1. 首页
  2. >
  3. 行业资讯

深刻解析工业大数据:创新应用的挑战不断

亿欧网时间:2019-01-03

工业是国民经济不可或缺的一环,也是一个国家强大竞争力背后的力量支撑。我国工业位居世界第一,却大而不强。企业创新能力不足,高端和高价值产

 

品欠缺,在国际产业分工中处于中低端状态,中国工业企业急需转型和升级。

 

我们正处于大数据和数字化转型的时代,数据无处不在,运用数据驱动的思想和策略在实践中逐渐成为共识。制造企业在利用大数据技术后,其生产成本

 

能够降低10%—15%,大数据对于工业企业的重要性不言而喻。不同层面的制造企业在发展过程中,应该采取相应的大数据策略,才能离“工业4.0”、“工

 

业互联网”和“中国制造2025”更近一步。

 

 

数从何处来?工业大数据溯源

 

工业大数据从哪里来?来源于产品生命周期的各个环节,包括市场、设计、制造、服务、再利用各个环节,每个环节都会有大数据。“全”生命周期汇合起来

 

的数据更大。当然,企业外、产业链外的“跨界”数据也是工业大数据“不可忽视”的重要来源。

 

工业大数据的主要来源有三类:

 

第一类是生产经营相关业务数据 。主要来自传统企业信息化范围,被收集存储在企业信息系统内部,包括传统工业设计和制造类软件、企业资源计划

 

(ERP)、产品生命周期管理(PLM)、供应链管理(SCM)、客户关系管理(CRM)和环境管理系统(EMS)等。通过这些企业信息系统已累计大量的产品研发数

 

据、生产性数据、经营性数据、客户信息数据、物流供应数据及环境数据。

 

第二类是设备物联数据 。主要指工业生产设备和目标产品在物联网运行模式下,实时产生收集的涵盖操作和运行情况、工况状态、环境参数等体现设备和

 

产品运行状态的数据。此类数据是工业大数据新的、增长最快的来源。狭义的工业大数据即指该类数据,即工业设备和产品快速产生的并且存在时间序列

 

差异的大量数据。

 

第三类是外部数据 。指与工业企业生产活动和产品相关的企业外部互联网来源数据,例如,评价企业环境绩效的环境法规、预测产品市场的宏观社会经济

 

数据等。

 

 

工业大数据与互联网大数据的差异

 

工业大数据具有一般大数据的特征(海量性、多样性等),此基础上具有 价值性 、 实时性 、 准确性 、 闭环性 四个典型的特征。工业大数据与互联网大数

 

据最大的区别在于工业大数据有非常强的目的性,而互联网大数据更多的是一种关联的挖掘,是更加发散的一种分析。除此之外,两者在数据的特征和面

 

临的问题方面也有不同。有别于互联网大数据,工业大数据的分析技术核心要解决 "3B" 问题:

 

1、Below Surface —— 隐匿性,即需要洞悉背后的意义

 

工业环境中的大数据与互联网大数据相比,最重要的不同在于对数据特征的提取上面,工业大数据注重特征背后的物理意义以及特征之间关联性的机理逻

 

辑,而互联网大数据则倾向于仅仅依赖统计学工具挖掘属性之间的相关性。

 

2、Broken —— 碎片化,即需要避免断续、注重时效性

 

相对于互联网大数据的量,工业大数据更注重数据的全,即面向应用要求具有尽可能全面的使用样本,以覆盖工业过程中的各类变化条件、保障从数据中

 

能够提取以反映对象真实状态的信息全面性。因此,工业大数据一方面需要在后端的分析方法上克服数据碎片化带来的困难,利用特征提取等手段将这些

 

数据转化为有用的信息,另一方面,更是需要从数据获取的前端设计中以价值需求为导向制定数据标准,进而在数据与信息流通的平台中构建统一的数据

 

环境。

 

3、Bad Quality —— 低质性,即需要提高数据质量、满足低容错性

 

数据碎片化缺陷来源的另一方面也显示出对于数据质量的担忧,即数据的数量并无法保障数据的质量,这就可能导致数据的低可用率,因为低质量的数据

 

可能直接影响到分析过程而导致结果无法利用,但互联网大数据则不同,其可以只针对数据本身做挖掘、关联而不考虑数据本身的意义,即挖掘到什么结

 

果就是什么结果,最典型的就是经过超市购物习惯的数据挖掘后啤酒货架就可以摆放在尿不湿货架的对面,而不用考虑他们之间有什么机理性的逻辑关系

 

;换句话说,相比于互联网大数据通常并不要求有多么精准的结果推送,工业大数据对预测和分析结果的容错率远远比互联网大数据低的多。互联网大数据

 

在进行预测和决策时,仅仅考虑的是两个属性之间的关联是否具有统计显著性,其中的噪声和个体之间的差异在样本量足够大时都可以被忽略,这样给出

 

的预测结果的准确性就会大打折扣。比如当我觉得有 70% 的显著性应该给某个用户推荐 A 类电影,即使用户并非真正喜欢这类电影也不会造成太严重的

 

后果。但是在工业环境中,如果仅仅通过统计的显著性给出分析结果,哪怕仅仅一次的失误都可能造成严重的后果。

 

 

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。

 

 

应用工业大数据的考虑因素

 

在我国大数据采集技术和处理技术不断优化的今天,相关的大数据处理技术结合了物联网的实时采集能力已经在我国更多领域之中展现了非凡的科技效

 

果,特别是在我国工业领域之中专业的工业大数据处理技术为我国现代化工厂的建设带来了更好的技术保障,而工业企业想要实现转型更好的应用工业大

 

数据则必须综合考虑如下因素:

 

1、注意大数据计划的完善程度

 

众所周知大数据处理技术结合了众多的技术类型和设计层面,因此企业想要利用强大的工业大数据来实现转型和变革,则必须要建立完善的分析基础和应

 

用环境,消费者在选用工业大数据之前必须要考虑企业实施的基础环境是否适宜,并且经过专业的工业大数据机构进行全方位的分析提供可靠的发展基础

 

才能够确保这种优质技术获得完美的落实。

 

2、注意分析应用后的实际效果

 

在应用大数据之前企业必须要对这种数据应用之后可能应对的情况和实际效果进行综合分析,通过品牌的工业大数据来确认数据采集和处理工艺能够满足

 

企业的实际需求,在应用该种工业大数据之后能够为企业带来的实际经济效益和实际效果尤为重要,因此企业也可以通过工业大数据机构来进行全方位的

 

测评来确保为技术使用奠定良好的基础。

 

简言之应用工业大数据之前必须要进行基础环境和实际效果等多方面的考虑,分析工业大数据应用所能够带来的好处和困境才能够确保工业大数据的利用

 

得以完美实现,也可以经过专业的工业大数据机构来进行更好的辅导确保该种技术的应用之下能够为企业的现代化管理带来更好的帮助。

上一条:工业大数据如何成为智能制造和工业互联网的核心动力 下一条:云计算应用:解密大数据时代的根本手段