【深度好文】2016大数据白皮书—工业大数据应用现状分析

工业大数据也是一个全新的概念，从字面上理解，工业大数据是指在工业领域信息化应用中所产生的大数据。随着信息化与工业化的深度融合，信息技术渗透到了工业企业产业链 的各个环节，条形码、二维码、RFID、工业传感器、工业自动控制系统、工业物联网、ERP、 CAD/CAM/CAE/CAI 等技术在工业企业中得到广泛应用，尤其是互联网、移动互联网、物 联网等新一代信息技术在工业领域的应用，工业企业也进入了互联网工业新的发展阶段，工 业企业所拥有的数据也日益丰富。工业企业中生产线处于高速运转，由工业设备所产生、采 集和处理的数据量远大于企业中计算机和人工产生的数据，从数据类型看也多是非结构化数剧。

不管是工业自动化、还是工业智能化（工业 4.0）、或者是工业互联网概念，他们的基础 是工业数据。随着行业发展，工业企业收集的数据维度不断扩大。主要体现在三个方面：

一是时间维度不断延长。经过多年的生产经营，积累下来历年的产品数据、工业数据、 原材料数据和生产设备数据；

二是数据范围不断扩大。随着企业信息化建设的过程，一方面积累了企业的财务、供应 商数据，也通过 CRM 系统积累了客户数据，通过 CAD 等积累了研发过程数据，通过摄像 头积累了生产安全数据等，另一方面越来越多的外部数据也被收集回来，包括市场数据、社 交网络数据、企业舆情数据等；

三是数据粒度不断细化。从一款产品到多款、多系列产品使得产品数据不断细化，从单 机机床到联网机床，使得数据交互频率大大增强；加工精度从 1mm 提升到 0.2mm，从 5 分 钟每次的统计到每 5 秒的全程监测，都使得采集到的数据精细度不断提升。

以上三个维度最终导致企业所积累的数据量以加速度的方式在增加，构成了工业大数据 的集合。不管企业是否承认，这些数据都堆砌在工厂的各个角落，而且在不断增加。

从企业经营的视角来看这些工业数据。可以按照数据的用途分成三类：

第一类是经营性数据，比如财务、资产、人事、供应商基础信息等数据，这些数据在企 业信息化建设过程中陆陆续续积累起来，表现了一个工业企业的经营要素和成果。

第二类是生产性数据，这部分是围绕企业生产过程中积累的数据，包括原材料、研发、 生产工艺、半成品、成品、售后服务等。随着数字机床、自动化生产线、SCADA 系统的建 设，这些数据也被企业大量记录下来。这些数据是工业生产过程中价值增值的体现，是决定 企业差异性的核心所在。

第三类是环境类数据，包括布置在机床的设备诊断系统，库房、车间的温湿度数据，以 及能耗数据，废水废气的排放等数据。这些数据对工业生产过程中起到约束作用。

从目前的数据采用情况看，经营类数据利用率最高，生产性数据和环境类数据相比差距 比较大。从未来数据量来说，生产线数据在工业企业数据中的占比将越来越大，环境类数据也将越来越多样化。

工业大数据应用市场规模

作为实现智能制造的重要驱动力，工业大数据可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服务。加强对我国工业大数据 应用的研究，对推动实现互联网与制造业跨界融合、加快实施《中国制造 2025》，以及提高 新时期制造业国际竞争力，具有重要意义。

工业大数据未来应用推进方向

（1）加强政策引导，提高工业大数据应用技术与水平 一是加强工业大数据顶层设计，尽快组织出台《关于促进工业大数据应用的指导意见》，

壮大大数据产业发展规模，明确大数据应用需求迫切的技术、标准、产业，制定发展路线， 提高大数据行业的服务水平和工业大数据应用水平。二是深入推进两化融合，引导企业加快 内部数据整合与集成，夯实工业企业大数据应用基础。三是建议设立工业大数据统筹发展部 门，引导建设国家级工业大数据联盟，负责指导和研究相关数据标准，提供工业企业大数据 应用技术咨询培训、信息安全咨询等公共服务。

（2）加大财税金融、投融资政策扶持力度，推动工业大数据服务发展

一是设立国家工业大数据发展专项基金，充分发挥专项基金的政策放大作用，引导社会 资本积极参与工业大数据应用。要创新项目投资机制，引入政府和社会资本合作（PPP）模 式，通过投资补助、基金注资、担保补贴、贷款贴息等多种方式，增强吸引社会资本的能力。 二是完善企业研发费用计核方法，将工业企业大数据应用研究费用加计扣除优惠政策范围。 三是加强对小微工业企业的财政税收政策支持，减轻小微工业企业进行大数据应用的负担。

