工业大数据技术与实践

工业大数据技术与实践（精选8篇）

篇1：工业大数据技术与实践

大数据=工业？云计算和互联网是通用技术

社交？不，大数据现在涉及的方面太广了，社交网络，让我们越来越多地从数据中观察到人类社会的复杂行为模式。社交网络，为大数据提供了信息汇集、分析的第一手资料。从庞杂的数据背后挖掘、分析用户的行为习惯和喜好，找出更符合用户“口味”的产品和服务，并结合用户需求有针对性地调整和优化自身，就是大数据的价值。 现在的工业生产的网络化和智能化特征越来越明显，“互联网+”与工业融合发展已经成为不可逆的趋势。虽然说“互联网+“赋能工业的基础能力是大数据和云计算，但是具体会以什么样的形式融合却给我们留下更大想象空间。为什么大数据或者互联网会和工业扯上关系呢？其实工业分三个产业，除了第一产业和第二产业以外的像社会上提供各种服务型的.行业，其实主要就是服务业，其中的第三产业可以分为两个部分，流通还有服务！第一层次，流通部门，包括运输部，物流仓储等等，第二层次，未生产和生活提供服务的部门，包括商业饮食等等！但是这些产业大多数都是汇聚了最海量的数据以及大批次的科研中坚力量，而且现在大数据在农业以、工业、交通上都有广泛的应用，大数据的未来到底是怎么样的呢？了解了大数据的典型应用，理解了大数据的定义。这时相信在每个人的心中，关于大数据的价值都有了自己的答案，随着计算机的处理能力的日益强大，你能获得的数据量越大，你能挖掘到的价值就越多，希望这样的时代能为我们的生活带来更多的优质资源！

篇2：工业大数据技术与实践

“以全球发布INDICS+CMSS为起点，航天科工将与全球工业互联网平台企业开展广泛深入的合作，并与云端用户一起，锲而不舍地努力打造具有中国特色的信息化时代制造业生态系统发育载体，为实现‘中国制造2025’目标，为促进全球制造业在信息化时代的进步与发展，做出航天科工应有的贡献。”2017年6月15日，中国航天科工集团公司董事长高红卫在中国成都举办的工业互联网高峰论坛上阐述了建设中国工业互联网的决心。

据悉，此论坛由工业和信息化部、国家国防科技工业局、中国工程院、四川省人民政府、中国航天基金会、工业互联网产业联盟指导，成都市人民政府、四川省经信委、四川省国防工办、中国航天科工集团公司主办。论坛以“智·造价值，联·创未来”为主题，活动共吸引了包括工信部信软司、国防科技工业局计划司等相关部委领导、四川省政府领导，国内外工业互联网领域专家、学者，优秀企业相关负责人，中央及行业媒体记者等在内的800余人参加了。活动现场，与会嘉宾们聚焦工业互联网发展现状及趋势，积极探讨工业互联网中国模式的实践路径，分享在智能制造及工业大数据领域的实践经验。论坛开幕式由航天科工副总经理魏毅寅主持。航天科工董事长高红卫在致辞中阐述了建设我国工业互联网的意义，他表示，信息革命正在大幅度提升工业社会的生产力水平，而信息经济的主要特点是协同共享。工业互联网是集互联网技术、物联网技术、云计算技术、人工智能技术、大数据采集与挖掘技术于一体的全球性工业创新载体。通过构建制造业“信息互通、资源共享、能力协同、开放合作、互利共赢”的公共平台，通过促进云端企业智能制造、协同制造、云制造能力形成，可以最终实现“企业有组织，资源无边界”的目标，从而适应信息经济时代制造业转型升级的需要。

对于航天科工建设了2年的工业互联网平台——航天云网，董事长高红卫这样阐述该平台的建设理念：航天科工把工业互联网作为构建信息化时代制造业生态系统的载体来对待。除了要具备工业服务、物联网、制造业的互联网公共服务平台等一些基本属性以外，还要适应工业化时代的“标准化设计、大规模制造、同质化消费”模式转换为信息化时代的“定制化设计、单件小批量生产、个性化消费”模式的需求。在开幕式中，航天科工重磅发布了工业互联网云平台——INDICS(Industrialintelligentcloudsystem)。

该平台能够提供涵盖IaaS、DaaS、PaaS和SaaS的完整工业互联网服务功能，适合不同层次、类型、规模的企业；可支持各种工业设备接入、集成各类工业应用服务，构建良性工业生态体系，使制造管理更加便捷高效；构建了涵盖设备安全、网络安全、控制安全、应用安全、数据安全和商业安全的工业互联网完整安全保障体系。

会议中，中国工程院院士李伯虎、中国工程院院士倪光南、工业互联网产业联盟秘书长余晓晖分别发表了专题报告。同时，当日下午的四大分论坛同步召开，分别涉足智能工厂、工业大数据、军民融合、合作共赢四大主题。

