新形勢下工業大數據發展及建議

賈映輝 許亞倩 呂海霞

當前，我國正處在經濟發展質量變革、效率變革、動力變革的關鍵時期，很多傳統工業企業面臨利用信息技術加快轉型升級的迫切需求。工業大數據是指在工業領域信息化應用中所產生的數據，成為提升企業智能化水平、驅動工業高質量發展的核心支撐，正迎來重要發展機遇期。同時，工業大數據發展在數據資源整合、應用推廣、標準化等方面存在諸多問題，亟待出臺相關政策措施促進保障工業大數據在工業高質量發展中的落地應用。

工業大數據發展態勢

一、中央和地方政府高度重視工業大數據發展

我國政府高度重視發展工業大數據，國務院、各部委相繼出臺編制了《大數據產業發展規劃（2016-2020年）》、《工業技術軟件化三年行動計劃（2018-2020年）等系列重大戰略和政策措施，把智能制造作為兩化融合的主攻方向，系統部署大數據發展工作，推動大數據在工業研發設計、生產制造、經營管理、市場營銷、售后服務等產品全生命周期、產業鏈全流程各環節的應用，不斷推動制造模式變革和工業轉型升級。各地方政府積極謀劃，蘇州、成都、廣東等地均出臺了促進工業大數據發展的政策文件，大力激發社會創造力和市場活力，加快新舊動能接續轉換，為工業大數據與實體經濟的加速融合提供了良好的政策環境。隨著政策的落實，工業大數據發展迎來重要發展機遇期，推動大數據將在產品的創新、工業物聯網、工業供應鏈的分析優化等工業各個方面創造價值。

二、領先企業積極布局工業大數據產品和服務

當前，工業大數據的產品與服務已成為國際科技與制造業巨頭競相布局的關鍵陣地。GE面向全球企業與開發者率先推出了Predix平臺，可提供涵蓋工業研發設計、生產制造、經營管理、服務等全流程的工業技術服務與數字解決方案;西門子的MindSphere平臺能將預防性維護、能源數據管理以及工廠資源優化等工業數據與軟件匯聚在一起，為企業級用戶提供決策參考;IBM投資建設了Bluemix創新工業云平臺，提供涵蓋工業大數據、移動應用、沃森（Watson）、分析、整合、DevOps、安全和物聯網等各領域超過120種軟件工具與服務。

與此同時，國內企業也進行了諸多有益探索，并取得了積極進展。三一重工組建樹根互聯工業互聯網平臺，集成了大數據分析及預測模型、端到端全流程運營管理系統等軟件工具和系統，可以為客戶提供精準的大數據分析、預測、運營支持及商業模式創新服務。海爾自主研發了支持大規模定制的COSMO平臺，該平臺形成了包括協同創新、眾創眾包、柔性制造、供應鏈協同、設備遠程診斷維護、物流服務資源的分布式調度等全流程的應用解決方案。

三、工業大數據應用場景拓展不斷拓展

工業大數據可應用于現有業務優化、推動大中型企業實現智能制造升級和工業互聯網轉型，并支撐中小企業創新創業。在現有業務優化升級方面，百度的工業大數據監測平臺已逐漸延伸應用到汽車、日化等行業;三一重工利用大數據分析技術為智能工程機械物聯網提供有效決策支持;長安汽車基于大數據分析開展了客戶個性化定制汽車服務，推動傳統的黑箱產品生產模式轉變為透明化生產（數字孿生）。在支撐創新創業方面，優制網基于設備規格、參數要求，完成了對合作伙伴的精確搜索、充分提高了制造、檢測設備的共享使用率，利用工業大數據成功推動了制造業在分享經濟領域的實踐與應用。

四、產業發展生態環境持續優化

得益于國家政策的大力支持，我國工業大數據領域生態環境得以不斷優化。工業互聯網產業聯盟聯盟會員數量已突破400家，成立“8+8”組織架構，從產業需求、技術標準、應用推廣、安全保障、國際合作等角度開展務實工作并取得了多項研究成果。在技術標準方面，中國電子技術標準化研究院聯合多家制造業企業與信息技術公司，編制了《工業互聯網平臺標準化白皮書（2018）》，為推進我國工業大數據發展，構建可持續發展的工業互聯網平臺生態做出了積極的貢獻。

存在問題

一、企業各領域信息化程度差異大，信息孤島現象嚴重

信息化建設程度差異大，業務數據資源缺失。一方面，由于不同領域、以及同一領域不同企業的信息化投入差異很大，導致企業信息化程度不一致，信息化程度低的企業的數據源缺失。另一方面，由于部分工業企業在信息化建設過程中，缺乏科學合理的系統和信息資源規劃，導致信息系統和業務系統的支撐關系不強，業務相關的數據資源缺失，如工業企業管控、制造執行的業務系統缺少必要的信息系統數據源支撐。

同時，數據管理機制不健全，數字資源碎片化。由于對企業數據資源缺少管理機制和使用規劃，導致各業務環節的數據散落在各業務部門，相關的數據標簽、存儲、編碼、處理機制各異等，從而導致企業數據可用性差、數據質量低、業務環節之間數據集成共享困難等問題，信息孤島現象嚴重，工業大數據難以發揮應用的價值。

二、數據模型及經驗積累不足，全流程、全系統的綜合應用發展受到制約

工業知識和經驗缺失，工業數據處理能力不足。工業大數據應用是大數據技術和工業行業全價值鏈典型場景的融合應用，既涉及眾多細分行業，又涵蓋工業流程各個環節，對專精領域的工業知識要求很高。而我國工業知識體系建設起步晚，工業基礎和工業know-how方面落后，尤其在制造的知識和經驗方面積累不夠，使工業數據全流程、全系統的綜合應用受到限制。

