大数据系列报告之一：工业大数据白皮书（2017）

3.1.3 法国新工业战略

2015 年，法国推出“新工业法国战略”，总体布局为“一个核心，九大支点”。一个核心 即“未来工业”，主要内容是实现工业生产向数字化、智能化转型，以生产工具的转型升级带 动商业模式转型。九大支点，包括新资源开发、可持续发展城市、环保汽车、网络技术、大 数据技术、 新型医药等，一方面旨在为“未来工业”提供支撑，另一方面重在满足人们日常 生活的新需求。 该战略为期十年，主要解决三大问题：能源、数字革命和经济生活。

2015 年 5 月， 法国经济、工业与就业部又公布了未来工业计划， 该计划将在“新工业战 略”的第二阶段中扮演核心角色， 主要目标是建立更为互联互通、更具有竞争力的法国工业， 旨在使工业工具更加现代化，并通过数字技术帮助企业转变经营模式、组织模式、研发模式 和商业模式， 实现经济增长模式转变。未来工业计划提倡在一些优先领域发展工业模式，例 如新资源、可持续发展城市、未来交通、未来医药、数据经济、智能物体、数字安全和智能 电网等。

3.1.4 中国制造2025 战略

2015 年 5 月， 国务院正式印发《 中国制造 2025》 规划。 规划中提出将重点推动信息化与 工业深度融合， 把智能制造作为两化深度融合的主攻方向，着力发展智能装备和智能产品， 推进生产过程智能化，培育新型生产方式， 通过智能工厂的建设从而实现智能生产和智能制 造，实现由集中生产向网络化异地协同生产转变、由传统制造企业向跨界融合企业转变以及 由大规模批量生产向大规模定制生产转变， 全面提升企业研发、生产、管理和服务的智能化 水平。 同年 12 月，工信部、国标委联合发布《国家智能制造标准体系建设指南(2015 年版)》。

指南中计划智能制造标准体系[2]将在 5 年内建成并逐步完善，解决标准体系融合贯通、基础 标准缺失的问题，建立起较为完善的智能制造标准体系。指南中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，并定义了工业大数据标准。 为推动智能工厂的建设， 国务院又发布了《促进大数据发展行动纲要》 [3]， 系统部署大 数据发展工作，推动大数据在工业研发设计、生产制造、经营管理、市场营销、售后服务等 产品全生命周期、产业链全流程各环节的应用，分析感知用户需求，提升产品附加价值，打 造智能工厂。建立面向不同行业、不同环节的工业大数据资源聚合和分析应用平台。抓住互 联网跨界融合机遇，促进大数据、物联网、云计算和三维( 3D)打印技术、个性化定制等在 制造业全产业链集成运用，推动制造模式变革和工业转型升级。

随着世界主要国家的制造智能化转型战略的相继实施，工业大数据将日益成为全球制造 业挖掘价值、推动变革的重要手段。

3.2 工业大数据应用热点

工业大数据挖掘和分析的结果可广泛应用于企业研发设计、 复杂生产过程、产品需求预 测、工业供应链优化和工业绿色发展等各个环节。

3.2.1 在设计领域的应用

传统的研发设计需经历多次产品生产全周期的试制、修订和迭代，才能获得成品，工业 大数据为研发设计带来新优势。从传统产品研发设计过程来看，在研发设计的开始阶段，需 要设计师从前期调查入手，洞察客户的需求为出发点，进而利用发散思维找出市场漏洞以及 相关链接点。 而工业大数据影响下的产品研发设计， 设计师可以在网上发布设计， 喜欢的用 户不仅可以通过同样的平台为这些设计买单，还可以加上自己的想法， 形成个性化定制产品。

这样，设计师依靠开放性平台探听多变消费者不同时段的需求来进行设计，可明显提高设计 效率，同时可以获得其设计思维的商业价值。 工业设计大数据主要用于提高研发人员的研发创新能力、研发效率和质量，支持协同设 计，具体体现为以下几个方面：

