智能制造基础之工业大数据
工业大数据在智能制造中的应用
⼯业⼤数据在智能制造中的应用目录1.前言 (3)2.工业大数据面临的挑战 (4)3.工业大数据的应用场景 (7)4.总结 (17)1.前言作为新一轮工业革命的重要内容，正在快速发展的工业大数据成为世界各国争相抢夺的制高点。
工业大数据就是把大数据在产品的研发设计、生产制造、经营管理、市场营销、售后服务等产业链的各个环节广泛应用。
通过对数据的处理分析，推进制造产业的网络化和智能化。
从"工业互联网"的概念来看，工业互联网是全球工业系统与高级计算、分析、感应技术以及互联网连接融合的结果。
它通过智能机器间的连接并最终将人机连接，结合软件和大数据分析，重构全球工业、激发生产力，让世界更美好、更快速、更安全、更清洁且更经济。
2.工业大数据面临的挑战第一是数据搜集，要对来自网络包括物联网和机构信息系统的数据附上时空标签，去伪存真，尽可能收集异源甚至是异构的数据，还可与历史数据对照，多角度检验数据的全面性和可信性。
第二是数据存储，要达到低成本、低能耗、高可靠性目标，要用到冗余配置，分布和云计算技术，存储时对数据进行分类，并加入便于检索的标签。
三是数据处理，利用上下文关联进行语义分析，现在关于上下文这种关联，也是一个国际上比较热门的一个领域。
第四是可视化呈现，目前计算机智能化有了很大的进步和发展，但是谈不到深层次数据挖掘，现有数据挖掘算法在行业中难以应用，就是我们谈到的智能之路进步很大，但还很遥远。
3.工业大数据的应用场景（1）设备远程故障诊断分析：大数据预测设备未来可能出现故障的时间，提供避免风险的解决方案，消除设备故障停机给客户带来的损失。
（2）工业产品开拓：整合行业大数据及市场指数分析、风险管理、电子化招标、供应链金融等增值服务，优化线上交易机制（订单、竞买、竞卖、招标、撮合、挂牌等），基于平台贸易数据整合，解决供需双方的信息对称和信用对称问题，为工业产品开拓等提供交易资金结算一体化服务。
工业大数据在智能制造中的应用
工业大数据在智能制造中的应用智能制造是指通过集成信息技术和智能化设备，实现生产过程的全面自动化、智能化和高效化。
而工业大数据作为智能制造的重要支撑，通过收集、存储、处理和分析大量的生产数据，为企业提供决策支持和优化生产过程。
一、工业大数据的定义和特点工业大数据是指在工业生产过程中产生的大量数据，包括生产设备的运行数据、产品质量数据、生产环境数据等。
与传统的数据相比，工业大数据具有以下特点：1.规模大：工业生产过程中产生的数据量庞大，涉及到多个环节和多个系统。
2.多样性：工业大数据涵盖了多种类型的数据，如结构化数据、半结构化数据和非结构化数据。
3.实时性：工业大数据需要实时采集和处理，以便及时发现问题并采取相应的措施。
4.价值密度高：工业大数据中蕴含着丰富的信息，通过挖掘和分析可以为企业提供有价值的洞察和决策支持。
二、1.生产过程优化：通过对工业大数据的分析，可以实时监测生产设备的运行状态，提前预警设备故障，并进行智能调度和优化，以提高生产效率和降低生产成本。
例如，在一家汽车制造企业中，通过对生产线上的工业大数据进行分析，发现某个设备存在异常，可能导致生产线停机。
及时采取措施修复设备，避免了停机损失，提高了生产效率。
2.质量控制：通过对工业大数据的分析，可以实时监测产品质量指标，发现质量问题，并进行追溯和分析，以找出问题根源并采取相应措施，保证产品质量。
例如，在一家电子产品制造企业中，通过对工业大数据的分析，发现某个生产批次的产品存在质量问题。
通过追溯工业大数据，发现问题出现在某个生产环节的设备上，及时修复设备并调整生产工艺，保证了产品质量。
