新形势下工业大数据发展及建议

贾映辉 许亚倩 吕海霞

当前，我国正处在经济发展质量变革、效率变革、动力变革的关键时期，很多传统工业企业面临利用信息技术加快转型升级的迫切需求。工业大数据是指在工业领域信息化应用中所产生的数据，成为提升企业智能化水平、驱动工业高质量发展的核心支撑，正迎来重要发展机遇期。同时，工业大数据发展在数据资源整合、应用推广、标准化等方面存在诸多问题，亟待出台相关政策措施促进保障工业大数据在工业高质量发展中的落地应用。

工业大数据发展态势

一、中央和地方政府高度重视工业大数据发展

我国政府高度重视发展工业大数据，国务院、各部委相继出台编制了《大数据产业发展规划（2016-2020年）》、《工业技术软件化三年行动计划（2018-2020年）等系列重大战略和政策措施，把智能制造作为两化融合的主攻方向，系统部署大数据发展工作，推动大数据在工业研发设计、生产制造、经营管理、市场营销、售后服务等产品全生命周期、产业链全流程各环节的应用，不断推动制造模式变革和工业转型升级。各地方政府积极谋划，苏州、成都、广东等地均出台了促进工业大数据发展的政策文件，大力激发社会创造力和市场活力，加快新旧动能接续转换，为工业大数据与实体经济的加速融合提供了良好的政策环境。随着政策的落实，工业大数据发展迎来重要发展机遇期，推动大数据将在产品的创新、工业物联网、工业供应链的分析优化等工业各个方面创造价值。

二、领先企业积极布局工业大数据产品和服务

当前，工业大数据的产品与服务已成为国际科技与制造业巨头竞相布局的关键阵地。GE面向全球企业与开发者率先推出了Predix平台，可提供涵盖工业研发设计、生产制造、经营管理、服务等全流程的工业技术服务与数字解决方案;西门子的MindSphere平台能将预防性维护、能源数据管理以及工厂资源优化等工业数据与软件汇聚在一起，为企业级用户提供决策参考;IBM投资建设了Bluemix创新工业云平台，提供涵盖工业大数据、移动应用、沃森（Watson）、分析、整合、DevOps、安全和物联网等各领域超过120种软件工具与服务。

与此同时，国内企业也进行了诸多有益探索，并取得了积极进展。三一重工组建树根互联工业互联网平台，集成了大数据分析及预测模型、端到端全流程运营管理系统等软件工具和系统，可以为客户提供精准的大数据分析、预测、运营支持及商业模式创新服务。海尔自主研发了支持大规模定制的COSMO平台，该平台形成了包括协同创新、众创众包、柔性制造、供应链协同、设备远程诊断维护、物流服务资源的分布式调度等全流程的应用解决方案。

三、工业大数据应用场景拓展不断拓展

工业大数据可应用于现有业务优化、推动大中型企业实现智能制造升级和工业互联网转型，并支撑中小企业创新创业。在现有业务优化升级方面，百度的工业大数据监测平台已逐渐延伸应用到汽车、日化等行业;三一重工利用大数据分析技术为智能工程机械物联网提供有效决策支持;长安汽车基于大数据分析开展了客户个性化定制汽车服务，推动传统的黑箱产品生产模式转变为透明化生产（数字孪生）。在支撑创新创业方面，优制网基于设备规格、参数要求，完成了对合作伙伴的精确搜索、充分提高了制造、检测设备的共享使用率，利用工业大数据成功推动了制造业在分享经济领域的实践与应用。

四、产业发展生态环境持续优化

得益于国家政策的大力支持，我国工业大数据领域生态环境得以不断优化。工业互联网产业联盟联盟会员数量已突破400家，成立“8+8”组织架构，从产业需求、技术标准、应用推广、安全保障、国际合作等角度开展务实工作并取得了多项研究成果。在技术标准方面，中国电子技术标准化研究院联合多家制造业企业与信息技术公司，编制了《工业互联网平台标准化白皮书（2018）》，为推进我国工业大数据发展，构建可持续发展的工业互联网平台生态做出了积极的贡献。

存在問题

一、企业各领域信息化程度差异大，信息孤岛现象严重

信息化建设程度差异大，业务数据资源缺失。一方面，由于不同领域、以及同一领域不同企业的信息化投入差异很大，导致企业信息化程度不一致，信息化程度低的企业的数据源缺失。另一方面，由于部分工业企业在信息化建设过程中，缺乏科学合理的系统和信息资源规划，导致信息系统和业务系统的支撑关系不强，业务相关的数据资源缺失，如工业企业管控、制造执行的业务系统缺少必要的信息系统数据源支撑。

同时，数据管理机制不健全，数字资源碎片化。由于对企业数据资源缺少管理机制和使用规划，导致各业务环节的数据散落在各业务部门，相关的数据标签、存储、编码、处理机制各异等，从而导致企业数据可用性差、数据质量低、业务环节之间数据集成共享困难等问题，信息孤岛现象严重，工业大数据难以发挥应用的价值。

二、数据模型及经验积累不足，全流程、全系统的综合应用发展受到制约

工业知识和经验缺失，工业数据处理能力不足。工业大数据应用是大数据技术和工业行业全价值链典型场景的融合应用，既涉及众多细分行业，又涵盖工业流程各个环节，对专精领域的工业知识要求很高。而我国工业知识体系建设起步晚，工业基础和工业know-how方面落后，尤其在制造的知识和经验方面积累不够，使工业数据全流程、全系统的综合应用受到限制。