( 1)基于模型和仿真的研发设计

基于模型的研发设计。 在数字化技术环境下的产品设计开发，从概念设计就以数字化模 型为载体，设计阶段对设计师、工程师、产品销售部门等历史数据信息进行采集、整理、分 析， 构建全方位的产品数据模型， 并可根据应用的具体情况， 不受到时间和空间等因素的限 制对产品模型修改和完善，然后将最终方案的数据通过生产设备进行产品制作。 基于仿真的设计。 产品的设计信息附着在产品数据模型上，产品模型一经修改，设计信 息即发生变化， 由于设计数据具有关联性， 改变的内容不仅影响到正在操作的设计模型本身， 还会传递到分析测试模型、生产模型、工程图等其他模型。

基于虚拟仿真平台，可以存储各 方的技术知识和产品开发过程所需的数据，为产品设计提供精确的科学依据。 仿真技术能有 效地对产品进行综合的验证，看是否合理以及是否有生产制造的可行性。 通过数字化模型的 显示、仿真、快速成型、虚拟现实交互，可及早发现设计缺陷，优化产品外形、尺寸和结构， 克服以往被动、静态、单纯依赖人的经验的缺点。目前，虚拟仿真技术还在不断提高系统的 智能型，逐步解决产品创新设计中的不确定性与模糊性。

中航工业一飞院/中航飞机研发中心在基于模型的系统工程( Model Based System Engineering ， MBSE) 技术研究及应用推进过程中，运用基于模型的系统工程思想，将原先 分散的设计过程和仿真分析，综合到一个统一的设计平台、数据共享平台，通过综合设计、 分析手段和多学科优化技术，实现各专业学科要求的综合权衡，并使设计人员能迅速了解设 计方案变更对相关系统和飞机性能的影响，减少设计中的错误和不必要的反复，获得全系统 的整体最优或次优解。通过构建“虚拟飞机”，实现对方案、设计的快速迭代验证、优化，尽 早发现设计缺陷，提高设计质量。

( 2)基于产品生命周期的设计

产品生命周期设计涉及广泛的知识领域和多学科协同设计，综合考虑环境、功能、成本、 美学等设计准则，所涉及的数据量大，数据来源广(远程监控数据、能耗数据、故障维修数 据、生产加工工艺知识数据等)，运用大数据相关技术如数据检索技术、大数据分析技术、大 数据解释技术等，将产品生命周期设计所需的知识大数据与各种设计过程集成，实现高度有 序化的方式展示产品生命周期设计大数据的关系，使产品生命周期大数据在设计过程中得到有效应用的同时，被评价和推荐， 并快速地推送给所需要的人， 方便地集成员工在设计中产 生的新知识，使产品设计大数据得进一步丰富。

( 3)融合消费者反馈的设计

利用工业数据平台获取消费者、市场等各维度的数据信息， 包括企业所关注的产品反馈、 市场需求、消费者习惯等信息，达到生产者和消费者之间“信息粘性”的效果，并利用这些 关联数据信息，通过大数据挖掘分析技术，构建大量的相关性标签体系去匹配产品需求、 细 分客户类型、 分析兴趣爱好、 挖掘关注点，实现客户全面洞察，改进、创新设计产品的功能 和款式。 此外， 利用平台门户与消费者直接交互，为消费者提供定制和配置工具， 捕捉他们 个性化的解决方案，使得消费者更直接、深入地参与到产品创新设计的过程中来。