篇3：工业大数据技术与实践

2011年麦肯锡全球研究院大数据报告表明, 2009年美国以装备制造为代表的离散工业领域拥有的数据规模为各领域之首, 比美国政府拥有的数据还要多。近年来, 随着德国工业4.0和美国工业互联网为代表的新工业革命深入发展, 以及“中国制造2025”、“互联网+”行动计划与“促进大数据发展行动纲要”的颁布实施, 工业大数据得到了越来越多的关注。这里分享一下我们的思考与实践。

企业信息系统、装备物联网和企业外部互联网是工业大数据的三大来源

企业信息系统存储了高价值密度的核心业务数据。上世纪60年代以来信息技术加速应用于工业领域, 形成了产品生命周期管理 (PLM) 、企业资源规划 (ERP) 、供应链管理 (SCM) 和客户关系管理 (CRM) 等企业信息系统。这些系统中积累的产品研发数据、生产制造数据、物流供应数据以及客户服务数据, 存在于企业或产业链内部, 是工业领域传统数据资产。

近年来物联网技术快速发展, 装备物联网成为工业大数据新的、增长最快的来源, 它实时自动采集了生产设备和交付产品的状态与工况数据。一方面, 机床等生产设备物联网数据为智能工厂生产调度、质量控制和绩效管理提供了实时数据基础;另一方面, 2012年美国通用电气公司提出的工业大数据 (狭义的) , 专指装备使用过程中由传感器采集的大规模时间序列数据, 包括装备状态参数、工况负载和作业环境等信息, 可以帮助用户提高装备运行效率, 拓展制造服务。

当前互联网与工业深度融合, 企业外部互联网已成为工业大数据不可忽视的来源。本世纪初, 日本企业就开始利用互联网数据分析获取用户的产品评价, 时至今日, 小米手机利用社交媒体数据成功实现产品创新研发。此外, 外部互联网还存在着海量的“跨界”数据, 比如影响装备作业的气象数据、影响产品市场预测的宏观经济数据、影响企业生产成本的环境法规数据……

数据质量、多源关联和系统集成是工业大数据实施的关键问题

拥有大数据不是目的, 发掘其价值才是关键。由企业信息化数据、装备物联网数据和外部互联网数据汇聚而成的工业大数据, 蕴藏着巨大价值。例如, 通过分析用户使用数据改进产品, 通过分析现场测量数据提高工件加工水平, 通过工况数据进行产品健康管理等。

笔者认为实施工业大数据项目需要关注以下3个关键问题。

第一, 数据质量控制问题。原始数据 (生数据) 质量决定分析结果的质量。企业信息系统数据质量仍然存在问题, 例如2014年某大型机车企业ERP系统中近20%物料存在“一物多码”问题。装备物联网数据质量堪忧, 某大型制造企业1个月的状态工况数据中, 无效工况 (如盾构机传回了工程车工况) 、重名工况 (同一状态工况使用不同名字) 、时标混乱 (当前时间错误或时标对不齐) 等数据质量问题约30%。

第二, 多源数据关联问题。层次化的物料表 (Bill Of Material, BOM) 定义了企业信息系统数据的核心语义结构。针对跨生命周期的研制BOM和实例BOM间结构失配问题, 我们提出了中性BOM模型, 并以此为核心, 向前关联设计制造BOM, 向后关联服务保障BOM, 形成星型结构, 极大地降低了数据关联的复杂度。同时, 针对装备物联网数据和外部互联网数据, 可以根据其绑定的物理对象 (零部件或产品) 与相应的BOM节点相关联。从而以BOM为桥梁, 关联3个不同来源的工业大数据。

第三, 大数据系统集成问题。工业大数据其来源更加广泛, 并且装备物联网数据 (半结构化数据) 和外部互联网数据 (非结构化数据) 都要与企业信息系统 (结构化数据) 进行集成, 因此要重构数据支撑平台, 甚至替换“旧”系统。

工业大数据分析提升工程装备服务保障水平

这里分享两个我们和国内企业合作实施的工程案例。

案例1:工业大数据提供故障分析新手段

液压系统是工程机械的关键部件。2013年我们发现液压系统的油缸密封套腐蚀故障数量异常。于是依据企业信息系统记录的液压系统维修历史数据, 通过比对相关状态工况数据 (装备物联网数据) , 搜索推荐与故障车辆关系密切的工况, 发现车辆油缸换向频率的波动幅度与这些故障高度相关。

进一步, 引入互联网上的行政区划数据和历年工程建设数据 (外部互联网数据) 后, 发现2012~2013年期间这些典型故障均发生在沿海省份, 从而推断出盐雾环境是导致密封套腐蚀故障的主要诱因。

案例2:工业大数据提升备件需求预测精度

随着工程装备增量市场增长乏力, 以维修保障为主的存量市场成为企业盈利新的增长点。

我们利用了企业信息系统中的备件销售订单、采购订单和备件库存状态数据, 以及工程物联网采集到的工况数据和外部互联网数据 (如每个省的GDP, 建筑、交通等规划数据) 。

