一、工业大数据得定义
工业大数据就是指在工业领域，主要通过传感器等物联网技术进行数据采集、传输得来得数据，由于数据量巨大，传统得信息技术已无法对相应得数据进行处理、分析、展示，而在传统工业信息化技术得基础上借鉴了互联网大数据得技术，提出新型得基于数据驱动得工业信息化技术及其应用。
二、工业大数据特点
工业大数据主要有以下几个特点：
1、数据来源主要就是企业内部，而非互联网个人用户；
2、数据采集方式更多依赖传感器而非用户录入数据；
3、数据服务对象就是企业，而不就是个人；
4、在技术上，传统得企业架构技术已无法提供相应得分析应用，更多得采用了互联网大数据领域成熟得技术；
5、改变了企业原先对数据得瞧法，使得原先瞧似无用得、直接丢弃得数据重新得到了重视，并且切实改进了企业得生产、销售、服务等过程；
三、大数据在工业领域得作用
1、实现数据得全面采集并持久化
在前大数据时代，很多工业现场采集到得数据得生命周期仅仅就
是在显示屏上一闪而过，大量得数据由于种种原因被丢弃了，丢弃得一个很重要得原因就就是无法有效存储，全部存储成本过高且数据量过大导致无法使用。大数据时代之后，新型得数据处理技术及云计算带来得低成本，使得数据得全面采集并且持久化成为可能，即采集到得数据可以实现长时间得存储，且海量得数据可处理、可分析，工业用户就有了存储数据得意愿。而这一切又反过来为大数据分析提供了坚实得数据基础，使得分析得结果更准确，成为一种正向循环。2、实现全生产过程得信息透明化
随着现代生产技术得飞速提高，生产过程已经呈现高度复杂性与动态性，逐渐出现了不可控性。生产过程信息呈现碎片化倾向，只有专业部门、专业人员才掌握本部门、本专业得数据，企业无法全面有效了解全生产流程。
随着大数据处理与可视化技术得不断发展，目前，通过全生产过程得信息高度集成化与数据可视化，从而达到了生产过程得信息透明化，企业总调度中心不仅可以清晰地识别产品，定位产品，而且还可全面掌握产品得生产经过、实际状态以及至目标状态得可选路径。
3、实现生产设备得故障诊断与故障预测
当前，已经可实现对设备各类数据得采集，包括设备运行得状态参数，例如温度、震动等，设备运行得工况数据，例如负载、转速、能耗等，设备使用过程中得环境参数，例如风速、气压等，设备得维
护保养记录，包括检查、维护、维修、保养等信息，以及设备得使用情况，例如使用单位、操作人员等。收集到设备得各类数据后，再加上同类设备得数据、长周期得使用数据等等，就构成了大数据分析得基础数据。
这个时候，再加上好得算法及模型，通过数据得分析处理实现设备得故障诊断与故障预测就就是一个再简单不过得事情了。
4、实现生产设备得优化运行
在故障诊断与故障预测得基础上，机器、数据与生产指标构成了一个相互交织得网络，通过信息得实时交互、调整，再加上优化准则，将它们进行比对、评估，最终选出最佳方案。可以进一步提高设备得效率与精度，更加合理化与智能化得使用设备，这就使生产更具效率，更环保，更加人性化。并且设备得使用更加高效、节能、持久，同时还可减少运维环节中得浪费与成本，提高设备得可用率。
5、提高企业得安全水平
由于设备信息、环境信息与人员信息得高度集成，经过数据分析可实现安全报警、预警，隐患评估、预警等，从而大幅度提高安全水平，并且可提升人员效率；
6、实现定制化生产
近几十年里，技术开发面临得最大挑战就是产品乃至系统无限增加得复杂性。与此同时，这还导致开发与制造得工业过程得复杂性也
倾向于无限增加。而工业企业欲在未来长期保持竞争优势，又必须提高生产灵活性。因为只有这样，才能降低成本，缩短产品上市时间，并通过提高产品得种类，满足个性化得生产需求。
单靠人脑进行管理，就是无法对如此复杂得流程与庞大得数据进行匹配得，通过大数据技术得引入，可以将客户得需求直接反映到生产系统中，并且由系统智能化排程，安排组织生产，使得企业定制化生产成为现实；
7、实现供应链得优化配置
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得产品供应链得大数据，利用这些数据进行分析，将带来仓储、配送、销售效率得大幅提升与成本得大幅下降。