3.2.2 在复杂生产过程优化的应用

( 1)工业物联网生产线

面向复杂生产过程的现代化工业制造生产线安装有大量的传感器设备，利用实时采集到 的数据可以实现很多形式的分析，包括设备诊断、用电量分析、能耗分析、质量事故分析(包 括违反生产规定、零部件故障)等。首先，在生产工艺改进方面，在生产过程中使用这些大 数据，就能分析整个生产流程，了解每个环节是如何执行的。一旦有某个流程偏离了标准工 艺，就会产生一个报警信号，能更快速地发现错误或者瓶颈所在，也就能更容易解决问题。 利用大数据技术，还可以对工业产品的生产过程建立虚拟模型，仿真并优化生产流程，当所 有流程和绩效数据都能在系统中重建时，这种透明度将有助于制造商改进其生产流程。再如， 在能耗分析方面，在设备生产过程中利用传感器集中监控所有的生产流程，能够发现能耗的 异常或峰值情形，由此便可在生产过程中优化能源的消耗，对所有流程进行分析将会大大降 低能耗。 生产线的智能化升级是基于 MES、 WMS、 APS 等系统的实施，通过信息的读取与交互， 与自动化设备相结合，促进制造自动化，流程智能化。通过诸如 AGV 小车、智能分拣配对 系统、智能吊挂系统与智能分拣送料系统的导入等，加快整个制造流程的物料循环，通过智 能摘挂系统、信号识别系统、智能取料系统、 智能装配、 智能定制等系统的导入实现整个制造流程的自动化。除此之外，还可利用大数据分析解决生产线平衡和瓶颈问题，使之达到产 能最大化、排程最优化及库存和成本的最小化。

( 2)生产质量控制

重点解决质量分析问题和质量预测问题。 利用工业大数据技术， 基于订单、机器、工艺、 计划等生产历史数据、实时数据及相关生产优化仿真数据，采用聚类、规则挖掘等数据挖掘 方法及预测机制建立多类基于数据的生产优化特征模型。 包括面向质量控制主题的制造大数 据多维数据仓库结构和数据模型、制造质量影响因素模糊关联规则挖掘模型等。 挖掘产品质 量特性与关键工艺参数之间的关联规则，抽取过程质量控制知识，为在线工序质量控制、 工 艺参数优化提供指导性意见。 此外， 基于质量特征值的在制品质量跟踪方法，建立与工位节 点设备、人员、工艺、物料等动态实时信息的多维视图，挖掘质量缺陷分布规律，为在制品 装配过程的质量跟踪与追溯管理提供依据。

( 3)生产计划与排程

制造业面对多品种小批量的生产模式，数据的精细化自动及时采集( MES/DCS)及多变 性导致数据剧烈增大。大数据给予企业更详细的数据信息，发现历史预测与实际的偏差概率， 考虑产能约束、人员技能约束、物料可用约束、工装模具约束，通过智能的优化算法，制定 预计划排产，并监控计划与现场实际的偏差，动态地调整计划排产。 通过数据的关联分析及 监控，企业能更准确地制定计划。

3.2.3 在产品需求预测中的应用

在产品开发方面， 分析当前需求变化和组合形式， 通过消费人群的关注点进行产品功能、 性能的调整。利用互联网网络爬虫技术、 Web 服务等不同技术，获取互联网相关基础数据、 企业内部数据、用户的行为数据及第三方数据， 通过用户画像能客观、准确的目标用户属性 描述，做出用户喜好、功能需求统计，从而设计制造更加符合核心需要的新产品，为企业提 供更多的潜在销售机会， 并且画像可让系统进行智能分组，获得不同类型的目标用户群，针 对每一个群体策划并推送针对性的营销。 此外， 通过历史数据的多维度组合，可以看出区域 性需求占比和变化、产品品类的市场受欢迎程度以及最常见的组合形式、消费者的层次等，以此来调整产品策略和铺货策略。

3.2.4 在工业供应链优化中的应用

供应链环节工业大数据的应用主要体现在供应链优化，即通过全产业链的信息整合，使 整个生产系统达到协同优化，让生产系统更加动态灵活，进一步提高生产效率和降低生产成 本。主要应用有供应链配送体系优化和用户需求快速响应。 供应链配送体系优化，主要是通过 RFID 等产品电子标识技术、物联网技术以及移动互 联网技术能帮助工业企业获得完整的产品供应链的大数据。利用销售数据、产品的传感器数 据和出自供应商数据库的数据，工业制造企业可准确地分析和预测全球不同区域的需求，从 而提高配送和仓储的效能。利用产品中传感器所产生的数据，分析产品故障部分，确认配件 需求，可以预测何处以及何时需要零件。这将会极大地提高产品时效性、减少库存，优化供 应链。 用户需求快速响应。即利用先进数据分析和预测工具，对实时需求预测与分析， 增强商 业运营及用户体验。例如，电子商务企业京东商城，通过大数据提前分析和预测各地商品需 求量，从而提高配送和仓储的效能，保证了次日货到的客户体验。

