标签：制造业 strong 预处理 生产制造 关注 资源 保护 通用操作 复杂
无论是欧美老牌国家制造业的重振，还是中国制造业的转型提升，工业大数据都将发挥不可替代的作用。
当前，全球主要国家掀起了新一轮以“信息技术与制造业融合”为共同特征的工业革命，加速发展新一代信息技术，并推动其与全球工业系统的深入融合，以期抢占新一轮产业竞争的制高点。无论是欧美老牌国家制造业的重振，还是中国制造业的转型提升，工业大数据都将发挥不可替代的作用。
何为工业大数据
工业大数据是指在工业领域中，围绕典型智能制造模式，从客户需求到销售、订单、计划、研发、设计、工艺、制造、采购、供应、库存、发货和交付、售后、服务、运维、报废或回收再制造等整个产品全生命周期各个环节所产生的各类数据及相关技术和应用的总称，工业大数据以产品数据为核心，极大延展了传统工业数据范围，同时还包括工业大数据相关技术和应用。
工业大数据具备双重数据，即价值属性和产权属性。一方面，通过工业大数据分析等关键技术能够实现设计、工艺、生产、管理、服务等各个环节智能化水平的提升，满足用户定制化需求，提高生产效率并降低生产成本，为企业创造可量化的价值；另一方面，这些数据具有明确的权属关系和资产价值，企业能够决定数据的具体使用方式和边界，数据产权属性明显。工业大数据的价值属性实质上是基于工业大数据采集、存储、分析等关键技术，对工业生产、运维、服务过程中数据实现价值的提升或变现；工业大数据的产权属性则偏重于通过管理机制和管理方法帮助工业企业明晰数据资产目录与数据资源分布，确定所有权边界，为其价值的深入挖掘提供支撑。
工业大数据产业现状
工业是国民经济的基础和支柱，也是一国经济实力和竞争力的重要标志。
近年来，工业大数据作为我国“智能制造”和“工业互联网”的关键技术支撑以及两化融合的重要基础备受关注。党中央、国务院出台了一系列“大数据”“两化融合”“互联网与制造业融合”等综合性政策与指示，其中对工业大数据发展提出了明确的要求，全面指导我国工业大数据技术发展、产业应用及其标准化进程。
国家工业大数据相关政策
从供给侧看，工业大数据供给侧能力持续提升，涌现出一批专精特新企业，成为推动我国工业大数据发展的中坚力量。一是由传统工业制造企业数字化、软件化、平台化发展，出现了一批具有较强数据汇聚能力的衍生型企业，如航天云网、树根互联等；二是软件企业向工业领域渗透，出现的技术型企业，如昆仑智汇、东方国信等企业在工业数据建模、分析处理等领域不断突破核心技术；三是互联网企业积极进入工业领域，如阿里推出“ET工业大脑”等产品和服务，腾讯推出工业互联网“木屋云”平台。从需求侧看，随着智能制造、工业互联网等国家战略的逐一推进，个性化定制、网络化延伸以及智能化设计、生产、服务等新模式不断出现，对于工业大数据技术、产品、平台的需求不断增大，为工业大数据提供了充足的应用场景。
然而，在我国工业大数据产业发展不断优化提升的同事，仍需要清楚认识到我国工业大数据的仍存在物联数据无法获取、格式不同意，数据产权不清晰、数据壁垒难以打破，全产业链数据应用不足等问题。主要原因在于，第一，在我国国产工业软件、高端物联设备核心技术供给不足，而国外设备读写不开放，数据无法读取或者格式多样，无法直接利用；第二，面对体量大、分布广、结构复杂、类型多样化的工业数据，目前工业行业整体数据资源管理水平不足，难以管理企业内部和外部各类数据，更无法充分分析和利用。第三，缺乏可用、好用、可信的工业大数据平台，难以充分利用工业全产业链上下游的数据，以实现人、机、物等各类工业要素、工业业务流程以及产业链上下游企业间更大范围的实施链接与智能交互，推动工业生产的资源优化、协同制造和服务延伸。
与智能制造、工业互联网的关系与智能制造的关系
关 系
智能制造是工业大数据的载体和产生来源，其各环节信息化、自动化系统所产生的数据构成了工业大数据的主题。另一方面，智能制造又是工业大数据形成的数据产品最终的应用场景和目标。工业大数据描述了智能制造各生产阶段的真实情况，为人类读懂、分析和优化制造提供了宝贵的数据资源，是实现智能制造的智能来源。工业大数据、人工智能模型和机理模型的结合，可有效提升数据的利用价值，是实现更高阶的智能制造的关键技术之一。
