工业大数据实施策略与技术架构

《工业大数据实施策略与技术架构》由会员分享，可在线阅读，更多相关《工业大数据实施策略与技术架构（16页珍藏版）》请在金锄头文库上搜索。

1、工业大数据实施策略与技术架构序言：拥抱工业大数据时代的到来当前，以大数据、云计算、移动物联网等为代表的新一轮科技革命席卷全球，正在构筑信息互通、资源共享、能力协同、开放合作的制造业新体系，极大地扩展了制造业创新与发展空间。新一代信息通信技术的发展驱动制造业迈向转型升级的新阶段数据驱动的新阶段，这是新的技术条件下制造业生产全流程、全产业链、产品全生命周期的数据可获取、可分析、可执行的必然结果，也是制造业隐性知识显性化不断取得突破的内在要求。习近平总书记强调，“要着力推动互联网与实体经济深度 融合发展，以信息流带动技术流、资金流、人才流、物资流， 促进资源配置优化，促进全要素生产率提升”。习总书记

2、这段 话深刻阐释了互联网与实体经济的关系，阐释了以互联网为代表的新一代信息通信技术融合创新推动实体经济转型升 级的内在机理，也充分体现了工业大数据作为一种新的资产、资源和生产要素，在制造业创新发展中的作用。可以从三方 面来理解。首先，资源优化是目标。新一代信息通信技术与制造业融合主要动力和核心目标就是不断优化制造资源的配置效率，就是要实现更好的质量、更低的成本、更快的交付、更 多的满意度，就是要提高制造业全要素生产率。从企业竞争的角度来看，企业是一种配置社会资源的组织，是通过对社会资本、人才、设备、土地、技术等资源进行组合配置来塑造企业竞争能力的组织，是一个通过产品和服务满足客户需求的组织，企

3、业之间竞争的本质是资源配置效率的竞争，这是任何一个时代技术创新应用永恒追求的目标。其次，数据流动是关键。新一代信息通信技术是如何优化制造资源配置效率？信息流是如何带动技术流、资金流、人才流、物资流？关键是数据流动。从数据流动的视角来看， 数字化解决了“有数据”的问题，网络化解决了“能流动”的问题，智能化要解决数据“自动流动”的问题，即能够把正确的数据在正确的时间以正确的方式传递给正确的人和机器，能够把海量的工业数据转化为信息，信息转化为知识，知识转化为科学决策，以应对和解决制造过程的复杂性和不确定性等问题，在这一过程中不断提高制造资源的配置效率。第三，工业软件是核心。工业大数据的核心在于应用，

4、 在于优化资源配置效率，其关键在于，数据如何转化为信息， 信息如何转化为知识，知识如何转化为决策，其背后都有赖于软件,软件是人类隐性知识显性化的载体，软件构建了一套数据如何流动的规则体系，正是这套规则体系确保了正确的数据能够在正确的时间以正确的方式传递给正确的人和机器。工业软件作为一种工具、要素和载体，为制造业建立了一套信息空间与物理空间的闭环赋能体系，实现了物质生产运行规律的模型化、代码化、软件化，使制造过程在虚拟世界实现快速迭代和持续优化，并不断优化物质世界的运行。目 录1.工业大数据的实施策略61.1.业务的加减乘除61.2.过程的智能再造71.3.架构的统筹规划71.4.分析算法与模型

5、的领域化81.5.人才的培养引进92.工业大数据系统与技术架构112.1.工业大数据生命周期112.2.工业大数据技术架构132.3.工业大数据分析技术架构151. 工业大数据的实施策略工业大数据的实施策略可以总结为“业务牵引、技术推动、人才支撑”。1.1. 业务的加减乘除工业大数据作为工业企业实现优化、升级、转型的技术手段，在 其实施过程中，企业决策层首先需要考虑的是如何制定业务发展目标。成功的工业大数据应用实践，大都首先从战略业务目标开始思考， 而且往往是由企业领导人亲自驱动，用以终为始的态度进行推进。结 合业务总体目标进行逐级分解，梳理出相关的业务方向，进行智能制 造中若干环节的优化，亦

