大数据系列报告之一：工业大数据白皮书（2017）

4.1 数据参考架构

工业大数据应用的目标是构建覆盖工业全流程、全环节和产品全生命周期的数据链， 图 4-2 所示展现了工业大数据在实际应用当中涉及到的主要环节， 包括数据源、数据收集与集 成、数据处理与数据管理、典型应用场景等四个层次。

图 4-2 工业大数据数据参考架构

数据收集与集成层主要实现工业各环节数据的收集与集成，打通现有信息系统的数据连 接，包括企业资源计划( ERP)、制造执行系统( MES)、供应链管理( SCM)、产品生命周期 管理( PLM)、客户关系管理( CRM)、过程控制系统等。数据源包括：第一类来自企业生产 经营相关的业务数据，主要是企业信息系统累计的大量产品生产研发数据、客户信息数据、 生产数据、物流供应数据及环境数据;第二类设备物联数据，指工业生产设备物联网运行模 式下，传感器实时产生收集的涵盖设备运行参数、工况状态参数、运行环境参数等评估生产 设备运行状态、产品运行状态的数据;第三类外部数据，指与工业生产活动相关的互联网上 产业链相关企业外部互联网来源数据。

数据处理和数据管理层是工业大数据的核心环节，其关键目标是实现工业大数据面向生 产过程智能化、产品智能化、新业态新模式智能化、管理智能化以及服务智能化等领域的数据处理和数据管理。通过数据建模、数据处理、数据分析，实现数据结果和 3D 工业场景的 可视化，对数据质量、能力成熟度、数据资产管理、数据开放共享和交易等进行数据管理。

应用场景层主要是基于数据处理和数据管理结果，生成可视化描述、控制、决策等不同 应用，从而实现智能化设计、智能化生产、网络化协同制造、智能化服务和个性化定制等典 型的智能制造模式，并将结果以规范化数据形式存储下来，最终构成从生产物联设备层级到 控制系统层级、车间生产管理层级、企业经营层级、产业链上企业协同运营管理的持续优化 闭环。

4.2 技术参考架构

工业大数据技术架构共有五个部分， 如图 4-3 所示， 分别为数据采集层、 数据存储与集 成层、 数据建模层、数据处理层、数据交互应用层。

图 4-3 工业大数据技术参考架构

数据采集。以传感器为主要采集工具，结合 RFID、条码扫描器、生产和监测设备、 PDA、 人机交互、智能终端等手段采集制造领域多源、异构数据信息，并通过互联网或现场总线等 技术实现源数据的实时准确传输。首次采集获得的源数据是多维异构的，为避免噪音或干扰项给后期分析带来困难， 须执行同构化预处理，包括数据清洗、数据交换和数据归约。

数据存储与集成。 包括分布式存储技术、元数据技术、标识技术、数据集成技术。 存储 技术主要采用大数据分布式云存储的技术， 将预处理后的数据有效存储在性能和容量都能线 性扩展的分布式数据库中[6]; 元数据技术包括对订单元数据、产品元数据、供应商能力等进 行定义和规范的本体技术;标识技术包括分配与注册、编码分发与测试管理、存储与编码规 范、解析机制等; 数据集成技术，主要指面向工业数据的集成，包括互联网数据、工业软件 数据、设备装备运行数据、 加工控制数据与操作数据、制造结果实时反馈数据、产品检验检 测数据等等集成与贯通。 通过数据集成技术，不仅要做到数据的采集、 清洗、转换、读取， 更要做到数据写入控制(即对设备装备通过数据进行远程操作)。

数据建模。 包括对设备物联数据、生产经营过程数据、外部互联网相关数据的建模方法 和技术。对无法基于传统建模方法建立生产优化模型的相关工序建立特征模型，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、 分类、 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工业过程优化特征模型。

数据处理。 在传统数据挖掘的基础上，结合新兴的云计算、 Hadoop、专家系统等对同构 数据执行高效准确地分析运算， 包括大数据处理技术、通用处理算法和工业领域专用算法。

数据交互应用。 对经处理、分析运算后的数据，通过可视化技术，包括大数据可视化技 术和 3D 工业场景可视化技术。可视化技术将数据分析结果，以更为直观简洁的方式展示出 来，易于用户理解分析，提高决策效率;企业管理和生产管理等传统工业软件与大数据技术 结合，通过对设备、用户、市场等数据的分析，提升场景可视化能力，实现对用户行为和市 场需求的预测和判断。 结合智能决策技术， 进而实现数据辅助生产制造决策的价值。

工业大数据涉及的关键技术，包括采集技术、元数据技术、标识技术、分布式存储技术、 数据处理技术(大数据处理基础算法、工业领域专用算法)、可视化技术(大数据可视化、工 业场景可视化)等。 其中， 采集技术、元数据技术、标识技术、 云计算是基础;分布式文件 系统为其提供数据存储架构;分布式数据库便于数据管理，同时提供高效的访问速度; Map Reduce 等技术对异构数据进行分析处理，最后利用可视化技术形象生动地呈现给用户。

4.3 平台参考架构

工业大数据平台涵盖了 IT 网络架构和云计算基础架构等基础设施， 专家库、 知识库、 业务需求库等资源， 及安全、 隐私等管理功能，除此之外， 还包含关联工业大数据实际应用的 三方面角色，即数据提供方、数据服务消费方、 数据服务合作方。

