工业大数据作为新一代信息技术和产业发展的核心，正深刻影响着我国制造业的研发设计、生产制造、经营管理、销售服务等全产业链各个环节，未来必将为推动传统制造业转型升级，实现“中国制造2025”制造强国战略目标提供强有力的支撑。

一、工业大数据应用状况分析

1.创新商业模式，催生制造业新业态

2009年我国学者在国际上率先提出“云制造”理念，将现有网络化制造和服务技术同云计算、云安全、高性能计算、物联网等技术融合，实现各类制造资源（制造硬设备、计算系统、软件、模型、数据、知识等）统一的、集中的智能化管理和经营，为制造全生命周期过程提供可随时获取的、按需使用的、安全可靠的、优质价廉的各类制造活动服务。自“云制造”理念提出以来，通过构建云制造支撑平台，面向全社会整合制造资源，促进资源的有效共享、集成和整合，提升全社会工业生产要素利用效果和运行效率，推动形成了适应互联网经济发展要求的资源共享、能力协同，线上线下互动、合作各方互利共赢的产业形态。同时，面向广大制造业中小企业提供了开放性、社会化、协同式的创业创新服务，并使之成为推动“大众创新，万众创业”政策落地的关键载体。

云制造所催生的制造业新生态具有“泛在互联、数据驱动、共享服务、跨界融合、自主智慧、万众创新”的“互联网+”时代特征，其中数据驱动是重要核心支撑，在云环境下市场需求自动采集、精准营销、企业风险识别和预警、面向生产任务的企业动态联盟、大规模个性化定制需求采集及制造、资源的特征提取及虚拟化、资源的动态调度和整合、制造业务的协同、供需对接等方面，为云制造提供支撑。

2.促进制造过程优化、变革制造模式

■制造过程和系统的优化

利用工业大数据技术，通过工业制造环境的各种传感器、加工设备、加工对象、工控系统、工业软件、工业管理信息系统等的互联互通，开展相关数据的采集、存储和分析，实现制造合规性监测、设备状态监控与故障预警、工厂能耗分析、安全事故监控及预警、工业供应链分析和优化等，促进工业环境下的信息共享、系统互联整合和业务协同，推动制造过程的自动化、柔性化以及制造全过程的科学决策和智能化控制。

更进一步，利用工业大数据技术整合企业设计数据、工艺数据、制造执行数据、生产准备数据、库房数据、质量数据、财务数据等，并开展数据挖掘分析，实现订单需求获取、产品研发、生产管控、供应链管理以及产品服务运维全流程的贯通和各业务环节的业务协同，提升工业企业的科研生产和运营管控能力。

■变革制造模式

工业大数据技术不断促进工业企业创新产品和服务，推动传统制造业的“产品+制造”为核心的经营模式向“产品+服务”的模式转变。在需求分析环节，利用互联网商务平台，对获取的产品销售数据和用户的个性化定制数据进行数据挖掘分析，推动工业企业产品创新设计，满足个性化定制需求。在设计研发环节，基于社会化产品个性化定制需求，通过设计资源的社会化共享和参与，培育众创、众包等研发新模式，提升企业利用社会化创新和资金资源能力。在制造执行环节，以工业大数据为核心动态规划构建柔性化制造过程，实现大规模个性化定制生产；在产品运维保障环节，利用产品中内置传感器，企业能够实时监测产品的运行状态，并进行分析和预测，从而产品的远程运维、故障的提前预警以及定制化的最优使用及运维解决方案等服务，推动工业企业服务化。

3.基于大数据的产品创新设计

基于大数据技术对市场潜在产品需求、产品设计、产品制造、产品维修保证等产品全生命周期过程相关信息进行采集，通过分析产品设计信息、制造信息、质量信息、运行状态信息、维修保障信息等，对产品设计过程中的产品设计分离面优化调整、对产品制造过程中成本居高不下或产品制造过程中质量问题突出的零部件进行设计优化及工艺调整、对影响产品正常运行寿命的关键零部件进行定位追踪等，与设计人员形成闭环反馈机制，不断迭代，实现产品的创新设计。