针对30个省市区进行了备件需要预测, 平均预测精度为82%, 每旬备件需求预测误差在5件或真实值的20%以内。库存水平控制在一个较低的稳定水平, 仅为原来库存水平的48%。同时, 因为考虑到了20天的配货周期, 基于预测的补货策略可以保证现货满足率, 消除紧急临时订单。如果按备件库存占有资金1亿元计算, 可节约库存资金占用5000万元。

篇4：大数据——战略.技术.实践

大数据是一个当今的热点话题，主要是因为我们的世界正在经历信息革命。数字信息或“大数据”如今已是Zettabyte数量级（1ZB=1000000000TB），并且还在以每10年100倍的速度持续增长。在未来15年内，大数据总量将超过1yotta-bytes（相当于1000000000000TB），甚至连个人的私有数据也将达到1Petabyte（相当于1000TB）。数据的增长所引发的模式变革已经渗透到世界的各个方面，包括科学、工程、医疗、教育、金融、安全、国防、商业，甚至政治，而人类面临的巨大挑战是如何把爆炸式的数据增长转化为爆炸式的知识增长，进而造福整个世界。因此，每个人都应当或多或少对大数据有所了解。然而，目前大多数关于大数据的书是为专业人员写的，对于非专业人员的一般读者来讲可能有些难度。

本书的作者考虑到一般读者的需求，既面向IT专业人士，又照顾到专业外的广大读者，通过多种表现形式，力图使得本书尽可能通俗易懂。作者以综述的方式概述了大数据的趋势，它的系统构架、管理、分析和企业应用，并且提供了很多相关的参考资料，包括产品、书籍和技术论文索引等，来方便读者的延伸阅读。对比以往的大数据专业书籍，这种方式是本书的与众不同之处。尽管相对简短，但本书涵盖了关于大数据的诸多论题。

本书适合多种类型的读者，包括想对大数据有大概了解的，想了解大数据系统和软件应用的，想学习大数据基本概念和方法的，以及想通过大数据提高企业生产力的。这些读者都能够受益于本书。

篇5：工业大数据技术与实践

2.1数据采集

网络安全分析需要依托全面、完整的信息数据，在应用大数据技术时，应先完成数据采集。对于每秒数百兆的日志信息来讲，可以利用Chukwa等工具对其进行采集；对于全数量数据来讲，可以使用传统数镜向方式对其进行采集[2]。

2.2数据存储

完成数据采集后，需依托数据库对其进行集中存储，在大数据技术的帮助下，数据类型存在差异时，可以采用与其相匹配的方式完成存储，不仅能够保证数据之间的明确分类，又可以方便数据查询。数据类型为即时数据时，可采用列式存储方法，先运用流式计算方式进行分析，然后存储所得结果。数据类型为日志时，为提高数据查询效率，可选用列式存储方法完成存储。另外，当数据经过标准化处理后，需要先对其进行处理，所用方法为分布式计算方法，然后再采用列式存储方法进行存储。

2.3数据查询

将大数据技术应用于网络安全分析中去，就数据查询来讲，可依托MapReduce完成[3]。系统发出查询指令后，在对应的节点位置完成处理，并将多种结果加以整合，然后可以通过检索得到自己所需数据信息。相较于传统网络安全分析平台，这种数据查询方式的指令反应及处理更为迅速，大大提高了查询效率。

2.4数据分析

基于大数据技术的网络安全分析平台，当数据类型不同时，所用分析处理方法也是不一样的。首先，如果数据类型为实时数据时，在对其进行分析和处理时，主要用到了流式计算方式、CEP技术、关联分析算法等，可以及时发现潜在的安全隐患及威胁。其次，如果数据类型为历史数据、统计结果时，在实效性方面要求并不严格，可对其进行离线处理，完成更为深入、全面的分析，所用方法主要为分布式存储与计算，既能够发现其中的风险隐患，又可以找出攻击来源。

2.5复杂数据处理

面对越来越复杂以及关联性越来越强的数据，以大数据技术为依托的网络安全分析平台，也可以更加迅速、精准地对其进行处理，包括多源异构数据、系统安全隐患以及关联性攻击行为等。以网络安全问题中常见的僵尸网络为例，借助大数据技术，不但能够从流量和DNS访问特性出发，而且能进行发散性关联分析，同时结合多方面的数据信息，可对数据进行多维度、深层次、全方位分析，确保了数据处理的有效性。

3大数据技术背景下网络安全平台建设

基于大数据技术所体现出的多方面优势，已经在网络安全分析方面得到了越来越广泛的应用，在构建网络安全平台时，需要科学设计其基础构架，并严格把控关键技术环节，充分发挥其应用价值。