基础技术、架构、平台、工具等有待进一步完善。工业大数据应用对实时性、有效性和安全性的需求都高于互联网大数据的应用，这对工业大数据核心技术体系、应用架构、工业大数据平台、数据库和分析可视化工具都提出了更高的要求，需要有针对性的进行优化研发。

三、工业大数据产业和服务标准化水平较低，规模化发展存在较大挑战

产业融合深度和广度有待进一步拓展。我国工业大数据的应用主要局限在企业内部产品成本减低、运营效率提高、异常检测等方面，产业融合水平较低，在改进产品、定义用户需求、提供增值服务、转变工业系统运行模式和商业模式等方面需进一步拓展和深化，利用工业数据挖据创造更高效的价值。

数据政策法规体系不健全，不利于生态建设。合法、合规的数据利用、开放和共享，以及信息安全对工业大数据产业发展至关重要。目前，我国在工业大数据相关的法律法规还不完善，在很大程度上影响了工业大数据产业发展和生态的建设培育。

四、跨界融合人才短缺，促进人才高效汇聚成为紧迫需求

致力于工业大数据基础支撑技术的人才缺失。工业大数据核心技术、平台、工具等需要针对典型业务场景进行研发优化，我国工业大数据平台架构工程师、算法工程师等基础支撑人才不足，造成核心技术、平台、工具等发展缓慢，阻碍了工业大数据技术的发展。

致力于工业大数据挖掘的跨界复合型人才缺失。工业大数据的使用者既需要掌握大数据挖掘相关知识，又需要深刻理解各种典型工业业务场景，更高层次的应用还涉及产品、用户需求、企业管理决策、商业模式等方面，工业大数据产业对跨界复合型人才的能力需求更强烈。目前我国工业大数据的跨界复合人才缺失，阻碍了工业大数据应用的发展。

措施建议

一、支持核心技术研发创新

依托软件和信息技术服务企业，加强对工业软件实时操作系统的内核开发和优化技术，以及对工业互联网平台数据集成和边缘处理技术、IaaS技术、数据管理技术等核心技术的研发创新。突破数据存储与管理技术，以及工业大数据机理模型建模技术、知识推理技术等高端新型工业软件核心技术，提升工业领域所需各类嵌入式数据库、实时数据库、关系型数据库产品的数据存储与处理能力。开展工业大数据测试床项目，加速孵化工业大数据解决方案，促进物联网、云计算、大数据、人工智能等新一代信息技术在工业领域的创新应用。推进高端设备读写自由研究，实现工业软件、物联设备的自主可控，促进设备数据融合流通。

二、促进工业数据汇聚共享

支持企业构建以数据驱动为核心、覆盖工业全环节、全流程和产品全生命周期的数据闭环，打通各个环节数据链条，促进数据资源融会贯通。建立国家、行业、企业三级架构的工业大数据服务平台，加强共性平台建设，完善各级服务平台之间的数据共享交互机制，引导工业大数据开放共享发展。建设工业大数据平台，联合国内领先工业系统及解决方案企业、信息技术企业和工业生产企业，共同开放能够实现底层设备数据集成、计算处理和分析的新型工业大数据平台，支持第三方开发工业大数据分析应用。

三、积极开展试点示范工作

针对综合集成、协调设计、协同制造等工业软件关键能力，选择基础条件好、示范效应强、影响范围广的行业领域积极开展应用试点示范，探索工业大数据集成应用创新实践，打造可复制推广样板。支持企业探索工业大数据平台建设、应用和服务模式，建立试点间企业互联互通的数据融合系统网络，逐步扩大影响范围，为广泛培育数据驱动型企业提供实践经验。举办工业大数据创新大赛，发掘专业技术人才，培育一批创新队伍，构建创新及产业化应用平台，促进赛事结果转化和产学研用紧密结合，助力工业经济提质增效升级。

四、加强标准体系研制推广

依据国家智能制造标准体系总体平台和建设指南，建立工业大数据标准体系，围绕大数据在工业产品研发设计、生产制造、物流、销售、维保服务等全生命周期的应用进行相关标准及技术框架研制。加快制定参考架构、模型、工业软件产品线工程、工业信息安全、工业大数据等基础标准，中间件、工业APP封装、数据模型、语义等技术标准，符合性测试、互操作测试、质量度量等测评标准。支持骨干企业及行业协会组织积极参与工业互联网、工业大数据等方面的标准制定，在智能制造重大示范项目中率先探索工業大数据标准应用，积极开展对标准体系的宣贯落实，并予以检验和完善。

五、强化专业人才培养引培

依托重大人才工程，加快培养引进一批精通工业基础知识和新一代信息技术知识的跨学科、复合型人才，培育数据机械工程师、数据科学家、用户界面专家等跨界人才。支持软件和信息技术服务企业、工业制造业企业与高等院校、科研院所加强合作，共建实习实训基地，发展订单式、现代学徒制等专业化人才培养模式，有针对性培养实用型、技能型人才，提升技术人员的综合数据处理能力。在高校和理工科大学开设数据科学与大数据技术专业，培养大数据系统架构师、分析师、数据分析师、数据挖掘工程师等专业人才。支持行业组织联合软件、制造业、互联网等相关领域企业开展跨行业技术交流活动，支持建设一批“工业+数据技术”实训基地。