3.供应链管理：通过对工业大数据的分析，可以实时监测供应链各个环节的数据，如物流数据、库存数据等，以实现供应链的智能化管理和优化。
例如，在一家制造企业中，通过对工业大数据的分析，发现某个供应商的物流配送速度较慢，导致库存积压。
通过与供应商沟通，并调整供应链计划，及时调整库存和物流，优化了供应链的效率。
工业大数据在智能制造中的应用
工业大数据在智能制造中的应用领先的制造企业已经认识到工业大数据在生产过程中的重要性。
随着物联网技术的进一步发展，越来越多的机器设备都能够通过传感器、控制器等参与到数据采集中，实现工业大数据的规整收集和处理。
对于企业而言，通过采用工业大数据分析技术，能够有效提升智能制造的效率和质量，从而在激烈的市场竞争中占得一席之地。
工业大数据在智能制造中的应用主要包括以下几个方面：一、制造过程中的数据收集和分析在生产过程中，设备传感器能够实时采集制造过程中的各种参数，例如温度、压力、速度、转速等，通过对这些数据进行收集和整合可以形成全面的产品质量数据。
通过大数据技术的分析和挖掘，能够给企业在制造过程中提供及时的预警和优化建议，有利于更好地控制生产过程，提高产品的制造质量和效率。
二、智能化生产过程的监控和分析很多企业实现了智能化生产过程的监控和控制，通过采用大数据技术，生产过程中的各种数据能够得到及时的监测和处理。
在生产实时数据的基础上，可以通过数据分析和挖掘技术进行产品预测和风险评估，通过提前预测生产障碍和提出相应的改进建议，实现预防性维护，避免机器故障引起的停机和生产缺陷，从而提高生产线的稳定性和产量。
三、基于大数据的管理及优化对于企业的工厂管理而言，在智能制造中引入工业大数据技术，不仅能够实现全面数据管理，更有利于实现工厂生产流程的优化。
通过对数据进行挖掘、分析和展示，企业可以清晰了解到工厂生产中的瓶颈、风险和机会。
同时通过对历史数据的分析比对，能够对生产线做出优化调整，提供更加精准的计划需求，实现生产线上的无缝一体化。
四、降低成本在智能化制造中，大数据技术的应用能够在降低企业的成本方面发挥非常积极的作用。
通过受托生产、成本分析等技术手段，企业能够利用数据预测来加快产品研发过程，同时实现运营收益的提高。
除此之外，通过数据分析技术、故障预警等方式，企业实现及时预警和主动预防，能够减少故障维修带来的损失，提高生产效率，减少赔偿费用。
工业大数据的应用与智能制造技术
工业大数据的应用与智能制造技术随着信息化和智能化的推进，工业大数据越来越成为智能制造的关键技术。
工业大数据指企业在生产和经营过程中通过各种信息系统获得的、包括生产数据、设备数据、供应链数据、市场和销售数据等在内的大量数据。
这些数据经过处理和建模，可以为企业提供实时的控制、运行和决策支持，从而提升生产效率和质量、降低成本、提高客户满意度和市场竞争力。
工业大数据的应用领域非常广泛，主要体现在以下几个方面：1. 生产调度优化。
通过精准地获取各生产环节的数据，如生产排程、物料配送、设备保养等，实现生产线的自动调度和优化，从而达到提高生产效率和减少生产成本的目的。
2. 设备状态监测和维护。
利用传感器、云计算和机器学习等技术，可以实现设备状态的实时监测、诊断和预测，提前发现和处理设备故障，从而保障设备的可靠性和稳定性。
3. 产品质量控制。
通过对生产过程中各关键参数、材料和过程参数进行实时监测和控制，实现产品质量的在线监测和控制，提高产品质量稳定性和一致性。
4. 供应链管理。
通过对供应链中各环节的数据进行收集和分析，优化物流、仓储和采购，实现供应链的智能化管理和控制，提升供应链的效率和反应速度。
5. 市场销售预测。
