工业大数据的概念与价值.doc

工业大数据的概念与价值

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， 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. 工业大数据的概念 1
1.1. 工业大数据的内涵 1
1.2. 工业大数据的定义 1
1.3. 工业大数据的空间分布 3
1.4. 工业大数据的产生主体 3
1.5. 工业大数据的发展趋势 4
1.6. 工业大数据的特点 5
1.7. 工业系统的本质特征 5
1.8. 工业大数据的 4V 特征 8
1.9. 工业大数据的新特征 10
1.10. 工业大数据应用特征 11
2. 工业大数据的价值 15
2.1. 工业大数据的创新价值 15
2.2. 数据始终影响着人类工业化进程 15
2.3. 数据在信息化过程中发挥着核心作用 17
2.4. 工业大数据是新工业革命的基础动力 17
2.5. 中国是制造大国，但不是制造强国 18
2.6. 工业大数据提升制造智能化水平，推动中国工业升级 19
2.7. 工业大数据支撑工业互联网发展，促进中国工业转型 20
2.8. 工业大数据助力中国制造弯道取直 21

1. 工业大数据的概念

本章主要讨论工业大数据的概念、意义和发展历程。

1.1. 工业大数据的内涵

本节主要讨论工业大数据的内涵，从空间分布、产生主体两个维度对工业大数据进行分类，并讨论数据产生主体和内容结构演化路径。
1.2. 工业大数据的定义

工业大数据即工业数据的总和，我们把它分成三类，即企业信息化数据、工业物联网数据，以及外部跨界数据。其中，企业信息化和工业物联网中机器产生的海量时序数据是工业数据规模变大的主要来源。
工业大数据是智能制造与工业互联网的核心，其本质是通过促进数据的自动流动去解决控制和业务问题，减少决策过程所带来的不确定性，并尽量克服人工决策的缺点。
首先，企业信息系统存储了高价值密度的核心业务数据。上世纪六十年代以来信息技术加速应用于工业领域，形成了制造执行系统
（MES）、企业资源规划（ERP）、产品生命周期管理（PLM）、供应链
管理（SCM）和客户关系管理（CRM）等企业信息系统。这些系统中积累的产品研发数据、生产制造数据、供应链数据以及客户服务数据，

存在于企业或产业链内部，是工业领域传统数据资产。

其次，近年来物联网技术快速发展，工业物联网成为工业大数据新的、增长最快的来源之一，它能实时自动采集设备和装备运行状态数据，并对它们实施远程实时监控。
最后，互联网也促进了工业与经济社会各个领域的深度融合。人们开始关注气候变化、生态约束、政治事件、自然灾害、市场变化等因素对企业经营产生的影响。于是，外部跨界数据已成为工业大数据不可忽视的来源。
1.3. 工业大数据的空间分布

工业大数据不仅存在于企业内部，还存在于产业链和跨产业链的经营主体中。企业内部数据，主要是指 MES、ERP、PLM 等自动化与信息化系统中产生的数据。产业链数据是企业供应链（SCM）和价值链（CRM）上的数据，主要是指企业产品供应链和价值链中来自于原材料、生产设备、供应商、用户和运维合作商的数据。跨产业链数据，指来自于企业产品生产和使用过程中相关的市场、地理、环境、法律和政府等外部跨界信息和数据。
1.4. 工业大数据的产生主体

人和机器是产生工业大数据的主体。人产生的数据是指由人输入到计算机中的数据，例如设计数据、业务数据、产品评论、新闻事件、法律法规等。机器数据是指由传感器、仪器仪表和智能终端等采集的

数据。智能制造与工业互联网发展，应致力于推动数据的自动采集。对特定企业而言，机器数据的产生主体可分为生产设备和工业产
品两类。生产设备是指作为企业资产的生产工具，工业产品是企业交付给用户使用的物理载体。前一类数据主要服务于智能生产，为智能工厂生产调度、质量控制和绩效管理提供实时数据基础；后一类数据则侧重于智能服务，通过传感器感知产品运行状态信息，帮助用户降低装备维修成本、提高运行效率、提供安全保障。
随着互联网与工业的深度融合，机器数据的传输方式由局域网络走向广域网络，从管理企业内部的机器拓展到管理企业外部的机器， 支撑人类和机器边界的重构、企业和社会边界的重构，释放工业互联网的价值。
1.5. 工业大数据的发展趋势

