《工业大数据导论》 课件 第1、2章 工业大数据认知、工业大数据概述

工业大数据认知目录智能工厂全景描述制造与经营模式转型解析工业大数据生态影响分析010203学习目标1.了解制造与经营模式转型的需求原因2.了解制造与经营模式转型的技术保障3.了解智能工厂转型基础之工业大数据生态系统的组成与应用4.了解工业大数据生态的影响情景化叙述下面将通过师生与企业家之间的对话方式带领大家走进工业大数据的世界！【人物1】Engine老师：常年负责工程实训的高校教师【人物2】众多机电类专业的大学生【人物3】BD先生：某制造企业经理01智能工厂全景描述智能工厂全景描述生产现场相关部门智能工厂1.数据制造工作室2.常规部门多样化、少人化缘起校招季Engine老师与某机械工程应届生的邂逅与交谈Engine老师：学生：“Engine老师，自从经历秋招后发现：专业对口，往往待遇与期望值相去甚远；待遇与工作环境良好，专业也符合，但用人单位却表示我虽机械知识技能功底扎实，可与当今智能制造背景下的人才需求仍有所差距，他们更希望吸纳一群既有机械背景，又有计算机功底，甚至还具备管理能力的综合型人才，这种要求并不只是针对少数人，而是企业绝大部分员工都应具备的素养；并且这是许多企业普遍存在的情况。起初，我进退两难而难掩失落之意，但转念一想，既然当初自愿选择了本专业，为长远的发展，更应该收拾心情，重新出发，让自己变得更好。如今想来，有此求职的挫折令我了解自己的不足，明确深造的方向，并有幸顺利读研，相信下一次的求职季会有一个更好的结果。”在听取并给予鼓励过后，也陷入了沉思。。暑期社会实践鉴于大学校园中虽不缺乏各类大学生活动，然着眼于学生长远发展的教学与活动理应更受重视，实际却寥寥无几；为此，Engine老师才迅速申请并策划了此次暑期实践，带领学生们前往一家家高新制造企业进行深入的调研与体验。如此，他才感到自己并非只是一个教书人，更是学生们的人生导师——学生如一节节火车，老师便是火车头，是引擎（Engine）。生产现场步骤相差无几人数较大变化定制化生产相较于传统工厂，智能工厂的生产现场：生产现场步骤相差无几人数较大变化定制化生产相较于传统工厂，智能工厂的生产现场：产品从设计、制造到物流等一系列步骤相差无几。生产现场步骤相差无几人数较大变化定制化生产相较于传统工厂，智能工厂的生产现场：各环节的人数有较大变化，每台机床前的作业者均配备一台灵巧的工业机器人，而各机床与工业机器人等设备均标有相应负责人员的基本信息，表现出一对多的责任制关系；地面上众多的AGV小车如一辆辆有轨电车，在工厂内“杂乱”而有序地穿梭着，铺就成一张复杂的“交通网络”；整条流水线只剩零星的员工。生产现场步骤相差无几人数较大变化定制化生产相较于传统工厂，智能工厂的生产现场：在半精加工与精加工等工序中，同时有多台机床正各自执行着不同零件的加工。数据制造工作室除常规部门，新增数据制造工作室：数据科学家岗位1：产品初期的订单转化岗位2：工艺流程制定岗位3：仿真分析岗位4：产品性能参数的采集与测试分析岗位5：设计智能算法以“训练”机器人等传统岗位数据驱动型岗位02制造与经营模式转型解析制造与经营模式转型解析转型成果转型原因转型保障转型原因：需求分析Engine老师：“为何贵企要做出如此大的投入来改变原有的制造与运营模式呢？”BD先生：“影响我们做出这项重大决策的因素有很多，但转型的原因主要在于‘需求’层面，并且是内外两大因素共同驱动的。”外部因素：用户BD先生：“从用户角度，主要是产品个性化需求和服务主动化需求的提升。”近年来小批量定制类型用户的比例呈现急剧上升趋势，譬如某些小型企业的订单、大量高校教学研作品的订单以及部分个体户的定制产品的订单等等；并且这批用户均有以下3个特点：1.类型繁多复杂，单一类型量少，但各类型的集合总量庞大2.要求商家能够快速实现产品转化3.愿意在质量保障基础上，于一定范围内接受高价格产品个性化需求：变被动接受为主动提出服务模式：批量化定制生产挑战1.用户共同参与产品方案制定2.用户要求用材、工艺、物流信息透明化外部因素：其他企业BD先生：“从其他企业角度，小至地方中小型民营企业，大至全球化的跨国公司，除去一贯的竞争关系，愈发表现出合作共赢的需求。”