4.基于大数据的供应链分析和优化服务

利用大数据采集分析制造企业从订单获取到订单交付全过程相关信息，推动制造企业供应链的不断调整优化，主要体现在如下方面：1）通过大数据技术采集分析企业产品相关的信息预测订单需求，基于订单需求和产品定义信息进一步展开为企业各生产环节所需的原材料、元器件、标准件、成附件等的需求数量和需求时间，为企业计划人员和采购人员开展相关工作提供支撑；2）通过采集企业的采购到货及时情况、数量情况、质量情况等信息，并与企业制造计划、生产准备以及现场制造执行情况动态联动，不断提升供应链运行效率和精准性，并为供应商绩效评估提供决策支持；3）通过对供应链的物料发运情况、物流运输情况等信息进行采集，结合企业的生产计划排程情况以及库房情况，提升物流的精准性和及时性，减少供应链风险，并可以进一步优化企业库存，减少资金积压，降低制造成本。

5.大数据驱动下的生产管理

通过采集企业生产过程相关的产品定义信息、企业人机物等资源信息、订单及计划排程信息，并进行分析，可实现动态分析生产过程的人机物绩效，实时发现生产过程瓶颈因素，优化制造企业的整体产出。

通过采集计划排程信息和企业人机物等资源信息，实现企业制造执行排程与生产准备的精准联动，为制造执行过程提供人员、设备、工具工装、刀具、技术资料等保障，保障计划排程的可执行性，减少生产准备导致的时间浪费，提升制造绩效。

通过实时采集产品制造执行过程中的人机料法环等信息，对产品制造过程的相关质量状况进行分析，精确跟踪追溯不合格品的产品根源、影响的产品批次，并为质量归零措施以及措施的执行贯彻提供保障和支持。

 

二、存在的问题和制约因素

（一）存在的问题

1.技术方面存在的问题

工业环境下，工业大数据首先面临的多类型、多协议的工业通信协议，以及智能设备、传感器、工控系统、工业软件、工业管理信息等大量异质终端，如此种种决定了工业大数据必然呈现结构化、半结构化、非结构化数据混杂，采集频率高、实时性强等特征，需要针对上述典型工业大数据场景，支撑构建高可用的，高可靠的、分布式的海量数据采集、聚合和传输的系统，提供符合大数据特点的存储、分析与可视化展示，并保障数据分析展示的及时性、有效性和安全性，仅依靠互联网大数据的架构和技术体系显然不能满足上述需求，从这个角度来说，技术方面存在的主要问题是工业大数据应用架构、核心技术体系以及工业大数据平台和工具尚有待进一步完善。

参考互联网大数据主流平台相关架构，工业大数据应用架构主要包括数据采集及抽取、数据存储、数据预处理、数据分析、资源管理与调度、数据展示等。数据采集及抽取通过传感器、手工录入、自动爬取、ETL中间抽取等多种方式完成数据的采集，采集的数据中一部分需要实时进行数据流分析的数据直接送到大数据实时分析处理引擎进行处理，引擎完成实时分析处理后，一方面根据具体情况，将分析处理后的信息传递给关系型数据仓库进行存储，同时将相关日志信息等数据传递给大数据存储进行存储，另一方面，将实时处理后的数据通过数据可视化处理系统处理，随后进行统一展示，方便用户进行实时监控和处理，如设备运行状况等。

2.应用方面存在的问题

工业大数据技术的应用是大数据技术和工业行业全价值链典型场景的融合应用，一方面整个制造价值链涵盖从需求订单的获取，到产品设计、工艺规划、制造执行、生产保障以及产品的运维和保障等各个产业链环节，每个环节的工业大数据应用需求和场景也各异；另一方面工业企业细分行业众多，各个细分行业之间应用场景差异巨大，如石化制药等流程工业强调各种原材料的精确配比、生产过程的实时监控分析与控制，离散工业强调生产的组织、策划与制造执行等，因此一个通用的工业大数据应用解决方案包打天下的情形基本不可能存在，即使存在，其针对性、实用性也欠佳。总体上，当前我国工业企业在工业大数据应用方面存在的问题如下。