从数据类型看，工业大数据可分为结构化数据、半结构化数据和非结构化数据。结构化数据即关系数据，存储在数据库里，可以用二维表结构来表达实体及其联系。不方便用二维表结构来表达的数据即称为非结构化数据，包括办公文档、文本、图片、各类报表、图像、音频、视频等。所谓半结构化数据，就是以 XML 数据为代表的自描述数据，它介于结构化数据和非结构化数据之间。
二十世纪六十年代，计算机在企业管理中得到应用，经历了层次、网状等模型后，统一为关系模型，形成了以结构化数据为基础的ERP/MES 管理软件体系。七十年代，随着计算机图形学和辅助设计

技术的发展，CAD/CAE/CAM 等工具软件生成了三维模型、工程仿真、加工代码等复杂结构文件，形成了以非结构化数据为基础的 PDM 技术软件体系。二十一世纪，互联网和物联网为企业提供大量的文本、图像、视音频、时序、空间等非结构化数据，进而引发工业数据中结构化数据与非结构化数据的规模比例发生了质的变化。
近年来，智能制造和工业互联网推动了以“个性化定制、网络化协同、智能化生产和服务化延伸”为代表的新兴制造模式的发展，未来由人产生的数据规模的比重将逐步降低，机器数据所占据的比重将越来越大。2012 年美国通用电气公司提出的工业大数据（狭义的），主要指工业产品使用过程中由传感器采集的以时空序列为主要类型的机器数据，包括装备状态参数、工况负载和作业环境等信息。
1.6. 工业大数据的特点

在未来理想状态下，工业大数据应该作为工业系统相关要素在赛博空间的数字化映像、运行轨迹及历史痕迹。工业大数据的特点，应该体现工业系统的本质特征和运行规律，并推动工业进入智能制造时代。本节主要比较分析工业大数据的特点，进而为后续的讨论奠定基础。
1.7. 工业系统的本质特征

工业系统往往具有复杂动态系统特性。飞机、高铁、汽车、船舶、火箭等高端工业产品本身就是复杂系统；产品设计过程，首先要满足

外部系统复杂多变的需求；生产过程更是一个人机料法环协同交互的多尺度动态系统；使用过程本质上就是产品与外部环境系统的相互作用过程。由此可见，产品全生命周期相关各个环节都具有典型的系统性特征。
确定性是工业系统本身能够有效运行的基础。对设计过程来说， 确定性体现为对用户需求、制造能力的准确把握；对生产过程来说， 确定性体现为生产过程稳定、供应链可靠、高效率和低次品率；对使 用过程来说，确定性体现为产品持久耐用、质量稳定和对外部环境变 化的适应性。因此，人们总是倾向于提高系统的确定性，避免不确定 性因素对系统运行的干扰。工业系统设计一般基于科学的原理和行之 有效的经验，输入输出之间的关系体现为强确定性。有效应对不确定 性是工业系统相关各方追求的目标。工业系统是一个开放的动态系统， 要面临复杂多变的内外部环境。因此，不确定性是工业系统必须面临 的客观存在。工业产品全生命周期的各个阶段都面临着不确定性，例 如外部市场与用户需求等因素的不确定性、制造过程中人机料法环等 要素的不确定性，以及产品使用和运行环境的不确定性。
应对不确定性的前提是感知信息、消除不确定性。以工业互联网技术为代表的 ICT 技术的发展和普遍应用，能大大提升信息自动感知的能力，能让我们感知到用户需求和市场的变化、感知到远程设备和供应链的异动、感知到人机料法环等诸要素的状态，可减少人在信息感知环节的参与，降低人对信息感知所带来的不确定性影响。
在感知的基础上，可以更快速、科学地应对不确定性：通过智能

服务，解决用户使用过程中遇到的不确定性问题；通过智能设备，应对设备自身、原料以及运行环境所涉及的其它不确定性问题；通过智能生产，应对用户需求和工厂内部变化引起的不确定性问题；通过工业互联网，应对供应链、跨地域协同中的不确定性问题等等。在此基础上，相关过程产生的大数据，能够帮助我们更加深入、准确地理解工业过程，进而将工业过程中的个性化问题归结成共性问题、形成知识，并用于优化和指导企业的各种业务。这样，通过工业互联网和大数据技术的应用，能将不确定性转化为开拓市场、提质增效、转型创新的能力，把工业带入智能制造时代。
由此可见，工业系统同时具有确定性和不确定性的特征，确定性是目标，不确定性则是机会。
1.8. 工业大数据的 4V 特征