3.2.5 在工业绿色发展中的应用

绿色制造的目标是实现产品从设计、制造、使用到报废整个产品生命周期中能源消耗最 低、 不产生环境污染或环境污染最小化。绿色制造系统除了涉及普通制造系统的所有信息及 其集成考虑外，还特别强调与资源消耗信息和环境影响信息有关的信息应集成地处理和考虑， 并且将制造系统的信息流、物料流和能量流有机地结合，系统地加以集成和优化处理。新一 代信息技术通过对产品的配方、工艺及原材料采购、生产制造、仓储、运输、使用、大修和 报废的全过程进行监控和管理，以数据采集为前端，数据分析和挖掘为服务，为制造企业实 现绿色制造提供有力保障。工信部正式对外发布的《 2015 年工业绿色发展专项行动实施方 案》，将“组织实施数字能效推进计划”列入了重点工作，其中包括推进重点行业企业绿色数 据中心试点建设及全国工业节能监测分析平台建设。互联网、云计算、大数据和工业机器人 等新技术将引导并推动工业装备绿色化发展， 开发和完善基于工业大数据的装备行业制造改进方案，必将对我国的工业转型升级发展、环保绿色发展，产生积极的重要影响。

3.3 国内工业大数据现状

3.3.1 国内工业大数据应用现状

( 1) 科研机构的研究现状

中国电子技术标准化研究院自 2014 年以来不断开展智能制造工业大数据的相关研究，承 担工业大数据等多项国家智能制造专项，相关成果不断向江苏省等地方推广应用。 2016 年 11 月，在工信部指导下， 中国电子技术标准化研究院联合智能制造相关领域的系统解决方案供 应商、行业用户和研究院所共同发起成立智能制造系统解决方案供应商联盟， 其宗旨是培育 和壮大智能制造系统解决方案供应商，搭建智能制造系统集成技术研发、行业应用和市场推 广的一体化公共服务平台，促进智能制造系统集成共性技术和核心技术的交流与研究，为政 府制定相关战略、规划和政策提供支撑服务，为国内各类智能制造项目的实施提供咨询服务 和解决方案，带动国产智能制造装备发展，推动制造业转型升级。

作为实现智能制造的重要 驱动力，工业大数据将为企业制造与管理流程优化，产品、服务和商业模式创新，以及整个 行业生态圈的快速聚合提供有效支撑。 此外， 2016 年 10 月， 清华大学数据科学研究院成立了工业大数据研究中心， 实现跨信 息学科与工业学科的大数据研究融合，旨在打造自主创新的工业大数据平台。 2016 年 9 月， 工信部和北京市经信委指导成立北京工业大数据创新中心，致力于打造核心技术突破、应用 推广、标准制定、产业孵化、人才培养和国际合作六位一体的工业大数据产业协同创新基地。 2015 年 8 月， 中国工业大数据创新发展联盟在工信部指导下成立，主要研究制定工业大数据 创新发展指导意见，交流展示两化融合发展的成功经验。

( 2)企业生产实践中的现状

随着信息化和工业化融合的不断推进， 计算机集成制造系统( CIMS) 作为制造领域的先 进技术，在我国工业企业有较为突出的应用成果。 如徐工集团通过国家科委 863/自动化领域 机器人主题和 CIMS 主题的共同支持， 建立了先进的管理模式、制造模式，并用 CIMS 支持创新产品的开发， 增强了快速反应市场的能力。 CIMS 还包括管理信息系统、工程设计自动 化系统、制造自动化系统、质量保证系统、数据库管理系统等众多分系统，其在工业领域的 集成应用为工业大数据提供了良好的基础。

伴随大数据采集、集成、计算和分析技术的发展， 我国一些工业企业也已经进入工业大 数据实践阶段。 如三一重工自主研发的 ECC(企业控制中心)系统集成了大数据与物联网技 术，目前累计接入设备超过 20 万台，构建了基于大数据的远程诊断和服务系统。每台设备交 付客户使用后，系统内都会自动产生保养订单。 系统自动派单给服务工程师，使用客户逐步 摆脱了设备故障只能求助现场服务工程师的传统模式。