通过对市场、客户和销售数据进行分析和建模，可以预测市场销售趋势和客户需求，为企业提供决策支持和业务战略制定。
智能制造是工业大数据应用的重要实践领域。
工业大数据不仅可以优化传统制造流程，也可以推动智能制造的发展。
与传统制造方式相比，智能制造更加高效、灵活和定制化，能够更好地满足客户的个性化需求，增加多样性产品生产能力和市场竞争力。
智能制造的核心在于工业生产的数字化转型，并基于工业大数据的支撑来实现。
智能制造不再局限于简单的工业机器人和自动设备，而是涵盖了物联网、云计算、人工智能、机器学习、虚拟现实等多种新兴技术。
通过这些技术手段，企业可以更加敏捷地响应市场变化和客户需求，并实现生产过程的智能化、可视化和数字化全流程管理。
工业大数据分析与智能制造的结合实践
工业大数据分析与智能制造的结合实践随着信息技术的不断发展和工业制造技术的日新月异，工业大数据分析和智能制造正在成为工业界的热点话题。
工业大数据分析是指通过收集、分析和利用工业生产过程中产生的各类数据，以提升生产效率、优化生产流程并实现智能化的制造方式。
而智能制造则是通过人工智能技术和机器学习算法等手段，使工业制造过程具有自主感知、自主决策和自主优化的能力。
工业大数据分析与智能制造的结合，可以为企业带来许多益处。
首先，通过数据的搜集和分析，企业可以更好地了解生产过程中的各种参数和指标。
例如，企业可以通过分析设备传感器数据，了解设备使用寿命和维修需求，以及预测设备可能出现的故障，从而做出相应的调整和预防措施。
其次，通过智能化的决策和优化算法，企业可以实现生产过程的自动化控制和调节。
例如，企业可以利用智能算法对工艺参数进行实时优化，以提高产品质量和生产效率。
第三，工业大数据分析和智能制造的结合，还可以帮助企业进行全面的生产过程监测和分析。
通过对数据的实时监测和分析，企业可以及时发现潜在问题和瓶颈，从而采取相应的措施加以解决。
在实际应用中，工业大数据分析和智能制造已经取得了一些显著的成果。
以某汽车制造企业为例，通过对生产线上的各类数据进行分析，该企业成功地实现了生产过程的自动化监控和控制。
通过对设备数据的监测，该企业可以及时发现设备故障和瓶颈，并采取相应的维修和调整措施。
同时，该企业还结合智能制造技术，对生产线的工艺参数进行实时优化，以提高产品质量和生产效率。
通过这些措施的实施，该企业的生产效率和质量得到了显著的提升，并取得了较好的经济效益。
然而，工业大数据分析与智能制造的结合实践也面临一些挑战和问题。
首先，工业大数据分析需要大量的数据支撑。
而在实际生产中，由于传感器设备和数据采集系统的限制，生产过程中的数据并不总是能够完整、准确地收集和记录。
因此，企业需要在设备和数据采集系统的建设方面进行投资和改进，以确保数据的可靠性和完整性。
智能制造中的工业大数据技术的使用教程
智能制造中的工业大数据技术的使用教程智能制造是当前工业发展的重要趋势，以人工智能、物联网、云计算等技术为基础，通过数据的收集、分析和利用来提高生产效率、降低成本，并为企业提供更好的决策依据。
在智能制造中，工业大数据技术的使用至关重要。
本文将为您介绍智能制造中工业大数据技术的使用方法和注意事项。
一、工业大数据的收集在智能制造中，通过各种传感器、仪器设备和生产线上的数据采集系统，可以实时、准确地收集到大量的数据。
这些数据包括生产过程中的工艺参数、设备运行状态、产品质量信息等。
在收集数据时，需要注意以下几点：1. 数据收集范围：确定需要收集哪些数据以及收集的粒度，根据不同的生产环境和需求进行选择。
2. 数据收集周期：根据生产过程的特点和对数据的需求，确定数据收集的频率和时间点。
3. 数据质量控制：确保数据的准确性和完整性，例如监控传感器的运行状态，及时发现并修复故障。