（3）建立全方位的技术应用推广机制，扩大工业大数据应用范畴

一是针对工业企业实施一批具有特色的大数据应用试点示范项目，探索大数据产业的新 模式、新业态。二是定期举办工业大数据应用优秀项目成果展，扩大工业大数据应用成果在 全社会的影响力。三是加强工业大数据应用的国内外交流合作，组织相关机构和人员到国内 外进行学习与交流。

（4）重视复合型人才的引进培养，构建有利于工业大数据发展的人才激励机制

一是全面改革人才引进机制，破除不利于人才发展、束缚人才成长的体制机制障碍，营 造有利于工业大数据人才培养和发展的职业环境，构建领军型、科研型、复合型、实用型等 多层次组合的工业大数据人才结构。二是完善人才激励机制，注重对大数据人才的就业创业 引导，制定更加开放、有效的人才激励政策，建立适用的人才奖励基金，激发创业、创新、 创造活力。三是加快大数据人才职业化进程，建立大数据分析师等职业资格考试和认证制度， 在国有大中型工业企业率先推行首席数据官（CDO）制度。

工业大数据应用价值

工业大数据应用将带来工业企业创新和变革的新时代。通过互联网、移动物联网等带来 的低成本感知、高速移动连接、分布式计算和高级分析，信息技术和全球工业系统正在深入 融合，给全球工业带来深刻的变革，创新企业的研发、生产、运营、营销和管理方式。这些 创新不同行业的工业企业带来了更快的速度、更高的效率和更高的洞察力。工业大数据的典 型应用包括产品创新、产品故障诊断与预测、工业生产线物联网分析、工业企业供应链优化 和产品精准营销等诸多方面。

（1）加速产品创新

图表 74：大数据指引工业产品创新方向

客户与工业企业之间的交互和交易行为将产生大量数据，挖掘和分析这些客户动态数据，能够帮助客户参与到产品的需求分析和产品设计等创新活动中，为产品创新作出贡献。

产品故障诊断与预测

图表 75：工业大数据诊断与预测产品故障

可以用于产品售后服务与产品改进。无所不在的传感器、互联网技术的引入使得产品故

障实时诊断变为现实，大数据应用、建模与仿真技术则使得预测动态性成为可能。

（3）工业物联网生产线的大数据应用

现代化工业制造生产线安装有数以千计的小型传感器，来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据，利用这些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。

（4）工业供应链的分析和优化

生产、需求、服务的三大方面来实现。首先从市场需要着手，通过工业大数据，分阶段实现 需求预测，做好需求与库存对接的优化工作，实现分配最优。其次，加大生产质量生命周期 的分析，对生产设备做好实时的预测性自维修以提高生产的质量，实现最大化产量和可靠性。 最终，产品以服务的方式在市场上流通，实现供应链配件的优化、售前到售后的服务运营优 化、保值分析以及建立增值的售后服务盈利模式。

以海尔公司为例，海尔公司供应链体系很完善，它以市场链为纽带，以订单信息流为中 心，带动物流和资金流的运动，整合全球供应链资源和全球用户资源。在海尔供应链的各个 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，通过供应链上的大数 据采集和分析，海尔公司能够持续进行供应链改进和优化，保证了海尔对客户的敏捷响应。

（5）产品销售预测与需求管理

图表 76：大数据实现产品销售预判与需求管理

通过大数据来分析当前需求变化和组合形式。大数据是一个很好的销售分析工具，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。

（6）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方便的采集（MES/DCS） 及多变性导致数据剧烈增大，再加上十几年信息化的历史数据，对于需要快速响应的 APS来说，是一个巨大的挑战。大数据可以给予我们更详细的数据信息，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，动态的调整计划排产。帮我们规避 “画像”的缺陷，将群体特征直接强加给个体（工作中心数据直接改变为具体一个设备、人员、 模具等数据）。通过数据的关联分析并监控它，我们就能计划未来。虽然，大数据略有瑕疵， 只要得到合理的应用，大数据会变成我们强大的武器。

工业大数据应用的价值潜力巨大。但是，实现这些价值还有很多工作要做。一个是大数 据意识建立的问题。过去，也有这些大数据，但由于没有大数据的意识，数据分析手段也不 足，很多实时数据被丢弃或束之高阁，大量数据的潜在价值被埋没。还有一个重要问题是数 据孤岛的问题。很多工业企业的数据分布于企业中的各个孤岛中，特别是在大型跨国公司内， 要想在整个企业内提取这些数据相当困难。因此，工业大数据应用一个重要议题是集成应用。