信息资源缺少总体规划，数据质量堪忧。一方面由于工业企业信息化历程的必然发展路径使然，一方面由于工业企业信息化投入不足，在信息化建设开展过程中，未能科学合理进行信息化规划和企业信息资源的规划，由此必然导致业务和信息系统的支撑关系不强，工业企业管控、制造执行必需的信息系统或信息资源缺乏等现象，而缺少相应的信息系统和数据源支撑，工业大数据在此类工业企业当中的应用缺少数据基础，更无论工业大数据应用实施效果。且由于对企业数据资源缺少整体梳理和规划，必然导致各业务环节的数据散落在各业务部门，相关的数据编码、处理机制各异等，从而导致企业数据可用性差、数据质量不高、业务环节之间数据集成共享困难，工业大数据技术手段难以发挥应用的价值。

工业企业数据治理体制和机制有待进一步健全。由于历史原因，我国多数工业企业的信息化部门和业务部门相互独立，信息化部对企业业务知之甚少，业务部门不了解信息化，以企业数据资源管理为核心的数据治理体制和机制尚未建立或并不健全，业务部门在业务开展过程中急需工业大数据支撑业务工作的开展，但苦于不懂工业大数据相关技术，不能合理有效进行表达，信息化部门人员熟悉工业大数据相关技术，但对业务部门的应用场景并不了解，对工业大数据在业务过程中的应用场景、适用范围以及能够给企业带来的价值不甚了解，难以围绕业务的战略规划和发展提出明确的工业大数据需求，其信息化部门和业务部门相比往往处于弱势地位，单靠信息化部门往往难以推动大数据的应用和推广。

3.产业方面存在的问题

工业大数据在产业方面存在的问题主要表现在工业大数据产业布局、工业大数据和工业产业链的融合两个方面。

产业布局缺少基础支撑，面临空心化。纵观欧美发达国家工业大数据产业全景，其在理论、基础设施、平台框架、典型工业场景应用等方面的产业布局已经完成，反观我国工业大数据产业，我国在工业大数据的平台框架、重点核心技术和数据库方面，均存在较大差距，整个工业大数据产业布局缺少基础支撑，面临空心化危机。

产业链融合程度低。我国一些制造企业在局部应用工业大数据方面已经取得了一定的成效，但多局限在内部业务的改善、产品成本的减少、质量控制、企业运营效率提升等方面，在工业大数据技术与制造需求获取、产品研发、制造执行、供应链管理、产品服务保障等业务环节深度融合方面还有待进一步拓展和深化。

（二）制约因素

1.工业大数据安全和开放体系亟待建立

数据安全和数据开放体系建立是工业大数据大规模应用的两个重要前提。如前所述，我国多数工业企业的信息化建设基本上均是由业务部门在业务开展过程中根据自身的局部需求出发，开展建设，缺少统一规划，形成了部门割据的信息化烟囱，导致数据编码不一致，系统之间不能相互通信，业务流程不能贯通，因此，我国工业企业无论在数据的总量上，还是数据的质量上，均和欧美发达国家制造企业存在较大差距，且由于行业垄断或商业利益等原因，数据的开放程度也不高。

另一个制约我国工业大数据应用发展的重要因素是政策法规体系不健全。工业大数据的开发和利用既要满足工业企业典型应用场景的业务发展需求，也要防止涉及国家、企业秘密的数据发生泄漏。而目前，我国在工业大数据的利用、评价、交换以及信息安全保护方面的法律法规尚有待进一步健全，在很大程度上抑制了工业大数据的应用广度和深度，不利于工业大数据生态系统的建设和培育。

2.基于工业大数据的企业管理理念和运作模式变革

随着智能设备、物联网技术、智能传感器、工业软件以及工业企业管理信息系统等在工业企业的广泛应用，综合利用各种感知、互联、分析以及决策技术，通过实时感知、采集、监控现场制造加工状况、物流情况、生产准备情况、技术状态管理情况，并开展数据挖掘分析，急需工业大数据平台和相关技术的支撑。