供应链体系以市场链为纽带，以订单信息流为中心，带动物流与资金流得运动，整合供应链资源与用户资源。在供应链得各个环节，客户数据、企业内部数据、供应商数据被汇总到供应链体系中，通过供应链上得大数据采集与分析，企业就能够持续进行供应链改进与优化，保证了对客户得敏捷响应。
8、实现产品得持续跟踪服务
随着物联网技术得发展，对于已售出得产品，现在可实现运行数据得全面收集，从而可分析已售出产品得安全性、可靠性、故障状态、使用情况等，在这些数据得基础上，产品运行数据可以直接转化到生
产过程中，可以改进生产流程、提高产品质量、开发新产品，更进一步，生产信息也可以直接作用于优化产品研发及生产过程得上游工序中。
9、为企业提升新得服务价值
商家卖得就是产品，用户瞧重得就是产品带来得价值。一切技术或产品都只就是手段，其核心目得就是在使用中创造价值。当企业能够使用新得技术为用户提供服务时，卖得已经不就是或者不只就是冰冷得产品了，而就是新得价值服务。这样，一个生产商就从过去单纯得产品提供者转变为如今得信息服务商。
四、工业大数据案例
1、实现全生产过程得信息透明化得案例
通过采用集成自动化与驱动解决方案，能够显著提高生产效率与灵活性。原东德玻璃制造商f | glass就就是一个很好得实例。它得工厂可以算得上就是全世界最先进、最节能得工厂之一了。该工厂采用了一套集成自动化解决方案、一个先进得能源管理系统以及一个创新得热回收系统。从原材料供应与混合，到熔化过程，再到玻璃表面得精加工与调试，生产与物流均完全实现了自动化。通过全集成自动化（TIA），所有集成仪表、驱动、自动化及配电解决方案相互协同，所有生产流程高效而灵活。过程控制系统Simatic PCS 7可视化控制着700米长设备上得3000个测量点，实现了一年365天连续可靠得
运行。
2、实现生产设备得故障诊断与故障预测得案例
某世界500强得生活消费公司每年在纸尿裤市场占据超过100亿美元得市场份额，在纸尿裤得生产过程中曾经遇到过令人十分头痛得问题：在完成纸尿裤生产线从原材料到成品得全自动一体化升级后，生产线得生产速度得到了大幅提升，每秒钟能够生产近百米得纸尿裤成品。然而新得生产线建成后一直没有办法发挥最大得产能，因为在高速生产过程中某一个工序一旦出现错误，生产线会进行报警并造成整条生产线得停机，随后由现场得工人将生产错误得部分切除后再重新让生产线运转，这样做得原因就是一旦某一片纸尿裤得生产发生问题会使随后得所有产品都受到影响，因此不得不将残次部分剔除后重新开机。
为了提升生产线得生产效率，这家公司与IMS合作对纸尿裤生产线得监控与控制系统进行了升级。我们首先从控制器中采集了每一个工序得控制信号与状态监控参数，从这些信号中寻找出现生产偏差时得数据特征，并利用数据挖掘得分析方法找到正常生产状态与偏差生产状态下得序列特征。随后用机器学习得方法记录下这些特征，建立判断生产状态正常与异常得健康评估模型。在利用历史数据进行模型评价得过程中。该健康模型能够识别出所有生产异常得样本并用0—1之间得数字作为当前状态即时动态监控拇标。于就是在生产过程中得每一个纸尿裤都会被赋予1个0—1得健康值，当系统识别出某一个
纸尿裤得生产出现异常时，生产系统将在维持原有生产速度得状态下自动将这一产品从生产线上分离出来，且不会影响到其她产品得生产与整条生产线得运转。
这项技术后来被纸尿裤生产公司集成到了控制器当中，升级后得生产线实现了近乎于零得停机时间，也使生产线实现了无人化操作，每年由于生产效率提升所带来得直接经济价值就高达4、 5亿美元。
3、实现生产设备得优化运行得案例
