1.2.1 业务领域视角

对于未来制造的发展模式，业界有很多好的提法，包括精益（Lean）制造、柔性（Flexible）制造、绿色（Sustainable）制造、云（Cloud）制造、敏捷（Agile）制造、自组织（Holonic）制造、数字（Digital）制造、智能（Intelligent）制造、智慧（Smart）制造等，以应对不同需求（如成本和竞争压力、创新速度、个性化需求、可持续性发展等）。工业大数据是支撑制造模式转型的重要使能技术。

在工业数据的应用模方面，业界从不同角度提出了很多类似的想法。德国“工业4.0”强调通过横向全供应链集成、纵向全自动化集成（智能工厂）和设计工程全数字化集成3条技术路线，构建基于物理信息系统（CPS）的全新生产环境，实现以数字制造为核心的第四次工业革命 ^[2] 。美国NIST从产品生命周期（设计、工艺规划、生产工程、制造、使用和服务、废弃和回收6个阶段）、生产系统（设计、修建、调试、运营和维护、退役和回收5个方面）和商务（采购、制造、交付、售后等供应链活动）3个制造生命周期维度构建智慧制造（Smart Manufacturing System） ^[6] 。学术界也提出过类似的想法。Porter James与Heppe Imann探讨了互联的产品：结合大数据分析，打造服务型制造模式，柔化制造业和服务业的固有边界 ^[7] 。中国电子技术标准化研究院的《工业大数据白皮书（2019版）》将工业大数据的典型应用场景概括为智能化设计、智能化生产、网络化协同制造、智能化服务和个性化定制 ^[8] 。日本RIETI研究中心和PwC也从业务部门和业务模式的角度提出了类型框架。

综上所述，结合实践经验，我们总结了工业大数据在7大业务领域的应用场景，如图1-1所示。

1.2.2 应用系统视角

不同行业的两化基础不同，同一行业不同企业的发展阶段也不尽相同。为便于讨论，这里介绍ISA-95企业信息架构参考模型 ^[9] ，如图1-2所示。ISA-95企业信息架构参考模型将制造业信息系统划分为物理过程层（Level 0）、传感层（Level 1）、监控层（Level 2，如DCS、SCADA等）、生产管理层（Level 3，如MES等）、经营管理层（Level 4，如ERP、SCM等）。Level 0定义了实际物理过程，通常以微秒或毫秒为单位。Level 1涉及物理过程的传递和操作，通常以秒为单位。Level 2涉及物理过程的监测和控制，通常以小时、分钟、秒为单位。Level 3定义了生产预期成品的工作流，包括维修和协调进程的活动，通常以天、班次、小时、分钟、秒为单位。Level 4涉及业务计划和与经营结果相关的管理、决策流程，通常以周、项目等为单位。

工业大数据在既有基础上，从更全要素、更大范围、更细时空颗粒度、更广业务环节上，实现了贯穿多个Level的新型应用。但从实现的功能来看，工业大数据应用大多落在Level 4；在设备运维中也有不少Level 2的应用（如故障预警等）；在两化基础差的行业中，也有一些大数据应用实现了Level 3的功能。