随着工业与“互联网+”模式的结合，涌现了众多新型制造模式。如青岛红领集团， 通 过自主开发出的基于工业大数据的个性化定制平台， 实现“智能化的需求数据采集、研发设 计、计划排产、制版”，以及“数据驱动的生产执行体系、物流和客服体系”等， 把互联网、 物联网、大数据等技术融入大批量定制， 实现在一条流水线上制造出灵活多变的个性化产品。

目前我国工业技术进步速度较快，发展势头良好，但实现向工业大数据、智能制造模式 转型依旧存在很多的困难。 经过近十几年的科技创新和设备改造升级，国内制造业信息化水 平较上世纪末有了较大提升，但与发达国家相比仍有较大差距。在大数据的应用上面， 与徐 工集团、 三一重工、红领集团这样能够成熟应用工业大数据技术的企业相比， 大多数的工业 企业尚未对工业大数据技术形成明确的认识和技术上的应用，工业大数据的落地推广依旧存 在很多的瓶颈，离工业大数据孕育工业应用生态的发展态势还有很长的路要走。

3.3.2 存在的主要问题及难点分析

在新型制造模式下，传统的制造模式将被突破，变为“人机料法环+智造系统”，数据在 各个环节中按照流程顺序流动。研究与应用工业大数据，产品大数据是核心，物联大数据是 实现手段，集成贯通是基础(业务模式、商业和价值驱动、关键抽取和应用)。而在实践过程 中，实现这三方面都存在不同程度的难点。

( 1) 产品大数据

产品大数据是工业大数据的根源与核心，但工业制造业领域涵盖十分广泛、行业种类繁 多、产品种类数量巨大且仍在不断增长， 如何规范产品大数据的定义与分类方法，建立规范 的、属性明确的、可查询可追溯可定位的产品大数据，将是顺利应用工业大数据的前提。

( 2) 物联接入设备

物联大数据是实现工业大数据畅通流动的必要手段， 但在工业实际应用中，工业软件、 高端物联设备不具备国产自主可控性， 物联接入的高端设备的读写不开放， 形成设备的信息 孤岛，数据流通不畅，突破这种束缚是实现工业大数据的关键。

( 3) 信息集成贯通

信息集成贯通是工业大数据的基础， 集成贯通难点在于商业驱动、打通关键点和环节， 掌控产品源和设备，持续优化。工业大数据来源多样，且具有不同的格式和标准，有来自于 各种管理系统的关系型数据，还有生产流程数据、视频监控数据等非关系型数据存储的非结 构化或半结构化数据。 企业内部信息系统彼此独立， 在不同的信息来源之间，同类型数据也 可能因为软件厂家不同、设备生产商不同等因素导致数据格式千差万别， 这对实现信息集成 贯通产生了巨大的挑战， 实际中经常存在孤立的信息岛。

基于以上问题， 需要规范数据格式，搭建国家、行业、企业等不同等级的工业大数据平 台，打通工业大数据信息孤岛，充分挖掘工业大数据价值。 建设工业大数据不同等级平台作 为发展工业大数据的必由之路， 既是难点更是需要解决和突破的重点。 与工业大数据相关的平台主要有三类，即技术类平台、行业应用类平台和互联网平台。 无论哪类平台，都涉及到诸多环节，牵涉到复杂的技术和架构，需要整合各种资源，都具有 巨大挑战。 我国目前在工业大数据平台发展方面面临两大问题。一是缺乏产业龙头企业，工 业大数据平台向下整合不同装备与控制系统数据，向上承载海量工业应用开发，必须由具有 较强影响力的龙头企业主导才能成功。国内华为、和利时等企业虽也开始探索，但在产业资 源整合上面临较大困难。二是工业基础技术薄弱，我国在工控系统、工业软件等方面仍与国外存在较大差距， 我国国产软件企业在研发设计、业务管理和生产调度/过程控制三类软件中均有一定市场份额，但尚未占据优势地位，属于行业末端跟随者的角色， 制约了工业大数据平台的发展，需要制定相应的策略支撑。