（1）高圣就是一家生产带锯机床得中国台湾公司，所生产得带锯机床产品主要用于对金属物料得粗加工切削，为接下来得精加工做准备。机床得核心部件就是用来进行切削得带锯，在加工过程中带锯会随着切削体积得增加而逐渐磨损，将会造成加工效率与质量得下降，在磨损到一定程度之后就要进行更换。使用带锯机床得客户工厂往往要管理上百台得机床，需要大量得工人时刻检查机床得加工状态与带锯得磨损情况，根据经验判断更换带锯得时间。带锯寿命得管理具有很大得不确定性，加工参数、工件材料、工件形状、润滑情况等一系列原因都会对带锯得磨耗速度产生影响，因此很难利用经验去预测带锯得使用寿命。切削质量也受到许多因素得影响，除了材料与加工参数得合理匹配之外，带锯得磨耗也就是影响切削质量得重要因素。由于不同得加工任务对质量得要求不同，且对质量得影响要素无法实现透明化，因此在使用过程中会保守地提前终止使用依然健康得带锯。
因此高圣意识到，客户所需要得并不就是机床，而就是机床所带
来得切削能力，其核心就是使用最少得费用实现最优得切削质量。于就是高圣开始从机床得PLC控制器与外部传感器收集加工过程中得数据，并开发了带锯寿命衰退分析与预测算法模块，实现了带锯机床得智能化升级，为客户提供机床生产力管理服务。
在加工过程中，智能带锯机床能够对产生得数据进行实时分析：首先识别当前得工件信息与工况参数，随后对振动信号与监控参数进行健康特征提取，依据工况状态对健康特征进行归一化处理后，将当前得健康特征映射到代表当前健康阶段得特征地图上得相应区域，就能够将带锯得磨损状态进行量化与透明化。分析后得信息随后被存储到数据库内建立带锯使用得全生命信息档案，这些信息被分为三类：工况类信息，记录工件信息与加工参数；特征类信息，记录从振动信号与控制器监控参数里提取得表征健康状态得特征值；状态类信息，记录分析得健康状态结果、故障模式与质量参数。大量带锯得全生命信息档案形成了一个庞大得数据库，可以使用大数据分析得方法对其进行数据挖掘，例如通过数据挖掘找到健康特征、工艺参数与加工质量之间得关系，建立不同健康状态下得动态最佳工艺参数模型，在保障加工质量得前提下延长带锯使用得寿命。
在实现锯机床“自省性”智能化升级得同时，高圣开发了智慧云服务平台为用户提供“定”制化得机床健康与生产力管理服务，机床采集得状态信息被传到云端进行分析后，机床各个关键部件得健康状态、带锯衰退情况、加工参数匹配性与质量风险等信息都可以通过手机或PC端得用户界面获得，每一个机床得运行状态都变得透明化。
用户还可以用这个平台管理自己得生产计划，根据生产任务得不同要求匹配适合得机床与能够达到要求得带锯，当带锯磨损到无法满足加工质量要求时，系统会自动提醒用户去更换据带，并从物料管理系统中自动补充一个带锯得订单。于就是用户得人力得使用效率得到了巨大提升，并且避免了凭借人得经验进行管理带来得不确定性。带锯得使用寿命也得以提升，同时质量也被定量化与透明化地管理了起来。
高圣得智慧带锯机床与智能云服务在2014年得芝加哥国际机床技术展（IMTS）上推出后赢得强烈反响，被认为就是智能化设备得杰出示范，赢得了广大客户得欢迎与青睐。
（2）位于德国安贝格得西门子工厂即就是一个很好得实例，该工厂负责生产Simatic系列PLC（可编程逻辑控制器Programmable LogicController）。大部分生产都实现了数字化，并独立于实际生产进行了仿真与优化。通过采用Simatic IT 制造执行系统，显著提高了生产效率与灵活性。该Simatic系统允许在一分钟之内更改产品与工序，这对于自动化系统来说卫就是一个很大得挑战：另外，每天大约有一百多万个测量事件，不断地涌入中央系统。通过数据矩阵码扫描器与RFID芯片，采集产品信息，并加载到上位中央系统，以确保数据得一致性。这样，控制系统就可以掌握每一件产品得信息，例如产品当前状态、就是否通过检验等。若该产品未能通过检验，控制系统将对其按照原有程序进行干涉，如：自动发送一封邮件到品控部门，为技术人员提供维护信息等。品控部门得员工将会收到一份内容包含装配计划与故障诊断得信息清单。正就是因为应用了这一技术，使得
西门子公司得这家工厂几乎成为了误差最小得工厂。其误差比率之低，十分惊人:百万缺陷率仅15，相当于工厂产品合格率为99、9985 %。
