工业大数据白皮书：应用热点、参考框架、典型模式

工业大数据参考框架，包括应用范围、典型运营模式、数据架构、技术架和平台参考等。 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。

工业大数据的主要来源有三类：

生产经营相关业务数据：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。此类数据是工业领域传统的数据资产，正在逐步扩大范围

设备物联数据：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，这是工业大数据新的、增长最快的来源

外部数据：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

1. 工业大数据的地位

1.1 在智能制造标准体系中的定位

工业大数据位于智能制造标准体系结构图的关键技术标准的左侧，属于智能制造标准体系五大关键技术之一。

1.2 与大数据技术的关系

工业领域的数据累积到一定量级，超出了传统技术的处理能力，就需要借助大数据技术、方法来提升处理能力和效率，大数据技术为工业大数据提供了技术和管理的支撑。 工业大数据可以借鉴大数据的分析流程及技术，实现工业数据采集、处理、存储、分析、可视化。工业制造过程中需要高质量的工业大数据，可以借鉴大数据的治理机制对工业数据资产进行有效治理。

1.3 与工业软件和工业云的关系

工业软件承载着工业大数据采集和处理的任务，是工业数据的重要产生来源，工业软件支撑实现工业大数据的系统集成和信息贯通。

工业大数据技术与工业软件结合，加强了工业软件分析与计算能力，提升场景可视化程度，实现对用户行为和市场需求的预测和判断。

2. 主要国家战略部署

2.1 美国先进制造业战略

2012年2月，美国发布了《先进制造业国家战略计划》报告，将促进先进制造业发展提高到了国家战略层面。从投资、劳动力和创新等方面提出了促进美国先进制造业发展的三大原则、五大目标及相应的对策措施。

2014年，美国白宫发布《2014年全球大数据白皮书》，指出美国大型企业在投资大数据科技方面的关键驱动因素：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。

2.2 德国工业4.0战略

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（物理信息系统）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。

2.3 法国新工业战略

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。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。

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，实现经济增长模式转变

2.4 中国制造2025战略

2015年5月，国务院正式印发《中国制造2025》规划。规划中提出将重点推动信息化与工业深度融合，把智能制造作为两化深度融合的主攻方向，着力发展智能装备和智能产品，推进生产过程智能化，培育新型生产方式。

同年12月，工信部、国标委联合发布《国家智能制造标准体系建设指南(2015年版)》。为推动智能工厂的建设，国务院又发布了《促进大数据发展行动纲要》，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。

3. 工业大数据应用热点

工业大数据挖掘和分析的结果可广泛应用于企业研发设计、复杂生产过程、产品需求预测、工业供应链优化和工业绿色发展等各个环节。

3.1 在设计领域的应用

（1）基于模型和仿真的研发设计 基于模型的研发设计。在数字化技术环境下的产品设计开发，从概念设计就以数字化模型为载体，不受到时间和空间等因素的限制对产品模型修改和完善，然后将最终方案的数据通过生产设备进行产品制作。

基于仿真的设计。通过数字化模型的显示、仿真、快速成型、虚拟现实交互，可及早发现设计缺陷，优化产品，克服以往多种缺点。虚拟仿真技术还在不断提高系统的智能型，逐步解决产品创新设计中的不确定性与模糊性。

（2）基于产品生命周期的设计 运用大数据相关技术，实现高度有序化的方式展示产品生命周期设计大数据的关系，方便地集成员工在设计中产方便地集成员工在设计中产生的新知识，使产品设计大数据得进一步丰富。

（3）融合消费者反馈的设计 利用工业数据平台获取消费者、市场等各维度的数据信息，达到生产者和消费者之间“信息粘性”的效果，利用这些关联数据信息，通过大数据挖掘分析技术，实现客户全面洞察，改进、创新设计产品的功能和款式。

3.2 在复杂生产过程优化的应用

（1）工业物联网生产线 在生产工艺改进方面，在生产过程中使用这些大数据，就能分析整个生产流程，有助于制造商改进其生产流程。在能耗分析方面，在设备生产过程中利用传感器集中监控所有的生产流程，优化能源的消耗。

通过诸如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等，加快整个制造流程的物料循环，通过智能摘挂系统、信号识别系统、智能取料系统、智能装配、智能定制等系统的导入实现整个制造流程的自动化。

（2）生产质量控制 利用工业大数据技术，挖掘产品质量特性与关键工艺参数之间的关联规则，抽取过程质量控制知识，为在线工序质量控制、工艺参数优化提供指导性意见。

（3）生产计划与排程 大数据给予企业更详细的数据信息，发现历史预测与实际的偏差概率，通过数据的关联分析及监控，企业能更准确地制定计划。

3.3 在产品需求预测中的应用

在产品开发方面，分析当前需求变化和组合形式，通过消费人群的关注点进行产品功能、性能的调整，设计制造更加符合核心需要的新产品，针对每一个群体策划并推送针对性的营销。

3.4 在工业供应链优化中的应用

供应链环节工业大数据的应用主要体现在供应链优化，即通过全产业链的信息整合，使整个生产系统达到协同优化，让生产系统更加动态灵活，进一步提高生产效率和降低生产成本。主要应用有供应链配送体系优化和用户需求快速响应。

3.5 在工业绿色发展中的应用

新一代信息技术通过对产品的配方、工艺及原材料采购、生产制造、仓储、运输、使用、大修和报废的全过程进行监控和管理，以数据采集为前端，数据分析和挖掘为服务，为制造企业实现绿色制造提供有力保障。

4. 工业大数据参考框架

工业大数据参考架构以工业过程的业务需求为导向，基于工业系统的业务架构，规划工业大数据的数据、技术和应用（平台）架构，以搭建面向多业务领域、贯通多组织和应用层次的工业大数据IT架构。

4.1 数据参考架构

工业大数据应用的目标是构建覆盖工业全流程、全环节和产品全生命周期的数据链，工业大数据在实际应用当中涉及到的主要环节：数据源、数据收集与集成、数据处理与数据管理、典型应用场景等四个层次。

4.2 技术参考架构

工业大数据技术架构共有五个部分，分别为数据采集层、数据存储与集成层、数据建模层、数据处理层、数据交互应用层。

4.3 平台参考架构

工业大数据平台涵盖了IT网络架构和云计算基础架构等基础设施，专家库、知识库、业务需求库等资源，及安全、隐私等管理功能。此外，还包含关联工业大数据实际应用的三方面角色，即数据提供方、数据服务消费方、数据服务合作方。

5. 应用案例