由于个性化产品的多样性，独立的企业个体业务能力的不足愈发凸显，只有社会分工更加明确、细分，朝着更大规模地互相协作方向转型，才能有效弥补短板，最终交付用户满意的产品。内部因素：生产需求BD先生：“从生产需求角度，产品的个性化不可避免地导致生产任务多样化，意味着对企业生产能力的要求大幅提高。”纯粹从该层面出发，或许更密集的劳动力亦可实现，但智能机器人等智能化设备在代替重复性体力劳动同时，还能通过人工智能算法满足多种生产能力要求。此外，质量保障及生产效率同样是机器人相较于人力的优势，故而机器换人终究是大势所趋。内部因素：管理需求BD先生：“从管理需求角度，新型用户就方案到产品的快速转化和主动参与各环节的需求对企业各方面都提出要求，也包括管理的快捷有效及透明。”任务的下达以及工作进度与问题的反馈务必摒弃冗余的层级隔离现象，不仅管理者需及时了解各个部分的情况，分管人员等所有员工均应明白各环节之间的依赖关系，才能在用户或上级就项目本身的情况变更时，以最快速度做出响应。因而‘端到端’的管理模式同样势在必行。内部因素：成本需求BD先生：“从成本需求角度，长远来看，智能化改造对企业的生存终究是良性循环。”工业机器人与AGV小车等的大量购置，虽有初期高昂的成本投入，但其作用除去工作效率与质量的因素外，更在于国内人工成本上涨，企业难以承受后期大量一线操作工、物料员等功能单一且替代性强的员工的薪资压力。转型保障：技术保障Engine老师：“请问贵企又是如何完成转型的呢？好让我的学生们能有更透彻的理解。”BD先生：“说到如何实现转型，还得从新形势下可利用的资源出发。刚才提及的各种需求并非一时之间产生；但在过去，纵使想要转型，奈何没有技术条件支持，转型只能是无稽之谈。不过当下形势发生巨变，大数据技术在电商、医疗等领域风生水起，如今在工业设备可实现网络互联的基础上，同样可完成海量工业数据的采集；此外，计算机的计算能力大幅提高以及分布式计算、并行计算的出现又为工业大数据的数据处理提供前提条件。”工业大数据技术1.工业设备互联互通2.计算机的计算能力大幅提升3.分布式并行计算、边缘计算等的出现保障转型保障：技术保障数字化技术网络化技术新一代人工智能技术融合实现落地：数字化资源可成为工业大数据的来源之一。工业大数据技术转型保障：技术保障数字化技术网络化技术新一代人工智能技术融合实现落地：远程制造、协同制造等变得更切实可行。工业大数据技术转型保障：技术保障数字化技术网络化技术新一代人工智能技术融合实现落地：生产关系将被颠覆。工业大数据技术转型成果：工业大数据生态系统BD先生：“整个工业大数据生态系统网络：一方面以它‘实时且可共享’的特性能有效满足本企业与用户及协作企业间的沟通需求，以及企业内部的管理需求；另一方面还在于可通过海量的数据进行数据挖掘，最终实现智能化应用落地。”工业大数据生态系统组成与应用产品数据工业大数据中心工业大数据中心软硬件数据大数据中心用于存储各类产品全生命周期中产生的各类数据，以及企业各类软硬件数据等，并进行规范化管理。工业大数据中心：产品数据1.用户订单的需求方案文档数据2.产品生产流程中产生的数据3.产品售后服务相关的追踪信息数据既有传统大批量式的产品订单，也有个性化产品的定制文档产品生命周期内数据：工业大数据中心：产品数据1.用户订单的需求方案文档数据2.产品生产流程中产生的数据3.产品售后服务相关的追踪信息数据一旦确立产品方案便着手进行三维建模与有限元分析，再是工艺规程制定以及对各种设备的任务部署，接着按既定工序完成产品的制造与装配和成品检测等工作，其中也可能涉及其他企业的协作部分。上述所有环节产生的数据都将一一归档至大数据中心，并且一份完整的数据资料归该产品所有，而其中典型的工艺与算法等数据则另外归至分属的存储模块，作为资源库为后续产品开发所用。产品生命周期内数据：工业大数据中心：软硬件数据企业内部各类资产数据：1.数据库数据1.硬件设备本身所产生的数据用于相关资产的维保等。