工业大数据的挑战

人们很容易就会想到在互联网和商业等环境中，利用大量的行为数据来分析用户行为和预测市场趋势的应用。对工业大数据的定义和应用却很难用直观的方式来理解和想象。从数据工程的技术挑战方面说，工业大数据的挑战和目标要通过“3B”和“3C”来理解。

工业大数据应用的3B挑战

BadQuality（质量差）：受制于工业环境中数据获取手段的限制，包括传感器、数采硬件模块、通信协议和组态软件等多种技术限制。

Broken（碎片化）：工业对于数据的要求不仅在于量的大小，更在于数据的全面性。需要获取与被分析对象相关的全面参数，而一些关键参数的确会使分析过程碎片化。

BackgroundBelow the Surface（隐藏背景）：关注数据中所隐藏的背景相关性。这一类数据包括工况设定、维护记录、任务信息等，虽然数据量不大，但在数据分析中却祈祷啊了至关重要的作用。

工业大数据分析的3C目的：比较性（Comparison ）、相关性（Correlation）、因果性（Consequence）。

互联网/商业大数据与工业大数据的对比

CPS技术架构体系

为应对工业大数据的分析要求和技术挑战，提出了工业大数据环境下的CPS技术体系架构，包括5个层次的构建模式：智能感知层（Connection)、信息挖掘层（Conversion）、网络层（Cyber）、认知层（Cognition）和配置执行层（Configuration）。

1、智能感知层：从信息来源，采集方式和管理方式杀那个保障了数据的质量和全面性，建立支持CPS上层建筑的数据环境基础。

2、信息挖掘层（数据—信息传递层）：从低价值密度的数据

到高价值密度信息的转换过程，可以对数据进行特征提取、筛选、分类和优先级排列，保证了数据的可解读性。

3、网络层（网络—实体融合层）：重点在于网络环境中信息的融合，将机理、环境与群体有机结合，构建能够指导实体空间的网络环境，包括精确同步、关联建模、变化记录、分析预测等。

4、认知层（自认知层）：将机理模型和数据驱动模型相结合，保证数据的解读符合客观的物理规律，并从机理上反映对象的状态变化，同时结合数据可视化工具和决策优化算法工具为用户提供面向其活动目标的决策支支持。

5、配置执行层（重构层）：根据活动目标和认知层中的分析结果，对运行决策进行优化，并将优化结果同步到系统的执行机构，以保障信息利用的时效性和系统运行的协同性。