3.1平台构架

以大数据技术为依托，所搭建的网络安全平台分为四个层级，包括数据采集层、数据存储层、数据挖掘分析层、数据呈现层，四个层级功能各不相同，需要分别对其进行分析。首先，数据采集层主要负责采集各种类型数据，包括即时数据、用户身份信息、日志等，实现方式为分布式采集。其次，数据存储层的能够实现海量信息的长期保存，并采用结构化、半结构化、非结构化方式对其进行统一存储，使用均衡算法将现实数据均匀分布在分布式文件系统上[4]。另外，网络安全异常的发现及溯源，则是在数据挖掘分析层完成，具体方法包括特征提取、情境分析、关联分析等，可通过检索查询对异常网络行为进行准确定位。最后，数据呈现层则可以通过可视化形式将大数据分析结果呈现出来，通过多种维度展现网络安全状态。

3.2关键技术

构建网络安全平台时，所用到的关键技术主要有数据采集技术、数据存储技术、数据分析技术等。此次研究所用数据采集技术包括Flume、Kafka、Storm等，Flume能够采用分布式方式，对来源不同的数据进行收集和整理，经过处理后将其传输至定制方。Kafka中应用了Zookeeper平台，可实现数据的集群配置管理，能够作为一个高吞吐量的分布式发布订阅系统应用，平衡数据处理环节的系统负荷。完成数据采集后，采用HDFS分布式文件系统对其进行存储，其容错性和吞吐量都比较高，使用元数据管理节点文件系统对空间命名，数据文件保存至数据节点，基本存储单位为64兆字节的数据块。数据文件会随着元数据节点的增多而减少，两者之间呈反比关系，多个文件同时被访问时，会对系统性能造成影响，而HDFS分布式文件系统的应用可有效避免这种问题。在数据分析环节，该平台所用技术为Hivc，对于非结构化数据的检索，所用语言为HiveQL，与HDFS和HBase匹配性良好。API的封装则是采用Hive完成，使用定制的插件开发和实现各种数据的处理、分析与统计。

4结束语

将大数据技术应用于网络安全分析领域，不仅能够提高分析速率、分析精准度，而且还可以降低技术成本，有着多方面显著优势，是未来网络安全防护的必然发展方向。在实际应用时，应采用层级结构构建网络安全平台，就数据采集、数据存储、数据分析等关键技术环节进行重点把控，以此来改善当前网络安全分析中的缺陷与不足，提高网络安全等级。

参考文献：

[1]孙玉.浅谈网络安全分析中的大数据技术应用[J].网络安全技术与应用，.

[2]王帅,汪来富,金华敏等.网络安全分析中的大数据技术应用[J].电信科学，.

[3]贾卫.网络安全分析中的大数据技术应用探讨[J].网络安全技术与应用，.

篇6：工业大数据技术与实践

河南省濮阳市政府党组成员、市公安局长

李军信

所谓大数据，即大小超出常规的数据库工具获取、存储、管理和分析能力的数据集合；所谓大数据思维，是指一种意识，认为公开的数据一旦处理得当就能为千百万人急需解决的问题提供答案。大数据思维代表了一种观照复杂事物的思维方式，其特点在于更加注重思维与观察分析问题的广域性和宏观视野，更加关注事物发展的趋势性和本质性分析，将为人类生活创造前所未有的可量化的维度。简言之，即大数据思维忽略数据的杂乱性，强调数据的量；忽略数据的精确性，强调数据的代表性；忽略因果关系的探求，重视整体规律的总结。大数据使得人们处理信息的方式发生了深刻变化，改变了人类认识世界的方式，并将在相当程度上改变现有的生产生活方式，对公安工作发展方式变革同样具有深刻的影响。

一、发挥大数据宏观把握和预测的优势，提高公安决策的科学性和导向性

大数据本质上是一种信息资源利用方式。运用大数据分析方法，可以最大限度地接近信息完美对称，提高决策的科学化民主化水平。公安决策部门和决策者，要高度重视社会治安资源和公安信息资源的积累利用，充分利用社会和公安大数据资源，“让数据说话”，以提升决策和运转效率为目标，建立健全公安决策与运转流程，建立完善开放型、扁平化决策管理体系，使公安宏观决策建立在尽可能多的数据支撑基础之上，而不是局部事实和经验判断，有效提高公安宏观决策的科学性、可靠性、客观性。比如要利用大数据技术，尽可能广泛全面地搜集群众意见建议，实现从决策机关和决策者自己“想主意、出主意”到群众、网民出主意、决策者从中“选主意、用主意”转变，使决策更加紧密地贴近实际、贴近群众、贴近基层，从而实现“民意引领警务”目标。比如针对近年来各地开展群众安全感和对公安机关执法满意度、公安机关执法公信力调查分析，要改进传统的重点采样、抽样调查等方式，更加注重采样的优化设置和随机取样、即时取样，并对采样进行必要时间段内的跟踪，突出调查采样的全面性、随机性、动态性，使统计调查和分析研判更加科学合理。比如在公安工作绩效考评方面，要运用大数据工具和大数据思维，科学设置公安工作常量和变量指标，突出常态性和动态性考核，增强公安工作绩效考评的科学性。各级公安机关要适应信息时代发展要求，从顶层设计着手，启动“智慧警务”建设，建立不同层级的云计算中心和大数据资源服务中心，为基层实战提供更加快捷有效的信息数据资源推送服务。