工业大数据首先符合大数据的 4V 特征，即大规模（Volumn）、速度快（Velocity）、类型杂（Variety）、低质量（Veracity）。
所谓“大规模”，就是指数据规模大，而且面临着大规模增长。我国大型的制造业企业，由人产生的数据规模一般在 TB 级或以下，但形成了高价值密度的核心业务数据。机器数据规模将可达 PB 级，是“大”数据的主要来源，但相对价值密度较低。随着智能制造和物联网技术的发展，产品制造阶段少人化、无人化程度越来越高，运维阶段产品运行状态监控度不断提升，未来人产生的数据规模的比重降低， 机器产生的数据将出现指数级的增长。

所谓“速度快”，不仅是采集速度快，而且要求处理速度快。越来 越多的工业信息化系统以外的机器数据被引入大数据系统，特别是针 对传感器产生的海量时间序列数据，数据的写入速度达到了百万数据 点/秒-千万数据点/秒。数据处理的速度体现在设备自动控制的实时性， 更要体现在企业业务决策的实时性，也就是工业 4.0 所强调的基于“纵向、横向、端到端”信息集成的快速反应。
所谓“类型杂”，就是复杂性，主要是指各种类型的碎片化、多维度工程数据，包括设计制造阶段的概念设计、详细设计、制造工艺、包装运输等各类业务数据，以及服务保障阶段的运行状态、维修计划、服务评价等类型数据。甚至在同一环节，数据类型也是复杂多变的， 例如在运载火箭研制阶段，将涉及气动力数据、气动力热数据、载荷与力学环境数据、弹道数据、控制数据、结构数据、总体实验数据等， 其中包含结构化数据、非结构化文件、高维科学数据、实验过程的时间序列数据等多种数据类型。
所谓“低质量”，就是真实性（Veracity），相对于分析结果的高可靠性要求，工业大数据的真实性和质量比较低。工业应用中因为技术可行性、实施成本等原因，很多关键的量没有被测量、没有被充分测量或者没有被精确测量（数值精度），同时某些数据具有固有的不可预测性，例如人的操作失误、天气、经济因素等，这些情况导致往往数据质量不高，是数据分析和利用最大的障碍，对数据进行预处理以提高数据质量也常常是耗时最多的工作。

1.9. 工业大数据的新特征

工业大数据作为对工业相关要素的数字化描述和在赛博空间的映像，除了具备大数据的 4V 特征，相对于其它类型大数据，工业大数据集还具有反映工业逻辑的新特征。这些特征可以归纳为多模态、强关联、高通量等特征。
“多模态”。工业大数据是工业系统在赛博空间的映像，必须反映工业系统的系统化特征，必须要反映工业系统的各方面要素。所以， 数据记录必须追求完整，往往需要用超级复杂结构来反映系统要素， 这就导致单体数据文件结构复杂。比如三维产品模型文件，不仅包含几何造型信息，而且包含尺寸、工差、定位、物性等其它信息；同时， 飞机、风机、机车等复杂产品的数据又涉及机械、电磁、流体、声学、热学等多学科、多专业。因此，工业大数据的复杂性不仅仅是数据格式的差异性，而是数据内生结构所呈现出“多模态”特征。
“强关联”。工业数据之间的关联并不是数据字段的关联，其本质是物理对象之间和过程的语义关联。包括 1）产品部件之间的关联关系:零部件组成关系、零件借用、版本及其有效性关系；2）生产过程的数据关联，诸如跨工序大量工艺参数关联关系、生产过程与产品质量的关系、运行环境与设备状态的关系等；3）产品生命周期的设计、制造、服务等不同环节的数据之间的关联，例如仿真过程与产品实际工况之间的联系；4）在产品生命周期的统一阶段所涉及到不同学科不同专业的数据关联，例如民用飞机预研过程中会涉及总体设计方案

数据、总体需求数据、气动设计及气动力学分析数据、声学模型数据及声学分析数据、飞机结构设计数据、零部件及组装体强度分析数据、系统及零部件可靠性分析数据等。数据之间的“强关联”反映的就是工业的系统性及其复杂动态关系。
“高通量”。嵌入了传感器的智能互联产品已成为工业互联网时代的重要标志，用机器产生的数据来代替人所产生的数据，实现实时的感知。从工业大数据的组成体量上来看，物联网数据已成为工业大数据的主体。以风机装备为例，根据 IEC61400-25 标准，持续运转风机的故障状态其数据采样频率为 50Hz，单台风机每秒产生 225K 字节传感器数据，按 2 万风机计算，如果全量采集每秒写入速率为 4.5GB/ 秒。具体来说，机器设备所产生的时序数据可以总结为以下几个特点: 海量的设备与测点、数据采集频度高（产生速度快）、数据总吞吐量大、7X24 持续不断，呈现出“高通量”的特征。
1.10. 工业大数据应用特征