工业大数据应用目的是推动工业企业基于对内外部环境相关数据的采集、存储和分析，实现企业与内外部关联环境的感知和互联，并利用工业大数据分析技术开展挖掘分析，支撑工业企业基于数据进行决策管控，提升企业决策管控的针对性、有效性。

3.工业大数据人才缺乏制约产业发展

工业大数据技术应用的关键是揭示各种典型工业应用场景下，各种数据的内在关联关系，因此，工业大数据技术的应用者不但要掌握工业大数据的相关知识和工具，还需要深刻了解制造业典型业务场景，并结合工业大数据的分析和可视化展示情况，结合业务场景进行合理解读，此外，还需要结合业务场景进行解决方案的制定和管理决策，以上工业大数据人才的要求将大大制约工业大数据产业发展进程。

整体上，工业大数据对复合型人才的能力需求更强烈，目前我国工业大数据的高级管理决策人才、数据分析人才、平台架构人员、数据开发工程师、算法工程师等多个方向均存在较大缺口，极大阻碍了工业大数据产业的发展。

三、技术、应用及产业发展趋势

（一）工业大数据技术和应用发展趋势

1.工业大数据应用的外部环境日益成熟

以工业4.0和工业互联网为代表的智能化制造技术已成为制造业发展的趋势，智能化制造技术的研究和应用推动了工业传感器、控制器等软硬件系统和先进技术在工业领域的应用，智能制造应用不断成熟，一方面正在逐步打破数据孤岛壁垒，实现人与机器、机器与机器的互联互通，为工业数据的自由汇聚奠定基础，另一方面进一步增强了工业大数据的应用需求，使得工业大数据应用的外部环境日益成熟。

2.人工智能和工业大数据融合加深

工业大数据的广泛深入应用，离不开机器学习、数据挖掘、模式识别、自然语言理解等人工智能技术清理数据、提升数据质量和实现数据分析的智能化，工业大数据的应用和安全保障都离不开人工智能技术，而人工智能的核心是数据支持，工业大数据反过来又促进人工智能技术的应用发展，两者的深度融合成为发展的必然趋势。

3.云平台成为工业大数据发展的主要方向

工业大数据云平台是推动工业大数据发展的重要抓手。使得传统的互联网大数据处理方法、模型和工具难以直接使用，增加了工业大数据的技术壁垒，导致工业大数据解决方案非常昂贵，云平台的出现，为工业企业特别是中小型工业企业随时、按需、高效地使用工业大数据技术和工具提供了便宜、可扩展、用户友好的解决方案，大大降低了工业企业拥抱工业大数据的门槛和成本。

4.工业大数据将催生新的产业

除了云平台，新的大数据可视化和自动化软件也能大大简化了工业大数据的数据处理、分析过程，打破了大数据专家和外行之间的壁垒。这些软件的出现使得企业可以自主利用工业大数据，做相对简单的工业大数据分析，以及外包复杂的工业大数据应用需求给专业工业大数据服务公司。从而催生新产业，包括工业大数据存储、清理、分析、可视化等相关的软件开发、外包服务等。

（二）工业大数据技术和应用发展建议

工业大数据已经成为制造业转型升级的核心要素，是工业企业智能制造和智慧服务实现智慧化的基础，需要在“技术、应用、产业”各个层次协调发展，并持续建设工业大数据技术创新体系及人才培养体系。

在技术方面体现6个重视：重视工业大数据基础理论、算法、决策分析问题的持续研究；重视工业大数据技术与信息通信技术、人工智能技术、系统工程技术与制造领域技术等多种技术的深度融合研究；重视对面向用户的工业大数据云服务技术的研究；重视基于大数据的制造业全生命周期的新模式、流程、手段的技术研究；重视符合“共享经济”的商业模式技术研究；重视安全技术及相关标准和评估指标体系技术研究；

在应用方面体现4个突出：突出制造特色、行业特点开展；突出问题为导向；突出大数据驱动下的智慧云制造管理运行的模式、手段和业态的变革；突出制造三要素、五流的综合集成化、优化和智慧化。

在产业方面体现3个加强：加强大数据技术工具集和平台的研发产业；加强大数据系统的构建与运行产业；加强工业云数据中心的运营服务产业。