6、或是实现某方面智能化水平的升级，再或是 拓展企业的业务边界，完成互联网化转型。在智能化水平提升以及工业互联网转型发展方面，我们把工业企业的相关可量化业务目标总结为加、减、乘、除。业务的加法主要可以从两个维度进行归纳，一个是设计、研发、生产等环节的提质增效， 另一个是产品自身的提升，包括产品质量、产品智能化水平等产品竞争力的提升，以及产品业务形态的拓展，例如从卖硬件产品到系统解决方案。减法主要指对现有业务的优化，例如无人少人化、缩短研发周期、降低能耗、压缩服务时间等。乘法对于制造业企业意味着工业互联网平台战略的成功实施，实现用户、零部件供应商、服务商、设计院等外部资源在平台上的聚集、发展与协同，

7、实现企业的指数型发展。除法是指企业精确定位自己的核心竞争力以及在工业互联网体系中的对应位置和分工，剥离非核心资产，外包高成本业务，实现轻资产化运营。1.2. 过程的智能再造在明确了业务目标后，确保工业大数据支撑的业务目标的实现不仅仅是一个技术问题，同时企业管理层需要考虑如何实现业务过程再造和相应的组织调整。首先，企业管理层需要厘清现有业务流程和制造过程，对应明确的业务目标，找到过程中需要改善或者重构的环节。其次，针对这些环节的问题分析，确定相应的解决手段，特别是自动化、信息化与依靠大数据驱动的智能化的分别。再次，业务团队需要定义再造后流程的大致轮廓，并且梳理清楚大数据产生的分析结果与业务流的映

8、射、交互关系以及使用场景。最后，针对新的业务流程，管理层需要制定对应的组织和人员调整预案，确保过程的智能再造能够真正落实。1.3. 架构的统筹规划工业大数据的实施，需要工业企业信息化部门针对业务问题牵引， 结合新型信息技术，特别是大数据的推动，这其中最为重要的是全盘 规划设计工业大数据的架构。工业企业信息化进程参差不齐，工业 2.0、3.0 和 4.0 并存，不同行业之间的数据来源与使用场景千差万别，很难有一个统一的方法来规划工业大数据架构，但有四方面较为共性问题需要思考。第一，数据资产梳理。意味着企业首先要盘点自有数据资产，包括数据来源、数据规模、数据类型、存储形式等数据基础信息，数据格式、

9、数据质量等问题以及相应数据治理方案，数据管理集成方法，需要从第三方或者互联网获取的外部数据。第二，基础架构选型。需要针对不同业务类型，考虑工作负载特点、数据安全、传输带宽、软硬件成本、运维能力等多方面要素，因地制宜地确定公有云、私有云或混合云等形式的计算平台。第三，原有遗留系统定位。大数据平台不是信息化的替代品，如果说信息化系统重点解决的问题是业务数据的一次传递， 那么工业大数据重点解决的问题是工业数据的再次深度利用，大数据应用的数据获取以及分析结果的使用还要与现有信息化系统进行有机融合与结合，所以要能够在规划阶段明确哪些原有系统将被升级替代，哪些将同时存在，以及相应的应用集成、数据集成和分析

10、结果的使用方式。第四，建设开发方法。工业企业根据自身的具体信息化发展水平和人才储备情况，需要在企业大数据平台和大数据应用的建设顺序，以及是自己做还是找外脑等方面的不同方案中做出选择。1.4. 分析算法与模型的领域化工业大数据分析算法与模型方面应重点关注如下问题：第一，分析算法与模型的专业化。针对机器时间序列、时空等物联网数据，应提供丰富的特征模板库，方便对典型物理事件（如风速平稳时段、发电机转速快速下降、环境温度逐渐上升等）进行描述；另外，还应提供丰富的时间序列、时空模式、序列模式的深度挖掘算法库，提升工业数据分析能力与效率。第二，跨时间尺度数据综合分析。与传统商务智能（Business In

11、telligence, BI）应用场景不同，工业大数据包括秒/小时尺度的机器工况数据、天/周尺度的车间调度数据和月/年尺度的管理决策数据， 在工业大数据应用中不同时间尺度的工业数据需要综合使用才能驱动智慧企业。比如，智慧矿山企业需要根据跨界数据预测矿石品质需求，依据品质需求生成装备作业调度计划，根据装备作业计划实时控制装备操作。第三，交互式分析。工业大数据分析必须能够满足大规模、分散控制和交互迭代等需求。在实时处理上，传统的商业数据分析系统不能有效支持面向大规模数据状态下的低时延复杂事件检测。在离线分析上，查询检索与分析建模应紧密协同，同时前台探索展现与大数据深度分析要无缝整合，支持领域专家交