二、工业大数据的存储与管理收集到的工业大数据需要进行存储和管理，以便后续分析和应用。
以下是一些存储和管理的方法和技术：1. 数据库：使用关系型数据库或非关系型数据库进行数据的存储和管理。
关系型数据库适用于结构化数据，非关系型数据库适用于半结构化和非结构化数据。
2. 数据仓库：将不同源头的数据集成到一个统一的数据仓库中，方便数据的查询和分析。
可以使用传统的数据仓库技术，例如ETL（抽取、转换、加载）和OLAP（联机分析处理）。
3. 分布式存储：使用分布式文件系统或对象存储系统来存储大规模的数据。
分布式存储提供高可靠性、可扩展性和灵活性，并可以支持并行计算。
三、工业大数据的分析与挖掘工业大数据的分析和挖掘是智能制造中的核心环节，通过对数据进行挖掘和分析，可以从中发现隐藏的规律和信息，为企业决策提供支持。
1. 数据预处理：对数据进行清洗、去噪、去重和转换等预处理工作，以提高数据的质量和可用性。
2. 数据挖掘算法：根据具体的问题和目标选择合适的数据挖掘算法，如关联规则挖掘、分类、聚类和异常检测等。
智能制造的原理和应用
智能制造的原理和应用随着科技的不断进步以及人们对智能制造的日益重视，智能制造已经成为当今生产领域中的重要议题。
智能制造是指利用现代高科技手段来设计、开发、生产、管理和维护产品的全过程，在整个生产过程中实现信息化和智能化。
本文将探讨智能制造的原理和应用。
一、原理智能制造的原理是基于先进的信息和通信技术，以工业大数据为基础，通过人机交互、机器自主学习等智能化手段，实现生产过程的精益高效、自适应和灵活可调，并最终实现全产业链资源的协同作用和价值最大化。
在智能制造中，最核心的技术是工业物联网（IIOT）。
工业物联网是以物联网技术为基础，聚焦于工业生产领域的一种应用模式，通过将各种设备、传感器等互联起来，实现对工厂、设备以及整个生产过程的实时监控，进而实现产线的优化和智能化控制。
另外，人工智能技术也是智能制造的重要组成部分。
机器学习、深度学习等技术的应用，可以让机器在不断地学习和优化中逐渐成为“专家”，并能够实现对生产过程的智能分析和优化。
二、应用在智能制造的应用方面，可以分为三个层次：智能生产、智能供应链和智能服务。
下面将分别进行介绍。
1、智能生产智能生产是智能制造的核心，其重点在于基于工业大数据和工业物联网技术，对生产环节进行实时监控和优化，以实现生产过程的高效、精益和灵活可调。
目前，智能制造已经广泛应用于汽车、机器人、电子等诸多领域，例如在智能制造中心，设备、工件、工人都具备了终端感知和网络连接的能力，从而实现了生产过程的实时感知和智能化控制。
此外，智能制造还支撑了数字化、虚拟化和仿真等生产工具的实现，可以大幅提高生产效率和降低生产成本。
2、智能供应链智能供应链是指以智能制造为基础，以供应链为核心，通过数据共享和监控，实现生产供应链的高效可控，从而使整个供应链保持高效运转和高质量的服务。
在智能供应链中，可以使用智能传感器、RFID技术等手段实现对物流环节的实时监测，以及基于大数据和机器学习的需求预测和调度。
工业智能和大数据在智能制造中的应用解析
工业智能和大数据在智能制造中的应用解析随着科技的不断进步和发展，工业智能和大数据已经成为推动智能制造发展的重要驱动力。
工业智能指的是通过人工智能和物联网等技术，对生产过程和设备进行自动化、智能化管理和控制的能力。
大数据则是指通过收集、储存和分析海量数据，从中获取有价值的信息和知识。
本文将从工业智能和大数据的定义、应用场景、优势以及未来发展趋势等方面进行深入解析。