所有产品数据与软硬件数据在企业内部共享，即可实现一步化管理以及员工对企业运作的了解和对紧急情况的快速应对；而其中部分数据与用户共享，则可提升其在产品生命周期中的参与度，确保企业与用户之间的关系透明化，并充分保障用户的主观意愿得到满足。数据应用工业大数据应用工业大数据应用技术应用数据应用：最优方案制定1.当接收一项订单后，公司会首先向用户提供一份产品基本信息采集表，内容包括产品外形、尺寸、材质、功能等；2.随后公司对信息表进行评估，一般在外形、尺寸、功能要素不变前提下罗列可供选择的多种材料及其当前市场价、加工工艺方案，并结合自身的制造能力按经济性最佳、性能最佳或综合性最佳的三种及以上的推荐产品方案反馈用户；3.由用户根据预算或可接受价格范围共同制定最优方案。注：其中含最新市场价的材料清单、工艺清单的数据均由大数据中心的实时数据库模块提供；当产品完成制造环节后，物流、装配等方案同理。数据应用：端到端的生产管理对生产管理而言，大数据中心相当于数据共享平台，管理层以及各生产环节负责人员好比一个个‘双向接口’。1.大数据中心的每一份订单均有独立的生命周期进度条，其按照当前待执行环节被分配至相应部门；2.每一项任务将被进行评估并拟定预计期限，进而分配至空任务人员或任务末期人员，此时该人员或该小组在大数据中心将被标注任务名称、期限等属性。如此既可真正实现批量化定制，又可实现各环节之间的横向沟通与管理人员的垂直管理，对出现的问题快速靶向定位，大幅缩短问题溯源时间，以便做出迅捷的响应对策。技术应用：制造水平突破升级结合新一代人工智能技术实现制造水平的突破升级：包括生产效率和制造水平的提高。随着一批具备自主学习与自主决策能力的智能机床、智能机器人等智能化设备实现应用，在大数据环境下——1.基于海量数据训练得到不同算法模型，进而控制智能化设备以替代人力并更高效地完成多种工业产品的制造、装配与检测；2.智能机床可进行加工工艺优化，实现产品质量的提升，此外对于相同产品的批量制造，能有效确保产品质量的稳定性。技术应用：物联设备的预见式管控机器人、机床、产线等都属于企业的硬资产，高昂的成本和维保费用使它们的健康状况备受关注。将原本独立的设备进行网络化连接布局，通过长期对设备特征数据的采集、分析可有效地得出设备各部分的变化趋势，以对即将可能发生的故障进行预判并提前检修，降低企业人力、财力无谓的损耗。03工业大数据生态影响分析工业大数据生态影响分析求职者创业者职位要求变更思想观念转变在场学生：“请问就机械行业而言，既然工业大数据时代是大势所趋，那么它对于人才方面又会产生怎样的影响，是否提出新的要求？如此也能使大家更有目标地去努力、去准备。”BD先生：“这种影响若从求职者角度出发，便是传统职业的没落伴随新兴职业的诞生；若从志在创业者角度出发，便是新模式下思想观念的转变。”求职者角度：职位要求变更BD先生：“对于职业更替现象，如前所述的智能化设备的出现并非为了完全取代人，好比自动化产线整体的柔性度再高也不及人的灵活性与功能多样性，人机结合方能产生最大的效益。”在许多诸如流水操作工等传统职业消失或需求人数减少的情况下，也出现适应新工作环境的新职业，譬如：1.在生产现场所见的几位现场维护工程师，他们利用大数据互联技术同时管理着产线上所有的设备；2.

“数据制造工作室”里的各位数据科学家们，他们在室内便可高效完成产品的设计与仿真和产品的质检与分析等。这些人或是机械、材料或自动化等专业出身，并掌握相应的大数据技术应用能力，主要负责数据的分析应用来优化产品的制造流程；或是计算机等专业出身，后续接触机械行业，主要负责对大数据技术以及智能化设备控制所需算法的底层支持。创业者角度：思想观念转变仍从物联设备的预见式管控出发，以其中典型的‘机床健康保障’模式为例来详细讲解。BD先生：“如果你是一位企业主，那么没有人比你更关心这一台台机床的健康状况了。一旦关键的机床出现故障，它将衍生出大大小小多项症状。机床故障就得停机，停机后还需要等待专业人员前来维修、测试直至重新投入使用，这意味着至少三大方面的额外损失。”1.维修费用的支出2.导致其他辅助设备闲置，造成生产率下降等3.