工业大数据标准在智能制造标准化体系中的定位
与工业互联网的关系
与智能制造的场景有所区别，工业互联网更为关注制造业企业如何以工业为本，通过“智能+”打通、整合、协同产业链，催生个性化定制、网络化协同、服务化延伸等新模式，从而提升企业、整体行业价值链或是区域产业集群的效率。与智能制造相似的，工业互联网既是工业大数据的重要来源，也是工业大数据重要的应用场景。尤其在工业互联网平台的建设中，工业大数据扮演着重要的角色。
在工业互联网平台功能架构中，工业大数据技术、工业大数据系统是工业互联网平台层的重要核心。一方面，借助工业大数据处理、预处理、分析等技术，基于工业大数据系统，平台层得以实现对边缘层，IaaS层产生的海量数据进行高质量存储与管理；另一方面通过工业大数据建模、分析、可视化等技术，将数据与工业生产实践经验相结合，构建机理模型，支撑应用层各种分析应用的实现。
工业大数据如何管理
01
数据质量管理
工业大数据的质量存在很多问题。一是数据失真和失准。受制于工业现场的一系列恶劣工况，在工业OT域，现场物联网络、生产制造装备、过程控制设备均不同程度地存在数据失真。二是数据一致性差。对于来源于IT域的工业大数据，由于工业企业现有的信息化系统均不同程度的存在“系统林立”的问题，难以在数据生产过程中采用有效的控制手段来保障各个工业IT系统所产生的数据的一致性。三是对历史数据缺乏“再生”机制。工业历史数据的“再生”将有助于提升工业全生命周期管理能力。四是缺乏标准化的数据质量管理框架。在不同的业务场景中，各种结构化和非结构化数据集被多个使用者共享和使用。五是数据质量补偿手段尚未得到广泛应用。
工业大数据的质量管理需要工业企业建立完善的工业大数据质量管理组织架构，明确数据权属、管理者、使用者；面对不同的工业大数据质量问题，制定质量为的定义、等级、处理及复盘机制，制定规范的数据质量改善流程，形成面向多样化的工业大数据应用场景的数据质量管理闭环。
02
数据安全管理
大数据技术应用于工业领域给企业带来巨大的效益，然而工业大数据对工业企业来说既是机遇也是挑战，在给企业带来巨大经济利益的同事，其本身所存在的安全问题也让企业面临着巨大的风险。一方面，由于工业控制系统的协议多采用明文形式、工业环境多采用通用操作系统且不及时更新、从业人员的网络安全意识不高，再加上工业数据的来源多样，其有不同的格式和标准，使其存在诸多可以被利用的漏洞。另一方面，在工业应用环境中，对数据安全有着更高的要求，任何信息安全事件的发生都有可能威胁工业生产运行安全、人员生命安全甚至国家安全等。因而，研究工业大数据安全管理，加强对工业企业的安全保护变得尤为重要。
工业大数据安全是跨多工业领域与学科的综合性问题，需要结合法律法规、行业特点、工业技术等多维度进行研究。考虑到工业大数据平台所承载的工业数据的巨大价值，因此将整个工业大数据安全技术体系分为工业大数据接入安全、工业大数据平台安全、工业大数据应用安全三个层次。其中工业大数据接入安全为工业现场数据的采集、传输、转换流程提供安全保障机制；工业大数据平台安全为工业数据存储、计算提供安全保障基础；工业大数据应用安全为上层应用的接入、数据访问等提供强力的安全管控。
工业大数据应用安全应从几方面考虑：支持应用访问签名机制，确保只有授权的应用才能提交数据访问请求；支持应用数据按需访问，避免数据访问范围的扩大化；支持应用行为实时监控，实时拦截应用中包含的攻击行为，包括数据访问范围、频率、SQL语句合法性等；建立完整的应用流程管理机制，包括应用的提交、执行、状态监控、结果审计等，确保每个应用的审批、控制于追责有效结合，避免高权限人员的恶意操纵或误操作行为；构建完备的应用测试环境及测试规范，确保只有符合安全策略的应用可以审批执行。
标签：制造业 strong 预处理 生产制造 关注 资源 保护 通用操作 复杂
原文地址：https://www.cnblogs.com/IT-Evan/p/BigData3.html