二、发挥大数据信息资源规模庞大的优势，增强预防和打击违法犯罪的精准性和实效性

建立在相关分析法基础上的预测是大数据的核心，高效是大数据工具的特点。在公安工作中，运用大数据思维和大数据工具，引进犯罪时空分析系统和热点分析预测技术，可以将地址、空间等静态因素和人物、事件信息等动态因素结合起来，把海量数据“即时”转化成情报产品，改变传统刑事犯罪情报滞后分析的劣势，从质和量、时间和空间等方面动态掌握犯罪规律特点和趋势，丰富侦察破案手段；同时，借鉴大数据的“相关思维”，可以把传统情况下储存的大量“过时信息”转变为可用信息。通过对多发性违法犯罪的即时性、动态性分析预测，可以将相关时间和空间信息进行智能化关联，动态交叉比对，从而快速锁定犯罪嫌疑人，为破解“由人到案”和“由案到人”关联问题提供了新的思路，提高打击犯罪的精准度，实现“更快地破大案、更多地破小案、更好地控发案”目标。例如针对信用卡异常交易流量的即时分析，可较为准确地预测信用卡诈骗等犯罪。

三、发挥大数据“模糊定位”和模糊预测的优势，增强社会治安防控的主动性和严密性

相比于依赖小数据和精确性的时代，大数据因为更强调数据的完整性和混杂性，便于更进一步接近事实和真相。《关于加强社会治安防控体系建设的意见》指出，“将社会治安防控信息化纳入智慧城市建设总体规划，充分运用新一代互联网、物联网、大数据、云计算和智能传感、遥感、卫星定位、地理信息系统等技术，创新社会治安防控手段，提升公共安全管理数字化、网络化、智能化水平”。借鉴相关分析思路，将大数据工具和警用地理信息系统、智能视频系统、卡点系统等相结合，可实现对现场警力和公共治安资源高度扁平化、智能化和可视化调度，大幅度提高现场发现和应对处置能力，增强社会治安防范控制的针对性和有效性。同时，利用大数据工具，可以实时搜索社会治安相关“热点”信息，监控社会治安动态趋势，有针对性地加强社会面布警密度和力度，集约利用治安防控资源，避免盲目布警、散乱布警、四面出击，造成警力资源的浪费和警务运行秩序的无序。

四、发挥大数据对社会治理中异常情况的及时预警优势，提高社会治安治理能力和“点状”服务能力

基于信息化社会的到来，大数据工具为创新社会治理提供了新的手段，已经成为实现国家治理能力现代化的一把利器。目前，我国将建立以公民身份号码为唯一代码、统一共享的国家人口基础信息库，建立公民所有信息的一卡通制度，这将为共建共享以全民人口基础信息为主体的信息数据提供更加广阔的空间。将大数据分析预测技术引入社会治理工作，运用大数据工具有效整合信息资源，优化信息资源利用链条，可以克服层级式、条块式、区域式行政管理模式可能带来的“行政管理碎片化”影响，实现“点对点、菜单式”管理和服务。特别是在社会应急管理中，大数据技术将发挥越来越重要的作用。运用大数据技术通过数据监控、挖掘和分析，可以及时发现社会运行中异常情况和风险因素，预测小概率公共安全事件的发生趋势和概率，提醒我们“哪些事情正在发生”，引导社会主体有效制定应对策略和自我防范措施，从而降低信息报告的失灵风险，预防和避免重大不安全事件。公安机关应以此为重点和突破，实现以人口基础信息数据为主体的政府部门间社会信息资源最大限度的整合共享，利用大数据工具，提高对敌情、社情、警情、舆情大数据资源中“异常情况”的关注度，及时预测、预警。例如在交通管理中，积极推进智能交通系统建设，及时对辖区内交通事故数据、区域车辆运行数据和车辆异常聚集数据进行整合挖掘分析，掌握事故等多发点段规律和原因，采取有针对性的整改和应对措施。一些地方公安机关引入交通事故发生地经纬坐标管理机制，有效提高了交通事故研判的广度和深度，增强了交通事故分析处置结果的科学性。

五、发挥大数据及时掌握队伍思想动态、运行状态优势，实现队伍管理科学化、正规化

篇7：工业大数据技术与实践

工业大数据在工业企业中的典型应用介绍

工业大数据可广泛应用于企业整个生产过程。下面按照企业生产过程的研发设计、供应链、生产制造、营销与服务环节，对工业大数据的应用场景及其应用进行探讨。

4.1 研发设计环节工业大数据的应用场景

在研发设计环节，工业大数据应用主要有产品协同设计、设计仿真、工艺流程优化等。

产品协同设计，主要是利用大数据存储、分析、处理等技术处理产品数据，建立企业级产品数据库，以便不同地域可以访问相同的设计数据，从而实现多站点协同、满足工程组织的设计协同要求。