严重的机床事故还可能对之后机床的质量、寿命产生不可挽回的影响“故而企业家是最不愿看到故障的发生或希望最大程度降低故障风险。机床大数据的采集与分析应用，则能真正实现变事后故障处理为事前健康预测。”机床故障分析BD先生：“机床常见的故障可分为数控系统故障、机械结构故障以及电气系统故障，尤其机械结构故障发生率高达57%，这包括机床主轴箱、丝杠副、导轨副、润滑系统与气动系统等的故障，也包括刀具、夹具、工件、材料等制造资源的故障。为减少或避免事故发生，则可通过采集数控系统内部实时产生的大量的电控数据以及系统外部传感器采集的各类数据来构建起机床工作过程中的CPS（信息-物理系统）模型。”1.数控系统故障2.机械结构故障3.电气系统故障等机床常见故障机床健康保障方案BD先生：1.为机床设置具有诊断机床工作质量功能的工作任务，而将执行该任务的G代码作为测试方案；2.在机床进入市场前或使用初期，即机床健康状况良好阶段便进行诊断，以得到该机床健康状态下的心电图并作为后续对该机床健康评估的标准；3.定期为机床进行健康状况的检测与评估分析，在机床各项指标变化过程中即可提出机床使用建议，或在某项指标达到临界值前即提前预测可能发生的机床故障而根据评估报告对机床进行保养，实现最大程度避免机床事故的发生。盈利模式转变1.一方面可将传统的机床销售为主的盈利模式转变为‘销售+服务’或‘租赁+服务’的多样化盈利模式；机床健康保障的新模式不仅是机床使用企业的需求，也是机床厂家的需求所在。2.另一方面通过为售卖的每一台机床个性化订制健康评估模板以及根据用户使用过程中出现的情况进行总结以提升改进自身的机床产品，从而实现良性循环。只有在产业模式变更情况下，及时或提前将传统观念转变，才能做到与时俱进。企业转型普遍性在场学生：“经理您好，按您所说，那么不久将来，基本每一家相关的企业都会进行这种转型吧？”BD先生：“不敢保证每一家企业，并且这需要分情况讨论。目前有的企业一开始便是精英化模式，基本不存在人口红利消失的问题；有的企业则是洞见了这种趋势及其效益，主动进行转型；而目前更多的仍是处于传统方式下的企业，他们大多不会在原有的盈利模式有较大波动情况下主动转型，直到内外部的矛盾压力显现才会被迫选择转型。但无论如何，今后的趋势终究是不会再有大量廉价劳动力，用户的个性化需求也愈发凸显，因此，相信绝大部分企业最终都会主动或被动地走上转型之路。”交流结束后，Engine老师带领同学们心满意足地返校，并为后续走访调研着手准备。章末小结通过本章的阅读，读者应了解当今形势下，传统工厂终将往智能工厂转型。1.转型原因主要在于内外需求的变化：外部需求包括用户就产品个性化与服务主动化的需求程度提高，并且企业间的合作互赢需求同样提高；内部需求包括企业在生产工具、生产关系方面的需求，管理精简化需求，以及成本控制方面的需求也因外部环境的变化而必须做出调整。2.转型成功的技术保障主要依赖于工业大数据技术的成熟，以其为基础，与数字化技术、网络化技术以及新一代人工智能技术结合才能真正实现工厂智能化。章末小结通过本章的阅读，读者应了解当今形势下，传统工厂终将往智能工厂转型。3.转型成果：一方面体现在企业搭建起一套完整的“工业大数据生态系统”，其由容纳产品数据、软硬件数据等海量工业数据在内的工业大数据中心；另一方面体现在工业大数据系统在数据、技术方面的应用落地，前者包括企业与用户间订单的最优方案制定、企业内端到端的生产管理等方面的应用，后者包括企业制造水平的突破升级、工厂的物联网设备的预见式管控等方面的应用。4.工业大数据浪潮的影响对于求职者而言，是职位要求的变更；对于创业者而言则主要是思维模式的转变。课后习题1.智能工厂与传统工厂有何区别？请列举3点。2.企业转型的需求具体原因有哪些？3.工业大数据生态系统与智能工厂之间属于何种关系？4.传统工厂转型为智能工厂涉及哪几类技术？5.在批量化定制生产过程中，请简述如何实现“端到端的生产管理”模式？工业大数据概述工业大数据与智能制造工业大数据与大数据目录工业大数据基本概念010103国内现状与前景040102学习目标1.掌握工业大数据的定义2.了解工业大数据的特征3.掌握工业大数据的数据架构4.