一、工业智能的定义工业智能是将人工智能、物联网、云计算等技术与传统工业生产相结合的一种新型生产方式。
通过传感器、控制器和算法等技术手段，实现生产过程的自动化、智能化管理和控制，提高生产效率和产品质量。
工业智能的主要特点包括智能感知、智能决策和智能执行。
二、大数据在智能制造中的应用场景1. 资源优化调度：利用大数据分析技术，对生产设备和流程进行全面监测和调度，实现生产资源的优化配置和利用，提高生产效率和资源利用率。
2. 品质控制和质量预测：通过分析历史数据、实时监测和反馈，实现对产品质量的精细控制和预测，减少次品率和产品召回率。
3. 故障预警和维修管理：通过对设备运行状态的实时监测和分析，实现故障的预警和预测，提前进行维修和保养，避免生产中断和停机损失。
4. 智能供应链管理：通过对供应链中各环节的数据进行收集和分析，实现物流配送、库存管理和供应计划的智能化管理和优化。
5. 客户需求预测和个性化定制：通过对大量用户数据和市场趋势进行分析，实现对客户需求的准确预测和个性化定制，提高客户满意度和市场竞争力。
三、工业智能和大数据在智能制造中的优势1. 提高生产效率：工业智能和大数据技术可以实现生产过程的自动化和智能化控制，减少人为干预，提高生产效率和产能。
2. 减少成本：通过对生产过程和设备的监测和调度，实现资源的高效利用和合理分配，降低生产成本和能源消耗。
3. 提高产品质量：通过实时监测和分析，及时发现和解决生产过程中的质量问题，减少次品率和产品召回率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
大数据。
燃㈣Ｉ ｚ０１５辅３
万方数据
４７
Ｒ ０８ ０ １－ｌ ｌ ０【Ｊ ８．『８ ｙ ｆ ０ ８【Ｊ Ｍ
图３工业大数据全生命周期
设计制造 使用维权 回收利用
ＣＡＤ
ＣＡＥ
ＥＲＰ
绿色ＣＡＤ
传统企业数据
了
市场 分析
需求 建模
几何 模型
性能 指标
资源 质量 计划管理
基础 配置
物理 配置
备件 管理 配置 分析
科技顾问威廉・麦克唐纳 （ｗｉ ｌ；ａｍ ＭｃＤｏｎｏｕｇｈ）提
（ＡＭＰ）”都顺应了工业大数据的发展潮流。
三流汇聚而成的工业大数据
工业大数据从何而来？它来源于产品生命 周期的各个环节，包括市场、设计、制造、 服务、再利用等各个环节，每个环节都会产 生大数据。而“全”生命周期的数据汇合起 来则更加庞大。当然，企业外、产业链外的 “跨界”数据
叵重堕查垂］画量…！…Ｎ ９旦旦＾尽量…【ｉ旦删煦……………………………………………………………………… 智能制造基础之工业大数据
智能制造时代的到来，也意味着工来自大数据时代的到来。制造业向智能化转 型的过程中，将催生工业大数据的广泛应用。工业大数据无疑将成为未来提
升制造业生产力、竞争力、创新能力的关键要素，也是目前全球工业转型必 须面对的重要课题。
文中指出，制造业存储了比任何其他一种
行业都多的海量数据——仅２０１０年，制造业 就存储了将近２ＥＢ的新数据。工业已经进入 “大数据”时代，而他们所控制的数据的体量、 多样性和复杂程度，也正以前所未有的速度 不断激烈地爆发式发展。 其实，工业大数据就是在工业领域相关信 息化应用中所产生的海量数据。需要格外注 意的是，工业大数据的“相关应用”不仅应 包括生产企业内部和产业链，还应包括客户、 用户，以及互联网上产生的相关数据。 同时，通用电气公司的报告在阐述工业大 数据的概念之外，还揭示了工业大数据所蕴 含的巨大价值。 那么，基于何种背景下，人们提出了“工 业大数据”呢？第一，数字化装备和产品已 经普及；第二，装备和产品网络化连接（互 联网＋）的不断成熟；第三，工业企业正逐步 图１