工业大数据市场应用规模

对于工业产业而言，产能过剩已成常态。发展工业大数据，可助力工业供需侧改革、产 业结构调整，为工业走出困局提供新的思路与技术。因此未来一段时间内，工业大数据应用 市场规模将呈现大幅度增长态势，预计 2020 年，市场规模达到 361.62 亿元。

图表 77：2014-2020 年工业大数据应用市场规模及增长趋势

工业大数据应用案例

福特电动车

以福特公司（Ford）为例，他们将大数据技术应用到了福特福克斯电动车的产品创新和 优化中，这款车成为了一款名副其实的“大数据电动车”。第一代福特福克斯电动车在驾驶 和停车时产生大量数据。在行驶中，司机持续地更新车辆的加速度、刹车、电池充电和位置 信息。这对于司机很有用，但数据也传回福特工程师那里，以了解客户的驾驶习惯，包括如 何、何时以及何处充电。即使车辆处于静止状态，它也会持续将车辆胎压和电池系统的数据 传送给最近的智能电话。这种以客户为中心的大数据应用场景具有多方面的好处，因为大数 据实现了宝贵的新型产品创新和协作方式。司机获得有用的最新信息，而位于底特律的工程 师汇总关于驾驶行为的信息，以了解客户，制订产品改进计划，并实施新产品创新。而且， 电力公司和其他第三方供应商也可以分析数百万英里的驾驶数据，以决定在何处建立新的充 电站，以及如何防止脆弱的电网超负荷运转。客户与工业企业之间的交互和交易行为将产生 大量数据，挖掘和分析这些客户动态数据，能够帮助客户参与到产品的需求分析和产品设计 等创新活动中，为产品创新作出贡献。

通用电气燃气轮机

通用电气（GE）宣布推出第一个大数据与分析平台，该平台由新的 Proficy Historian HD

（第一个基于 Hadoop 的历史数据管理软件）提供支持。Historian 在一个安全、封闭的架构 中提供实时数据管理、分析和机器与运营的连接，让全球重要行业能够从被动的工业运营模 式转向预测模式，从而提高生产率、减少浪费和停机时间。同时，位于美国亚特兰大的 GE 能源监测和诊断（M&D）中心，收集全球 50 多个国家上千台 GE 燃气轮机的数据，每天就 能为客户收集 10G 的数据。通过分析来自系统内的传感器振动和温度信号的恒定大数据流， 这些大数据分析将为 GE 公司对燃气轮机故障诊断和预警提供支撑，帮助 GE 公司对其上千 台燃气轮机进行监控，大大的提高了安全保障以及效率。GE 的工业强化平台不仅是迈向下 一代工业生产率的第一步，也是迈向下一代计算机技术的第一步。利用强大的软件和传感器 使机器智能化固然重要，但只有能够快速地分析、理解并让机器数据实时运转，才能真正带 我们走进受益于大数据的社会。这就是工业互联网，我们正在与合作伙伴一起建设一个客户 节约资金并为社会创造新价值的生态系统。

Vestas 风力涡轮机

图表 78：Vestas 利用大数据优化风力涡轮机

丹麦能源公司维斯塔斯(Vestas Wind Systems)，作为风电技术领域居于世界领先的国际 化供应商，在世界上超过 30 个国家，安装有超过 26,000 台风机发电装置。Vestas 利用大数 据分析软件优化风力涡轮机配置方案，通过对天气数据及其涡轮仪表数据进行交叉分析，从 而对风力涡轮机布局进行改善，由此增加了风力涡轮机的电力输出水平并延长了服务寿命。 通过在超级计算机上的收集和运算得到的数据，维斯塔斯公司得以分析诸多类型的 PB 结构 化和非结构化数据：如气象报告、潮汐相位、地理空间与传感器数据、卫星图像、森林砍伐 地图，以及用于精确安装定位的气象建模研究等——这些以前需要数周时间完成的分析工作 现在只需不到一小时即可完成。在选址过程中，涡轮机一旦投入运转，维斯塔斯工程师就会 使用全新的软件和超级计算机预测其性能，包括分析各个叶片对气候变化的反应，并确定最 佳维护时间。在未来四年内，该公司将有望对更多类型、规模更大的气象数据集进行分析， 其分析量届时可达 20PB 以上。