了解工业大数据的技术架构与应用（平台）架构5.了解工业大数据与大数据、数据科学的区别6.了解新一代智能制造及其与工业大数据的关系01工业大数据基本概念工业大数据基本概念工业大数据基本概念工业大数据发展背景工业大数据定义工业大数据特征工业大数据数据架构工业大数据应用（平台）架构工业大数据技术架构工业大数据发展背景大数据技术的发展，使得上世纪90年代第二次陷入低谷的人工智能领域再次迎来曙光，并进入到“新一代人工智能”时代。相应的，工业领域也因工业大数据技术等的突破而正式迎来“第四次工业革命”，这也引起世界各国的高度重视。近年来，世界上的工业巨头国家纷纷推出针对性的国家战略，以期占领新工业的制高点。12012年2月，美国发布《先进制造业国家战略计划》报告，后发布《2014年全球大数据白皮书》，指出：要提高分析运营和交易数据的能力；洞察客户线上消费行为以提供新的高度复杂产品；对重点机器和设备进行更加深入的感知。工业大数据发展背景22013年4月，德国将“工业4.0”上升至国家战略，强调通过信息互联技术与传统工业制造的深度融合，使产品与设备之间、工业内部纵向之间、工厂与工厂之间，都能通过信息物理系统连接为一个整体，从而实现智能化生产。32015年，法国推出“新工业法国Ⅱ”计划，全面学习德国工业4.0，又在同年5月公布未来工业计划，主要目标是建立更为互联互通、更具竞争力的法国工业。工业大数据发展背景42015年5月，中国国务院印发《中国制造2025》规划，提出将重点推动两化（信息化与工业化）深度融合，把智能制造作为主攻方向，着力发展智能设备和智能产品，推进生产过程智能化；同年12月，《国家智能制造标准体系建设指南（2015年版）》发布，并确定工业大数据属于智能制造标准体系五大关键技术之一。工业大数据定义工业大数据：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、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。广义的工业大数据应分为各类工业数据、工业大数据技术和工业大数据应用三大部分。工业大数据定义：工业数据来源企业信息化数据包括产品研发数据、生产性数据、经营性数据、客户信息数据、物流供应数据以及环境数据，以上均属于工业领域的传统数据资产。企业信息化数据工业物联网数据外部跨界数据工业数据三大来源工业物联网数据指工业设备和产品快速产生的且存在时间序列差异的大量数据，也是新的、增长最快的数据来源。外部跨界数据则是由企业外部互联网来源的数据，如环境法规、宏观社会经济数据等。工业大数据定义：工业大数据技术工业大数据技术包括数据采集、预处理、数据存储、数据分析、可视化以及智能控制等，与传统数据挖掘的过程相似，即从大量的、不完全的、有噪声的、随机的数据中提取隐藏而有用的信息和知识。但在大数据背景下，传统技术不再具备处理海量数据集的能力，因此进行数据准备与数据处理的工具和技术因此发生了巨大的更替。工业大数据定义：工业大数据应用工业大数据应用是指对特定的工业大数据集，集成应用工业大数据技术，以获得有价值信息的过程。智能化设计智能化生产智能化服务网络协同化制造个性化定制等工业大数据典型应用工业大数据特征作为工业领域中的大数据，工业大数据既具有大数据的普适特征，也具有独有的特征。海量性（Volume）数据量的大小决定所考虑的数据的价值和潜在的信息；大量机器设备的高频数据和互联网数据持续涌入，使得工业数据体量较大，大型工业企业的数据集将达到PB级，甚至EB级别。多样性（Variety）数据类型的多样性和来源广泛；工业数据分布广泛，分布于机器设备、工业产品、管理系统、互联网等各个环节，并且结构复杂，既有结构化和半结构化的传感数据，也有非结构化数据。工业大数据特征价值性（Value）即价值密度低，任何有价值的信息的提取都是基于海量的数据；相反也说明个别数据的缺失或错误并不会对大数据价值的提取造成巨大影响。快速性（Velocity）指获取和处理数据的速度快，工业数据处理速度需求多样，生产现场要求时间分析达到毫秒级，即接近实时的要求；管理与决策应用则需要支持交互式或批量数据分析。