3.4 工业大数据发展形势分析

全球金融危机之后，工业化国家又开始重视制造业的发展。战略上， 德国提出工业 4.0 战略，美国提出先进制造业战略， 中国提出中国制造 2025 战略等。这些国家战略的聚焦点就 是把互联网技术和制造技术能够更紧密的结合，突出工业大数据的重要性。从各个国家竞争 的制高点来看，基于平台的标准化是全球在争夺的一个重要领域，比如德国的工业 4.0、 美国 的先进制造业，基本上都是在建立一个平台来制定规则、标准，这就意味着工业的很多标准 都会发生颠覆性的变化[4]。在制高点的竞争中，对我们国家既是挑战也是机会，对于我国在 工业 2.0 和 3.0 上的缺陷，我们需要抓住工业大数据的机会，实现弯道超越。

目前， 我国发展工业大数据尚存在如下几方面问题： 产品数据格式不统一、 规范缺乏， 互通融合困难;物联接入设备不能自主可控、 高端设备读写困难; 标准化不统一、应用不足， 集成贯通困难; 平台技术架构复杂、资源整合困难; 信息化战略、业务战略不一致; 网络安 全、系统安全、数据安全等安全问题突出。

为了更好地推进工业大数据， 构建覆盖工业全流程、全环节和产品全生命周期的数据链， 并在此基础上形成基于数据分析的系统级工业智能。 首先， 工业企业需要加强工业大数据采 集、交换与集成，打破数据孤岛，实现数据跨层次、跨环节、跨系统的大整合， 应在宏观上 从多个维度建立切实可行的工业大数据标准体系， 实现数据规范的统一; 在实际应用中实现 工业软件、物联设备的自主可控，实现高端设备的读写自由。 第二， 在实现大数据采集、集 成的基础上， 推进工业全链条的数字化建模和深化工业大数据分析，将各领域各环节的经验、 工艺参数和模型数字化，形成全生产流程、全生命周期的数字镜像，并构造从经验到模型的 机器学习系统，以实现从数据到模型的自动建模。第三， 在大数据技术领域通用算法的基础 上，不断构建工业领域专业的算法，深度挖掘工业系统的物理化学原理、工艺、制造等知识， 满足企业对工业数据分析结果高置信度的要求。 第四，进行数据和 3D 工业场景的可视化呈 现， 将数据结果直观的展示给用户，增加工业数据的可使用度，通过 3D 工业场景的可视化， 实现制造过程的透明化，利于过程协同[5]。

基于以上四点推进工业大数据的良性循环，可以向工业系统各环节广泛渗透，形成贯穿 数据采集、智能控制到智能决策的完整闭环，构造自我迭代和持续改进的智能化工业系统。

4 工业大数据参考架构

工业大数据参考架构以工业过程的业务需求为导向，基于工业系统的业务架构，规划工 业大数据的数据、技术和应用(平台)架构，以搭建面向多业务领域、贯通多组织和应用层 次的工业大数据 IT 架构。架构设计以业务应用需求为先导，将数据作为工业企业核心数据资 产之一，与业务流程相互融合，多视图对工业大数据整个业务过程的业务、数据、技术和平 台四个架构维度进行建模(见图 4-1)，实现企业以人流、物流、资金流和信息流等各业务线 的顺畅运作。业务架构决定工业大数据的应用目标、价值实现和业务流程模型，树立了工业 大数据需求和问题导向的应用指导思想，既防止企业不重视数据应用、忽略数据资产价值的 倾向，同时也防止脱离业务实际需求，避免出现数据处理过载的问题。数据架构实现业务架 构所确定的业务模式向数据模型转变，业务需求向数据功能的映射。应用(平台)架构以数 据架构为基础，建立支撑业务运行的各个业务系统，通过应用系统的集成运行，实现数据的 自动化流动。技术架构定义工业大数据应用的主要技术、实现手段和技术途径，实现工业大 数据应用的技术标准化，支撑其技术选择、开发技术组件。

图 4-1 工业大数据的架构方法模型