我们把工业大数据的应用特征归纳为跨尺度、协同性、多因素、因果性、强机理等几个方面。这些特性都是工业对象本身的特性或需求所决定的。
“跨尺度”、“协同性”主要体现在大数据支撑工业企业的在线业务活动、推进业务智能化的过程中。
“跨尺度”是工业大数据的首要特征。这个特征是工业的复杂系统性所决定的。从业务需求上看，通过 ICT 技术的广泛深入应用，能将

设备、车间、工厂、供应链及社会环境等不同尺度的系统在赛博空间中联系在一起。事实上，工业 4.0 强调的横向、纵向、端到端集成， 就是把不同空间尺度的信息集成到一起。另外，跨尺度不仅体现在空间尺度，还体现在时间尺度：业务上常常需要将毫秒级、分钟级、小时级等不同时间尺度的信息集成起来。为此，需要综合利用云计算、物联网、边缘计算等技术。
“协同性”是工业大数据的另外一个重要特征。工业系统强调系统的动态协同，工业大数据就要支持这个业务需求。我们进行信息集成的目的，是促成信息和数据的自动流动，加强信息感知能力、减少了决策者所面临的不确定性，进而提升决策的科学性。
“牵一发而动全身”是对“协同性”的形象描述、是“系统性”的典型特征。具体到工业企业，就是某台设备、某个部门、某个用户的局部问题，能够引发工艺流程、生产组织、销售服务、仓储运输的变化。这就要通过整个企业乃至供应链上多个部门和单位的大范围协同才能做到。
“多因素”、“因果性”、“强机理”体现在工业大数据支撑过程分析、对象建模、知识发现，并应用于业务持续改进的过程中。工业过程追求确定性、消除不确定性，数据分析过程就必须注重因果性、强调机理的作用。事实上，如果分析结果是具有科学依据的知识，本身就体现了因果性。
“多因素”是指影响某个业务目标的因素特别多。事实上，许多大
数据分析的目标，就是去发现或澄清人们过去不清楚的影响因素。“多

因素”是工业对象的特性所决定的。当工业对象是复杂的动态系统时， 人们必须完整、历史地认识考察它的全貌，才能得到正确的认识；对应到工业大数据分析，就体现为多个因素的复杂关系，进而导致了“多因素”的现象。
认清“多因素”特点对于工业数据收集有着重要的指导作用。人们往往需要事先尽量完整地收集与工业对象相关的各类数据，才有可能得到正确的分析结果、不被假象所误导。对于非线性、机理不清晰的工业系统，“多因素”会导致问题的维度上升、不确定性增加；对应在工业大数据分析过程中，人们常会感觉到数据不足、分析难度极大。
“因果性”源于工业系统对确定性的高度追求。为了把数据分析结果用于指导和优化工业过程，其本身就要高度的可靠性。否则，一个不可靠的结果，可能会引发系统巨大的损失。同时，由于工业过程本身的确定性强，也为追求因果性奠定了基础。为此，工业大数据的分析过程不能止步于发现简单的“相关性”，而是要通过各种可能的手段逼近“因果性”。
然而，如果用“系统”的观点看待工业过程，就会发现：系统中存在各种信息的前馈或者反馈路径。工业技术越是成熟，这种现象也就越普遍。这导致数据中体现的相关关系，往往并不是真正的因果关系。为了避免被假象迷惑，必须在数据准确完备的基础上，进行全面、科学、深入的分析。特别是对于动态的工业过程，数据的关联和对应关系必须准确、动态数据的时序关系不能错乱。
“强机理”是获得高可靠分析结果的保证。我们认为：分析结果的