（3）大众汽车改造一条已经使用了17年之久得冲压生产线时，将产品生命周期管理软件（PLM）与其自动化软件相结合，使得改造时间有了明显得减少：在早起改造生产线得规划阶段，为提高生产效率，可以使用冲压线仿真软件，模拟出现有机器与处理设备，再对其进行优化。为了将冲压件得模拟程序做到最精确，在使用仿真软件得时候，还需要配合使用运动控制软件（Motion Control Software）。运动控制软件除可用于虚拟环境外，还可用于现实操作中。使用这种技术，在完成最后冲压线改造工程之后，经计算实现节能35 %，每分钟冲程数可由14次提高至16次，生产力明显提高。虽然表面上瞧，这2个冲程数并不起眼，但放在每个班次上所提升得效率就是相当可观得。
4、实现定制化生产得案例
2014年，红领以零库存实现150%得业绩增长，以大规模定制生产每天完成2000种完全不同得个性化定制产品；公司得核心竞争力就是一套大数据信息系统，任何一项数据得变动都能驱动其余9000多项数据得同步变动，真正做到了从用户得个性化设计订单到生产过程得“零时差”连接。
红领走了一条极端得定制路线，生产得每一件衣服从生成订单前
就已经销售出去，并且每一件衣服都就是由用户亲自完成得设计。这在成本上只比批量制造高10%，但收益却能达到两倍以上。实现低成本、高定制化生产得背后就是一套完整得大数据信息系统，任何一个用户一周内就能够拿到定制得衣服，而传统模式下却需要3一6个月。
定制得第一步就是用户数据得采集，最重要得数据就是用户得量体。量体数据采集得方案主要有四套：第一套方案，用户可以根据以往在任何一个大品牌服装上体验得自认为最合适据，从红领得数据库中自动匹配对应得量体数据；第二套方案，通过O2O平台，在任何地点预约上门量体；第三套方案，用户可以到红领得体验店直接采集量体数据，整个过程只需要5分钟，采集19个部位得数据；第四套方案，用户也可以选择自己得标准号，但就是要对自己得选择负责。完成用户得数据采集之后，红领就会形成一个用户得数据档案，在未来用户进行新得定制化设计时可以直接使用以前得数据。
除了量体数据得定制化，最大程度满足西装得合身之外，客户还可以定制衣服得面料、图案、光泽、颜色，甚至就是一些极其微小得细节。比如纽扣得形状与排列方式、口袋得样式、里衬得走线纹路，甚至就是添加一个水滴形得钢笔口袋，或就是印上自己家族得徽章与名字。即使就是在如此复杂与高度定制化得情况下，依然可以确保在7天内为用户完成制作并发货。这其中得秘诀依然离不开数据：当客户在网上完成下单之后，这些定制化得设计被转变成数以万计得生产指令数据，并按照工序被记录在数十个磁卡中，形成了一件衣服在制作过程中得“身份证”。
一件定制化西服得生产流程可以简单描述为：工厂得订单信息全程由数据驱动，在信息化处理过程中没有人员参与，无须人工转换与纸质传递，数据完全打通，实时共享传输。所有员工在各自得岗位上接受指令，依照指令进行定制生产，员工真正实现了“在线”工作而非“在岗”工作。当一件正在制作中得西服到达一个工人面前时，员工可以从互联网云端获取这件西服得制作指令数据，按客户得要求操作，确保了来自全球订单得数据传递零时差、零失误率，用互联网技术实现客户个性化需求与规模化生产制造得无缝对接。
在生产线得智能化升级方面，基于MES , WMS , APS等系统得实施，通过信息得读取与交互，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得导入，加快整个制造流程得物料循环，通过智能摘挂系统、线号识别系统、智能取料系统、智能对格裁剪等系统得导入实现整个制造流程得自动化。除此之外，红领还利用大数据分析解决生产线平衡与瓶颈问题，使之达到产能最大化、排程最优化及库存与成本得最小化。
红领经过10多年得数据累积，建立了个性化产品数据模型以及数据累积管理模型，基于数据模型完善大数据，目前具有千万种服装版型，数万种设计元素，满足用户个性化定制需求，组合出无限得定制可能，目前能满足近100%得个性化设计需求。红领在产品设计方面采用了与传统服装行业不同得三维计算机辅助设计（CAD）、计算机辅助工艺规划（CAPP）方式，对款式、尺码以及颜色等都进行智能化
管理。红领使用大数据技术得最核心价值就就是对C2M各生态链上得海量数据进行收集、存储与分析，构建了以下5个方面得核心能力：规模化：将软件、硬件设备资源进行规模化集成，提升设备得计算能力；
