高；
5、与具体工业领域密切相关。
工业大数据潜在价值（1）
提升工业生产制造效率与质量：
工业大数据可以带给生产、制造等领域更多创新基因，可在一定程度上有助于经济内涵式增长。
工业大数据潜在价值（2）
支持工业设备节能降耗、提高寿命：
工业大数据对提高设备可用性、减少非计划停机时间、降低维护成本、减少能耗等具有重要价值；及时发现能耗的异常或峰值情况，实现生产过程中的能源消耗实时优化。
工业大数据潜在价值（3）
支撑实现大规模定制生产新模式：
1、工业4.0实现 大规模批量生产==》大规模定制生产；满足消费者个性化需求；
2、工业大数据是大规模定制生产的重要基础；支持实现流行预测、精准匹配、时尚管理、营销推送等更多应用；
3、消费者参与产品的需求分析和产品设计等创新活动中；
4、有助于深入分析生产过程，分析其中原理，为生产过程的精细化控制提供服务。
工业大数据潜在价值（4）
支持实现智能生产与智能工厂开展愿景：
1、工业4.0 是一个过程；需要从工业3.1，工业3.2不断演化；智能工厂是工业4.0 的开展愿景；
2、智能工厂=3D打印+工业机器人+工业互联网+工业大数据；
3、工业大数据及其应用直接决定了“工业4.0”所要求的智能化工厂的智能水平；
4、工业大数据应用将带来制造业企业创新和变革的新时代。
智能工厂：跨部门、全方位、全周期的生产管控。
工业大数据计算（1）
工业大数据获取与预处理：
1、数据来源众多；
2、数据采集设备种类多、接口复杂；
3、必须支持数量众多的硬件连接驱动；
4、支持万级以上大规模数据点快速采集；
5、超效的数据压缩；
6、分布式实时服务器数据存贮；
7、支持数万事件精确时间标签分辨率；
工业大数据计算（2）
工业大数据管理：
1、工业大数据具有鲜明的多样化特点：历史数据；当前生产流程的实时数据；设计数据；工业设备运行状态的监测数据；
2、工业大数据存贮成本：合理的数据存贮模式构建；高比率压缩和高效存储技术的实现；
3、大规模时间序列数据管理：过程实时数据的高性能“专用”引擎设计；历史数据库与过程数据源的无缝连接集成；适应不同类型数据的统一访问化接口；基于时间/事件的高效数据检索。
工业大数据计算（3）
工业大数据应用集成:
1、工业大数据采集网络集成：多种传感器；多种通讯协议；工业以太网；工业无线网；多种数据格式；
2、多计算平台整合：分布式计算平台；内存计算平台；流计算平台。
工业大数据计算（4）
工业大数据分析：
1、工业大数据分析是工业大数据计算的重点，是能否体现工业大数据价值的关键所在：适应各类工业大数据分析的通用方法研究与开发；面向具体工业领域数据分析的专用方法研究与开发；
2、关联分析是工业大数据分析需要解决的首要问题；
3、快速分析成为工业大数据分析应着重实现的分析方法；
4、面向具体优化目标的工业大数据应用分析；
5、工业大数据分析与应用需要考虑不同的企业信息化开展阶段的适应性。
工业大数据计算（5）
工业大数据分析模型：
1、分布式并行计算模型是基础；
2、流式计算模型是核心；
3、增量计算模型为提升。
工业大数据计算（6）
1、提升大数据计算方法：数据流实时分析;可扩展统计分析；异质数据混合计算；基于机器学习的智能分析；基于领域知识的分析；
2、创新大数据计算应用模式：大数据计算应用的关键是服务企业核心业务；注重与企业主流业务的紧密对接与融合；成功的大数据分析重在为企业揭示风险并识别新开展机会 ；
3、工业大数据颠覆传统制造过程的十条途径：监控生产过程；加快业务整合；提高企业制造绩效；改进生产流程；预测供应商绩效；监测生产设备状况；合理计划生产；细化质量管理环节；追踪产能与财务状况；监测产品运维状态。
工业大数据计算（7）
IBM发布企业级大数据和分析平台：
1、近期宣布企业级大数据和分析基础架构平台—IBM Power Systems，以及Power平台上全面覆盖各种复杂行业应用场景的企业级大数据和分析应用解决方案；
2、Power Systems面向大数据和分析的各个应用场景，形成具有硬件/软件融合、功能特色的大数据和分析解决方案；静态批量大数据处理；实时大数据处理；数据仓库整合；数据集市构建；
3、支持制造、电信、能源、交通以及公共事业等行业快速步入大数据时代；
工业大数据正在形成过程之中
具有重大经济与社会价值
面临技术与应用挑战