12、互挖掘。第四，领域知识自动化。工业大数据中存在着大量的非结构化数据，将当前深度学习、自然语言处理等人工能力融入到工业大数据分析中来，可以有效辅助把专家知识进行有效的沉淀、萃取和自动化。1.5. 人才的培养引进工业大数据的实施和应用不是一个交钥匙的工程，基于大数据的创新更离不开专业人才。除机械和电子工程等技术能力以外，还需要一批新兴的跨学科人才。比如下一代工程学人才，将机械工程和信息化融汇贯通，成为“数据机械工程师”。此外，还需要培养数据科学家、用户界面专家等跨界人才。目前中国制造业企业因为行业领域区域等制约，大数据分析人才难以满足需求。为此，企业自身需要制定复合型人才培养计划，营造氛围提升员工

13、的综合数据处理能力，另一方面需要创造环境积极引进大数据分析人才，同时探索“不求所有、但为所用”的新型人才队伍建设模式。2. 工业大数据系统与技术架构2.1. 工业大数据生命周期基于工业互联网的网络、数据与安全，工业大数据将构建面向工业智能化发展的三大优化闭环处理流程。一是面向机器设备运行优化的闭环，核心是基于对机器操作数据、生产环境数据的实时感知和边缘计算，实现机器设备的动态优化调整，构建智能机器和柔性产线； 二是面向生产运营优化的闭环，核心是基于信息系统数据、制造执行系统数据、控制系统数据的集成处理和大数据建模分析，实现生产运营管理的动态优化调整，形成各种场景下的智能生产模式；三是面向企业协

14、同、用户交互与产品服务优化的闭环，核心是基于供应链数据、用户需求数据、产品服务数据的综合集成与分析，实现企业资源组织和商业活动的创新，形成网络化协同、个性化定制、服务化延伸等新模式。工业大数据的处理过程符合大数据分析生命周期，涉及多个不同阶段，如下图所示：系统整体人机协作隐私及时性规模异构性抽取/ 清洗/ 注释解释/ 应用分析/ 建模集成/ 聚集/ 表达获取/ 记录图1 工业大数据生命周期大数据生命周期的主要环节如图的上半部分所示，图的下半部分是大数据分析的需求，这些需求使得分析任务具有挑战性。工业大数据数据采集阶段重点关注如何自动地生成正确的元数据以及其可追溯性。既要研究如何生成正确的元数据

15、，又要支持进行数据溯源。工业大数据抽取、清洗和注释阶段主要负责对工业数据集进行数据抽取、格式转换、数据清洗、语义标注等预处理工作，是数据工程的主要内容。工业大数据集成、聚集与表示阶段主要关注数据源的“完整性”， 克服“信息孤岛”，通常工业数据源通常是离散的和非同步的。对于飞机、船舶等具有复杂结构的工业产品，基于BOM进行全生命周期数据集成是被工业信息化实践所证明的行之有效的方法。对于化工、原材料等流程工业产品，则一般基于业务过程进行数据集成。工业大数据建模和分析阶段必须结合专业知识，工业大数据应用强调分析结果的可靠性，以及分析结果能够用专业知识进行解 释。工业大数据是超复杂结构数据，一个结果的产生，是多个因素共同作用的结果，必须借助专业知识，同时，工业过程非常复杂， 现实中还可能存在很多矛盾的解释，因此，要利用大数据具有“混杂”性的特点，通过多种相对独立的角度来验证分析结果。工业大数据分析结果解释与应用阶段要面对具体行业和具体领域，以最易懂的方式，向用户展示查询结果。这样做有助于分析结果的解释，易于和产品用户的协作，更重要的是推动工业大数据分析结果闭环应用到工业中的增值环节，以创造价值。2.2. 工业大数据技术架构参考工业互联网架构，本节从功能层面给出工业大数据的技术架构。其中工业大数据管理能力包含数据采集与