大数据可以被用于产品售后服务与产品改进，无所不在的传感器、互联网技术的引入使 得产品故障实时诊断变为现实，大数据应用、建模与仿真技术则使得预测动态性成为可能。

工业大数据重点企业分析

西门子

（1）Teradata 统一数据架构

Teradata 天睿公司是全球领先的数据分析平台、应用和服务供应商。西门子公司通过部 署 Teradata 技术提升其制造流程及产品质量。西门子将首次整合来自传感器、制造流程、机 器生产数据，以及各种源系统的数据。

西门子公司部署 Teradata 统一数据架构。统一数据架构包括：Teradata 数据仓库平台、 Teradata Aster 大数据搜索平台，以及 Teradata 的 Hadoop 平台。Teradata 专业服务部门协助 西门子部署解决方案，整合不同的数据源，提供培训服务。该架构能够利用所有类型的数据， 包括传统的结构化数据以及新型的各种数据，将多结构化大数据等工业数据与传统数据相结 合进行分析。根据分析目的，西门子可以在最合适的平台上整合并分析不同类型的数据，适 用于日益增长的复杂分析，进一步提升战略规划和运营流程；可以获取数据的最高价值，为 进一步创新奠定坚实基础。

（2）Omneo Performance Analytics(PA)解决方案

西门子推出了 Omneo Performance Analytics(PA)解决方案，这是 Omneo“软件即服务” (SaaS)的最新应用。西门子产品生命周期管理(PLM)软件业务部门开发的 OmneoPA 基于大数 据分析为客户提供产品性能情报。该解决方案不仅能对整个供应链中的数据和客户体验进行 监测，还能在短短数秒之内对数十亿的数据组合进行分析。通过挖掘能够精确指出产品问题 来源的、隐含的信息，OmneoPA 能够实现对大数据的前瞻性分析。

图表 79：PLM 软件以数字化方式创建和验证完整的产品和生产运营过程

OmneoPA 的发现功能可以对所有可能的数据集进行快速的组合分析，使客户对大数据 获得前所未有的深入了解，并可以清晰地识别并显示导致数据异常的最大因素，从而使每个 价值链决策都尽可能对现有和未来的产品性能产生最大、最积极的影响。现在，企业可以解 决以前想象不到的问题，节约宝贵的时间和资源。

OmneoPA 的图形化监测功能可以提供贯穿整个价值链的产品性能完整视图，进而使企 业可以持续地追踪与其产品相关的当前趋势和最新趋势。现在，基于事实的数据驱动型决策 可以贯穿整个价值链。

OmneoPA 拥有一个灵活、友好的控制面板，可以实现对数据分析方式和关键性能指标 (KPI)的定制化。数据分析方式和企业级关键性能指标被创建为具有多层定义的“建模对象”， 以便于重复使用。这种定义结构使用户能够交互式拓展定制的数据分析和关键性能指标，或 安排对它们的监测，并能够根据需要随时查看结果。

通用电气（GE）

（1）Pivotal 的大数据技术

GE 近几年一直在宣传应用大数据的潜在优势，并在 2013 年迈出了重要的一步——在Pivotal 上投入 1.05 亿美元。GE 日前宣布 Pivotal 日趋成熟回报在望。

GE 利用 Pivotal 的大数据套件和 EMC 的设备在 90 天里建成了旗下航空集团所需要的系统，此系统连接多达 25 个航空公司的客户，可以用到所有的数据和分析。GE 是主要的 飞机发动机制造商之一。利用机器数据和分析的一个关键目标是提供更好的预测性维护。

（2）“Predictivity”工业互联网解决方案——资产与运营成果

利用 GE 的“Predictivity”工业互联网解决方案，全球各行业能够充分利用互联的机器、 先进的传感器和控制器，并通过分析工业大数据，提高物理资产和运营的效率和生产率。依 托 GE 新的工业强化平台，“Predictivity”是基于软件和跨行业的最先进产品，是专为客户设 计的能够安全地获得工业级决策支持工具、自动化和专业知识并资产优化和运营成果。包括 基于条件的维护、停机管理、燃料消耗、控制与工厂自动化。这些解决方案基于云的力量， 可在资产、设施或设备组层面预先部署在客户指定位置、GE 的云或可信的第三方公共云中。 例如，GE 新的灵活能效技术能够使公共事业部门运行先进的数据建模并模拟，从而优化电 力输出以满足不断变化的配电需求。如此，客户就能够把机器的密集型计算迁移到云中，可 在多种情况下节约时间和成本，如由于温度下降造成的电力需求高峰。