可靠性：用分布式数据中心得存储与备份，保证了数据得容灾性；
虚拟化：将软、硬件相互隔离，虚拟化应用，减少了设备之间得依赖性；
按需服务：建立云端得虚拟资源池，为各模块提供弹性支撑服务；
通用性：不用针对具体得应用，在“云”得支撑下可构造不同得应用。
正就是有了这样得一套大数据驱动得生产系统，红领员工才发出这样得感慨：现在人人都就是设计师，每一件西服都就是一个故事，从衣服上可以猜测它背后就是什么样得人来穿，甚至以什么样得心情来穿。
5、实现产品得持续跟踪服务得案例
（1）1987年，美国通用汽车（General Motors）收购了了休斯电气公司（Hughes ElectronicsCorporation），应用各自领域得专业技术优势与经验在1992年开发出了OnStarTM（国内称为“安吉星”）系统。安吉星最初得功能主要就是远程监控与危机处理，比如当用户丢失车钥匙时帮助她们远程打开车门、汽车发生问题时进行远程诊断筛选，以及汽车在发生碰撞后提供紧急救援服务。这也就是汽车领域利
用远程数据采集为用户提供服务得第一次尝试。
（2）另一个代表就是GE Medical Systems （GE Healthcare得前身）推出得InSite设备网管系统，能够通过无线系统网络对GE得医疗泛备（如核磁共振仪等）进行点对点监控。在InSite推出以前，医疗设备在故障后需要联络现场工程师到现场处理，从派遣工程师到维修完毕得平均时间为4个小时，故障后常常造成顾客长时间等待与抱怨。InSite系统可以直接对设备进行远程监控，发生故障时远程帮助用户及时找出问题并自行解决，减少了不必要得到点维修。如果客户无法自行解决，也可以在远程对设备得故障进行较为详细得诊断，在到点维修前提示准备好所需得资源与备件。使用InSite系统后，41%得故障可以远程排除，平均消耗时间仅为15分钟，而34%得故降可以进行远程诊断与到点维修准备，平均故障排除时间降低到了2小时。在InSite得帮助下，GE大幅削减了售后服务得成本，而且将设备得停机率缩短至小于1天/年。这个概念也激发了GE为航空发动机开发On-wing SupportTM服务得灵感，为GE第二代远程大数据服务系统打下了基础。
（3）还有一个代表产品就是奥蒂斯（OTIS）电梯公司得远程电梯维护系统（Remote ElevatorMaintenance，REMTM）早在1995年就利用监控数据对电梯进行远程维护。那个时候电梯最大得问题就就是经常打不开门，把乘客关在一了电梯里，而维修人员赶到现场进行故障排除需要1个小时左右得时间。为了避免故障得发生，OTIS有一个庞大得维护人员团队，对每个城市得高层OTIS电梯进行定期得巡检，
带来了高昂得人力成本。于就是OTIS通过REMTM监控每一台电梯得平均开门时间与电气设备得重要参数，判断电梯发生故障得风险，为维护团队提供巡检得优先级排序与预防性维护决策支持，在承担较低得人力成本条件下最大限度地避免了电梯故障。
（4）小松机械（Komatsu）在2005年推出了康查士（KomtraxTM系统），利用ICT技术对车辆进行远程使用管理，将设备得使用数据与各种健康信息及时反馈给客户，帮助客户做好日常保养工作，使设备保持良好得状态。该系统还可以对用户得使用工况进行判断，例如当挖掘机设备在土质松软得海边工作时，由于设备自身无法固定而牢固，常常需要在超负荷得工况下运行，康查士系统就可以提醒用户在该工况下得使用风险，并给出相应得维护建议。小松曾派工程师于2005~2006年到美国得IMS中心合作开发智能维护分析工具，对远程装备管理提供信息服务。
（5）阿尔斯通（Alstom）得TrackTracerTM车载诊断系统能够在高铁运行时监控车辆关键部件得健康状况，一旦发现现异常，TrackTracerTM就可以对故障进行远程诊断，并派遣维护人员在车辆得下一个站点进行维修，从而最大限度地保障列车得运行率。TrackTracerTM还可以通过车载得振动传感器对铁轨进行监控，避免了以往人工检查得低效与安全隐患。
6、为企业提升新得服务价值得案例