图 4-4 工业大数据平台参考架构

数据提供方是能提供三大类主要数据来源的角色， 包括各类人员、工业软件、生产设备 装备、 产品、 物联网、 互联网、 其它软件等等多类对象， 以及企业活动、人员行为、装备设 备运行、 物联网和互联网运行等多种活动， 多类对象的多种活动产生的数据都将通过工业大 数据平台直接或间接地提供给数据消费方。

数据服务消费方， 是在工业大数据的五大应用场景中，利用目标数据，有目的地进行设 计、生产、制造、服务提供、 个性化定制等活动的角色， 主要是从事产品研发设计、 生产制 造、产品服务的企业或个人， 直接或间接地从数据提供方处获得数据，并进行加工处理， 以 达到特定的目标。

数据服务合作方，主要是服务于数据提供方和数据消费方，为双方中的角色主体提供其 所需要的技术支持、 软硬件支持、 智力资源的支持等。 主要包括工业软件提供商、 网络提供商、 大数据技术供应商、服务提供商、 组织机构、专家学者等等角色，根据双方的需求提供相应针对性服务。 三方面角色中， 企业、组织机构以及个人等角色，都是以商业盈利为目的，利用相关资 源从事相应活动。所有的角色与活动， 都将融入到行业发展和产业发展当中， 在实践中不断 自我调整与发展，并将最终形成一个完整的，以商业盈利为目的， 知识、 技术、软件、 硬件、 设备、服务模式等不断发展不断创新、不断升级不断上升的工业大数据生态体系，成为智能 制造的重要组成部分。

5 工业大数据标准体系

目前，工业大数据技术相关标准的研制还处于起步阶段，本部分对国际标准化组织、全 国信标委大数据标准工作组等相关标准化组织已经开展的关于工业数据及信息集成标准化工 作进行梳理，依据工业大数据技术体系，从基础、业务实体、应用服务、大数据技术应用等 不同角度进行分析，形成了工业大数据标准体系框架。对我国现有标准、在研标准和即将提 出的标准计划进行分析，形成了工业大数据标准体系。 并对于目前急需研制的标准进行了较 为详细的描述，这部分将成为后续标准化工作的重点。

5.1 工业大数据标准化相关工作基础

工业大数据专题组于 2015年 7月成立，是全国信标委大数据标准工作组下属专题组之一。 北京数码大方科技股份有限公司担任第一届专题组组长单位，牵头工业大数据标准化工作， 目前有 22 家成员单位， 50 余位企业和科研领域的专家参与。

专题组主要负责工业领域的大数据标准化相关工作。主要研究内容是围绕大数据技术在 工业产品、研发设计、生产过程、生产性服务等方面应用进行相关标准研制及应用推广，推 动制造业向智能化方向转型。

目前工业大数据专题组提出 6 项国家标准提案，其中已申请立项 4 项：《 信息技术 工业 大数据 术语》、《 信息技术 工业大数据 参考架构》、《 信息技术 工业大数据 产品核心元数 据规范》、《 信息技术 工业大数据 订单元数据》， 同步启动了该 4 项标准以及《智能制造对象 标识符编码与存储规范》、《智能制造对象标识的分配、注册与解析》 标准的研制工作。 相关 标准已经在江苏省徐工集团等 10 多家单位开展试点示范和应用推广工作。

工业和信息化部、国家标准化管理委员会于 2015 年 12 月联合发布了《国家智能制造标 准体系建设指南( 2015 年版)》(以下简称“建设指南”)。“建设指南”明确了建设智能制造 标准体系的总体要求、建设思路、建设内容和组织实施方式，提出了智能制造标准体系框架， 框架中明确了工业大数据属于智能制造标准体系五大关键技术之一。“建设指南”中关于工业 大数据标准给出了具体的描述：工业大数据标准主要包括面向生产过程智能化、产品智能化、 新业态新模式智能化、管理智能化以及服务智能化等领域的数据处理技术标准以及数据质量、 能力成熟度、数据资产管理、数据开放共享和交易等数据管理标准，相关任务主要由全国信 标委大数据标准工作组工业大数据专题组组织承担。

此外， 全国自动化系统与集成标准化技术委员会工业数据分技术委员会( SAC/TC159 SC4) 也开展一些与产品生产相关的底层数据标准化工作，其专业范围是制造应用数据和语 言方面的标准化工作， 包括产品数据表达和交换、零件库结构、 制造管理数据和系统集成等， 不能满足智能制造环境下的工业大数据标准化需求。 全国工业过程测量和控制标准化技术委员会( SAC/TC124) 也是和制造领域相关的标准 化组织， 主要从事工业过程测量和控制领域的全国性标准化技术工作。工作范围与国际电工 委员会 IEC/TC65“工业过程测量、控制和自动化”和国际标准化组织 ISO/TC30“封闭管道 中流体流量的测量” 对口。负责范围为： 全国温度、流量、 机械量、物位、显示仪表和执行 器等专业领域标准化工作，相对缺少数据标准化相关的工作。

5.2 工业大数据标准体系框架

在研究提出的工业大数据技术框架的基础上，结合工业数据自身标准化特点、 工业数据 全周期管理和当前各领域推动工业大数据应用的典型场景，以及未来工业大数据发展的重点 区域，我们提出了工业大数据标准体系框架，如图 5-1 所示。

图 5-1 工业大数据标准体系

工业大数据标准体系由四个类别的标准组成，分别为：基础标准、数据处理标准、数据 管理标准和应用服务标准。

1) 基础标准

为整个标准体系提供包括总则、 术语和参考模型等基础性标准。术语用于统一和规范工 业大数据领域的常用术语，参考模型给出工业大数据的基础架构和研究范围。