值、波动幅度、回传密度多个维度进行分析， 自动筛选与故障车辆关系密切的特征工况， 发现这些故障车辆的每分钟换向次数在变化 幅度上高度相关。 再通过引入互联网上的行政区划数据和 历年高铁建设数据（企业外部数据），可以 得出这样一个结论，这些典型故障均发生在 ２０１２－２０１３年期间在建重大工程“杭深高铁” 沿线，这为我们寻找更深层次的原因提供了
图６应用实践１——运营管理，时空监控
实时采集设备位置、工况与工作信息，利用可视化图形界面展示，使客户足不出户便能及时掌握搅拌站的当前运营状况
电子围栏
油位监管
５０机器人产业Ｉ
ＲＯＢＯＴ ＩＮＤＵＳＴＲＹ
万方数据
智能制造基础之工业大
图７故障分析新手段
通过地理位置数据的关联分析发现：主油缸故障发生的位置与沿海地区杭深高铁建设强相关。
工业大数据在路上
由互联网数据、机器数据和企业数据汇聚 而成的工业大数据，蕴藏着巨大价值。例如，
坚持应用驱动，最终实现中国制造强国之梦。
图８备件需求预测
实时展现各类主机的区域分布及设备保有量情况及时掌握在外设备开工情况，助力维修服务决策。
誓页
Ｉ
一
Ｉ
巨山－业鄙
趋－机－业毒Ｊ
＿讥－业讳
罨机－业部
蕾机・业鼙
集成。
如果说互联网业务往往是全新的，工业大 数据则需要与遗留的系统进行集成，甚至替 换“旧”的系统，这是工业大数据项目区别 于互联网大数据项目的重要内容，在实践中 我们形成了“四阶段”的切换方案。 一个例子是装备时空监管。企业在得到工 况数据以后，首先是对装备运营进行监管。 不同于传统的运营监管，在大数据技术支持 下，运营是成套设备互相协同的运营。以搅 拌站为例，通过收集位置数据、油位数据可
▲印：！型旦Ｉ垣堕立二¨里Ｉ目四¨ｔ！‘！？ ＝ｉ
２０１２年４月各区簟每台襄车母月施工时阆分析围（小时）
＾
，
ｑ
ｉ。 ，～
旺畦（ＢＯＢＬ上
ｃｈａｉｎ
［３］交钥匙
一般情况下，“交
钥匙”工程由承包商实施 所有的设计、采购和建造 工作，完全负责项目的设 备和施工。雇主基本不参 与工作。承包商在”交钥 匙“时．提供一个配套完 整、可运行的设施。
ｍａｎａｇｅｍｅｎｔ，ＳＣＭ）协调供应链，
Ｒｅｌａｔｉｏｎｓｈｉｐ
客户关系管理系统（Ｃｕｓｔｏｍｅｒ
杭深高铁
盐雾环境腐蚀
重要线索。 还有一个例子是备件预测。通过大规模工 况数据透视宏观装备应用情况，我们根据这些 信息进行易损配件需求的预测，优化调配相关 服务资源。装备开工情况也同样可以反映出各 地区宏观经济情况。
通过分析用户使用数据改进产品、通过分析现 场测量数据提高加工水平、通过工况数据进行 产品健康管理等。工业大数据的应用，将成为 未来提升制造业生产力、竞争力、创新能力的 关键要素，也是目前全球工业转型必须面对的 重要课题。 工业大数据刚刚起步，我们需要冷静思考，
程碎片化”、
ＥＯＬ）。ＢＯＬ和ＭＯＬ的分离点是产品交付
用户的时刻，ＭＯＬ和ＥＯＬ的分离点是产品
ｃＡＩ等各项技术的综合叫 法。因为所有缩写都是以 ｃＡ开头，Ｘ表示所有。
退役的时刻。 那么，工业大数据与传统企业数据之间又
［３］ＭＲＯ
Ｍａｉ
ｎｔｅｎａｎｃｅ（维
有什么关联呢？传统企业信息化的“四大件”， 广义产品生命周期管理（Ｐｒｏｄｕｃｔ Ｍａｎａｇｅｍｅｎｔ，ＰＬＭ）
３、查询接口切换
查询接口设计与开发 应用系统改造，迭代联调测试 应用生产系统上线试运行
４、原数据库切出
¨［辇誓荧入测试系统改造，停止数 骛茭录入生产系统上线・单系统
检查确认，旧数据库正式切出
塑搀至仝生产系统切换，双系统 并行与入
缺失数据双修补操作
２无耗损数据修补
３微创式应用改造方案