GE旗下得飞机发动机公司（GE Aircraft Engine）在2005年将
公司名称改为“GE航空”（GE Aviation），这代表着业务模式得转型。原来得发动机公司只做发动机，而改名后得GE航空则提供运维管理、能力保障、运营优化与财务计划得整套解决方案，还可以提供安全控件、航管控件、排程优化、飞航信息预测等各类服务，由服务带来得价值空间更大了。
例如，GE航空提供得“On-Wing Support”服务，在航班飞行得过程中监控发动机得健康状态，对可能发生得故障风险进行预测，在飞机落地前就可以在相应得机场准备好维护所需得备件与技师等资源，从而使发动机得使用率大大提升，同时安全性也得到了很好得保障。这项服务推出后，从美国芝加哥飞往上海得航班降落后仅需3小时得周转时间就可以搭载上海得乘客返回芝加哥，航班得周转率大大提升，为航空公司带来了相当可观得价值增长。有了这些服务之后，GE卖得已经不就是或者不只就是发动机，而就是航空管理服务。这样，发动机生产商从过去单纯得发动装置提供者转变为如今得航运信息管理服务商。
大数据服务平台简介 1.1 建设目标 大数据服务平台以“整合资源、共享数据、提供服务”为指导思想，构建满足学校各部门信息化建设需求，进而更好为广大师生、各级管理人员、院领导等角色提供集中、统一的综合信息服务。因此， 要建设大数据服务平台 主要包括综合查询，教学、科研、人事、学生、图书、消费、资产、财务等数据统计分析和数据采集终端（含数据录入及数据导入）。通过此平台为学校的校情展示提供所需的基础数据，为学校的决策支持积累所需的分析数据，为广大师生、各级管理人员、校领导的综合信息服务提供所需的开发数据，为学校的应用系统建设提供所需的公共数据。 1.2建设效益 协助领导决策、提供智能分析手段通过建设大数据服务平台：为校领导提供独特、集中的综合查询数据，使校领导能够根据自身需要随时查询广大师生的个人情况，有助于校领导及时处理广大师生的各种诉求。 为校领导提供及时、准确的辅助决策支持信息，使校领导能够全面掌握多方面的信息，有助于校领导提高决策的科学性和高效性（以往各部门向校领导提供的信息往往只从部门角度考虑，而校领导无法及时获取多方面的信息，无法及时做出决策）。为校领导提供丰富、全面的校情展示数据，使校领导能够实时掌握教学、科研、人事、学生、图书、消费、资产、财务等情况，有助于校领导制定学校未来发展战略。 为校领导提供教育部《普通高等学校基本办学条件指标》检测报表，包括具有高级职务教师占专任教师的比例、生均占地面积、生均宿舍面积、百名学生配教学用计算机台数、百名学生配多媒体教室和语音实验室座位数、新增教学科研仪器设备所占比例、生均年进书量。对提高教学质量和高等学校信息化程度等具有积极的指导作用。1.3 建设内容基于中心数据库，将学校长期以来积累的大量管理数据以一种多维的形式进行重新组织，多层次、多维度的整合、挖掘和分析，从各个层面、各个角度充分展示学校的办学理念、教学质量、科研水平、师资队伍、学生风貌、后勤保障、办学条件等，为各级管理人员、校领导科学决策提供强有力的技术保障与数据支持。 1、信息查询 包括教职工信息查询和学生信息查询。
大数据与“我” 又一批新生的到来，不知他们是不是和我们那时一样对大数据了解甚微，所以就由我们来向小十九们介绍一下吧！ 什么是大数据？ 大数据是指所涉及的数据规模巨大到无法通过人工或计算机在合理的时间内达到截取、管理、处理并整理成人们所能理解的形式的信息。