设计仿真，是指将大数据技术与产品仿真排程相结合，提供更好的设计工具，减少产品交付周期。如波音公司通过大数据技术优化设计模型，将机翼的风洞实验次数从2005年11次缩减至2014年的1次；玛莎拉蒂通过数字化工具加速产品设计，开发效率提高30%。

工艺流程优化，主要是应用大数据分析功能，深入了解历史工艺流程数据，找出工艺步骤和投入之间的模式和关系，对过去彼此孤立的各类数据进行汇总和分析，评估和改进当前操作工艺流程。例如一家排名前五强的生物药品制造商广泛收集与工艺步骤和使用材料相关的数据，应用大数据分析技术，来确定不同工艺参数之间的相关性，以及参数对产量的影响，最终确定影响最大的9种参数，针对与这9种参数相关的工艺流程做出调整，从而把疫苗产量增加了50%以上。

4.2 供应链环节工业大数据的应用场景 北京天拓四方科技有限公司是西门子工业自动化和驱动集团核心分销商一级代理商及系统集成商

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获得供应商、库存、物流、生产、销售等完整产品供应链的大数据，利用这些数据进行分析，确定采购物料数量、运送时间等，实现供应链优化。如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。

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。

4.3 生产制造环节工业大数据的应用场景

在制造环节，工业大数据的应用主要有智能生产、生产流程优化、设备预测维护、生产计划与排程、能源消耗管控和个性化定制等应用。

智能生产。就是生产线、生产设备都将配备传感器，抓取数据，然后经过无线通信连接互联网，传输数据，对生产本身进行实时监控。北京天拓四方科技有限公司是西门子工业自动化和驱动集团核心分销商一级代理商及系统集成商

而生产所产生的数据同样经过快速处理、传递，反馈至生产过程中，将工厂升级成为可以被管理和被自适应调整的智能网络，使得工业控制和管理最优化，对有限资源进行最大限度使用，从而降低工业和资源的配置成本，使得生产过程能够高效地进行。

生产流程优化。利用大数据技术，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。

设备预测维护。建立大数据平台，从现场设备状态监测系统和实时数据库系统中获取轴承振动、温度、压力、流量等数据。通过构建基于规则的故障诊断、基于案例的故障诊断、设备状态劣化趋势预测、部件剩余寿命预测等模型，通过数据分析进行设备故障预测与诊断。如燕山石化建立星环大数据平台实现了对数据的实时分析计算，使设备故障诊断和趋势预测等功能的延迟控制在5秒之内；利用大数据分析自动生成的检修维护计划，保证了设备维护更有针对性，减少了“过修”和“失修”现象，节省成本。

生产计划与排程。收集客户订单、生产线、人员等数据，通过大数据技术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。

能源消耗管控、延长设备寿命。通过对企业生产线各关键环节能耗排放和辅助传动输配环节的实时动态监控管理，收集生产线、关键环节能耗等相关数据，建立能耗仿真模型，进行多维度能耗模型仿真预北京天拓四方科技有限公司是西门子工业自动化和驱动集团核心分销商一级代理商及系统集成商

测分析，获得生产线各环节的节能空间数据，协同操作智能优化负荷与能耗平衡，从而实现整体生产线柔性节能降耗减排；及时发现能耗的异常或峰值情况，实现生产过程中的能源消耗实时优化。风力涡轮机制造商Vestas对天气数据及涡轮仪表数据进行交叉分析,并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；鲁南化工有限公司将多年积累的气化炉运行数据，包括近十几年的所有极差操作、最好操作、容易出事故的各种数据用于培训操作人员，使多喷嘴气化装置实现单炉年运行开工率达到97%以上。

个性化定制。采集客户个性化需求数据、工业企业生产数据、外部环境数据等信息，建立个性化产品模型，将产品信息传递给智能设备，进行设备调整、原材料准备，生产出符合个性化需求的定制产品。如红领集团通过建立西服个性化定制平台，将成衣的各种款式和设计都数字化，利用大数据技术，对物料数据整合管理，实现了里料、缝线、袖口的自动搭配，工厂3000人，每天可以一款一件不重样地定制西装1200套。

4.4 营销与服务环节工业大数据的应用场景

在市场营销环节，利用大数据挖掘用户需求和市场趋势，找到机会产品，进行生产指导和后期市场营销分析。

建立用户对商品需求的分析体系，挖掘用户深层次的需求；建立科学的商品生产方案分析系统，结合用户需求与产品生产，形成满足消费者预期的各品类生产方案等。如我国海尔集团利用SCRM会员大数北京天拓四方科技有限公司是西门子工业自动化和驱动集团核心分销商一级代理商及系统集成商