工业大数据特征准确性（Accuracy）工业大数据更加关注数据质量，对数据分析的置信度要求较高，仅依靠统计相关性分析不足以支撑故障诊断、预测预警等工业应用，需要将物理模型与数据模型结合，挖掘因果关系。强关联性（Strong-relevance）一方面指产品生命周期同一阶段的数据具有强关联性，如产品零部件组成、工况、设备状态、维修情况、零部件补充采购等；另一方面指产品生命周期的研发设计、生产、服务等不同环节的数据之间需要进行关联。工业大数据特征闭环性（Closed-loop）包括产品全生命周期横向过程中数据链条的封闭和关联，以及纵向数据采集和处理过程中，需要支撑状态感知、分析、反馈、控制等闭环场景下的动态持续调整和优化。工业大数据数据架构工业领域的海量数据本身并不是人们关注的重点，关键在于工业数据所能带来的价值，而这主要通过企业维的纵向数据以及产品维的横向数据进行集成以在价值维度上实现价值增长。工业物联网数据企业维度描述企业信息化数据产品维度描述工业大数据数据架构：企业维就企业维度而言，企业在生产制造过程中主要会产生以下数据。【设备层】设备层的物理器件由机床、机器人以及相关的传感器、仪表等组成，产生的数据包括设备内部运行状态数据、设备外部环境状态数据等。【控制层】控制层由可编程逻辑控制器（PLC）、数控机床（CNC）、数据采集与监控系统（SCADA）、分布式控制系统（DCS）和现场总线等组成，主要完成设备控制命令的下达、设备数据的采集与传输等。【车间层】车间层即制造执行系统（MES），主要产生由制造数据管理、计划排程管理、生产调度管理、库存管理、质量管理和人力资源管理等包含的数据。【企业层】企业层数据包括产品设计数据、工艺过程设计数据、客户关系管理数据、企业资源管理数据、企业资产管理数据、供应链管理数据和运行维护数据等。【协同层】协同层包括企业与企业间协同和企业与用户间协同，前者产生的数据包括协同制造、产能共享等，后者包括个性化定制、服务型制造的商业模式等。工业大数据数据架构：产品维就产品维度而言，产品的全生命周期主要会产生下列数据。【设计】设计层包括用户需求与产品设计两大方面，用户的个性化定制需求是产品设计数据来源，而产品设计则是根据需求进行计算机辅助设计（CAD）、计算机辅助分析工程（CAE）、计算机辅助工艺过程设计（CAPP）、计算机辅助制造（CAM）。【生产】生产层即产品在制造过程中产生的数据，如产品制造状态数据等。【物流】物流层包括运输、仓储、搬运装卸、包装及流通加工等货物流通环节涉及的数据。【销售】销售层包括商品类型、尺寸、型号、销售类别、售价、销量以及赠品等方面的数据。【服务】服务层包括产品安装、调试，技术指导以及定期保养维护等方面的数据。工业大数据数据架构：价值维价值维度可由纵向集成、横向集成以及端到端集成共同实现。纵向集成横向集成端到端集成从企业角度，将设备层产生的数据到协同层的数据层层打通，实现纵向集成，则企业的生产在更加高效、低成本同时，更能有效提高产品质量；因此，纵向数据价值的根本落脚点在于产品质量保障，故可称纵向数据为“制造型数据”。从产品的角度，将设计环节到售后服务乃至产品报废或回收再利用的全生命周期内产生的数据打通，实现横向集成，则产品设计制造更符合用户需求，物流更精准快捷，销售更便捷透明，服务更及时周到，无不体现出横向数据价值的根本落脚点在于用户满意度保障，故可称横向数据为“服务型数据”。企业还应充分利用端到端集成的优势，即在纵向层与横向层的所有环节中，企业应牢牢抓住几个关键环节实现端到端自主控制以“扬长”，又应借助云平台环境使其他环节变得易于实现以“补短”，从而达到产品让用户满意的最终目的。工业大数据技术架构工业大数据技术架构主要分为四个层次，分别为数据采集层、数据存储层、数据分析层以及数据应用层。【数据采集层】这是连接工业现场与非工业现场的环节，主要通过各类传感器对所需数据进行监测以及数据采集，并通过以太网或局域网进行数据的实时传输至PC；而某些情况下采集的源数据是多维异构的，则还需要进行数据清洗、规约等预处理。