可靠性体现在因果和可重复性。而关联关系复杂往往意味着干扰因素众多，也就不容易得到可重复的结论。所以，要得到可靠性的分析结果，需要排除来自各方面的干扰。排除干扰是需要“先验知识”的，而所谓的“先验知识”就是机理。在数据维度较高的前提下，人们往往没有足够的数据用于甄别现象的真假。“先验知识”能帮助人们排除那些似是而非的结论。这时，领域中的机理知识实质上就起到了数据降维的作用。从另外一个角度看：要得到“因果性”的结论，分析的结果必须能够被领域的机理所解释。事实上，由于人们对工业过程的研究往往相对透彻，多数现象确实能够找到机理上的解释。

2. 工业大数据的价值

2.1. 工业大数据的创新价值

作为人类第一次自己创造的生产资料，工业数据一直伴随着工业的现代化进程，直至走入智能化阶段。
2.2. 数据始终影响着人类工业化进程

恩格斯说：“任何一门学科的真正完善在于数学工具的广泛应用。” 高质量、科学管理是工业企业走向现代化的前提。数据对提高质量、效率、管理的作用巨大。十八世纪末，画法几何学的创立标志着工程设计语言的诞生，伴随人类进入工业 1.0 时代，定量化、标准化成为
工业 2.0 时代的主要特征，二十世纪中期，数字计算机在工业中的应
用开启了工业 3.0 时代。从数据的发展历史看，数据由数、量演变而来，数据具有先天的精确性和实用性特征，计算方法与信息技术的应

用必然导致大数据的诞生。在信息化时代，数据随时随地与我们相伴而行，“数据密集型科学发现”已成为人类认知世界的第四范式。
2.3. 数据在信息化过程中发挥着核心作用

随着工业进入信息化时代，数据成为工业系统运行的核心要素， 追求的目标是把正确（R）的数据在正确（R）的时间，以正确（R） 的形式送达给正确（R）的人。“三分技术、七分管理、十二分数据”、 “垃圾进、垃圾出”等说法都说明了数据在信息化工程中的重要性。世界工业不断发展的过程，本质上是数据的作用逐渐加强的过程，数据在工业生产力不断提升的过程中发挥着核心作用。以自动化和信息化为代表的第三次工业革命以来，工业不断发展的过程也是数据传输和处理效率不断提高、数据质量不断提升、不确定性因素的应对效率不断加强的过程。通过建立包括产品定义数据、工艺数据、生产过程数据、在线监测数据、使用过程数据等在内的产品全生命周期数据治理体系，可以有效追溯质量问题的产生原因，并持续加强生产过程的质量保障能力。通过关联企业内外部多数据源的数据分析，可以挖掘发现复杂品质问题的根本原因。
2.4. 工业大数据是新工业革命的基础动力

信息技术特别是互联网技术正在给传统工业发展方式带来颠覆性、革命性的影响。世界正加速进入一个互联互通的时代，互联网对工业的影响越来越深刻，并成为引发新一轮工业革命的导火索。互联

网技术全面深入发展，极大促进了人与人互联、机器和机器互联、人和机器互联的程度，随着 5G、量子通信等新一代通信技术发展，世界将加速进入一个完全互联互通的状态。工业互联网也将随着机器的数字化、工业网络泛在化、云计算能力的提高而取得长足进步，海量工业大数据的产生将是必然结果，而基于工业大数据的创新是新工业革命的主要推动力。
对于新工业革命而言，工业大数据就像是 21 世界的石油。美国通用电气公司的《工业互联网白皮书》中指出工业互联网实现的三大要素是智能联网的机器、人与机器协同工作及先进的数据分析能力。工业互联网的核心是通过智能联网的机器感知机器本身状况、周边环境以及用户操作行为，并通过这些数据的深入分析来提供诸如资产性能优化等制造服务。没有数据，新工业革命就是无源之水无本之木。工业互联网所形成的产业和应用生态，是新工业革命与工业智能化发展的关键综合信息基础设施。其本质是以机器、原材料、控制系统、信息系统、产品以及人之间的网络互联为基础，通过对工业数据的全面深度感知、实时传输交换、快速计算处理和高级建模分析，实现智能控制、运营优化和生产组织方式的变革。
1.3 工业大数据支撑中国制造弯道取直

