下载掌阅APP，畅读海量书库
立即打开
工业企业的数字化转型体现在业务模式、管理模式、生产模式、设备运行模式等层面。随着市场的变化和生产要素的发展（如存量市场放缓、开放式竞争、市场动态加剧等），出现了很多业务模式创新需求，如服务型制造、产能金融化、协同研发等。需要一个全局的数据平台来支撑灵活快速的业务创新和生产组织形态的改变。在管理模式上，也有预测性维修、控制参数优化、生产计划优化等以决策为中心的需求，需要设备全生命周期档案、以物料为中心的生产档案等全息大数据模型，这些模型能够真实、全面地刻画物理世界，从而支撑我们从繁杂的动态数据中挖掘不变的规律。在无人或少人值守等场景下，需要实现人工经验和决策过程的全面自动化，从而实现知识和经验的传承、决策逻辑的流动，而不只是数据的流动。在生产模式方面，随着产品定制化程度提高（如根据不同环境进行风力发电机组的定制化设计与制造等）、产品生命周期缩短、专业分工细化、劳动力结构迁移等外部趋势的发展，协调设计、混线生产、少人值守、智能优化等新模式也需要数据支撑。在设备的智能升级过程中（如表面质量的智能检测、自适应控制、自学习在线矫正等），希望设备的检测、控制和运行能够根据环境和实际情况自学习、自诊断、自调整。
工业企业数字化转型的技术手段主要有自动化、信息化和智能化。作为工业生产效率的重要技术保障手段，自动化实现了以生产工艺为中心的物料和生产指令的整理；作为提高管理效率的重要技术手段，信息化实现了以业务流程为中心的数据整合和管理决策的协同。以计算机集成制造等理念为代表的自动化和信息化的融合，实现了部分生产与经营的整合。这些数字化转型通常集中在执行层，通过数据的自动收集和决策信息的及时流转支撑经营过程的透明化，关键决策通常全部由人工完成。智能化则尝试构建决策所需的完整信息（如物理动态过程、全生命周期档案等），通过分析和挖掘数据，实现大范围决策过程的优化。因此，很多文献中都提到了从“信息化”到“智能化”的升级的本质是数据的深度利用。
随着传感器和物联网技术的发展，对物理过程的感知变得更加实时和密集，系统可以得到实时反馈。将这些数据有效应用到实际控制过程中，从而进一步提高设计水平、控制水平、系统可靠性和运行效率，是近期物理信息系统（Cyber-Physical System，CPS）、数字孪生（Digital Twin）等提法的基本出发点。基于这些海量数据的数据分析是工业企业数字化转型的关键技术。
MES（Manufacturing Execution System）、ERP（Enterprise Resource Planning）、SCM（Supply Chain Management）等信息系统在企业中的深度应用以流程为中心，解决了信息及时流转和有序管理等问题，但业务决策和创新层面缺乏全局信息，需要依赖领域专家经验。这种全局信息体现为以物理实体为中心的全生命周期模型和全要素信息模型。大数据技术可以在一定程度上将局部化的信息有机组织起来，数据分析技术可以从组织好的数据中挖掘有用信息。
一些关键应用领域在技术上不断深化，实现了跨领域的融合。在制造环节，以CAE（Computer Aided Engineering）、MBE（Model Based Engineering） [4] 等技术为支撑的“数字化工厂”倡导实现设计数字化、管理数字化、生产过程数字化、产品数字化和制造装备数字化。以设备全生命周期的相关数据为基础，对整个生产过程进行仿真、优化和重组，实现了工厂中重要过程和资源的整体规划、评估和持续改善。在规划中，生产中的所有元素通过计算机辅助方法建模。这种方式使产品的物理制造过程达到所有质量、时间和成本目标。在设备运行和运维环节，以DCS（Distributed Control System）、SCADA（Supervisory Control and Data Acquisition）为核心的运行监控系统实现了整体系统环节过程参数的监控与采集，TSI（Turbine Supervisory Instruments）、TDM（Turbine Diagnosis Management） [5] 等系统实现了关键设备状态监控与诊断，为“设备数字化与智能化”奠定了技术基础。这些技术的发展，为工业大数据在更大时空范围上的应用提供了契机。
工业大数据是数字化转型的重要支撑技术之一，工业企业对其寄予厚望，可以简要归纳为4A。
全维信息服务（Available）：通过大数据平台将物理机理、业务逻辑、人文规则等要素有机组合，支撑以决策为中心的业务应用。
经济可用（Affordable）：通过云服务模式降低对IT专业人员的依赖，并通过对物理对象的刻画释放行业专家的能量，降低数据再利用的成本。
大规模的知识沉淀（Assetization）：将隐性的知识显性化、将模糊的理解明确化、将静止的逻辑生命化（自演化），实现知识的自动化、模型的自演化，降低知识的使用门槛，并不断对其进行丰富和拓展。
大规模应用（Applicable）：在包括传感、传输链路、存储、利用等环节的整个数据技术路线中，传输链路是限制大数据的因素之一。通过将特征提取和模型计算等工作推送到端来降低日常数据负荷，是一种常用的技术方式。
美国的《2014年全球大数据白皮书》和《美国先进制造领导战略》强调了美国企业在大数据科技发展方面的关键驱动因素：分析运营和交易数据的能力；洞察用户的线上消费行为，以向市场提供新的定制化产品；对组织中的机器和设备进行更加深入的感知等。德国于2015年4月提出“工业4.0”战略，重点强调了信息互联网技术与工业制造技术的融合，作为其中的关键技术，工业大数据分析将得到大范围应用。法国于2015年推出了“新工业法国”战略，在其公布的未来工业计划中指出，实现互联互通、竞争力强的法国工业是其主要目标，并将通过数字化技术帮助企业转变经营模式、组织模式、研发模式和商业模式，使工业工具更加现代化。作为中国工业互联网的核心技术及两化融合的基础技术，工业大数据备受关注。近年来，中国出台了“大数据”“两化融合”“互联网与制造业融合”等一系列综合性指示与政策，对工业大数据的发展提出了明确要求，对工业大数据的发展、产业应用及标准化进程提供了全面指导。