据平台，提取数以万计用户数据，通过“look-like”模型将用户分类，然后结合智能语义分析工具，分析客户需求，优化用户体验。

在产品售出服务环节，工业数据推动企业创新服务模式，从被动服务、定期服务发展成为主动服务、实时服务。通过搭建企业产品数据平台，围绕智能装备、智能家居、可穿戴设备、智能联网汽车等多类智能产品，采集产品数据，建立产品性能预测分析模型，提供智能产品服务。例如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；固特异轮胎跟IMS合作推出了FuelMax产品就利用分析轮胎压力提醒用户如何保养轮胎更加省油，每年可以给一辆集装箱客车节省3000美元的油耗。

天拓四方自主品牌的全球领先的数网星远程数据采集及应用管理平台系统，作为基于云平台的工业物联解决方案，可最低成本实现云解析通道打通，利用超大数据处理能力的软件平台，实现对设备的远程诊断维护、远程监控、远程诊断和故障预警，再通过对数据的大量收集和分析处理，实现设备优化，帮助企业根据现有数据预测未来的发展趋势，给企业带来了更快的速度、更高的效率和更具远见的洞察力，提高了企业生产效率、降低了经营成本，从而使企业更好的“把握现在，预知未来”。

篇8：工业大数据技术与实践

随着博客、社交网络等互联网应用的日益普及,人类社会已经进入一个全新的大数据时代。大数据不仅仅意味着更多的信息,它更是改变了人们的行为方式,甚至思维方式,其影响充斥着社会生活的各个方面,高校也不例外。大数据将会对高校各个学科、专业产生冲击,促使其进行变革。本文从高校数据库技术类课程所面临的问题入手,通过分析以大数据技术为主要特征的时代特点,探讨大数据时代数据库技术类课程改革的思路,并提出大数据背景下新的教学体系和“以学生为中心” 的新型教学模式。

2大数据及其对数据库技术类课程的影响

2.1大数据

2008年9月Nature杂志推出大数据(Big Data)的封面专栏后,大数据研究热潮在学术界和产业界中盛行。2012年3月, 美国政府提出了“大数据研究与发展计划”,该计划旨在提高人类从海量复杂数据中获取有用知识的能力,标志着大数据已经提升到了国家战略层次[1]。

目前,业界对大数据没有统一的认识和定义,可以从以下几个方面来理解大数据:1)数据量大。在大数据时代,一切都可以成为数据。人们的购买行为、遍布整个城市的摄像头记录的人们的一举一动、高速公路上各个卡口通过的车辆记录、网络用户浏览网页的痕迹,都是数据。通常需要分析处理的数据为TB,PB,乃至EB级。2)要求快速响应,在性能上有更高要求,所以数据量显得对速度要求有些“大”。3)数据种类多样性,互联网、物联网、传感网的发展,使数据类型变得更加复杂, 不仅包括文本数据,还包含视频、音频、图像等形式存在的未加工的、半结构化的和非结构化的数据。4)价值密度低,虽然数据量巨大,但其中蕴含的有用知识不多。如何快速准确地从海量数据中发现有效信息更加困难。

2.2大数据对数据库技术类课程教学的影响

数据库技术作为信息领域支撑基础和软件学科的重要分支,其应用领域占整个计算机应用的70%以上,是计算机领域中最为广泛的应用技术[2]。因此,不论是本科院校还是高职高专的计算机相关专业都开设了数据库技术类课程,它研究和解决了计算机信息处理过程中大量数据有效组织和存储的问题, 同时培养了学生进行信息管理、分析、设计、开发和应用等诸方面的能力。

但随着云计算、大数据的兴起,面对爆发式增长的海量数据,传统数据库已难以应对,在以图像、音频、视频等非结构化数据为主的大数据面前,传统数据库缺少有效地分析工具和方法。在大数据背景下,数据库技术类课程面临着如下问题:

1)教学内容滞后于应用

现有的数据库技术类课程多以产生于上世纪80年代的关系数据库为主线,研究对结构化数据的存储、减少冗余、实现数据共享、保障数据安全、高效的检索数据和处理数据等内容。 随着技术的发展,获取数据的设备不再只是传统计算机,智能手机,GPS定位仪等感测装置成为新的产生数据的来源,从这些设备搜集到的数据都与过往有很大的差异,而且含有大量的非结构化的内容,传统的数据库在处理这些数据时没有优势。 同时,传统的SQL注重数据的完整性,而大数据环境下,实时性更加重要,在要求高扩展性和大吞吐量的业务面前,效率低下。并且,关系型数据库在实现大数据分析的需求中也显得力不从心。

2)以“慕课”为代表的新型教育方式对传统教学模式的冲击

传统数据库技术类课程教学方法单一,教学模式陈旧,不够灵活多样,主要采用“以教师为中心”的教学模式,不能很好地调动学生的积极性。教学时多以教师的讲解为主,教师没有从学生的角度去了解学生的真正需要,造成教师与学生之间缺乏交流和互动,课堂上学生只能被动地去接受教师灌输的知识,课下缺乏真实的案例实践,造成学生感觉所学知识枯燥无用的境地。