以对搅拌车运输的过程进行优化调度，从而 避免拥堵、减少等待、降低能耗。 以杭深高铁沿线装备的故障分析为例。液 压系统是工程机械的核心系统之一，导致其 发生故障的原因很多，比如密封套腐蚀、内 壁刮花、密封环损坏、阀块受损等等。但有 了机器大数据，情况就不一样了，我们可以 寻找发生故障的深层次原因。 我们通过大规模比对开工指标，从典型取
２年ＧＥ发布《工业互联网：突破智慧与机器的界限》研究报告也是工业吴数
据“不可忽视” 的重要来源。 因此，企业数
与此同时，对于那 些人工合成的物质，也要 保证它们参与到一个安全 的、高效的科技新陈代谢 当中。概而言之。就是要 创造一个“零废物”的社
会经济体系。
据、机器数据 和互联网数据 这三条数据流
汇聚成了工业
ＲＯＢＯＴ ＩＮＤＵＳＴＲＹ
万方数据
竺竺竺竺竺兰垄堡…＿Ｉ
信息化浪潮。业界有这样一句口头禅，
“不
图４机器数据典型应用场景
搞信息化等于坐以待毙，搞了信息化也是存 亡未卜”。后半句话说明，企业推行“信息化” 是有难度和风险的，所以“交钥匙”工程成 为广大企业所期望的方式。 但坦白来讲，工业大数据不存在“交钥匙” 工程（至少目前是无法实现的），原因有三： 第一，工业大数据项目主要针对的对象不 是“既有业务”，而是“未来业务”、“创 新业务”，其特点便在于创新性、不确定性； 第二，工业大数据目前尚处于“科学”阶 段，人们对数据价值的“提取”方法、技术 与工具尚不成熟，特别是以物理规律发现为 目标的工业大数据处理更是刚刚起步； 第三，人们普遍认同的“领域专家”、“统 计专家”和“软件专家”组成了协同团队， 他们构成了当前“大数据”深度应用的核心。 当然，这三个原因不说明工业大数据项目 就没有任何共性抓手。比如“端＋云”的低 成本海量时空数据存储处理平台、基于大数 据的装备寿命预测与可靠性分析平台、互联 网数据与企业数据集成平台等等，他们都是 工业大数据的共性软件工具。 那么，装备生命中期阶段（ＭＯＬ）机器 数据又该如何应用呢？ “十二五”期间，清华大学与国内某装备 龙头企业三一重工合作，共同研制装备工况 大数据平台。随着应用的深入，系统需要将 工况数据的处理分析结果向企业服务（ＭＲＯ）、 制造（ＥＲＰ）甚至设计（ＰＬＭ）系统进行反馈， 因此需要将这些系统与工业大数据系统进行
万方数据
８ ０ ８ ０ １＿ｌ ｌ ０ Ｊ ５ １－８ ｙ ｆ＝０ Ｒ Ｊ Ｍ
图５工业大数据系统的切换过程
１
双系统并行，非中断切换
１、分析与环境；隹备
切换可行性摸底调研 布置大数据集群，建立切出环境 恢复下线历史数据 历史数据导出原始数据库 历史数据导入大数据系统
２、写入接口切换
实时数据写入接口开发 数据录入测试系统改造，迭代 联调测试
实践出真知
众所周知，产品全生命周期的各个阶段都 会产生大数据。设计阶段引入用户社区数据， 制造阶段使用机床在线感知与测量数据，在 市场营销阶段使用社交网络数据…… 上世纪９０年代，罗尔斯・罗伊斯公司 （Ｒｏｌｌｓ－Ｒｏｙｃｅ）率先在发动机上嵌入传感器， 监控其运行状态，开创了以销售飞行小时为 标志性业务的服务型制造新模式。这些传感 器采集的机器数据便可对应ＧＥ和麦肯锡报告 中所说的工业大数据的主体。
２０１
一二 电力
石油天然气 ９００亿羹元 ３００亿美元６６０亿美元
开始向服务型制造转型；第四，
“从摇篮到
摇篮【１】＇＇制造的必然要求。毫无疑问，无论
是中国的《中国制造２０２５》，还是德国的“工 业４．０”，抑或是美国的“先进制造伙伴计划
［１］Ｉ‘从摇篮到摇篮”
“从摇篮到摇篮”理 论由美国原总统克林顿的
Ｌｉｆｅｃｙｃｌｅ
护）、Ｒｅｐａｉ ｒ（维修）、 Ｏｐｅｒａｔｉｏｎ（运行）的缩写。
通常是指在实际的生产过
程不直接构成产品，只用 于维护、维修、运行设备