基礎技術、架構、平臺、工具等有待進一步完善。工業大數據應用對實時性、有效性和安全性的需求都高于互聯網大數據的應用，這對工業大數據核心技術體系、應用架構、工業大數據平臺、數據庫和分析可視化工具都提出了更高的要求，需要有針對性的進行優化研發。

三、工業大數據產業和服務標準化水平較低，規?；l展存在較大挑戰

產業融合深度和廣度有待進一步拓展。我國工業大數據的應用主要局限在企業內部產品成本減低、運營效率提高、異常檢測等方面，產業融合水平較低，在改進產品、定義用戶需求、提供增值服務、轉變工業系統運行模式和商業模式等方面需進一步拓展和深化，利用工業數據挖據創造更高效的價值。

數據政策法規體系不健全，不利于生態建設。合法、合規的數據利用、開放和共享，以及信息安全對工業大數據產業發展至關重要。目前，我國在工業大數據相關的法律法規還不完善，在很大程度上影響了工業大數據產業發展和生態的建設培育。

四、跨界融合人才短缺，促進人才高效匯聚成為緊迫需求

致力于工業大數據基礎支撐技術的人才缺失。工業大數據核心技術、平臺、工具等需要針對典型業務場景進行研發優化，我國工業大數據平臺架構工程師、算法工程師等基礎支撐人才不足，造成核心技術、平臺、工具等發展緩慢，阻礙了工業大數據技術的發展。

致力于工業大數據挖掘的跨界復合型人才缺失。工業大數據的使用者既需要掌握大數據挖掘相關知識，又需要深刻理解各種典型工業業務場景，更高層次的應用還涉及產品、用戶需求、企業管理決策、商業模式等方面，工業大數據產業對跨界復合型人才的能力需求更強烈。目前我國工業大數據的跨界復合人才缺失，阻礙了工業大數據應用的發展。

措施建議

一、支持核心技術研發創新

依托軟件和信息技術服務企業，加強對工業軟件實時操作系統的內核開發和優化技術，以及對工業互聯網平臺數據集成和邊緣處理技術、IaaS技術、數據管理技術等核心技術的研發創新。突破數據存儲與管理技術，以及工業大數據機理模型建模技術、知識推理技術等高端新型工業軟件核心技術，提升工業領域所需各類嵌入式數據庫、實時數據庫、關系型數據庫產品的數據存儲與處理能力。開展工業大數據測試床項目，加速孵化工業大數據解決方案，促進物聯網、云計算、大數據、人工智能等新一代信息技術在工業領域的創新應用。推進高端設備讀寫自由研究，實現工業軟件、物聯設備的自主可控，促進設備數據融合流通。

二、促進工業數據匯聚共享

支持企業構建以數據驅動為核心、覆蓋工業全環節、全流程和產品全生命周期的數據閉環，打通各個環節數據鏈條，促進數據資源融會貫通。建立國家、行業、企業三級架構的工業大數據服務平臺，加強共性平臺建設，完善各級服務平臺之間的數據共享交互機制，引導工業大數據開放共享發展。建設工業大數據平臺，聯合國內領先工業系統及解決方案企業、信息技術企業和工業生產企業，共同開放能夠實現底層設備數據集成、計算處理和分析的新型工業大數據平臺，支持第三方開發工業大數據分析應用。

三、積極開展試點示范工作

針對綜合集成、協調設計、協同制造等工業軟件關鍵能力，選擇基礎條件好、示范效應強、影響范圍廣的行業領域積極開展應用試點示范，探索工業大數據集成應用創新實踐，打造可復制推廣樣板。支持企業探索工業大數據平臺建設、應用和服務模式，建立試點間企業互聯互通的數據融合系統網絡，逐步擴大影響范圍，為廣泛培育數據驅動型企業提供實踐經驗。舉辦工業大數據創新大賽，發掘專業技術人才，培育一批創新隊伍，構建創新及產業化應用平臺，促進賽事結果轉化和產學研用緊密結合，助力工業經濟提質增效升級。

四、加強標準體系研制推廣

依據國家智能制造標準體系總體平臺和建設指南，建立工業大數據標準體系，圍繞大數據在工業產品研發設計、生產制造、物流、銷售、維保服務等全生命周期的應用進行相關標準及技術框架研制。加快制定參考架構、模型、工業軟件產品線工程、工業信息安全、工業大數據等基礎標準，中間件、工業APP封裝、數據模型、語義等技術標準，符合性測試、互操作測試、質量度量等測評標準。支持骨干企業及行業協會組織積極參與工業互聯網、工業大數據等方面的標準制定，在智能制造重大示范項目中率先探索工業大數據標準應用，積極開展對標準體系的宣貫落實，并予以檢驗和完善。

五、強化專業人才培養引培

依托重大人才工程，加快培養引進一批精通工業基礎知識和新一代信息技術知識的跨學科、復合型人才，培育數據機械工程師、數據科學家、用戶界面專家等跨界人才。支持軟件和信息技術服務企業、工業制造業企業與高等院校、科研院所加強合作，共建實習實訓基地，發展訂單式、現代學徒制等專業化人才培養模式，有針對性培養實用型、技能型人才，提升技術人員的綜合數據處理能力。在高校和理工科大學開設數據科學與大數據技術專業，培養大數據系統架構師、分析師、數據分析師、數據挖掘工程師等專業人才。支持行業組織聯合軟件、制造業、互聯網等相關領域企業開展跨行業技術交流活動，支持建設一批“工業+數據技術”實訓基地。