随着移动互联网、云计算、大数据等前沿计算机技术的迅速发展,通过互联网运用计算机学习的在线教育正成为席卷全球的热点。如今,打开互联网,轻松可以找到着各种各样、种类繁多的教学资源,有文本形式的,也有课堂实时录像形式的,或者学生教师之间实时在线互动形式的,还有配有教学练习与测试形式的等等,这些资源完全呈现在学习者面前。因此,大数据环境下,学生知识的获取不再被局限在校园里、课堂上,只要有网络,学生可以随时随地获取自己感兴趣的优质教育资源, 这就要求学生具有主动学习的积极性。

所以,如果不改变传统的教师作为教学主体、学生被动地听的教学模式,那么教师在讲台上照本宣科地讲解,学生在台下昏昏欲睡的场景将继续存在。

3大数据数据库技术类课程改革

针对大数据时代的特点和对人才需求,本文对传统数据库技术课程体系和教学模式进行改革,提出适应大数据需要的课程体系和教学内容及教学方法,希望学生能通过系统学习明确自身未来的职业发展方向,同时也为推进未来大数据产业的发展提供企业的需要的人力资源。

3.1改革目标

1)以大数据时代为背景,结合行业需求,探索数据管理、数据分析、数据应用三层次的数据库课程体系。

2)摒弃传统的“灌输式”传授知识方法,树立“学生为本”的课程教学观,灵活选择讨论式、案例式、问题探究式、项目式、启发引导式等多种教学方法。

3.2大数据背景下数据库类课程体系的研究和实践

企业对数据管理人员的需求主要有三个层次:数据管理、 基于数据的应用、基于数据的分析。在大数据环境下,不论是数据的规模和数据的种类都产生了巨大变化,传统的关系型数据库由于自身的特点,在面对超大规模数据、高并发请求时也显得无能为力。为了培养符合企业需求的人才,必须在课程体系中引入非关系型数据库。

本文结合理工学院和学生的自身特点,对大数据技术进行调研分析,并基于合作企业的真实岗位需求确立了以数据管理、数据分析、数据应用三层次的数据库课程体系。

本文构建的数据库类课程体系结构如图1所示。该课程体系整体上分为三个层次:数据管理层次、数据分析层次、数据应用层次。

1)数据管理层次在传统的数据库基础之上,引入大数据存储技术,确立了以Hadoop为核心的数据管理教学内容,主要包括《云计算计算机基础》、《非关系型数据库系统》、《开源数据库应用》等课程。这一层次主要培养学生对大数据基本原理的掌握,并能基于Hadoop搭建大数据处理平台。

2)数据分析层次以培养学生数据分析能力为目标,主要包括《商务智能》、《大数据分析技术》等课程,由浅入深,讲解数据分析基本原理,培养学生利用统计分析工具进行数据分析和数据挖掘的能力。

3)数据应用层次包括《大数据应用案例》等课程,主要培养学生利用大数据技术进行项目开发、问题解决的能力。根据大数据处理应用和服务要求,编写需求分析报告及技术解决方案。

3.3大数据背景下数据库类课程教学模式的研究和实践

大数据环境下,“慕课”作为一场重大的教育改革潮流,不仅仅冲击了现有的课堂教学内容与方式,在知识传递上比传统的实体课堂更加符合学习科学的规律与要求,让个别化、自主性、互动式教学成为可能,促使越来越多的师生利用“慕课”平台寻找和利用教育资源,而且传统教师主导课堂的形式将逐步退出教学历史之舞台[3]。

“慕课”具有易于使用、费用低廉、资源丰富、教学形式多样的特点,但纯粹基于互联网的教育在学员、教师互动方面,在整体教学氛围方面依然无法达到传统课题的优势。毕竟,学习的内容不只有课程本身,还有很多集体的社交体验。在现阶段,“慕课”还不能完全取代课堂教学,但可以作为课堂教学的有益补充。

因此,在大数据环境下,教师必须实现角色的转换,必须摒弃传统的“灌输式”传授知识方法,树立“学生为本”的课程教学观,根据数据库技术类课程的教学目标、教学内容、学生特点、 教学条件等,灵活选择讨论式、案例式、问题探究式、项目式、启发引导式等多种教学方法,形成以学生独立自主学习为主,教师引导启发为辅的教学模式。

同时,利用大学生科技创新基地支持学生综合素质和创新能力的培养,并渗透于学生生活的方方面面。大学生科技创新基地是软件学院一个别具特色的学生团体,创新基地由不同专业发展方向的社团构成,社团内以学生的自主学习、自主管理为主,并配备专业的指导老师,对社团的发展给予引导。每个月,创新基地都会举办各类专业竞赛、技术交流会来扩大学生的专业视野,同时,为了提高学生动手实践能力,创新基地承包外来项目,在锻炼学生实践能力的同时,培养了学生的团队合作精神。大学生创新基地与专业紧密结合,对课堂教学起到了延伸扩展作用,它的灵活性和丰富性弥补了课堂教学的不足, 使学生在实践过程中体会专业知识技能的学习和实践的乐趣。

4结束语