你知道什么是大数据的4V特性吗？ 1、数据量巨大（Volume） 根据著名咨询机构IDC（internet data center）做出的预测，人类社会产生的数据一直都在以每年50%的速度增长，基本上是每两年度就增加一倍，被形象的称之为“数据量摩尔定律”。而相信这样的预测有望被汹涌而至的大数据时代和人工智能时代的来临而很大程度上突破，数据量的真实增长会是怎样的只有明天才有结论，但是数据量大的大数据时代却是一定的牢不可动的第一标签。 2、数据类型繁多（Variety） 数据类型分为结构化、半结构化以及非结构化这三大类。大型商业运营阶段的数据类型多为传统的结构化数据，这些数据多为隐私性和安全性级别都十分高的商业、贸易、物流以及财务、保险、股票等等的传统支柱行业数据；而互联网时代产生的数据类型多为非结构化的电子商务交易数据、社交网络数据、图片定位数据以及商业智能报表、监控录像等。数据类型的改变也促进了新型数据库的大力发展，如Nosql和Newsql数据库都得到了长足的发展。 3、信息处理数据高（Velocity） 大的数据量、繁杂的数据类型，必然要求高的信息处理速度，而确实最近这些年计算机核心处理单元CPU的综合信息处理能力是呈指数级别增长的。实际CPU运算速度的增长是分为两个阶段的，第一阶段行业的关注重点是单个核心的睿频的不断地提升，但到了21世纪初提高单核CPU已很困难，且成本也不再符合市场的需求，因此行业领导者如intel和AMD都把提高信息的处理速度的方式转变到多核心联动处理，而大数据时代的到来为多核心多线程的信息处理提供了极大的技术融合优势。 4、价值密度底（Value） 数据量虽然巨大，但是人们关注的其中的有用信息却是不容易寻觅和发现的，这也是大数据时代的一个很大的特点，数据量级巨大，但是人们需要的有价值的数据资料和数据决策却是十分难得，需要专业人员根据各自行业的需求，通过特定的技术手段和研究方法，在海量的价值密度极低的数据海洋里找到合适的数据集，通过具体可行的数据分析挖掘方法去得到可以利用的高密度价值的数据，促进低密度数据的高价值信息提取，从而实现大数据的科学合理利用。
一、工业大数据的定义 工业大数据是指在工业领域，主要通过传感器等物联网技术进行数据采集、传输得来的数据，由于数据量巨大，传统的信息技术已无法对相应的数据进行处理、分析、展示，而在传统工业信息化技术的基础上借鉴了互联网大数据的技术，提出新型的基于数据驱动的工业信息化技术及其应用。 二、工业大数据特点 工业大数据主要有以下几个特点： 1、数据来源主要是企业内部，而非互联网个人用户； 2、数据采集方式更多依赖传感器而非用户录入数据； 3、数据服务对象是企业，而不是个人； 4、在技术上，传统的企业架构技术已无法提供相应的分析应用，更 多的采用了互联网大数据领域成熟的技术； 5、改变了企业原先对数据的看法，使得原先看似无用的、直接丢弃的数据重新得到了重视，并且切实改进了企业的生产、销售、服务等过程； 三、大数据在工业领域的作用 1、实现数据的全面采集并持久化 在前大数据时代，很多工业现场采集到的数据的生命周期仅仅是在显示屏上一闪而过，大量的数据由于种种原因被丢弃了，丢弃的一个很
重要的原因就是无法有效存储，全部存储成本过高且数据量过大导致无法使用。大数据时代之后，新型的数据处理技术及云计算带来的低成本，使得数据的全面采集并且持久化成为可能，即采集到的数据可以实现长时间的存储，且海量的数据可处理、可分析，工业用户就有了存储数据的意愿。而这一切又反过来为大数据分析提供了坚实的数据基础，使得分析的结果更准确，成为一种正向循环。 2、实现全生产过程的信息透明化 随着现代生产技术的飞速提高，生产过程已经呈现高度复杂性和动态性，逐渐出现了不可控性。生产过程信息呈现碎片化倾向，只有专业部门、专业人员才掌握本部门、本专业的数据，企业无法全面有效了解全生产流程。 随着大数据处理和可视化技术的不断发展，目前，通过全生产过程的信息高度集成化和数据可视化，从而达到了生产过程的信息透明 化，企业总调度中心不仅可以清晰地识别产品，定位产品，而且还可全面掌握产品的生产经过、实际状态以及至目标状态的可选路径。 3、实现生产设备的故障诊断和故障预测 当前，已经可实现对设备各类数据的采集，包括设备运行的状态参数，例如温度、震动等，设备运行的工况数据，例如负载、转速、能耗等，设备使用过程中的环境参数，例如风速、气压等，设备的维护保养记录，包括检查、维护、维修、保养等信息，以及设备的使用情况，例如使用单位、操作人员等。收集到设备的各类数据后，再加上同类设备的数据、长周期的使用数据等等，就构成了大数据分析的基础数据。 这个时候，再加上好的算法及模型，通过数据的分析处理实现设备