2.5. 中国是制造大国，但不是制造强国

中国制造业发展并不均衡，工业１.０、２.０、３.０并存，企业

较为普遍地存在着研发创新能力弱、产品质量差、能源消耗大、污染物排放多、管理粗放、自动化和信息化水平低等问题。中国制造业正在承受产业“双向转移”的压力。一方面，劳动密集型的以出口或代工为主的中小制造企业正在向越南、缅甸、印度和印尼等劳动力和资源等更低廉的新兴发展中国家转移。另一方面，部分高端制造业在美国、欧洲等发达国家“再工业化”战略的引导下回流。尽管中国制造业规模位居世界第一，但人均产值仅为美国的 16%，航空发动机、燃气轮机等高端装备制造受制于人的局面没有根本改变。中国制造业如不能快速转型升级，在高端产品制造尚未形成国际竞争力之前，中低端产品的制造竞争力也将被削弱，进一步面临“产业空心化”的风险。
2.6. 工业大数据提升制造智能化水平，推动中国工业升级

大数据是提升产品质量、生产效率、降低能耗，转变高耗能、低效率、劳动密集、粗放型生产方式，提升制造智能化水平的必要手段。具有高度灵活性、高度自动化等特征的智能工厂是国际先进制造业的发展方向。广泛深入的数字化是智能工厂的基础。多维度的信息集成、
CPS 的广泛应用与工业大数据发展相辅相成。通过推进智能制造，实现去低端产能、去冗余库存、降制造成本。结合数控机床、工业机器人等自动生产设备的使用，并建立从经营到生产系统贯通融合的数据流，做到数据全打通和数据流通不落地，可以提升企业整体生产效率， 降低劳动力投入，有效管理并优化各种资源的流转与消耗。通过对设备和工厂进行智能化升级，加强对制造生产全过程的自动化控制和智

能化控制，促进信息共享、系统整合和业务协同，实现制造过程的科学决策，最大程度实现生产流程的自动化、个性化柔性化和自我优化，实现提高精准制造、高端制造、敏捷制造的能力。大数据也是提升产品质量的有效手段。通过建立包括产品生产过程工艺数据、在线监测数据、使用过程数据等在内的产品全生命周期质量数据体系，可以有效追溯质量问题的产生原因，并持续改进生产过程的质量保障能力。通过关联企业内外部多数据源的大数据分析，可以挖掘发现复杂成因品质问题的根本原因。
2.7. 工业大数据支撑工业互联网发展，促进中国工业转型

工业大数据是制造业实现从要素驱动向创新驱动转型的关键要素与重要手段。大数据可以帮助企业更全面、深入、及时了解市场、用户和竞争态势的变化，以推出更有竞争力的产品和服务。对于新产品研发，大数据不仅可以支持企业内部的有效协同、知识重用，还能利用众包众智等手段利用企业外部资源。这些做法，不仅能够提高研发质量、还能大大缩短研发周期。
大数据也是实现工业企业从制造向服务转型的关键支撑技术。通过产品的智能化，可以感知产品的工作状况、周边环境、用户操作的变化。在此基础上，可以提供在线健康检测、故障诊断预警等服务， 以及支持在线租用、按使用付费等新的服务模型。通过对产品使用的实时工况数据、环境数据、过往故障数据、维修记录、零部件供应商数据进行整合，可以快速预判、实时掌握设备健康状况，减少设备停

机时间，削减现场服务人员；可以准确判断出现故障的潜在类型和原因，快速形成现场解决方案，缩短服务时间
2.8. 工业大数据助力中国制造弯道取直

《中国制造 2025》规划中明确指出，工业大数据是我国制造业转型升级的重要战略资源。有效利用工业大数据推动工业升级，需要针对我国工业自己的特点。一方面，我国是世界工厂，实体制造比重大； 与此同时，技术含量低、研发能力弱、劳动密集、高资源消耗制造的问题相对突出，制造升级迫在眉睫。另一方面，我国互联网产业发展具有领先优势，过去十多年消费互联网的高速发展使互联网技术得到长足发展、全社会对互联网的重视度高。我们需要充分发挥这一优势并将之和制造业紧密结合，促进制造业升级和生产性服务业的发展。
目前，工业大数据已成为国际产业竞争和国家工业安全的基础要素相关技术与应用必将成为我国工业“由跟跑、并跑到领跑”、“弯道取直”、“跨越发展”的关键支撑。作为制造业大国，我国时刻产生着海量的工业数据。我们应该充分利用这一条件，创新管理思想、重构产业生态，提升中国制造在全球产业链分工中的地位。用工业大数据提高产品质量、管理水平、弥补在人员素质方面的差距，补齐落后的短板。在此基础上，推进智能制造和工业互联网的应用。利用我国工业门类齐全、互联网和电子商务应用的比较优势，力争在新工业革命时代实现换道超车。