【数据存储层】是将采集的工业数据进行本地化、边缘化存储，或将数据上传至云端存储，甚至也可存于移动端中；而根据数据的实时性，存储的数据可分为实时数据和历史数据。工业大数据技术架构工业大数据技术架构主要分为四个层次，分别为数据采集层、数据存储层、数据分析层以及数据应用层。【数据分析层】包括数据提取和挖掘分析，通过从大数据存储系统中抽取所需的数据并分析，来获取有价值的特征信息；其中数据分析可借助Spark、Storm或Flink等计算引擎。【数据应用层】利用数据挖掘分析得到的结果切实应用于实际生产生活中，使得企业或用户的需求得到更好的满足；以数据可视化为例，譬如机床健康保障，雷达图的应用使得机床关键部件的健康状态分布呈现得更加直观，为机床维护提供及时的参考信息等。工业大数据应用（平台）架构工业大数据技术作为智能制造关键技术之一，在智能制造产业链中主要有大规模个性化定制、智能化设计、智能化生产、网络化协同制造和智能化服务五大典型应用；这几乎包含了产品生命周期大部分环节，但也说明了工业大数据技术给整个产业链带来的颠覆性变化。“第四生产要素”——工业大数据如果说传统的三大生产要素是土地、资本和劳动力，那么大数据，将可以称得上是“第四生产要素”，简言之，工业大数据的价值就是通过精准对接需求与资源耗费，达到人与自然和谐相处、人与人和谐相处的目的。。02工业大数据与大数据工业大数据与大数据大数据与数据科学工业大数据与传统大数据工业大数据与大数据大数据与数据科学：大数据大数据改变了传统的思维模式：从过去的“数据-知识-问题”的知识范式变成如今的“数据-问题”的数据驱动范式。大数据颠覆了传统意义上对数据功能属性的认识：智能化提升的途径从原来认为的更复杂化算法转变为“海量数据+简单算法=最优模型”。大数据令问题的剖析从以往的解释性分析过渡到通过事物间的相关性来进行预测，但也不能完全忽略根本上的因果关系。大数据也颠覆了传统的人才培养模式：较以往执行数据组织、管理、备份恢复等工作的“数据工程师”，数据相关人才将晋升为基于数据的管理，进行数据分析决策、数据产品开发和业务定义等创造性工作的“数据科学家”。大数据（BigData）：指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据与数据科学：数据科学数据科学：是大数据背景下催生的一门新兴学科。专业数据科学专业中的数据科学数据科学大数据与数据科学：数据科学数据科学：是大数据背景下催生的一门新兴学科。专业数据科学专业数据科学强调大数据的基础性、系统性和普适性的独立于传统科学的新兴学科，旨在研究出一套完整的关于大数据的知识体系。专业中的数据科学指依存于某一专业领域的大数据研究，与专业的耦合度较高，强调学科交叉性，其研究有消费大数据、健康大数据、工业大数据以及生物大数据等。专业中的数据科学工业大数据与传统大数据工业大数据以及其他传统大数据均属于“专业中的数据科学”范畴，但作为工业领域中的大数据，工业大数据与传统大数据在环节和应用上仍存在较大差异，以工业大数据与消费大数据的对比为例，如下表所示。环节和应用消费大数据工业大数据数据采集通过门户网站等交互渠道采集，对实时性要求不高通过传感器等感知技术采集，对实时性要求较高数据存储数据关联性低，存储自由数据关联性高，存储复杂数据分析通用的大数据分析算法进行相关性分析专业算法进行精确性分析数据可视化数据分析结果可视化数据分析结果可视化、3D工业场景可视化闭环控制一般无需闭环反馈自动化闭环反馈控制工业大数据与消费大数据对照表03工业大数据与智能制造工业大数据与智能制造新一代智能制造工业大数据在智能制造作用工业大数据与智能制造新一代智能制造制造业的发展史如下表所示。制造模式制造系统功能机械化制造HPS（人-物理系统）代替部分体力劳动（执行）数字化制造、数字化网络化制造HCPS(人-信息-物理系统)代替大量体力劳动（执行）；代替部分脑力劳动，人的相关制造经验和知识转移到信息系统（感知、分析决策、控制）新一代智能制造新一代HCPS（新一代人-信息-物理系统）代替更多体力劳动（执行）；代替大量脑力劳动包括部