隨著新一代信息技術與制造業(yè)的深度融合，工業(yè)企業(yè)的運營管理，越來越依賴工業(yè)大數(shù)據(jù)。工業(yè)大數(shù)據(jù)的潛在價值也日益呈現(xiàn)。隨著越來越多的生產(chǎn)設備、零部件、產(chǎn)品以及人力物力不斷加入工業(yè)互聯(lián)網(wǎng)，也致使工業(yè)大數(shù)據(jù)呈現(xiàn)出爆炸性增長的趨勢。

工業(yè)大數(shù)據(jù)的價值體現(xiàn)

工業(yè)大數(shù)據(jù)是以工業(yè)4.0數(shù)據(jù)分析和特色收集為基礎，對設備、裝備的質量和生產(chǎn)效率，以及產(chǎn)業(yè)鏈進行更有效的優(yōu)化管理，并為未來的制造系統(tǒng)搭建無憂的環(huán)境。它通過工業(yè)傳感器、無線射頻識別、條形碼、工業(yè)自動控制系統(tǒng)、企業(yè)資源計劃、計算機輔助設計等技術來擴充工業(yè)數(shù)據(jù)量。

從應用端來看，工業(yè)大數(shù)據(jù)的價值有以下幾點：

第一，它能夠以較低的成本滿足用戶的定制化需求;

第二，工業(yè)大數(shù)據(jù)分析使得制造過程的信息透明化，從而提高了效率，提升了質量，降低了成本和資源的消耗，實現(xiàn)了更有效的管理;

第三，工業(yè)大數(shù)據(jù)能夠提供設備全生命周期的信息管理和服務，使設備的使用更加高效、節(jié)能、持久，并減少了運維環(huán)節(jié)中的浪費，提高了設備的可用率;

第四，它實現(xiàn)了全產(chǎn)業(yè)鏈的信息整合，讓整個生產(chǎn)系統(tǒng)協(xié)同優(yōu)化，使其變得更加動態(tài)靈活，進一步提高了生產(chǎn)效率。

此外，一提到大數(shù)據(jù)，人們首先會想到在互聯(lián)網(wǎng)和商業(yè)等環(huán)境中，利用大量的行為數(shù)據(jù)來分析用戶行為和預測市場趨勢等應用。但是對工業(yè)大數(shù)據(jù)的定義和應用卻很難直觀地理解和想象，而工業(yè)大數(shù)據(jù)的挑戰(zhàn)和目的則要通過“3B” 和 “3C” 來理解。

工業(yè)大數(shù)據(jù)應用的“3B”挑戰(zhàn)：

Bad Quality——在工業(yè)大數(shù)據(jù)中，數(shù)據(jù)質量問題一直是許多企業(yè)所面臨的挑戰(zhàn)。這主要受制于工業(yè)環(huán)境中數(shù)據(jù)獲取手段的限制，包括傳感器、數(shù)采硬件模塊、通信協(xié)議和組態(tài)軟件等多個技術限制。對數(shù)據(jù)質量的管理技術是一個企業(yè)必須要下的硬功夫。

Broken——工業(yè)對于數(shù)據(jù)的要求并不僅在于量的大小，更在于數(shù)據(jù)的全面性。在利用數(shù)據(jù)建模的手段解決某一個問題時，需要獲取與被分析對象相關的全面參數(shù)，而一些關鍵參數(shù)的確會使分析過程碎片化。舉例而言，當分析航空發(fā)動機性能時需要溫度、空氣密度、進出口壓力、功率等多個參數(shù)，而當其中任意一個參數(shù)缺失時都無法建立完整的性能評估和預測模型。因此對于企業(yè)來說，在進行數(shù)據(jù)收集前要對分析對象和目的有清楚的規(guī)劃，這樣才能夠確保所獲取數(shù)據(jù)的全面性，以免斥巨資積累了大量數(shù)據(jù)后發(fā)現(xiàn)并不能解決所關心的問題。

Below the Surface——除了對數(shù)據(jù)所反映出來的表面統(tǒng)計特征進行分析以外，還應該關注數(shù)據(jù)中所隱藏的相關性。對這些隱藏在表面以下的相關性進行分析和挖掘時，需要一些具有參考性的數(shù)據(jù)進行對照，也就是數(shù)據(jù)科學中所稱的 “貼標簽” 過程。這一類數(shù)據(jù)包括工況設定、維護記錄、任務信息等，雖然數(shù)據(jù)量不大，但在數(shù)據(jù)分析中卻起到至關重要的作用。

工業(yè)大數(shù)據(jù)分析的“3C”目的：

Comparison(比較性)——從比較過程中獲取洞察，既包括比較相似性，也包括比較差異性。比較的維度既可以是在時間維度上與自身狀態(tài)的比較，也可以是在集群維度上與其他個體的比較。這種比較分析能夠幫助我們將龐大的個體信息進行分類，為接下來尋找相似中的普適性規(guī)律和差異中的因果關系奠定基礎。

Correlation (相關性)——如果說物聯(lián)網(wǎng)是可見世界的連接，那么所連接對象之間的相關性就是不可見世界的連接。對相關性的挖掘是形成記憶和知識的基礎，簡單地將信息存儲下來并不能稱之為記憶，通過信息之間的關聯(lián)性對信息進行管理和啟發(fā)式的聯(lián)想才是記憶的本質。相關性同時也促進了人腦在管理和調用信息時的效率，我們在回想起一個畫面或是情節(jié)的時候，往往并不是去回憶每一個細節(jié)，而是有一個如線頭一樣的線索，你去牽它一下就能夠引出整個場景。這樣的類似記憶式的信息管理方式運用在工業(yè)智能中，就是一種更加靈活高效的數(shù)據(jù)管理方式。

Consequence (因果性)——數(shù)據(jù)分析的重要目的是進行決策支持，在制定一個特定的決策時，其所帶來的結果和影響應該被同等地分析和預測。這是以往的控制系統(tǒng)所不具備的特性，也是智能化的本質。工業(yè)系統(tǒng)中的大部分活動都具有很強的目的性，就是把目標精度最大化，把破壞度最小化的 “結果管理”。結果管理的基礎是預測，例如制造系統(tǒng)中，如果我們可以預測到設備的衰退對質量的影響，以及對下一個工序質量的影響，就可以在制造過程中對質量風險進行補償和管理，制造系統(tǒng)的彈性和堅韌性就會增加。

工業(yè)4.0的基礎特征在于互聯(lián)與高度融合，互聯(lián)包括設備與設備、設備與人、人與人、服務與服務的萬物互聯(lián)趨勢，高度融合包括縱向、橫向的“二維”戰(zhàn)略，它們的目標都是使設備數(shù)據(jù)、活動數(shù)據(jù)、環(huán)境數(shù)據(jù)、服務數(shù)據(jù)、公司數(shù)據(jù)、市場數(shù)據(jù)和上下游產(chǎn)業(yè)數(shù)據(jù)鏈等能夠在統(tǒng)一平臺環(huán)境中流通，這些數(shù)據(jù)將原本孤立的系統(tǒng)相互連接，使設備之間可以通行交流，也使生產(chǎn)過程變得透明。此外，由于企業(yè)的核心開始從“單點對多點”的數(shù)據(jù)中心模式轉變成以用戶為核心的平臺式服務模式，從而形成了基于社區(qū)、以用戶為核心的服務生態(tài)系統(tǒng)。